基于特征融合的脑部图像多级分类
目前医学图像数量巨大,利用计算机处理医学图像从而辅助医疗诊断是医学领域研究的热点.根据脑部图像具有对称性的特点,选择支持向量机一递归特征消除(SVM-RFE)算法对融合特征进行特征选择过程中,引入Pearson系数衡量特征信息的冗余度,将特征相关性指标融入SVM-RFE特征子集的筛选标准中,提升了融合特征的分类性能.在一级分类基础上,基于特征学习方法,构建了2Layer-RBM-KNN二级脑部图像分类模型,增加网络深度以进行更高层次的特征抽象,并且结合数据集探究了分类器的选择,实现样本再分类.
脑部图像识别分类、特征融合、RBM、KNN
39
TN957.52+9;TP83
2021-03-25（万方平台首次上网日期，不代表论文的发表时间）
共6页
28-33
