第 1 章 绪 论
1.1 引言
随着信息技术及计算机硬件技术的迅速发展，引发了数据的大量累积。数据规模爆炸性增长，而人们却无法直接获取隐藏在这些数据背后的信息。这就形成了“数据丰富但信息贫乏”的困境。人们迫切需要使用一种有效工具来摆脱这种困境，于是数据挖掘技术走进了人们的视线。数据挖掘源于人工智能的机器学习，由多种技术交叉融合而成。数据挖掘技术最早是应用在关系数据库上，这是因为结构化数据能够非常方便的用于数据挖掘的研究。而随着图像等多媒体数据的大量累积，引起了学者们对多媒体数据挖掘研究的关注。多媒体数据挖掘年会的召开，促进了多媒体数据挖掘技术研究的发展，数据挖掘的研究也因此向非结构化数据方向发展。由于图像对象结构的复杂性，该领域的挖掘技术发展相对比较缓慢。2002 年的 MDM/KDD 年会表明对医学图像的数据挖掘研究已经成为数据挖掘一个新的研究领域。图像挖掘的研究工作可以分为面向特定领域的研究和通用方法的研究。面向特殊领域的图像挖掘的研究主要集中在如何从图像中提取最相关的特征，并组织成适合数据挖掘的形式。通用的图像挖掘的研究主要集中在如何生图像模式，帮助人们理解图像表达的含义。医学图像数据挖掘属于面向特定领域的研究。医学图像挖掘就是从医学图像数据中挖掘出有助于对病情诊断的信息，辅助医生准确、快速的做出医疗诊断。随着医学影像设备的使用，非结构化的医学图像信息已经加入到医学信息数据库中。医学信息数据库的扩展，为医学图像数据挖掘提供了丰富的数据源。鉴于挖掘对象的复杂性，对传统的数据挖掘技术的简单应用已不再适合医学图像数据，需要将数据挖掘技术和医学领域知识结合起来进行研究。
1.2 研究背景和意义
近年来，各医院不断引进先进的数字医疗设备，产生了大量复杂并蕴含丰富信息的医学图像。医学图像除了具有图像特征信息难以表达的特点外，还具有高分辨特性，异构性和噪声等显著特性。医学图像不同于其它类的图像，它是患者的组织器官信息在图像上的反映，通过医学图像的挖掘对患者的准确诊断及治疗都具有十分重要的意义。目前，医生在进行临床诊断时，多数依靠个人的临床经验和通过肉眼观察图像中的病变区域进行临床诊断。这样显然带来以下不足：（1）人眼对图像的识别能力有限，这样客观存在而肉眼无法识别的医学图像信息就会丢失，降低了医学图像信息的利用率；（2）对于临床经验不够丰富的医生，凭借临床经验进行诊断，诊断准确率不高；（3）不同医生对同一图像的诊断结果不同，这样就会有误诊或漏诊的可能；（4）对于多个图像，医生对其诊断势必会耗时很多。作为人体的高级神经中枢所在地，脑组织的机能是否正常直接关系到一个人能否正常生活，因此发生在脑组织的疾病历来都深受医学界的高度重视。脑部疾病（尤其是脑瘤）严重影响人的生活甚至危及生命，而利用无损伤的医学图像及早发现病变已经成为全球性防癌抗癌的发展趋势。因此及早的发现病变信息和提高诊断能力就变得愈加迫切和重要
第 2 章 数据挖掘相关知识
数据挖掘能从海量的数据中挖掘出有用的信息或知识即将数据转换为有用的信息或知识，自产生以来一直受到广大研究者的关注。人们在不断的研究中，发展了数据挖掘技术并将这些技术应用到各个领域。下面将给出数据挖掘的相关概述并对数据挖掘中的分类进行详细描述。
2.1 数据挖掘概述
随着信息技术不断发展，各行各业产生了大量的数据并且先进的科技为这些数据的存储提供了支持。虽然这些数据中蕴含着许多有用的信息，但是却没有可用的工具从海量的数据中获取信息，一时间人们陷入了知识获取困难的境地，迫切需要跨过数据与知识之间的鸿沟，数据挖掘就是在这种需求下产生的。简言之，数据挖掘就是利用有效的挖掘工具，从海量数据中提取出对研究有意的知识。数据挖掘的全过程定义描述如图 2.1 所示。
2.2 分类的概述
每天我们都会做出一些决定，例如出行前是否需要带伞，当天的天气是否适合晾晒被子等。为了给出较为准确的决定，我们就要当前的具体情况信息并结合自己的经验知识对收集的信息进行分析和评定，最终给出决策信息。在决策的过程中，我们必须掌握足够的信息才能保证决策的可靠性。这种可靠性可能是造成最少的损失，给出最优解等。如何从大量的信息中给出可靠的决策，这就是数据挖掘领域研究的分类问题。分类是数据分析的形式之一，可以用于对海量数据的模型提取或发展趋势的预测。它首先找出对象之间的共性，然后按照分类模型对它们进行分类。例如，可以通过建立分类模型，对是否会购买电脑的人群进行分类；也可以通过建立分类模型，给出病例的诊断分析等。分类已成为数据挖掘方法中一种重要的分析手段。分类是一种有监督的学习，它通过对带有类别标号的训练集的分析和归纳生成分类模型，并通过分类模型给出测试数据的类标号。数据分类通常分为两步：第一步
第 1 章 绪 论.................1
1.1 引言.....................1
1.2 研究背景和意义..............2
1.3 国内外研究现状.................3
1.4 问题的提出...................4
1.5 研究内容....................5
1.6 论文的组织结构..............5
第 2 章 数据挖掘相关知识.............7
2.1 数据挖掘概述....................7
2.2 分类的概述..................9
2.3 决策树分类......................10
2.4 集成分类.....................14
2.5 本章小结....................17
结 论
本文是针对面向医学图像的分类技术进行研究与探讨，在研究的过程中涉及到对医学图像特征的提取以及分类技术的研究。医学图像特征的提取是进行医学图像分类研究的第一步，准确的提取出表征医学图像的特征信息为后期研究提供基础。对分类技术的研究是本文工作的重点。针对医学图像的分类主要是辅助医疗诊断，而在医疗诊断中涉及到误差代价不平衡的问题，本文提出了两种分类方法。实验证明，两种方法都能很好的实现对医学图像的分类。本课题研究初期，对 AdaBoost 算法进行了改进，提出了代价敏感的集成分类算法。考虑到医学图像误分类代价不平衡的问题，在对基分类器的训练过程中，将上下两轮间分类训练相关联即结合上一个训练器的分类结果，将分类错误的样本加入到下一级的训练中。分类的过程中建立二级级联，对一级训练结束归为负类的样本进行再次训练即进入二级训练中。并在权值更新过程中，对弱分类器的加权参数进行了改进。实验结果证明该方法能够在医学图像分类中取得较好的分类性能。虽然代价敏感的集成分类算法具有一定的优越性，但是并没有改变训练仍需串行执行的事实。针对 AdaBoost 算法的串行执行以及代价敏感的集成分类
参考文献
[1] Jiawei Han,Micheline Kanber 著.范明,孟小峰译.数据挖掘概念与技术机械工业出版社.2007.
[2] Croft W B.A model of cluster searching based on classification. Information Systems.1980,5:189-195.
[3] Kttamoto.Data mining for typhoon image collection.In 2 International Workshop on Multimedia Data Mining.2001,68-78.
[4] Fayyad U M,Djorgovski S G,Weir N. www.51lunwen.org/jcyx/ Automating the analysis and catalosing of sky surveys.Advances in Knowledge Discovery and Data Mining.1996,47l-493
[5] Zaiane O R．Mining multimedia data.CASCON:meeting of Minds.1998,76-87.
[6] Ordonez C,Omiecinski E.Discovering association rules based on image content ． IEEEAdvances in Digital Libraries Conference.1999,113-125.
[7] Michael C.Burl,Charless Fowlkes,Joseph Roden.Mining for image content. Systemics,Cybemetics,and Infonnatic/Information Systems:Analysis and Synthesis.1999.
[8] 宋余庆.基于医学图像的数据挖掘若干技术研究[D].东南大学博士论文.2005.
[9] 姚瑶.基于核匹配追踪的医学影像辅助诊断 [D].西安电子科技大学硕士学位论文.2010.
[10]Pan Haiwei, Li Jianzhong,Zhang Wei.Classification of Medical Brain Images.High Technology Letters.2003,9(3):86-91.
