遗传算法决策树改进的多类支持向量机在医学图像分类中的应用

本文主要探讨了在医学图像分类领域，如何结合决策树与支持向量机（Multi-class Twin Support Vector Machine, Multi-TWSVM）来解决模糊问题的一种创新方法——遗传算法辅助决策树支持向量机（Genetic Algorithm - Decision Tree Twin Support Vector Machine, GA-DTTSVM）。该研究针对多类医学图像分类中的不确定性，旨在通过优化决策树结构，利用遗传算法对特征数据进行处理，有效地分离样本的模糊区域，从而提高分类精度和鲁棒性。 首先，作者团队，包括邹丽（硕士研究生，研究方向为数据库与数据挖掘）、蒋芸（教授，博士，硕士生导师，研究方向为数据挖掘、粗糙集理论及应用）以及陈娜、沈健、胡学伟和李志磊等硕士研究生，共同合作进行了这项研究。他们的工作得到了国家自然科学基金项目（61163036和61163039）、2012年度甘肃省高校基本科研业务费专项资金项目、甘肃省高校研究生导师项目（1201-16）以及西北师范大学第三期知识与创新工程科研骨干项目的资助。 在具体方法上，GA-DTTSVM构建了一个决策树，通过遗传算法来自动选择和组合特征，形成一个能够有效区分不同类别样本的模型。这种方法有助于减少误分类，特别是在医学图像中可能存在边界模糊或噪声干扰的情况下。通过这种方式，决策树能够提供一种直观且可解释的分类规则，支持向量机则保证了分类的高维空间映射能力和泛化能力。 论文的摘要部分重点阐述了研究背景，即多类TWSVM的模糊问题，以及提出的解决方案——GA-DTTSVM如何通过遗传算法优化决策树结构，以提升样本识别的准确性。这对于医学图像分析具有实际价值，可以帮助医生和研究人员更准确地识别疾病标志物，从而支持疾病的早期诊断和治疗决策。 这篇研究论文提供了将决策树和遗传算法融合到支持向量机中的创新方法，为医学图像的多分类问题提供了一种新的解决方案，有望推动医疗领域的计算机辅助诊断技术的发展。