论文部分内容阅读
脑肿瘤是导致人类死亡率增长最主要的原因之一,目前基于脑部医学图像的诊断主要靠医生肉眼进行阅片分析,当医生进行肉眼分析时,不易发现脑部医学图像中许多微小的纹理变化细节和形态特征,从而会影响病情的早期判断。因此医生需要借助脑部疾病辅助诊断系统提高脑肿瘤诊断的准确率并降低漏诊率。传统的分类算法假设训练样本的数据集是均衡的并且误分类代价是相等的,通常以误分率最小化为目标,但脑部医学图像诊断具有类别分布不均衡和误分类代价不等的特点,因此传统的分类算法在以临床已确诊的MRI脑部医学图像作为训练集构建分类模型时,分类效果不佳并且容易对阳性类不敏感,导致脑部疾病辅助诊断系统很难具有较高的准确性并且泛化能力弱。为了改善脑部疾病辅助诊断系统的性能,本文通过引入代价敏感机制,将传统的代价不敏感的基于密度函数核估计的概率神经网络设计成代价敏感概率神经网络CS-PNN,解决MRI脑部医学图像中类别分布不均衡和误分类代价不等问题,从而开发具有更强泛化能力的脑部疾病辅助诊断系统,以据此提高脑肿瘤诊断的准确率并降低漏诊率。本文开发基于医学图像的类别分布不均衡的脑部疾病辅助诊断系统时,由于中值滤波算法在去除MRI脑部图像噪音的同时不影响图像边缘,首先使用中值滤波算法对DICOM 3.0接口获得的MRI脑部医学图像进行去噪处理;接着使用脉冲耦合神经网络PCNN对去噪处理后的MRI脑部医学图像进行分割,分割后的图像更有利于准确和有效的分类;然后使用离散小波变换DWT从PCNN分割后的MRI脑部图像中提取小波系数作为特征向量,它将作为分类模型的输入和构建分类模型的依据;由于提取的小波系数相互关联并且过多的特征会增加存储空间和计算时间,因此使用主成分分析PCA对DWT提取的小波系数进行降维处理从而获取低维的特征向量;最后将PCA降维处理后的类别分布不均衡的低维特征向量作为训练集,利用本文提出的代价敏感概率神经网络CS-PNN对该训练集构建分类模型,使用已构建的分类模型将未知类别的MRI脑部医学图像分类为正常(即健康)或异常(即患癌症)两类。使用120例MRI脑部医学图像作为实验数据评估本文开发的脑部疾病辅助诊断系统的性能,实验结果表明本文开发的脑部疾病辅助诊断系统不但具有较高的准确性和更强的泛化能力,并且对高代价的阳性类非常敏感。