基于局部灰度最大和改进Mahalanobis

CT图像中肺结节检测一直是肺癌CAD系统的关键和难点。提出了一种孤立性肺结节自动检测算法,首先对原始CT图像进行有效、准确的肺实质分割;采用寻找局部灰度最大值方法对ROI进行初始分割;再对分割出的各ROI进行特征提取,利用SVM方法对每个特征进行定量描述,根据SVM单特征分类准确率对Mahalanobis距离进行加权改进,最后采用基于改进的Mahalanobis距离进行肺结节分类。实验结果表明,该算法可以较好地提取出CT图像中的孤立性肺结节,具有较高的灵敏度和较低的漏诊率,可以为医生诊断早期肺癌病灶提供帮助信息。     

基于遗传算法和BP神经网络的孤立性肺结节分类算法

为了提高计算机辅助诊断系统中孤立性肺结节的良恶性诊断的准确性,提出了一种基于遗传算法和BP神经网的分类算法。该算法针对BP神经网络容易陷入局部最优的问题,综合考虑孤立性肺结节的医学诊断特性,采用遗传算法对基于BP神经网络的分类器进行优化,并通过对PET/CT图像进行处理,提取病灶的功能特征、结构特征以及临床信息作为神经网络分类器的输入样本,实现孤立性肺结节的良恶性分类。对医院以及网络公共数据库中的大量实验数据进行分类实验,结果表明优化后的算法在分类准确性上有较大的提高,说明该方法在肺结节临床分类方面是有效的。     

基于局部闭值和聚类中心迭代的肺结节检测算法

肺部疾病通常以肺结节的形式表现出来。为了对肺部疾病进行诊断治疗,需要对肺结节进行准确的检测。提出了基于局部阈值和聚类中心迭代的肺结节检测算法。首先,对肺实质图像采用局部阈值算法,提取感兴趣区域(ROIs),并且计算ROIs的形态特征、灰度特征和纹理特征;其次,结合规则、聚类中心迭代和欧式距离,对ROIs进行分类。实验结果表明,所提算法能够较好地检测出孤立性结节、低对比度结节和粘连肺壁结节。     

基于改进LVQ算法的肺结节识别与分类

目前,肺癌的是发病率最高的肿瘤,若能在早期发现癌变并进行相应治疗,将极大的提高患者的生存率。肺癌的症状在早期表现为肺结节。以提高肺结节检测识别率并进行良恶性分类为目的,提出了一种改进的LVQ分类器算法。首先使用C-V算法对原始图像进行肺实质分割,再使用最优阈值法进行感兴趣区域提取,并进行特征提取和特征归一化。使用多次聚类算法检测肺结节。使用基于改进的LVQ分类器进行肺结节的良恶性进行分类。利用改进后的LVQ分类器在LIDC数据集上进行实验,得到了对良性结节的确诊率为87.3%,对恶性结节的确诊率为80.8%。实验结果表明,改进后的算法在良恶性结节分类上具有较高的确诊率,有助于提高医生的工作效率,实现肺结节的辅助发现。     

基于卷积神经网络的肺结节分类算法

肺部的检查是每年体检的重要一部分。体检中有成百上千的病例,而每个病例中含有许多的肺部横切面CT图像。这些都需要专业医生去逐个筛查出存在肺结节的病例,不仅工作量大而且存在误筛的可能。针对上述问题,把卷积神经网络（CNN）引入筛查存在肺结节的CT图像诊断,提出一种基于CNN的分类算法。在LIDC数据库的实验结果表明,对比应用广泛的lenet-5网络和传统方法等,使用自定义的卷积神经网络将分类的正确率提升了4到10个百分点不等。AUC值为0.821?6,也是几个分类器中最大的。相比于其他方法,该方法能较为准确地识别肺部CT图像,可以为临床诊断提供较为客观的参考。     

一种基于Mahalanobis距离的增量聚类算法

经典的模糊c均值聚类算法对非球型或椭球型分布的数据集进行聚类效果较差。将经典的模糊c均值聚类中的欧氏距离用Mahalanobis距离替代,利用Mahalanobis距离的优点,将其用于增量学习中,提出一种基于马氏距离的模糊增量聚类学习算法。实验结果表明该算法能较有效地解决模糊聚类方法中的缺陷,提高了训练精度。     

基于距离度量的局部加权朴素贝叶斯算法改进

基于局部加权朴素贝叶斯算法和处理混合型属性距离度量方法的研究,针对局部加权算法中存在的一些问题,将两种相似性距离度量方法运用于局部加权朴素贝叶斯方法,构造出VDMLWL和IVDMLWL两种算法。通过在WEKA中的实验将这两种算法的分类结果进行分析与比较,发现改进的局部加权朴素贝叶斯的距离函数,能更精确地对不同类型属性数据进行分类,有效提高了局部加权朴素贝叶斯算法分类的效率和可靠性。     

基于NRU网络的肺结节检测方法

肺癌的早期发现和早期诊断是提高肺癌患者生存率的关键.由于肺癌早期结节很小,目前已有的肺结节检测系统在检测这些结节时很容易漏诊.准确检测早期肺癌结节对于提高肺癌治愈率至关重要,为了降低检测系统对早期结节的漏诊率,需要优化候选结节的提取步骤.在U-Net网络中引入残差网络的捷径,有效解决了传统U-Net网络由于缺乏深度而导...     

图像灰度密度分布计算模型及肺结节良恶性分类

提出一种基于密度分布的特征评估算法,同时引入模式识别模型来评估该方法的效率。首先,从肺部肿瘤图像中随机提取像素块集,通过K-均值聚类算法将其分为10类,根据CT图像中肺结节像素值和聚类中心的关系,提取出10维特征向量,利用随机森林分类器进行模型训练,进而判断肺结节良恶性水平。通过CT图像公开数据集LIDC-IDRI实验表明分类平均精度达到0.900 8。实验结果对比分析表明,提出的特征表达方法具有更优的分类效果和更高的鲁棒性。     

基于目标检测算法的肺结节辅助诊断系统

据统计,肺癌在全世界范围内是发病率、致死率最高的疾病之一。随着计算机辅助诊断系统（CAD）和卷积神经网络（CNN）的成熟化,医疗领域的诊断治疗也逐渐智能化。本文提出一种基于目标检测算法的肺结节自动检测方法,并提出一套将阈值分割算法和数字形态学处理相结合的肺实质CT影像处理流程。对LUNA16数据集中的1186个肺结节进行训练和学习,观察YOLO V3模型在数据集中的评价结果来验证模型,实验结果准确率达到92.18%,每张图片平均检测时间为0.035 s。与现有的肺结节检测算法SSD、CNN、U-Net等模型进行对比试验,以验证YOLO V3模型的有效性。同时本文基于CAD技术设计肺结节辅助诊断系统,实现人机交互,为医生提供简单明了的辅助诊断工具。     

一种基于马氏距离的线性判别分析分类算法

对于一个特定的模式识别问题,表达和识别模式的特征具有不同的形式,它们在物理意义上是完全不同的,而且在数量级具有很大差别。该文提出了一种基于马氏距离的线性判别分析分类算法,选取判别函数为马氏距离,可以适用于具有不同类型特征值的分类问题。将该算法应用于UCI中Credit-A、Credit-G、Iris和Vehicle四个数据库的分类,并采用K次交叉验证方法进行实验。从实验结果中可知,与ENTROPY算法和C4．5（8）算法分类效果相比较,该文所提出的线性判别分析算法计算简单,识别率较高,是一种实际可行的分类算法。     

基于马氏距离的双层聚类电力远动异常检测

通过对电力远动监测系统和数据挖掘技术的讨论,提出一种基于马氏距离的双层聚类异常检测算法。针对远动系统数据非球面分布的特点,该算法通过K-means聚类改进算法对数据进行初始分类,然后使用基于马氏距离的Clustering Using Representatives(CURE)聚类改进算法对初始分类结果进行优化,以较少的计算成本去除K值设定的影响,达到预期的检测结果。同时,基于马氏距离的CURE聚类改进算法对球面和非球面分布的数据有非常好的适应能力。     

一种改进的马氏距离相对变换主元分析方法及其故障检测应用

目前, 主元分析方法(PCA)在数据处理、模式识别、过程监测等领域得到了越来越广泛的应用, 但仍存在部分关键问题亟待解决. 本文为了提高PCA方法的故障检测性能, 进行了一系列的改进, 首先, 本文引入相对变换的概念, 使用马氏距离相对变换直接消除量纲, 通过理论推导证明了马氏距离相对变换可以对数据不进行标准化直接进行数据变换, 而且给出了在相对空间内数据进行PCA变换的合理解释, 表明了基于马氏距离相对变换的PCA故障检测方法可以有效的消除变量量纲对数据的影响, 提高数据的可分性. 其次, 改进了SPE监控指标, 提出一种基于马氏距离的平方预测误差指标, 更有效地实现对工业过程的故障检测. 最后, 将两种改进方法相结合, 提出改进的马氏距离相对变换PCA故障检测方法, 并以轧钢过程活套系统为背景, 实际数据仿真结果表明: 与PCA以及其它改进方法相比, 本文提出的方法具有更好的故障检测性能和实时性, 能准确、有效地检测出活套故障.     

基于密度偏倚抽样的局部距离异常检测方法

异常检测是数据挖掘的重要研究领域,当前基于距离或者最近邻概念的异常数据检测方法,在进行海量高维数据异常检测时,存在运算时间过长的问题.许多改进的异常检测方法虽然提高了算法运算效率,然而检测效果欠佳.基于此本文提出一种基于密度偏倚抽样的局部距离异常检测算法,首先利用基于密度偏倚的概率抽样方法对所需检测的数据集合进行概率抽样,之后对抽样数据利用基于局部距离的局部异常检测方法.对抽样集合进行局部异常系数计算,得到的异常系数既是抽样数据的局部异常系数,又是数据集的近似全局异常系数.之后对得到的每个数据点的局部异常系数进行排序,异常系数值越大的数据点越可能是异常点.实验结果表明,和已有的算法相比,本算法具有更高的检测精确度和更少的运算时间,并且该算法对各种维度和数据规模的数据都具有很好的检测效果,可扩展性强.     

面向肺癌CAD系统的感兴趣区域特征选择与分类算法

本文重点研究ROI 的特征提取与分类方法．首先,根据医学征象对ROI 进行特征提取;为了提高 分类的准确性,采用概率分布可分性对原始提取的特征进行特征选择．然后,利用SVM 对选择的特征进行定 量描述;采用特征量化参数对Mahalanobis 距离进行加权改进,加权的Mahalanobis 距离使类间差别明显增大． 最后采用加权改进后的Mahalanobis 距离将ROI 分类为结节或非结节．利用所提ROI 特征选择和分类算法进 行肺结节检测实验;肺结节检测灵敏度为94.6%,漏诊率为5.4%,可以为医生进行肺癌早期诊断提供帮助信 息．     

基于距离和权重改进的K-means算法

K-means聚类算法简单高效,应用广泛。针对传统K-means算法初始聚类中心点的选择随机性导致算法易陷入局部最优以及K值需要人工确定的问题,为了得到最合适的初始聚类中心,提出一种基于距离和样本权重改进的K-means算法。该聚类算法采用维度加权的欧氏距离来度量样本点之间的远近,计算出所有样本的密度和权重后,令密度最大的点作为第一个初始聚类中心,并剔除该簇内所有样本,然后依次根据上一个聚类中心和数据集中剩下样本点的权重并通过引入的参数[τi]找出下一个初始聚类中心,不断重复此过程直至数据集为空,最后自动得到[k]个初始聚类中心。在UCI数据集上进行测试,对比经典K-means算法、WK-means算法、ZK-means算法和DCK-means算法,基于距离和权重改进的K-means算法的聚类效果更好。