基于多分类AdaBoost改进算法的TEE标准切面分类
来源：计算机应用杂志2017年第8期北京时间：
作者：王莉莉, 付忠良, 陶攀, 朱锴
单位：1. 中国科学院 成都计算机应用研究所, 成都 610041;2. 中国科学院大学, 北京 100049
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。
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
基金资助：四川省科技支撑计划项目（2016JZ0035）；中国科学院西部之光项目。
