醫(yī)學(xué)圖像識(shí)別中多分類器融合方法的研究進(jìn)展

張麗娜

摘要：在進(jìn)行臨床診斷的過程中計(jì)算機(jī)輔助醫(yī)學(xué)圖像的應(yīng)用能夠發(fā)揮重要的作用。但是由于臨床病例具有復(fù)雜性的特點(diǎn)，因此單一的分離器難以滿足需求。因而在臨床診斷上使用多分類器進(jìn)行醫(yī)學(xué)圖像識(shí)別已經(jīng)成為一個(gè)重要發(fā)展趨勢(shì)，并在越來越多的領(lǐng)域得到應(yīng)用。本文基于這一背景對(duì)醫(yī)學(xué)圖像識(shí)別中多分類器融合方法的研究進(jìn)行進(jìn)行總結(jié)。

關(guān)鍵詞：醫(yī)學(xué)圖像;多分類器;研究進(jìn)展

引言

醫(yī)學(xué)圖像的分類識(shí)別在臨床診斷中發(fā)揮著重要的作用，目前已經(jīng)在神經(jīng)網(wǎng)絡(luò)等多個(gè)領(lǐng)域得到廣泛的應(yīng)用，提高了臨床診斷的效率與準(zhǔn)確率，但是由于臨床診斷的復(fù)雜性，以及技術(shù)的發(fā)展，多分類器融合已經(jīng)成為醫(yī)學(xué)圖像識(shí)別的重要發(fā)展方向。了解醫(yī)學(xué)圖像識(shí)別多分類器的發(fā)展進(jìn)程能夠更好地應(yīng)用這一技術(shù)，因此文章對(duì)其發(fā)展進(jìn)行進(jìn)行了解。

1多分類器融合

多分類器融合是為了能夠滿足臨床診斷的要求，將不同的分類器進(jìn)行融合，改變分類器功能單一的缺陷，能夠更好地發(fā)揮其作用。對(duì)當(dāng)前比較盛行的融合方法進(jìn)行了解可以發(fā)現(xiàn)他們之所以能夠使得單一分類方法的性能得到改變，主要依靠以下幾個(gè)方面：其一可以把分類問題看作是從特征空間到類別空間的映射，而分類器訓(xùn)練則是使用一種算法獲得一種一側(cè)，這種訓(xùn)練集相對(duì)比較少，因此不具有很強(qiáng)的推廣性，因此實(shí)現(xiàn)對(duì)不同算法的綜合具有現(xiàn)實(shí)意義。其二在進(jìn)行算法設(shè)計(jì)的過程中如果使用局部搜索的分類算法則容易出現(xiàn)局部極值，使用融合算法則能夠把不同局部的最優(yōu)初始點(diǎn)作為新的搜索，這樣就能夠得到進(jìn)一步的逼近。

2成員分類器的生成

2.1對(duì)訓(xùn)練數(shù)據(jù)集的處理

在不同的訓(xùn)練子集上對(duì)同一個(gè)算法進(jìn)行訓(xùn)練從而能夠得到成員分類器的技術(shù)，這一技術(shù)對(duì)于訓(xùn)練數(shù)據(jù)的微小變動(dòng)而引起的預(yù)測(cè)結(jié)果較大的變動(dòng)具有較好的效果。在進(jìn)行訓(xùn)練數(shù)據(jù)集處理的過程中最有效的方法就是以重復(fù)取樣為前提的Bagging。在這樣的情況下進(jìn)行多次訓(xùn)練，從而能夠得到一個(gè)分類器的序列，以投票的方式對(duì)分類進(jìn)行判別。通過這樣的方式能夠提高融合成員的差異度，從而能夠使算法的適用范圍更加廣泛，能夠在臨床診斷上發(fā)揮出更大的作用。

2.2對(duì)輸入特征的處理

在對(duì)高維特征的樣本進(jìn)行處理的過程中，為了能夠獲得更為精準(zhǔn)的處理結(jié)果，可以從具有不同特征的子空間上進(jìn)行成員分類器的訓(xùn)練。而進(jìn)行特征子控件的抽取的過程中常用到的方法包括c隊(duì)、特征子集分解等，不同的方法具有不同的優(yōu)勢(shì)，實(shí)際應(yīng)用過程中根據(jù)需求進(jìn)行選擇。而基于不同特征的分類結(jié)果也具有較強(qiáng)的互補(bǔ)性，能夠降低其復(fù)雜性，在實(shí)際應(yīng)用的過程中發(fā)揮更大的作用。

2.3成員分類器的處理

上文中提到的Bagging方法屬于元學(xué)習(xí)方法，元學(xué)習(xí)方法的成員構(gòu)造和具體的分類器的關(guān)系不大，采用這種學(xué)習(xí)方法主要是通過一個(gè)基分類器從而得到不同的成員。在進(jìn)行算法設(shè)置的過程中如果對(duì)成員分類器的數(shù)據(jù)進(jìn)行不同的設(shè)置，最后獲得的數(shù)據(jù)具有相異性，其適用的范圍也更加的廣泛。例如在進(jìn)行處理的過程中可以借助遺傳算法建造神經(jīng)網(wǎng)絡(luò);在學(xué)習(xí)算法中進(jìn)行隨機(jī)因子的添加，都能夠提高成員分類器的處理效果。因此在對(duì)成員分類器進(jìn)行處理的過程中，應(yīng)該根據(jù)實(shí)際的需要，從不同的角度人手進(jìn)行設(shè)置，從而能夠更好地滿足實(shí)際的需要。

2.4成員分類器的篩選

在進(jìn)行分類器融合的過程中，分類器的種類繁多可能會(huì)出現(xiàn)運(yùn)行速度較慢，系統(tǒng)識(shí)別性差等情況，針對(duì)這一隋況，為了能夠提高多分類器的融合效果，使其發(fā)揮更佳的作用，應(yīng)該對(duì)成員分類器進(jìn)行篩選，只允許有效的分類器進(jìn)入。首先應(yīng)該構(gòu)建一個(gè)候選分類器的集合，根據(jù)任務(wù)需求從中進(jìn)行選擇。而在這一過程中可以采用的算法也比較多，比較常見的算法包括向前向搜索算法，在使用這一算法的過程中應(yīng)該注意以下內(nèi)容：首先選擇一個(gè)分類器，這個(gè)分類器會(huì)承擔(dān)起初始融合系統(tǒng)的任務(wù)，之后會(huì)不斷加入新的成員，系統(tǒng)在這個(gè)過程中不斷優(yōu)化，但是在這一過程中要高度重視的一點(diǎn)是當(dāng)新加入的成員不能夠再提高系統(tǒng)的作用，則應(yīng)該控制成員數(shù)量。這樣的操作能夠減少系統(tǒng)中無用成員較多的情況，從而能夠不斷提高系統(tǒng)的準(zhǔn)確性。

3多分類器融合

在實(shí)現(xiàn)多分類器融合的過程中可以選擇的方法比較多，下面對(duì)比較常見的融合方法進(jìn)行介紹：多分類器級(jí)聯(lián)組合。在這種處理方面下，級(jí)聯(lián)系統(tǒng)有多個(gè)子系統(tǒng)組成，而不同的子系統(tǒng)的側(cè)重點(diǎn)又有所不同，因而應(yīng)該對(duì)輸入的數(shù)據(jù)進(jìn)行識(shí)別，使得輸入的數(shù)據(jù)的覆蓋面比較廣。而在對(duì)數(shù)據(jù)進(jìn)行提取的時(shí)候要注意，受不同提取方法的影響，提取出來的數(shù)據(jù)往往具有一定的類別偏向性，這樣才能夠進(jìn)行有效識(shí)別。單分類器輸出結(jié)果的融合。采用這一分類器融合方法，可以根據(jù)信息量的大小對(duì)分類器輸出進(jìn)行層次劃分，而每一個(gè)層次對(duì)應(yīng)了嚴(yán)重輸出轉(zhuǎn)化類型，最后直接對(duì)輸出結(jié)果進(jìn)行分析，從而能夠借助多種類型的融合方法對(duì)數(shù)據(jù)進(jìn)行處理。一般而言，應(yīng)該先在理論的指導(dǎo)下進(jìn)針對(duì)某一問題進(jìn)行建模，使最后的模型能夠滿足處理問題的需要。參數(shù)對(duì)于分類器的性能能夠進(jìn)行良好的展示。而在進(jìn)行分類融合的過程中應(yīng)該做好以下準(zhǔn)備工作，把分類輸入器的概率等進(jìn)行處理，使其規(guī)則簡單化，借助一種算法對(duì)其進(jìn)行融合，使其使用起來效果更佳，而在多個(gè)分類器輸出的情況下，可以將其看作是一個(gè)第二類分類器的輸入，之后再借助一定的方法對(duì)其進(jìn)行處理。

4結(jié)束語

分類器融合已經(jīng)體現(xiàn)出這一技術(shù)發(fā)展的有事，能夠更好地滿足臨床診斷的需要。相信隨著技術(shù)的不斷發(fā)展與完善，分類器融合也能夠得到進(jìn)一步的發(fā)展，為人們提供更優(yōu)質(zhì)的服務(wù)。目前雖然分類器融合發(fā)展中仍然存在一定的問題，但是相信經(jīng)過技術(shù)的發(fā)展，一定能夠克服這一問題，更好地滿足人們的需要。