LabVIEW使用支持向量机对脑磁共振成像进行图像分类
医学成像是用于创建人体解剖学图像以进行临床研究、诊断和治疗的技术和过程。它现在是医疗技术发展最快的领域之一。通常用于获得医学图像的方式是X射线，计算机断层扫描（CT），磁共振成像（MRI）和超声成像。在医学成像中，MRI是使用磁场将图像捕获到胶片上的扫描设备之一。由于其出色的软组织对比度和详细的分辨率，MRI用于人脑结构的解剖学评估。
脑部MRI图像可能包含正常或有缺陷的异常切片。正常和异常脑图像由其在轴向和冠状图像上的对称性决定。超过一定程度的不对称性是患病大脑的明确迹象，这在我们的工作中已被利用，用于粗略水平的初步分类。因此，需要对图像进行涉及MRI脑分类的进一步检查。
分类的目的是将具有相似特征值的项目分组到类别中。已经对脑MRI分类进行了许多研究。这些包括使用神经网络、模糊 c 均值、k 近邻和支持向量机（SVM）的技术。
SVM由于其计算效率和良好的泛化性能，已被广泛应用于模式识别应用。在根据阿尔茨海默病确定患者的状况之前，同样需要改进过程。这是为了确定图像根据对称性属于正常或异常类别的可能性，如阿尔茨海默病或脑肿瘤的情况。在这项工作中，使用SVM自动获得两个类别的图像分类，即正常或异常。
SVM 的关键概念是使用超平面来定义分隔不同类别的数据点之间的决策边界。SVM 既能够处理简单的线性分类任务，也能够处理更复杂的（即非线性）分类问题。可分离和不可分离的问题都由线性和非线性情况下的 SVM 处理。SVM 背后的想法是将原始数据点从输入空间映射到高维甚至无限维特征空间，从而使特征空间中的分类问题变得更加简单。映射是通过适当选择内核函数来完成的。
使用图像去噪和噪声过滤等图像增强技术增强了图像。首先将小波变换应用于图像。然后操纵获得的小波系数，以消除噪声点。压缩或局部化的小波变换的基础称为小波变换的母小波。
项目的出发点是使用脑MRI的小波近似系数作为SVM的输入。通过机器学习方法，希望在解释正常和异常的大脑图像时达到更高的精度和准确性。
