基于多分类AdaBoost改进算法的TEE标准切面分类

• 作者: 付忠良 朱锴 王莉莉 陶攀
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 多分类AdaBoost 主动学习 特征袋模型 标准切面分类 超声图像分类
• 年，卷（期）: 2017,（8）
• 所属期刊栏目: 人工智能
• 页码范围: 2253-2257,2269
• 页数: 6页
• 分类号: TP391.4|TP181
• 字数: 5900字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2017.08.2253

摘要

针对超声图像样本冗余、不同标准切面因疾病导致的高度相似性、感兴趣区域定位不准确问题,提出一种结合特征袋(BOF)特征、主动学习方法和多分类AdaBoost改进算法的经食管超声心动图(TEE)标准切面分类方法.首先采用BOF方法对超声图像进行描述;然后采用主动学习方法选择对分类器最有价值的样本作为训练集;最后,在AdaBoost算法对弱分类器的迭代训练中,根据临时强分类器的分类情况调整样本更新规则,实现对多分类AdaBoost算法的改进和TEE标准切面的分类.在TEE数据集和三个UCI数据集上的实验表明,相比AdaBoost.SAMME算法、多分类支持向量机(SVM)算法、BP神经网络和AdaBoost.M2算法,所提算法在各个数据集上的G-mean指标、整体分类准确率和大多数类别分类准确率都有不同程度的提升,且比较难分的类别分类准确率提升最为显著.实验结果表明,在包含类间相似样本的数据集上,分类器的性能有显著提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	付忠良	中国科学院成都计算机应用研究所	50	1542	17.0	39.0
5	王莉莉	中国科学院成都计算机应用研究所	35	511	12.0	22.0
9	陶攀	中国科学院成都计算机应用研究所	10	32	3.0	5.0
13	朱锴	中国科学院成都计算机应用研究所	8	18	2.0	3.0