医学图像分类的半监督核自适应优化方法

本项目以半监督核学习的分类问题为理论背景，以计算机辅助诊断的医学图像识别问题为应用背景，研究半监督学习下的核自适应优化方法，旨在通过核自适应优化技术使核函数在学习过程中根据样本数据分布自适应地调整参数或结构，使分类器泛化能力达到最大，从而提高半监督核学习应用系统性能。首先，研究在类标签和边信息标注样本集下的核优化目标函数设计方法；其次，研究基于变/不变结构的核自适应优化方法，最后结合实际应用搭建基于超声图像的乳腺癌计算机辅助诊断系统演示平台，给出半监督核自适应优化的通用系统框架。本项目研究不仅为半监督学习、核学习及其它机器学习的理论研究提供支持，还可用于计算机辅助诊断、自然灾害监测、军事预警及智能监控等实际应用领域。

本项目以核学习分类为理论背景，以计算机辅助诊断的医学图像识别问题为应用背景，深入研究了核自适应优化方法，通过核自适应优化技术使核函数在学习过程中根据样本数据分布自适应地调整参数或结构，使分类器泛化能力达到最大，从而提高核学习的应用系统性能。围绕项目研究主要内容，本项目的研究要点包括面向医学图像分类的核优化目标函数设计、核参数优化方法、医学图像核自适应分类器设计以及核自适应医学图像识别平台。.经过三年的项目研究，在上述四个方面取得了重要的理论研究成果，并搭建了医学图像分类实验平台，对提出的算法进行了分析和评测。该项目研究共培养了2位博士后、3位博士研究生以及2位硕士生，其课题直接来源于该项目研究内容，或研究与本项目相关的关键技术。共发表科技论文16篇，出版学术专著2部。其中SCI收录14篇，EI收录16篇。具体成果包括：（1）面向医学图像分类的核优化目标函数设计方法。提出了基于小样本核函数设计的稀疏核主成分分析算法；提出了基于小样本核函数设计的核自适应稀疏主成分分析算法；提出了基于Fisher准则的核函数优化目标函数设计方法。（2）面向医学图像分类的核参数优化方法。提出了面向医学图像分类的基于类标签信息的核自适应流形学习算法；提出了基于变结构的核优化分类器的医学图像分类方法；提出基于半监督学习的医学图像分类方法。（3）医学图像识别的核自适应分类器设计。提出了核自适应流形学习的医学图像分类方法；提出了面向医学图像分类的半监督核学习算法；提出了基于核自适应Gabor纹理分类的医学图像分析方法；提出基于核自适应融合的医学图像分类方法；提出了基于核优化分类器的医学图像分类方法；提出了基于稀疏表示医学图像超分辨分析方法。.在项目执行过程中，也开展了一些原计划没有列入但相关的工作，加强了医学图像处理应用研究，提出了医学图像稀疏表示以及医学图像高分辨重构算法。