基于SVM的醫學圖像模式識別分類算法的研究

左亞靈

三、訓練及結果分析

本課題中選用的醫學圖像數據為乳腺X線圖像，全部示例圖像均來自MIAS圖像庫，該圖像庫中包含322張乳腺X線圖像，并分為三大類：正常、良性和惡性（異常），其中正常的208例，良性63例，惡性51例，后兩類都劃分為不正常。本課題中只分為“正?！焙汀爱惓！眱深?，良性和惡性都歸為“異?！鳖愔?。

本文采用10重交叉驗證的方法，將數據庫中的全體圖像隨機分為十份，其中一份用作測試集，另外九份用作訓練集，依次輪換，直到每份樣本都做了一次測試集，即進行了十次訓練和預測。實驗結果如右圖所示，最終平均分類精度為79.2%。本實驗中的支持向量機雖然證明了其可行性，但從結果來看，不僅準確度不夠高，實驗過程中最高精確度與最低精度相差也比較大，表明分類器的穩定性還不夠，猜測可能與隨機分類中圖片分類分組也有一定關系，在進一步研究中可對其分組分類進行記錄，來研究其中的關系。

四、結束語

基于本文中的實驗方法，還可以在此基礎上從以下方面進行改進，以提高精確度。

（1）本課題是在考慮SVM適用于小樣本訓練的前提下進行的，但如果用于大量樣本的實驗訓練，則空間復雜度和時間復雜度也會大大增加。

（2）現已有多種基于提高識別率的優化算法，但如果要進一步優化分類算法，還應考慮提高訓練速度。

此外，以上兩點的結合以及最終問題就是增量學習和在線學習。無論什么樣的算法，都不能直接保證其在任何時間地點都能進行百分之百準確的運算，但是如果用于應用中不斷學習的在線學習，則可以使準確率無限接近于百分之一百，這是比現有算法都要更加實用的小樣本分類算法。

參考文獻：

[1]田 捷，包尚聯，周明全.醫學影像處理與分析[M].北京：電子工業出版社，2003.

[2]Ma J，Theiler J，Perkins S.Accurate online support vector regression[J].Neural Computation，2003（11）.

[3]汪 輝.增量型支持向量機回歸訓練算法及在控制中的應用[D].杭州：浙江大學，2006.