1、隨著計(jì)算機(jī)視覺技術(shù)及醫(yī)療成像設(shè)備的不斷發(fā)展，醫(yī)學(xué)圖像包含的信息也極為豐富，所以醫(yī)學(xué)圖像的分類識(shí)別技術(shù)越來越重要，而圖像特征的提取和選擇作為圖像分類識(shí)別的關(guān)鍵環(huán)節(jié)，使得國內(nèi)外學(xué)者越發(fā)關(guān)注。
　　圖像處理技術(shù)的完善導(dǎo)致處理圖像得到的信息特征的維數(shù)也越來越高，因此選取更有效的特征對(duì)圖像進(jìn)行分類處理就成為關(guān)鍵。本文主要研究類風(fēng)濕性關(guān)節(jié)炎（Rheumatoid Arthritis，RA）醫(yī)學(xué)圖像，以往醫(yī)學(xué)圖像提取的特征大多數(shù)是基于圖像的紋理

2、、顏色和形狀等，而本文是對(duì)RA患者手指的擴(kuò)展光學(xué)層析圖像（Diffuse Optical Tomography，DOT）提取光學(xué)系數(shù)作為特征。通過對(duì)RA圖像的分類實(shí)驗(yàn)，驗(yàn)證了光學(xué)系數(shù)作為分類特征的可行性。
　　特征選擇是醫(yī)學(xué)圖像診斷的關(guān)鍵方法，在研究了眾多特征選擇方法之后，對(duì)最大相關(guān)最小冗余(Maximal Relevance and Minimal Redundancy,MRMR)特征選擇算法進(jìn)行深入研究，此算法將特征的相關(guān)性和

3、冗余性相結(jié)合，并利用熵運(yùn)算對(duì)特征排序，選擇出最佳的特征組合。繼續(xù)研究發(fā)現(xiàn)MRMR算法在相關(guān)性和冗余性有不同權(quán)重占比的情況下，特征的排序會(huì)有所不同，因此加入了權(quán)值進(jìn)行研究，特征序列采用降序，之后對(duì)不同權(quán)值下的特征序列按照位置的權(quán)重系數(shù)再一次排序處理，得到最終的特征序列，依照此序列進(jìn)行分類實(shí)驗(yàn)，心臟病和RA診斷分類實(shí)驗(yàn)都證明了改進(jìn)的MRMR算法的確實(shí)有效性。
　　在進(jìn)行醫(yī)學(xué)圖像分類之前，為保證分類的準(zhǔn)確率，需要對(duì)樣本進(jìn)行篩選，而且病癥

4、診斷的速度對(duì)患者非常重要，所以尋求小樣本學(xué)習(xí)方法就至關(guān)重要。支持向量機(jī)（Support Vector Machine，SVM）是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小理論的適用于小樣本學(xué)習(xí)的最佳學(xué)習(xí)方法，有很好的泛化能力，又能有效的減小訓(xùn)練誤差，而在建立分類模型的過程中，會(huì)遇到參數(shù)和核函數(shù)選擇的困擾，本文采用基于密度的的聚類分析算法，結(jié)合粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）對(duì)分類器進(jìn)行優(yōu)化，將繁多的數(shù)據(jù)集進(jìn)行精簡，