活体肝细胞磷31磁共振波谱数据分类

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (9): 236-239.

活体肝细胞磷31磁共振波谱数据分类

桑君1，刘毅慧1，王韶卿2，刘强2，成金勇1

1.山东轻工业学院信息科学与技术学院智能信息处理研究所，济南 250353
2.山东省医学影像学研究所，济南 250021

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-03-21 发布日期:2011-03-21

Classification of 31phosphorus magnetic resonance spectroscopy data for liver cell in vivo

SANG Jun1，LIU Yihui1，WANG Shaoqing2，LIU Qiang2，CHENG Jinyong1

1.Institute of Intelligence Information Processing，School of Information Science and Technology，Shandong Institute of Light Industry，Jinan 250353，China
2.Shandong Medical Imaging Research Institute，Jinan 250021，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-03-21 Published:2011-03-21

摘要/Abstract

摘要： 基于活体肝细胞的31P磁共振波谱图（31Phosphorus Magnetic Resonance Spectroscopy，31P-MRS）对肝细胞数据进行诊断，分为3种类型：肝癌、肝硬化和正常肝。分别运用线性分类器和二次分类器对数据分类，并在分类前进行了特征抽取。线性分类器和二次分类器在“留一法”中对上述3种类型的分类准确率分别约为81.37%、77.75%、92.30%和95.27%、99.89%、99.70%。实验证明二次分类器相对于线性分类器，明显地提高了分类准确率。

关键词: 31P, 磁共振波谱, 线性判别分析, 二次分类器

Abstract: Data based on 31phosphorus magnetic resonance spectroscopy map of liver cells in vivo are divided into three diagnostic types of hepatocellular carcinoma，hepatic cirrhosis and normal hepatic tissue.The data are classified using linear classifier and quadratic classifier separately，and main features are selected before classification.Classification accuracy rate of the data in leave-one-out method when linear classifier and quadratic classifier are used are about 81.37%、77.75%、92.30% and 95.27%、99.89%、99.70% separately.Experiments prove that the classification accuracy rate of the data when quadratic polynomial classifier is used is obviously improved，compared to linear classifier.

Key words: 31phosphorus, magnetic resonance spectroscopy, linear discriminant analysis, quadratic classifier

桑君1，刘毅慧1，王韶卿2，刘强2，成金勇1. 活体肝细胞磷31磁共振波谱数据分类[J]. 计算机工程与应用, 2011, 47(9): 236-239.

SANG Jun1，LIU Yihui1，WANG Shaoqing2，LIU Qiang2，CHENG Jinyong1. Classification of 31phosphorus magnetic resonance spectroscopy data for liver cell in vivo[J]. Computer Engineering and Applications, 2011, 47(9): 236-239.

[1]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[2]	徐竟泽，吴作宏，徐岩，曾建行. 融合PCA、LDA和SVM算法的人脸识别[J]. 计算机工程与应用, 2019, 55(18): 34-37.
[3]	刘清华1，赖裕平2，丁洪伟1，杨志军1，崔晓龙3. 基于SVM的蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2019, 55(11): 136-141.
[4]	余景丽，胡恩良，张涛. 一种新的L1度量Fisher线性判别分析研究[J]. 计算机工程与应用, 2018, 54(4): 128-134.
[5]	郭克友，王艺伟，郭晓丽. LDA与LSD相结合的车道线分类检测算法[J]. 计算机工程与应用, 2017, 53(24): 219-225.
[6]	林静，吴锡生. 基于虚拟样本的改进人脸识别算法研究及应用[J]. 计算机工程与应用, 2017, 53(23): 123-128.
[7]	石陆魁1，2，刘文浩1，李站茹1. 基于LDA和小波分解的肺音特征提取方法[J]. 计算机工程与应用, 2017, 53(22): 116-120.
[8]	胡荣耀1，2，刘星毅2，3，程德波1，2，何威1，2. 基于稀疏学习的低秩属性选择算法[J]. 计算机工程与应用, 2017, 53(10): 132-138.
[9]	徐仙1，2，卢先领1，2，王洪斌1，2. 行为识别中基于GA优化的加速度特征选择方法[J]. 计算机工程与应用, 2016, 52(6): 139-143.
[10]	武斌1，马桂香2，武小红2. FUDT在苹果近红外光谱分类中的应用[J]. 计算机工程与应用, 2016, 52(3): 193-196.
[11]	邢玉娟，曹晓丽，谭萍，李恒杰. 基于WLDA和i-稀疏表示分类的说话人确认[J]. 计算机工程与应用, 2016, 52(13): 173-176.
[12]	钟森海，汪烈军，张莉. 小样本条件下的人脸特征提取算法[J]. 计算机工程与应用, 2015, 51(8): 165-169.
[13]	李球球，杨恢先，奉俊鹏，蔡勇勇，翟云龙. 2DPCA+2DLDA和改进的LPP相结合的人脸识别算法[J]. 计算机工程与应用, 2015, 51(21): 199-204.
[14]	徐国青1，朱兆旻1，卢春红1，顾晓峰1，胡峥2. iOS平台下人脸识别系统设计与实现[J]. 计算机工程与应用, 2015, 51(10): 182-185.
[15]	冯华丽1，刘渊2. M2DPCA与CCLDA相结合的人脸识别[J]. 计算机工程与应用, 2014, 50(12): 129-132.