湖北省自然科学基金申请书

湖北省自然科学基金申请书项目名称：模糊支持向量机及其在医学图象分割中的应用研究申请者：张翔承担单位:长江大学项目类别：重点项目□一般项目√□申请日期：2004年01月湖北省自然科学基金管理办公室二000年制2一、简表研究项目名称模糊支持向量机及其在医学图象分割中的应用研究涉及学科（专业）A名称模式识别B名称图象处理C名称代码5202040代码5104050代码主要应用行业（仅重点项目填写）123起止年月2004年06月至2006年06月申请金额3.00000000万元承担单位情况第一承担单位名称长江大学通信地址湖北荆州长江大学邮编434023单位性质A.高等院校√○B.科研单位○C.其它○合作单位名称（仅重点项目填写）12承担项目组情况总人数高级中级初级博士后博士生硕士生1091项目负责人姓名张翔出生年月1969年07月专业技术职称高校副教授学术带头人是○否○√学位博士√○硕士○学士○电话[e-mail]通信地址湖北荆州长江大学（东校区）地物学院邮编434023其他主要成员情况姓名出生年月专业技术职务工作单位项目中的分工肖晓玲1973年04月高校讲师长江大学算法研究胡文宝1954年08月高校教授长江大学方法论证杜友福1960年02月高校教授长江大学技术攻关严良俊1964年08月高校副教授长江大学数学建模李新玉1964年10月高校副教授长江大学算法设计苏朱刘1963年04月高校副教授长江大学算法优化胡必鑫1963年05月高校副教授长江大学算法实现陈清礼1965年05月高校副教授长江大学算法实现胡家华1954年08月高校副教授长江大学预处理3研究内容和意义摘要针对医学图像具有模糊性的特点，基于经典支持向量机原理，构建模糊支持向量机理论与算法；在模糊支持向量机中引入后验概率输出，以解决样本的不精确性与分类的不确定性。该项研究对组织容积的定量分析，病变组织的定位与诊断及计算机指导手术等具有重要的意义，是一项前沿性的研究课题。主题词1．主题词数量不多于三个；2。主题词之间空一格。支持向量机、图象分割、模糊理论简表填写要求一、简表内容将输入计算机，必须认真填写，采用国家公布的标准简化汉字。简表中学科（专业）代码按GB/T13745-92“学科分类与代码”表填写。二、部分栏目填写要求：项目名称——应确切反映研究内容，最多不超过25个汉字（包括标点符号）。学科名称——申请项目所属的第二级或三级学科。申请金额——以万元为单位，用阿拉伯数字表示，注意小数点。起止年月——起始时间从申请的次年元月算起。项目组其他主要成员——指在项目组内对学术思想、技术路线的制定理论分析及对项目的完成起主要作用的人员。4二、立论依据1．研究项目的科学依据（包括科学意义和应用前景，国内外研究概况、水平和发展趋势，学术思想，立论依据，特色或创新之处，主要参考文献目录和出处，可另附页）研究目的、意义医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、磁共振成像（MR）、超声（Ultrasound）及其它医学影像设备所获得的图像。由于医学图像处理与实际应用紧密结合的特点及影像医学在临床医学的成功应用，世界上不少国家在这一领域投入了大量的人力和财力进行研究开发，并且取得了一定的成功。图像分割在影像医学中发挥着越来越大的作用。图像分割是提取影像图像中特殊组织的定量信息所不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像被广泛地应用于各种场合，如组织容积的定量分析，病变组织的定位及诊断，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术等。医学图像分割到今天仍然没有获得很好的解决，一个重要的原因是医学图像的复杂性和多样性。由于组织本身的特性差异，而且医学图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像比较，不可避免地具有模糊、不均匀性等特点。另外，人体解剖组织结构和形状的复杂，人与人之间有相当大的差别，这些都给医学图像分割带来了困难。传统的分割技术，如单一的分割方法，或基于单一的特征信息进行分割，都很难获得好的分割效果。临床应用对医学图像分割的准确度和分类算法的速度要求又较高，医学图像分割算法的研究仍然是医学图像处理中的一个非常重要的研究课题。图像分割是图像处理、图像分析和计算机视觉等领域最经典的研究课题之一，也是最大的难点之一。利用图像单一特征的分割算法往往难以取得令人满意的分割结果，因而人们在致力于将新的概念，新的方法引入图像分割领域的同时，更加重视多种特征的融合、多谱图像分析的有效结合。近几年来提出的方法，大多数是结合了多种特征，提取何种特征，采取什么样的结合方式，才能充分利用多种特征提供的信息，取得好的效果成为人们关注的问题。然而，目前的分割方法在对待高维特征，小样本等方面很难获得好的效果，或者由于具有较差的泛化能力，或者存在学习速度慢、难以收敛的缺点，导致无法进行分割。因为现有学习方法也多是基于样本数目趋于无穷大时的渐近理论假设，但在实际问题中，样本数目往往是有限的，因此一些理论上很优秀的学习方法在实际应用中的表现却可能不尽人意。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。支持向量机被看作是对传统分类器的一个好的发展，特别是在小样本、高维、非线性数据空间下，在学习过程中可以充分利用多种特征提供的信息，具有较好的泛化能力。尽管支持向量机方法具有较好的泛化能力，由于在构造最优分类面时所有的样本具有相同的作用，当训练样本中含有噪声与野值样本时，导致获得的分类面不是真正的最优分类面。另一方面，传统的支持向量机方法不提供后验概率的输出，在研究样本点分类时，只考虑两个极端情况，即属于某一类的概率为1，或者不属于某一类的概率为1。而医学图像具有模糊性，不同区域之间难以有清晰的边界，导致一些样本不能准确地确定其类别，即表现为样本具有不精确性与分类的不确定性的特点。因此，本项目拟在：一方面，充分利用医学图像各种特征的综合信息，借助支持向量机良好的分类性能，特别在小样本、非线性及高维特征空间具有较好的泛化能力，利用各种特征的综合信息来进行医学图像的分割。另一方面，针对医学图像具有模糊性的特点，对传统的支持向量机进行重新构造，构建模糊支持向量机理论。并对模糊支持向量机在医学图像分割应用中的一些关键问题进行研究。使其更好地对一些重要的组织、结构及特殊的病变组织或肿瘤进行分割与提取，对组织容积的定量分析，病变组织的定位及诊断，解剖结构的学习，治疗规划及计算机指导手术等具有重要的意义。5国内外研究现状及分析为了解决医学图像分割问题。近几年来，国内外许多学者做了大量的工作，提出了很多实用的分割算法。随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛，遗传算法、非线性扩散方程、统计学习理论等近期涌现的新方法和新思想也不断地被用于解决分割问题。在图象分割中分类方法是很重要的一种分割方法，特别当被分割的目标不相连接时，比其它分割方法更具有优势，而医学图像中被分割的对象往往具有这样的特点，因此，分类方法在医学图像分割中得到了广泛的应用。如目前使用的分类器如贝叶斯分类器及神经网络分类器，在医学图像分割中得到了广泛的应用。贝叶斯分类器假定图像的概率密度函数符合高斯独立分布。该分类器具有不需要迭代运算，计算量较小及能应用于多通道图像等优点。Zavaljevski等利用贝叶斯分类器进行了白质、灰质及脑脊髓等脑组织的分割，该方法假定样本服从多维高斯正态分布，利用训练样本进行均值及方差模型参数的估计。但贝叶斯分类器在实际应用中存在两个缺点：其一，如果图像的概率密度函数不符合高斯分布，则得不到好的分类结果；其二，用少量的训练样本集训练的分类器对大量的样本空间进行分类时会产生误差，因为它没有考虑人体解剖结构的个体差异。神经网络分类器其基本思想是用训练样本集对ANN进行训练以确定节点间的连接和权值，再用训练好的ANN去分割新的图像数据。典型的方法如：Blanz和Gish利用前向三层网络来解决分割问题。在该方法中，输入层的各个节点对应了像素的各种属性，输出层结果为分割的类别数。Babaguchi等使用了多层网络并且用反向传播方法对网络进行训练。在他们的方法中，输入为图像的灰度直方图，输出为用于阈值分割的阈值，该方法的实质是利用神经网络方法获取图像分割的阈值。神经网络方法在实际应用中的一个关键问题是网络的构造问题，他需要大量的训练样本集，然而这些样本的收集在实际应用中是非常困难的。传统的分类方法将经验风险最小化原理视为出发点，具有较差的泛化能力。支持向量机(SupportVectorMachine简称SVM)是基于统计学习理论的VC维理论和结构风险最小化原则的新型学习机器。支持向量机被看作是对传统分类器的一个好的发展，特别是在小样本、高维、非线性数据空间下，具有较好的泛化能力。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力。人工神经网络遵循的却是经验风险最小原则，追求的是在样本趋于无穷时的最优解。由于实际的训练样本不可能无穷多，致使期望风险和实际的经验风险存在一定的差异，从而使得神经网络的推广性较差。采用支持向量机分类器，可以充分发挥其对小样本数据处理的优势，应用尽可能少的样本得到最优分类面，使通过该分类面进行预测得到的代价最小，从而获得最优良的推广性。V.Vapnik等人在20世纪七十年代开始致力于统计学习理论方面的研究，到九十年代中期，随着其理论的不断发展和成熟，也由于神经网络等学习方法在理论上缺乏实质性进展，统计学习理论开始受到越来越广泛的重视。针对小样本统计学习问题的一个理论框架，它追求的是在现有信息情况下的最优解，并产生了支持向量机这一将这种理论付诸实现的有效的机器学习方法。近年来，许多关于SVM方法的研究，包括算法本身的改进和算法的实际应用，都陆续提了出来。其中在理论上主要以Vapnik及其研究小组做了大量开创性、奠基性的工作。针对SVM中大规模的样本集的训练问题，1995年，Cortes等提出了Chunking算法，其出发点是删除矩阵中对应Lagrange乘数为零的行和列且不会影响最终的结果，将一个大型QP问题分解为一系列较小规模的QP问题。Osuna针对SVM训练速度慢及时间空间复杂度大的问题，提出了分解算法，并将之应用于人脸检测中。其主要思想是将训练样本分为工作集B和非工作集N，B中的样本个数为q个，q远小于总样本个数，每次只针对工作集B中的q个样本训练，而固定N中的训练样本。Platt提出了SMO解决大训练样本的问题，其分解算法的工作集B只有2个样本，该分解算法的优点是针对2个样本的二次规划问题可以有解析解，从而避免了多样本情形下的数值解的不稳定及耗时问题，同时也不需要大的矩阵存储空间。S.S.Keerthi等通过对SVM算法的分析，在SMO分解算法中提出了重大改进，即在判别最优条件时用两个阈值代替一个阈值，从而使算法更加合理，更快。SVM中有关核函数理论的研究相对比较少，Cristianini等对构造各种形式的核函数进行了一些研究，Brailovsky等人结合应用的实际，分别构造了全局、局部、混合及邻域核函数。然而，在实际应用中主要还是使用常用的多项式、径向基函数及多层感知器网络等核函数。目前，SVM算法在模式识别、回归估计、概率密度函数估计等方面都有应6用。例如，在模式识别方面，对于手写数字识别、语音识别、人脸图像识别、文章分类等应用，SVM算法在精度上已经超过传统的学习算法。如Chapelle及Pontil等人将SVM应用于三维物体的识别，Fukuda及ZhaoQun等人利用SVM进行SAR自动目标的识别，Kim等对