[發(fā)明專利]一種基于支持向量機的醫(yī)療影像檢查疾病分類方法

有效

• 申請?zhí)枺?/td>: 201510242216.3
• 申請日: 2015-05-12
• 公開（公告）號: CN104834940A
• 公開（公告）日: 2015-08-12
• 發(fā)明（設計）人: 何必仕;倪杭建;徐哲
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 浙江杭州金通專利事務所有限公司 33100
• 代理人: 王佳健

1.一種基于支持向量機的醫(yī)療影像檢查疾病分類方法，其特征在于該方法包括以下步驟：

步驟1：首先對RIS數(shù)據(jù)庫中的檢查文本數(shù)據(jù)使用k-means聚類方法聚成十大類，聚成十個類別后，借助國際疾病類型分類標準ICD-10將這十個類別進行疾病類型編碼；將編碼后的十大類文本數(shù)據(jù)作為醫(yī)療影像疾病標準語料庫，并以此作為分類的訓練數(shù)據(jù)以及測試數(shù)據(jù)；

步驟2：從十大類檢查文本數(shù)據(jù)中抽取其中一部分記錄作為分類的訓練模型，而將剩余的檢查文本數(shù)據(jù)作為測試樣本，用于檢測分類模型的分類精度；文本分類使用支持向量機方法：

步驟3：針對檢查文本分類過程中支持向量機分類器的建立過程進行優(yōu)化；

使用訓練樣本完成支持向量機分類器的建立后，將剩余的樣本作為測試樣本來檢測分類器的分類精度；在完成測試集的分類后，通過建立分類結果的混淆矩陣，來判斷哪些檢查文本被錯分，找出這些錯分的文本并將其加入到原屬類別的訓練樣本中，以此來組成新的訓練樣本，最后再將新的訓練樣本通過步驟2來進行訓練支持向量機分類器。

2.根據(jù)權利要求1所述的一種基于支持向量機的醫(yī)療影像檢查疾病分類方法，其特征在于：步驟1中所述K-means聚類的具體步驟按照以下步驟來完成：

1)對選出的檢查文本數(shù)據(jù)先進行預處理，主要對檢查文本數(shù)據(jù)進行詞性的標注，構成統(tǒng)計詞典，對文本數(shù)據(jù)進行詞條切分，并使用中文分詞程序ICTCLAS完成分詞；

2)建立檢查文本數(shù)據(jù)的空間向量并降維；該步驟主要是將檢查文本數(shù)據(jù)轉化成計算機能識別的形式，采用空間向量模型來表示文本信息；由于生成的向量空間模型其維數(shù)一般都很大，需要經(jīng)過稀疏降維處理；

3)檢查文本數(shù)據(jù)聚類處理；采用平面劃分的聚類過程如下：

(1)確定生成的簇的數(shù)目k；

(2)生成k個原始聚類中心S＝(s₁,s₂,...,s_n)；

(3)對D中的每個文件d_i，依次計算與聚類中心S中s_j的相似度sim(d_i,s_j)；

(4)從上面計算出的相似度中選出最大相似度，并將d_i歸入到s_j中；

(5)重復(3)、(4)兩個步驟若干次，直到所有檢查文本數(shù)據(jù)都完成聚類；

(6)將聚類完成的十個大類按照國際疾病分類標準ICD-10進行編碼并確定其疾病類型。

3.根據(jù)權利要求1所述的一種基于支持向量機的醫(yī)療影像檢查疾病分類方法，其特征在于：步驟2中向量機方法，其具體建立支持向量機分類器過程如下所示：

1)檢查文本預處理；首先要對訓練樣本進行文本預處理，使用ICTCLAS漢語分詞系統(tǒng)對訓練樣本進行分詞處理；

2)檢查文本表示；將上述預處理完成的文本轉換成計算機能明白的形式，使用向量空間表示模型；其向量空間模型表示為V＝(t₁,w₁；t₂,w₂；...；t_n,w_n)，其中(t₁,t₂,...,t_n)表示特征詞條，(w₁,w₂,...,w_n)表示特征詞條對應的權重；

3)對檢查文本中的特征詞條進行降維處理，即特征選擇處理；特征選擇的使用互信息，首先計算出所有檢查文本中特征詞條與類別之間的互信息值，然后設定一個閾值，將大于該閾值的特征詞條留下，而刪除小于該閾值的特征詞條；

4)支持向量機分類器的建立；構建支持向量機分類器方法最關鍵的是找出一個最優(yōu)超平面將樣本數(shù)據(jù)分為兩類，最優(yōu)超平面不僅能將兩類正確分開，而且要使分類間距最大；當分類線性方程為g(x)＝w·x+b，對它進行歸一化處理使其滿足|g(x)|≥1，當條件等于1的時候可以求得其分類間隔為2/||w||，要使分類間隔最大等價于||w||最小；轉化為求解的最小值，針對該最優(yōu)求解，引入Lagrange函數(shù)來解決該約束最優(yōu)化問題，轉化為目標函數(shù)：

min L(w,b,αi)=12||w||2-Σi=1nαi[yi(w·xi+b)-1]---(1)]]>

由Lagrange極值定理可以求得最優(yōu)解w^*和b^*(其中y_i∈{+1,-1}正表示屬于該類，負表示不屬于該類)；最后即可得到最優(yōu)分類函數(shù)為：

f(x)=sgn(w*·x+b*)=sgn(Σi=1nαi*yixi·x+b*)---(2)]]>

如果f(x)大于0表示該樣本屬于y_i類，小于0則表示不屬于y_i類；

5)構造多類SVM分類器；采用的是二叉樹方法來構造；其主要思想是將第i類作為+1類，第i+1到i+n類為-1類，隨著i的遞增依次建立多個分類器即可；對待分類樣本x時，從第一個分類器開始，如果大于0則表示屬于第一類并停止決策，否則繼續(xù)使用第二個分類器，以此類推直到判斷出x所屬類別為止。