基于半监督决策树与模糊推理的超声乳腺肿瘤分类方法研究

论文摘要

随着超声成像成为乳腺癌早期筛查的主流手段,基于超声乳腺肿瘤图像的计算机辅助诊断技术越来越受到科研学者和临床专家的重视。然而,目前大多数超声乳腺肿瘤分类方法都依赖于低级图像特征,其诊断过程不能被医生理解。这类基于低级图像特征的方法十分依赖图像质量,在处理不同超声设备采集的图像时,无法保证性能的可靠性。此外,在超声乳腺肿瘤分类问题中,带有标注的样本稀缺,而目前大多数方法都无法在少量标注数据集上取得足够好的效果。这些问题一定程度上限制了超声乳腺肿瘤分类方法在临床中的应用和推广。本文针对这些问题提出了三种具有较高可解释性的超声乳腺肿瘤分类方法。本文先利用BI-RADS特征打分方案和决策树算法,建立便于人类专家理解的乳腺肿瘤分类模型,极大的缩小了专家与计算机间的语义鸿沟。然后,在这一工作的基础上,提出半监督决策树算法,利用支持向量机分类超平面设计了伪标签机制,挖掘无标注数据信息,降低模型对有标注数据的依赖。最后,本文基于双聚类算法与模糊推理提出了一种模拟人类专家诊断思路的超声乳腺肿瘤分类方法。方法利用双聚类挖掘诊断模式,基于诊断模式构建诊断规则,利用模糊推理方法对超声乳腺肿瘤进行分类,在保证分类性能的同时,进一步提升了模型的可解释性。这三种方法均引入了专家评分机制,特征提取不受图像质量的限制,可用于不同的超声设备采集的图像。本文使用1488例超声乳腺肿瘤数据对提出的三个方法进行了验证。实验表明,本文提出的方法相比同类型方法具有更高的准确率、敏感度和阳性预测值,能够为临床医生的诊断提供帮助。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 研究背景及意义
•   1.2 超声乳腺肿瘤CAD技术概述
•   1.3 基于统计学习的超声乳腺肿瘤分类研究现状
•     1.3.1 特征提取
•     1.3.2 分类器
•   1.4 基于深度学习的超声乳腺肿瘤分类研究现状
•   1.5 当前技术面临的问题
•   1.6 本文主要工作及章节安排
•     1.6.1 本文主要工作
•     1.6.2 本文章节安排
• 第二章 基于BI-RADS特征与决策树的乳腺肿瘤分类
•   2.1 BI-RADS特征提取
•     2.1.1 BI-RADS特征简介
•     2.1.2 BI-RADS特征打分方案
•   2.2 基于决策树的超声乳腺肿瘤分类
•     2.2.1 决策树简介
•     2.2.2 分类回归树构建
•     2.2.3 基于决策树的BI-RADS特征诊断价值排序
•   2.3 模型工作流程
•   2.4 本章小结
• 第三章 基于半监督决策树的乳腺肿瘤分类
•   3.1 半监督学习简介
•   3.2 基于支持向量机的半监督决策树算法
•     3.2.1 支持向量机分类超平面构建
•     3.2.2 基于支持向量机的伪标注生成
•   3.3 模型工作流程
•   3.4 本章小结
• 第四章 基于双聚类和模糊推理的乳腺肿瘤分类
•   4.1 双聚类挖掘诊断模式
•     4.1.1 双聚类简介
•     4.1.2 诊断模式定义
•     4.1.3 诊断模式挖掘
•   4.2 基于诊断模式的模糊推理
•     4.2.1 模糊推理简介
•     4.2.2 诊断规则构建
•     4.2.3 诊断规则过滤
•     4.2.4 模糊推理过程
•   4.3 模型工作流程
•   4.4 本章小结
• 第五章 实验结果与分析
•   5.1 实验数据集及平台描述
•   5.2 特征筛选
•   5.3 分类评估指标
•   5.4 基于决策树的乳腺肿瘤分类实验
•     5.4.1 性能比较
•     5.4.2 决策树深度对分类性能的影响
•     5.4.3 特征诊断价值排序
•   5.5 基于半监督决策树的乳腺肿瘤分类实验
•     5.5.1 性能比较
•     5.5.2 半监督决策树与决策树性能对比
•     5.5.3 伪标签置信度阈值对模型性能影响
•   5.6 基于双聚类与模糊推理的乳腺肿瘤分类实验
•     5.6.1 性能比较
•     5.6.2 规则支持度阈值对分类性能的影响
•   5.7 人类专家与三种方法对比实验
•   5.8 本章小结
• 总结与展望
•   本文工作总结
•   未来展望
• 参考文献
• 攻读硕士学位期间取得的研究成果
• 致谢
• 附件

文章来源

类型: 硕士论文

作者: 张帆

导师: 黄庆华,李向武

关键词: 乳腺肿瘤分类,决策树,半监督学习,双聚类,模糊推理

来源: 华南理工大学

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 数学,临床医学,肿瘤学,计算机软件及计算机应用

单位: 华南理工大学

分类号: R737.9;R445.1;O159;TP391.41

DOI: 10.27151/d.cnki.ghnlu.2019.003771

总页数: 69

文件大小: 3732K

下载量: 70