基于集成改进ELM的甲状腺疾病分类方法

摘要：

研究针对B超图像的甲状腺疾病分类问题.甲状腺疾病的计算机分类是提高甲状腺疾病诊断效率的重要途径,包括特征提取和分类器实现,传统方法中特征提取不全面和使用单个分类器,使得诊断精度偏低且结果稳定性差.针对上述问题,提出一种基于集成改进极端学习机的甲状腺疾病分类方法.首先,分析甲状腺B超图像,对临床鉴别甲状腺结节良恶性的特征进行量化,提取了紧致度等9个特征作为数据集;而后,将聚类思想与极端学习机方法融合,结合k-means聚类算法,提出一种新的聚类标准,对数据集进行聚类;最后,对聚类后的子集进行分类训练,并采用多数投票的策略对子分类器进行集成.实验结果表明,改进方法在分类精度和稳定性上较传统算法均有较大提高.

关键词：极端学习机、聚类分析、集成、甲状腺疾病

所属期刊栏目：31

分类号：TN391(半导体技术)

资助基金：河北省卫生厅科研基金资助项目20120395

在线出版日期：2014-04-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：392-396