基于增量SVM的可继续学习微钙化点检测算法(1)
2014-06-19 01:24
导读：计算机应用论文论文，基于增量SVM的可继续学习微钙化点检测算法(1)论文样本，在线游览或下载，科教论文网海量论文供你参考：摘 要 针对乳腺癌的计算机辅助诊断中存在的新样本不断出现的问题，提出基于
摘 要 针对乳腺癌的计算机辅助诊断中存在的新样本不断出现的问题，提出基于增量SVM(support vector machine)的微钙化点检测算法，对于出现的新样本，首先用KKT条件判断其是否能被当前的分类器正确分类，若新样本能被正确地分类，说明新样本不是支持向量，无需训练新的分类超平面，若新样本不能被正确地分类，则将新的样本与原分类器的支持向量集一起构成新的训练样本集，重新构造支持向量集，适时地调整最优分类面，更新分类器。该方法避免了传统的利用所有样本重新形成分类器的复杂运算。实验结果表明，该算法有效地实现了医学图像计算机辅助诊断的在线优化升级。 关键词 支持向量机；增量学习；微钙化点检测；在线检测1 引言 目前的乳腺癌计算机辅助诊断算法中，基于支持向量机SVM的微钙化点检测算法因为取得了较高的检出率、更低的假阳性并且形成的分类器具有更好的泛化能力[1~3]，而受到了广泛的重视。人们相继提出了各种改进方法来进一步提高微钙化点检测的检出率，降低检测结果中的假阳性，以及提高检测效率。但是在诊断的过程中，由于乳腺癌病例样本个体差异性比较大，会不断出现新的病例样本，传统的方法在处理这类问题时，抛弃了历史的训练结果，对新样本集进行重复训练，这种方法由于样本数较多，求解二次优化使得训练算法很复杂、耗时长，影响了乳腺癌计算机辅助诊断算法的在线更新。 Syed[4]最早提出了基于支持向量机的增量学习算法。增量学习的主要任务就是利用历史训练结果尽量避免样本的重复训练，得到比较准确的分类结果，并且训练规模不太大，得到了广泛的应用[5-7]。针对乳腺癌的计算机辅助诊断中存在的新样本不断出现这一问题，本文首次提出将增量学习的思想引入微钙化点检测中，来实现对分类器的更新，以达到在线更新优化分类器的目的，缩短了软件优化的时间。2 支持向量机 SVM是基于
统计学习理论的机器学习技术。在人脸识别、语音识别、手写数字识别和文本检测等问题中已经得到了广泛的应用，并且算法精度超过了传统的神经网络算法。在线性可分情况下，SVM算法从最优分类面发展而来。下面分别对线性和非线性的情况分别进行讨论。 设训练样本为 (
xi，
yi)，
i=1，…，
n，
x∈
Rd，y∈{-1， 1}为类别标记，求解下面的二次规划问题：
(1)
(2)得到最优分类面为超平面
(3)利用Lagrange优化方法将上述问题转化为其对偶问题进行求解。依据优化理论的Kuhn-Tucker定理求解，得到最优分类函数为
(4) 在线性不可分的情况下，在条件(2)中增加一个松驰项 。即折衷考虑最少错分样本和最大分类间隔，原问题转化为：
(5)
(6)
其中
C
