基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取

目的乳腺癌的早期发现对患者意义重大。为帮助医生进行乳腺癌的早期检查和诊断,本文提出利用小波分析与图像纹理特征提取相结合的方法来提取乳腺X线图像微钙化点区域,在提高检查准确性的同时避免漏检误检。方法首先利用灰度共生矩阵所提取的能量、熵、对比度、相关性以及小波分解后得到的各层高频系数的方差、能量作为图像的特征向量,然后利用支持向量机进行训练建立最优分类模型。最后利用建立的最优分类模型实现乳腺X线图像微钙化点区域的提取并利用检出率和误检率对结果进行评估。结果使用临床数据进行验证,结果表明利用小波分析与图像纹理特征提取相结合的方法能有效提取乳腺图像中的微钙化点区域。结论基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取方法比单一的图像纹理特征提取或小波分析等方法,提取的效果更好。另外,该方法设计简单,更易于实现乳腺癌的自动化诊断。     

一种多特征融合的Web医学信息语义关系抽取方法

目的为给用户提供更为相关、整体和结构化的Web医学信息,提出一种多特征融合的语义关系抽取方法,以解决中文Web医学信息中两两医学实体之间语义关系的抽取。方法首先在混合句法分析算法的基础上构造包含词项、语义、词性、交互词、实体对距离、实体类别以及最短依赖关系特征的特征向量并结合支持向量机实现。对Web医学信息中师徒关系、擅长关系及从属关系抽取实验,比较在不同句法分析下、不同特征作用及不同机器学习算法下的语义关系抽取效果。结果从F估计和算法运行时间来看,混合句法分析下效果最佳。随着特征的加入,抽取效果不断提升,最后,对三类语义关系抽取最终获得81.16%、95.94%和86.16%的F估计值。结论基于多特征融合的语义关系抽取方法对于Web医学信息语义关系的抽取具有很好的效果。     

基于微弱目标-背景合成技术的微钙化点检测

针对目前医学影象中微钙化点微弱目标检测与识别技术缺乏环境自适应的不足,提出了医学影象微弱目标-背景合成技术解决机器学习过程中模型的复杂背景适应性问题.首先利用医学微弱目标检测算法结合专家知识提取真实目标,然后利用背景复杂度感知模型实现背景复杂度分析;最后利用镶嵌技术将目标与背景进行有机合成,建立各种复杂度背景下的训练样本学习数据库.可拒识-双层支持向量机分类器仿真实验结果表明：利用该数据库建立的可拒识-双层支持向量学习分类器不但具有稳健的环境适应能力,而且该方法较好的解决了医学微钙化点目标识别正样本不足的问题.     

一种体外流动钙化模型的建立

目的 构建一种基于模拟生理流体环境、且可便捷、高效反映心血管植入物钙化特性的体外测试模型,为心血管植入物的快速开发提供新的手段.方法 选择新鲜牦牛牛心包(青海裕泰畜产品有限公司,中国);选择3周龄Wistar雄性幼鼠5只,体质量(50±5)g.采用常规戊二醛(GA)与处理牛心包交联方法,制备GA交联的牛心包材料(Yak...     

基于脑电信号计算机分析的一种新的病灶定位方法

作者提出了一种新的脑电图定位分析方法。该方法从时域分析角度出发,通过参数模型分析和多元统计分析相结合的办法对脑电图进行处理,得到主成分特征地形图,进而能实现颅脑病灶的定位。临床实验表明,该方法具有速度快,定位直观而准确等特点。     

乳腺肿块多级分形特征提取方法研究

乳腺肿块是女性的常发病,严重影响着女性健康。准确检测及定位乳腺图像中的肿块将大大提高乳腺疾病诊断的准确率。研究表明,肿块的组织结构、表面粗糙度等构成了肿块图像的纹理特征,是判别肿块的重要依据。本文提出了一种乳腺肿块多级分形特征提取方法,通过对可疑病变区域建立分形特征向量,实现了乳腺图像中腺体和肿块部分的特征提取及分析。结合支持向量机(SVM)分类方法,得出最终的诊断结果。对110幅乳腺图像进行分形特征向量提取和分类,肿块准确率达到90%。实验结果表明,本文提出的多级分形特征提取及判别方法能够有效提高乳腺肿块诊断的准确率,对乳腺肿块的早期诊断具有良好的效果。     

基于超声图像的乳腺钙化点自动检测技术

当前乳腺钙化点检测方法多基于X光片,难以应用于超声图像,本研究提出基于超声图像的乳腺钙化点自动检测技术,首先将乳腺超声图像中的肿瘤区域通过勾画模板提取出来,基于简单线性迭代聚类算法进行超像素分割;然后提取表征各超像素的特征量来计算显著性图,基于钙化区域显著性进行粗钙化点分割;最终对分割后的粗钙化点进行形态学检测,达到对超声图像中的细钙化点自动检测。该方法取得了较好的分割效果,具有较强的鲁棒性,为形成具有普适性的肿瘤自动诊断方案奠定了研究基础。     

乳腺钼钯X射线影像中微钙化点的检测方法

乳腺癌是一种常见的妇科恶性肿瘤。早期发现、早期诊断、早期治疗对医治乳腺癌、降低死亡率至关重要。实现乳癌早期诊断的关键技术之一是及时发现乳腺 X线影像中的微小钙化点并判断其是否有恶化倾向。本文就目前为止乳腺 X片微钙化点的检测方法进行了综述 ,并展望其近期发展趋势。     

一种基于特征优化算法的磁共振脑组织分割方法

结合独立分量分析与支持向量机,提出一种基于特征优化算法的磁共振脑组织分割方法。首先,从图像中提取出灰度和纹理特征构成原始特征集;然后,利用独立分量分析技术对所提取的原始图像特征进行优化处理,提取其中的独立分量构成特征子集;最后,把训练样本与待分类样本都映射到特征子集所张成的独立空间中,利用特征子集对支持向量机分类器进行训练并对脑组织进行分类。实验结果表明,采用本研究的分割方法可以获得比其他相关方法更好的脑组织分割结果。     

乳腺钼钯X射线影像中微钙化点的检测方法

乳腺癌是一种常见的妇科恶性肿瘤。早期发现、早期诊断、早期治疗对医治乳腺癌、降低死亡率至关重要。实现乳癌早期诊断的关键技术之一是及时发现乳腺X线影像中的微小钙化点并判断其是否有恶化倾向。本就目前为止乳腺X片微钙化点的检测方法进行了综述,并展望其近期发展趋势。     

基于支持向量机的ICU中急性低血压预测模型研究

在重症监护室(ICU)的监护中,急性低血压(AHE)的发生严重威胁着患者的生命安全,临床上主要依靠医生的经验处置。本文运用医学信息学的理论,研究一种ICU中AHE发生的预测模型。利用ICU监护中血压变化的连续记录数据,分析发生与未发生AHE两者间平均动脉压(MAP)信号的变化趋势与特点,基于统计学习理论的支持向量机(SVM)方法,选取中位数、平均值等统计特征参数用于学习和训练,建立分类预测模型。在此基础上,对不同核函数构成的分类器和预测算法进行了比较分析。实验验证,本方法能够达到比较好的分类预测效果,有利于AHE发生的提前预测。     

EMD和SVM结合的脑电信号分类方法

脑电(EEG)癫痫波的自动检测与分类在临床医学上具有重要意义。针对EEG信号的非平稳特点,本文提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的EEG分类方法。首先利用EMD将EEG信号分成多个经验模式分量,然后提取有效特征,最后用SVM对EEG信号进行分类。结果表明,该方法对癫痫发作间歇期和发作期EEG的分类效果比较理想,识别率达到99%。     

支持向量机规则提取在大脑胶质瘤诊断中的应用

利用一种新型的数据挖掘技术一支持向量机从大脑胶质瘤病例中获取胶质瘤良恶性程度的诊断知识。所获取的胶质瘤数据集有280个病例，其中多项信息包含了模糊值，还有一项有缺失值，致使人工神经网络算法在学习时易于产生过拟合，而支持向量机实现了统计学习理论中的结构风险最小化原理，克服了过拟合问题，并且其分类面是一个线性超平面，有定量关系表达式，所以计算所得到的结果无论从测试样本的平均准确率，还是所获取知识的可理解性等方面，都优于常用的神经网络和规则提取方法。     

基于人体血液常/微量元素含量的SVM癌症辅助诊断

支持向量机（Support vector machine,SVM）分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力,已被广泛地应用于许多研究领域。我们以癌症病人血液中6种元素（Ba,Ca,Cu,Mg,Se,Zn）的含量为研究对象,将SVM、最近邻法、决策树C4.5及人工神经网络等方法用于癌症病人和正常人的分类研究。研究表明：除C4.5的分类准确率保持不变之外,对数据的归一化处理能够提高SVM、KNN、ANN的分类效果。当使用线性核函数时,SVM通过5次交叉验证的最优平均分类准确率达到了95.95%,优于KNN（93.24%）、C4.5（79.93%）及ANN（94.59%）等分类器,表明该方法有望成为一种实用的癌症临床辅助诊断手段。     

一种运动想象脑电分类算法的研究

为了解决脑机接口(BCI)中不同意识任务下脑电信号分类问题,针对运动想象脑电(EEG)的事件相关去同步/同步(ERD/ERS)现象,提出一种基于支持向量机(SVM)的实用分类算法。该算法首先对脑电信号进行滤波,获得对运动想象比较敏感的频段,对滤波后的脑电信号,通过去均值减小由于均值不同所造成的误差,然后,再提取基于ERD/ERS的脑电能量场强特征,对提取的特征,运用支持向量机(SVM)进行分类,得到了满意的效果。结果表明,此方法可为脑机接口技术的应用提供有效的手段。     

A biological continuum based approach for efficient clinical classification

Clinical feature selection problem is the task of selecting and identifying a subset of informative clinical features that are useful for promoting accurate clinical diagnosis. This is a significant task of pragmatic value in the clinical settings as each clinical test is associated with a different financial cost, diagnostic value, and risk for obtaining the measurement. Moreover, with continual introduction of new clinical features, the need to repeat the feature selection task can be very time consuming. Therefore to address this issue, we propose a novel feature selection technique for diagnosis of myocardial infarction – one of the leading causes of morbidity and mortality in many high-income countries. This method adopts the conceptual framework of biological continuum, the optimization capability of genetic algorithm for performing feature selection and the classification ability of support vector machine. Together, a network of clinical risk factors, called the biological continuum based etiological network (BCEN), was constructed. Evaluation of the proposed methods was carried out using the cardiovascular heart study (CHS) dataset. Results demonstrate a significant speedup of 4.73-fold can be achieved for the development of MI classification model. The key advantage of this methodology is the provision of a reusable (feature subset) paradigm for efficient development of up-to-date and efficacious clinical classification models.     

基于支持向量机的乳腺癌预后状态预测和疗效评估

乳腺癌是危害妇女健康的主要恶性肿瘤.目前基因与疾病关系的研究取得了一系列的成果,使得利用乳腺癌患者的基因信息来预测预后状态和评估治疗效果成为了可能.支持向量机(support vector machine,SVM)分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力,已被广泛地应用于诸多研究领域.本文采用支持向量机SVM、K-近邻法(K-nearest neighbor,K-NN)、概率神经网络(probabilistic neural network,PNN)、决策树(decision tree,DT)分类器,结合乳腺癌患者基因数据来预测患者的预后状态和评估治疗效果.结果表明:当使用高斯径向基核函数时,SVM通过5次交叉验证的最佳平均分类准确率达到了88.44%,优于K-NN(81.69%)、PNN(80.68%)和DT(71.19%)等分类器,表明该方法有望成为一种有效、实用的乳腺癌预后状态预测和治疗效果客观评价的工具.     

Identifying splicing sites in eukaryotic RNA: support vector machine approach

We introduce a new method for splicing sites prediction based on the theory of support vector machines (SVM). The SVM represents a new approach to supervised pattern classification and has been successfully applied to a wide range of pattern recognition problems. In the process of splicing sites prediction, the statistical information of RNA secondary structure in the vicinity of splice sites, e.g. donor and acceptor sites, is introduced in order to compare recognition ratio of true positive and true negative. From the results of comparison, addition of structural information has brought no significant benefit for the recognition of splice sites and had even lowered the rate of recognition. Our results suggest that, through three cross validation, the SVM method can achieve a good performance for splice sites identification.     

表面肌电的支持向量机分类

支持向量机(SVM)是一种新的机器学习机制.研究了基于支持向量机的控制假手表面肌电识别方法和性能,并与反向传播(BP)神经网络分类器进行了比较.分类的六种手腕部动作分别是腕内旋、腕外旋、展拳、握拳、肘部外旋、肘部内旋.利用"一对一"的分类策略和二叉树构造多类SVM分类器.核函数分别采用多项式和径向基函数.实验结果表明SVM可以有效地对表面动作肌电进行分类,SVM分类准确率普遍优于传统的BP神经网络,且具有良好的泛化推广能力.不同的核函数对分类准确率影响较小.     

A learning method for the class imbalance problem with medical data sets

In medical data sets, data are predominately composed of “normal” samples with only a small percentage of “abnormal” ones, leading to the so-called class imbalance problems. In class imbalance problems, inputting all the data into the classifier to build up the learning model will usually lead a learning bias to the majority class. To deal with this, this paper uses a strategy which over-samples the minority class and under-samples the majority one to balance the data sets. For the majority class, this paper builds up the Gaussian type fuzzy membership function and α-cut to reduce the data size; for the minority class, we use the mega-trend diffusion membership function to generate virtual samples for the class.Furthermore, after balancing the data size of classes, this paper extends the data attribute dimension into a higher dimension space using classification related information to enhance the classification accuracy. Two medical data sets, Pima Indians’ diabetes and the BUPA liver disorders, are employed to illustrate the approach presented in this paper. The results indicate that the proposed method has better classification performance than SVM, C4.5 decision tree and two other studies.