TWI483127B - 調適型分類方法及用以執行該調適型分類方法之電腦可讀取記錄媒體 - Google Patents

調適型分類方法及用以執行該調適型分類方法之電腦可讀取記錄媒體 Download PDF

Info

Publication number
TWI483127B
TWI483127B TW102108802A TW102108802A TWI483127B TW I483127 B TWI483127 B TW I483127B TW 102108802 A TW102108802 A TW 102108802A TW 102108802 A TW102108802 A TW 102108802A TW I483127 B TWI483127 B TW I483127B
Authority
TW
Taiwan
Prior art keywords
classification
classifier
sub
probability
sample
Prior art date
Application number
TW102108802A
Other languages
English (en)
Other versions
TW201435623A (zh
Inventor
Cheng Kang Chen
Chiung Nien Chen
Wen Hong Kuo
Shu Chuan Chuang
Original Assignee
Univ Nat Taiwan
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Univ Nat Taiwan filed Critical Univ Nat Taiwan
Priority to TW102108802A priority Critical patent/TWI483127B/zh
Priority to US13/954,244 priority patent/US9305243B2/en
Publication of TW201435623A publication Critical patent/TW201435623A/zh
Application granted granted Critical
Publication of TWI483127B publication Critical patent/TWI483127B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

調適型分類方法及用以執行該調適型分類方法之電腦可讀取記錄媒體
本發明係關於分類技術之設計，特別是關於一種以機率進行分類之調適型分類方法。
在腫瘤診斷等級分類中，每一類別皆有嚴格的惡性機率範圍規定，例如乳癌的診斷等級分類(Breast Imaging Reporting and Data System,BI-RADS)，每一等級(Category)皆規範其惡性機率範圍及後續對應之處置。習知或已發表之研究均以分辨良惡性或計算惡性機率為主，並沒有針對診斷等級的機率範圍特性做分類。
由於不同等級類別皆對應不同之後續臨床處置，某些關鍵等級類別之間需要更精確的區別以避免不當的處置，如BI-RADS雖有等級1、2、3、4.1、4.2、4.3、5到6等的分級，且每一個等級皆對應著不同的治療方式，但其中等級3與等級4.1的區分將決定是否進行腫瘤穿刺的檢查，並據以採取定期追蹤或進一步治療的處置。若針對所有等級僅做一次多等級粗略分類，將無更精細的對關鍵等級區域進行分類，可能因分類結果的不精確而導致後續臨床處置失當。
腫瘤等級分類應有最後判斷等級的相關病灶報告，例如BI-RADS的分級皆有不同病灶的描述。然而，目前分類方法皆無法提供分類依據的相關資訊，因而限縮其臨床上之應用範圍。
本發明提供一種調適型分類方法，係由分類器對樣本進行分類，以機率轉換函數將分類結果轉換為機率值，並且調整機率轉換函數之參數，以使各樣本之機率值符合預定分級標準之複數個級別所對應之數值範圍。
本發明所提供之調適型分類方法，係藉由具有複數個級別之分級標準進行分級，其中，各該級別係以機率值進行區分，該方法包括(1)提供複數個樣本以訓練分類器；(2)利用訓練後之該分類器對該複數個樣本進行分類判斷，以得到各該樣本之分類模型分數；(3)藉由具有參數之機率轉換函數將各該分類模型分數轉換為機率值，並將各該機率值依照該分級標準於該複數個級別中進行分類；以及(4)判別各該機率值是否符合各該分級標準之複數個級別所對應之數值範圍，若是，則停止訓練該分類器，若否，則調整該機率轉換函數之參數，並藉由調整後之該機率轉換函數將各該分類模型分數轉換為新機率值並再次重覆步驟(4)進行各該新機率值是否符合該分級標準之複數個級別所對應之數值範圍的判別。
在一實施態樣中，本發明之調適型分類方法復包括步驟(5)，係將分類後之複數個樣本區分為至少兩組子分類 群，並將該些子分類群之樣本依據該步驟(1)至(4)進行二次分類。
由上可知，本發明之方法可在分類過程中藉由調整機率轉換函數之參數，以使分類結果符合分級標準之複數級別所對應之數值範圍，而且，可將分類結果取出較為關鍵之級別進行二次分類，以提升分類結果之精確度。而且，本發明之方法適用於任何使用機率範圍分類之方法。
10‧‧‧樣本
11‧‧‧分類器
111‧‧‧子分類器
12‧‧‧第一子分類群
13‧‧‧第一末分類群
21‧‧‧第二子分類群
22‧‧‧第二末分類群
31、32、33‧‧‧欄位
S1~S4‧‧‧步驟
第1圖係為本發明調適型分類方法之流程圖；第2圖係為本發明訓練分類器之示意圖；第3圖係為BI-RADS分級標準與惡性機率對照表；第4圖係為參數調整曲線圖；第5圖係為本發明之一次分類示意圖；第6圖係為本發明之二次分類示意圖；第7圖係為本發明最後分類示意圖；以及第8圖係為腫瘤特性分類表。
以下係藉由特定的具體實施例說明本發明之實施方式，本領域中具有通常知識者可由本說明書所揭示之內容輕易地瞭解本發明之其他優點與功效。本發明亦可藉由其他不同的具體實施例加以施行或應用。
請參閱第1圖，其係為本發明調適型分類方法之流程圖。於步驟S1係先提供複數樣本以訓練分類器，接著進入步驟S2。於步驟S2係利用訓練後之該分類器對該複數個 樣本進行分類判斷，以得到各該樣本之分類模型分數，接著進入步驟S3。於步驟S3係藉由具有參數之機率轉換函數將各該分類模型分數轉換為機率值，並將各該機率值依照該分級標準於該複數個級別中進行分類，接著進入步驟S4。於步驟S4係判別各該機率值是否符合各該複數個級別所對應之數值範圍，若是，則停止訓練該分類器，若否，則調整該機率轉換函數之參數，並藉由調整後之該機率轉換函數將各該分類模型分數轉換為新機率值並再次重覆步驟S4進行該新機率值是否符合該分級標準之複數個級別所對應之數值範圍的判別。
請參閱第2圖，其係為本發明訓練分類器之示意圖。本發明之調適型分類方法係藉由一預定之分級標準進行分級，該分級標準具有複數個級別，其係以機率區分，該分級標準之複數個級別分別具有對應之數值範圍。
本發明之調適型分類方法係先提供分類器11，該分類器11係由複數個子分類器111所組成之強分類器11，接著提供複數個已知分類結果之樣本10，從該複數個樣本10隨機取樣，以對該分類器11之複數個子分類器111分別進行訓練。其訓練方式為，從提供之複數個樣本10隨機取出對應於子分類器111數量之複數個樣本組供該分類器11之各個子分類器111進行分類訓練，每次隨機所取出之樣本組僅訓練一子分類器111，並且在對該子分類器111訓練完畢後，將該樣本組放回所提供之複數個樣本10中，並且再次隨機取出一樣本組，以對下一個子分類器111作分 類訓練。
舉例而言，若該分類器11係由m個子分類器111所組成，從提供之複數個樣本10隨機取出一樣本組對子分類器111作訓練，並且在訓練完一個子分類器111後，將該樣本組放回原本所提供之複數個樣本10中，並再次隨機取出下一樣本組對下一個子分類器111進行訓練，直到m個子分類器皆訓練完畢。此一訓練方式會有隨機取出之樣本10重覆的情況，並不影響其訓練結果。
於後續的分類過程中，係由分類器11之各個子分類器111對於欲分類之樣本進行分類，並且將各個子分類器111分類結果整合以形成該分類器11之分類結果。其中，本發明所使用之分類器11係為線性或非線性的統計學習分類器或機械學習分類器之一。
須說明者，在分類器11的建構過程中，由於子分類器111之數量並非越多越好，因此，本發明係採用交互驗證方式(fold Cross Validation)決定子分類器111之數量。
當分類器11訓練完畢後，接著對於該分類器11之分類能力進行驗證。首先，以該分類器11對該複數個樣本10之每一個樣本10分別進行分類判斷，而得到各個樣本10的分類模型分數F(x)，若該分類器11由m個子分類器111組成，則該分類器11的運算結果定義如下：
其中，fm (x)為第m個子分類器111對單一樣本10的分類結果，以+1或-1為其分類結果的回傳值。其中，Cm 係為第m個子分類器111的決策權重，此決策權重乃經由Discrete Adaboost依據各個子分類器111對各個樣本10的分類判斷能力，經過計算而分別給予各個子分類器111不同的決策權重。
請參閱第3圖，其係為BI-RADS分級標準與惡性機率對照表。如圖所示，第3圖之各個級別分別具有對應之惡性腫瘤之數值範圍。
在本實施例中所使用之分級標準係為乳房腫瘤之分級標準(Breast Imaging Reporting and Data System,BI-RADS)。該分級標準共分為九個級別，排除資料不齊全之級別0、未發現有腫瘤之級別1、確診為良性之級別2，以及確診為惡性之級別6以外，其餘級別3、級別4.1、級別4.2、4.3以及5分別具有判別惡性腫瘤之機率範圍，且其機率範圍係從3至5增加。因此，在本發明中僅針對本發明之調適型分類方法對於BI-RADS分級標準之3至5之分級應用作說明。
如上所述，本發明係藉由以機率進行分類之分級標準進行分級，而本實施例所應用之BI-RADS分級標準中，各個級別分別具有其對應之機率範圍，為了使複數個樣本10之各個樣本10得以依照各個級別之機率範圍進行分類，因此，將複數個樣本10之各個樣本10經過各個子分類器111的分類判斷所得到之結果以y=+1、y=-1表示，其中y=+1表示為惡性的判斷結果，y=-1表示為良性的判斷結果，若是判斷結果為惡性，其機率轉換函數定義如下：
若分類結果為-1，其機率轉換函數定義如下：
在上述的機率轉換函數中，α係為機率轉換函數之參數，用以調整機率轉換函數之轉換結果。
當各個樣本10之分類模型分數經由機率轉換函數轉換為機率值後，接著將轉換後之機率值依照BI-RADS分級標準區分為五個子集合，並判斷各個子集合所包含之機率值是否符合BI-RADS分級標準之各個級別所對應之數值範圍，若判別結果為是，表示該分類器訓練完畢，可停止訓練該分類器。若判別結果為否，則必須調整機率轉換函數之參數α，以藉由調整後之機率轉換函數將各個樣本10的分類模型分數轉換為新的機率值，並再次重覆進行各個新的機率值是否符合該分級標準之複數個級別所對應之數值範圍的判別。
請一併參閱第4圖，其係為參數調整曲線圖。在第4圖中顯示橫軸表示分類模型分數，縱軸表示轉換後之機率值，圖中顯示了參數α為0.5、1、1.5、2等各種不同的參數α將造成機率值分佈的變化。當參數α為0.5，則轉換後所得之機率值平均分佈於0至1之間，當參數α越大，機率值的分佈也越極端。
若是機率轉換函數對分類模型分數轉換後的機率值 並未符合分級標準之機率值範圍時，而必須調整參數α時，其中，參數α的調整係依照第一參數調整準則進行調整，該第一參數調整準則包含下列步驟：1.中之惡性實例數為0，其中表示級別3之子集合；2.符合第1準則後，留下的樣本數量最多者；3.若符合第2準則的參數α不止一個，則比較五個子集合的惡性機率與標準BI-RADS惡性機率組中點之平方差距和，選出平方差距合最小者為獲選參數，其計算方式如下：
其中，參數α由0至2每次增加百分之一，亦即α=0,0.01,…,2；且其中，表示級別3之子集合，代表子集合中的惡性實例個數，代表中的樣本總數；表示級別4之子集合，代表之子集合中的惡性實例個數，代表中的樣本總數，以此類推；4.若符合第3準則的參數不只一個，則選取最接近理論值2的參數選為理想參數。
由於在BI-RADS分級標準中，級別3至級別5係用以 對惡性腫瘤進行分類，而在第3圖顯示級別3的惡性機率範圍趨近於0，因此在第一參數調整準則中，係選出分類於級別3之樣本最多之參數α作為參數調整之最佳參數。
經過參數調整之後，接著以參數調整後之機率轉換函數再次將各個樣本之分類模型分數轉換為新機率值，並再次重覆判別各個新機率值是否符合該分級標準之各個級別所對應之數值範圍，直到各個樣本10之機率值得以符合各級別所對應之數值範圍且各個機率值所屬之樣本對應地分類於該分級標準之複數個級別。
在經過上述的初次分類後，已經可以將複數個樣本依照BI-RADS分類標準進行分類。然而，上述的分類過程係為初次分類，其分類結果仍不夠精確。例如：分類為級別3的樣本數中，可能會有少數的惡性腫瘤樣本，此一分類結果並分理想之分類結果。
在BI-RADS的分級標準中，級別3以及級別4.1的判別是屬於BIRADS分級標準中最關鍵之部分，若是判別為3，則表示腫瘤判別結果為良性，只需定期回診，追蹤觀察即可。若是判別結果為4.1，表示腫瘤判別結果為惡性，必須進行穿刺檢查。
因此，為了提升分類結果的精確度，本發明之調適型分類方法係提供了階層式的分類方法，亦即將上述所得之分類結果進行進一步的分類。
請參閱第5圖，係為本發明之一次分類示意圖。如圖所示，為了將上述的分類結果進行二次分類，係將上述分 類完成後之複數個樣本10分為至少兩組子分類群，該兩組子分類群係為第一子分類群12以及第一末分類群13。該第一子分類群12係為該分級標準中預先選定之較為關鍵之級別。以BI-RADS分級標準而言，級別3以及級別4.1的判別將決定腫瘤患者是否必須進行腫瘤穿刺，因此，在本實施例中，係以級別3以及級別4.1歸類為第一子分類群12，以進行二次分類。
至於別4.2至5由於已確定為惡性，因此將級別4.2至級別5歸類為第一末分類群13，以待二次分類結果整合進行惡性腫瘤之分級。
其中，雖然在本實施例中，係將該初次分類所得之子分類群分類為一第一子分類群12及一第一末分類群13，然，此一分類方式僅係為了方便作為實施方式之說明，於實際實施時，該第一子分類群12的數量可為一個以上。
請參閱第6圖，係為本發明之二次分類示意圖。在二次分類過程中，係取出初次分類結果中包含有級別3以及級別4.1的第一子分類群12進行二次分類，其中，二次分類的方式係與第一次分類相同。首先係提供由複數個子分類器111所組成之第二分類器11，接著以該第一子分類群12之樣本對第二分類器11進行訓練，該第二分類器11係由複數個子分類器111所組成，接著以訓練完成之分類器11將該第一子分類群12依照BI-RADS之五個級別進行分類判斷，以獲得第一子分類群中各個樣本的分類模型分數，接著以機率轉換函數將該複數個分類模型分數轉換為 機率值，並依照第3圖之BI-RADS分級標準區分為五個子集合，然後判別各個子集合之各個機率值是否符合BI-RADS分級標準之五個級別所對應之數值範圍，若判別結果為是，則停止訓練該分類器。若判別結果為否，則依照第二參數調整準則調整機率轉換函數之參數α，以藉由調整後之機率轉換函數將各個樣本的分類模型分數轉換為新的機率值，並再次重覆進行各個新的機率值是否符合該分級標準之複數個級別所對應之數值範圍的判別。
其中，在二次分類中，其第二參數調整準則α包含下列步驟：1.中之惡性案例數量為0，其中表示二次分類中之級別3之子集合；2.符合第1準則後，選擇使留下的案例總數最多者；3.若符合第2步驟的參數不只一個，則比較、兩個子集合的惡性機率與BI-RADS惡性機率組中點之平方差距和，選出平方差距和最小者為獲選參數，其計算方式如下：
其中，表示二次分類中之級別4.1之子集合， 且其中，參數α由0至2每次增加一個百分位數，亦即α=0,0.01,…,2；代表子集合中的惡性實例個數，代表中的樣本總數，以此類推。
4.若符合步驟3的參數不止一個，則以最接近理論值「2」之參數為獲選參數。
二次分類主要功能在於針對惡性特徵較不明顯的案例細分出級別3與級別4.1的腫瘤案例，因此除了參數α的調整，在二次分類中另設有一篩選機制。
此機制以樣本的輪廓清晰圓整度為篩選條件，設定的閥值為第一子分類群12中與邊緣崎嶇程度及邊緣圓整程度相關的屬性之中位數，若任一樣本之邊緣圓整程度低於閥值或邊緣崎嶇程度高於閥值，則不被視為級別3之可能樣本。
在經過二次分類後，同樣將二次分類之結果分為至少兩組子分類群，係包括第二子分類群21以及第二末分類群22。
由於二次分類所得之級別3幾乎可以確定為良性，因此，將二次分類所得之級別3歸類為第二子分類群21，並予以保留。接著將其餘四個級別歸類為第二末分類群22，然後將第二末分類群22與第一末分類群13予以整合，以進行惡性腫瘤級別4.2~S5的最後分類。
須說明者，雖然在本實施例中的二次分類僅進行一次，然，此一部分之敘述僅係用以作為實施方式之說明，實際實施時，可視情況增加二次分類的次數，例如：第二 子分類群21的樣本數偏多，或是欲進一步提升關鍵級別的分類精確度。
請參閱第7圖，係為本發明最後分類示意圖。在進行最後分類的過程中，係將該第一末分類群13與該第二末分類22群整合以進行分類，其分類方法係與初次分類相同，同樣是將第一末分類群13與第二末分類群22依照BI-RADS分級標準區分為五個子集合，故不在此針對最後分類之過程多作贅述。
由於最後分類僅針對惡性腫瘤作分類，而不考慮良性，因此，在最後分類所得之級別3與級別4.1則歸類於級別4.2。
其中，在最後分類過程中，其參數α係依照第三參數調整準則作調整，該第三參數調整準則包含下列步驟：1.之實例總數調整為0，使最後分類所得之子集合僅包含、、與，其中、、以及分別表示最後分類之級別4.1、級別4.2、級別4.3以及級別5之子集合；2.符合第1步驟後，選擇使留下樣本總數最多者；3.若符合第2步驟的參數不止一個，則比較、、以及此四個子集合的惡性機率與BI-RADS分級標準之惡性機率組中點之平方差距和，選出平方差距最小者為獲選參數，其計算方式如下：
其中，參數α由0至2每次增加百分之一，亦即α=0,0.01,…,2；表示級別4.1之子集合中的惡性樣本個數，表示中的樣本總數，以此類推。
4.若符合第3步驟的參數不止一個，則以最接近理論值「2」之參數為獲選參數。
在經過上述之初次分類、二次分類以及最後分類的階級式分類後，本發明之調適型分類方法已經可以從複數個樣本10中分為良性腫瘤與惡性腫瘤，並且針對惡性腫瘤進行級別上的分類，如此，即完成分類器11之驗證。
在完成驗證後，可提供至少一個新的樣本予初次分類之分類器11，以對該新樣本進行分類，以得到該新樣本於該分級標準中所對應之級別。若初次分類之結果係為BI-RADS分級標準之級別3或是級別4.1，則由二次分類之分類器11取出該新樣本進行良惡性的分類，若分類結果為級別3，表示該新樣本係為良性，完成分類。
若是在初次分類結果為級別4.2、4.3或是5的其中一個，或是在二次分類結果為級別4.1，則由最後分類之分類器11取出該新樣本進行惡性腫瘤的分級。
請參閱第8圖，其係為腫瘤特性分類表。如圖所示，當該新樣本經過本發明調適型分類方法的階層式分類後，已經知道該腫瘤之分類級別，但是為了清楚了解各個分類器11對於該樣本的分類依據，可進一步將各個分類器11的分類過程中，各個子分類器111於分類過程中，針對腫瘤屬性而判別腫瘤的良惡所為之投票結果整合，並詳列如第8圖。
在第8圖中，欄位31係為整合後之分類資訊，從左至右依序為樣本編號、樣本所經歷之分類器種類、總票數，以及該樣本於本發明之調適型分類方法之分類結果。
欄位32係為該樣本所經過的分類器中所有子分類器對於該樣本進行分類投票中的多數意見者。從左到右依序為投票所依據之腫瘤特徵、該特徵所獲得之票數，以及各個特徵所得之票數佔總票數之比例，其計算方式係將該特徵所獲得之票數除以總票數。
至於欄位33係為該樣本所經過的分類器中所有子分類器對於該樣本進行分類投票中的少數意見者。從左到右依序為投票所依據之腫瘤特徵、該特徵所獲得之票數，以及各個特徵所得之票數佔總票數之比例，其計算方式係將該特徵所獲得之票數除以總票數。
本發明復提供一種電腦可讀取記錄媒體，用以儲存電腦程式，該電腦程式係可應用於電腦裝置，用以使該電腦裝置執行上述之方法。該記錄媒體可為軟碟、硬碟、光碟、隨身碟、磁帶，或是其他具有相同功能之記錄媒體。
經由以上所述，本發明之調適型分類方法可針對較為關鍵之級別利用階層式的分類方式進行一次以上的二次分類，以提升分類結果精確度。亦可將關鍵級別以外之級別依照預定之分級標準進行分級，以於後續過程中針對不同級別進行不同之處理。
除此之外，本發明更可在完成分類後提供樣本於分類過程中之分類依據，以供相關從業人員作為分類上之參考。
上述實施例僅為例示性說明本發明之原理及其功效，而非用於限制本發明。任何本領域中具有通常知識者均可在不違背本發明之精神及範疇下，對上述實施例進行修飾與變化。
S1~S4‧‧‧步驟

Claims (9)

  1. 一種調適型分類方法，係具有複數個級別之分級標準，其中，各該級別係以機率值進行區分，該方法包括：(1)提供複數個樣本以訓練分類器；(2)利用訓練後之該分類器對該複數個樣本進行分類判斷，以得到各該樣本之分類模型分數；(3)藉由具有參數之機率轉換函數將各該分類模型分數轉換為機率值，並將各該機率值依照該分級標準於該複數個級別中進行分類；以及(4)判別各該機率值是否符合各該複數個級別所對應之數值範圍，若是，則停止訓練該分類器，若否，則調整該機率轉換函數之參數，並藉由調整後之該機率轉換函數將各該分類模型分數轉換為新機率值並再次重覆步驟(4)進行該新機率值是否符合該分級標準之複數個級別所對應之數值範圍的判別。
  2. 如申請專利範圍第1項所述之方法，復包括步驟(5)，利用訓練完成之該分類器對新樣本進行分級，以得到該新樣本於該分級標準中所對應之級別。
  3. 如申請專利範圍第1項所述之方法，其中，該分類器包含複數個子分類器。
  4. 如申請專利範圍第3項所述之方法，其中，各該子分類器分別具有權重。
  5. 如申請專利範圍第4項所述之方法，其中，各該子分 類器之權重係以Ada boost方式，依據各個子分類器對各個樣本的分類判斷能力而決定。
  6. 如申請專利範圍第1項所述之方法，其中，該分類器係為線性或非線性之統計學習分類器或機械學習分類器之一。
  7. 如申請專利範圍第1項所述之方法，其中，該步驟(4)係依據一參數調整準則調整該機率轉換函數之參數。
  8. 如申請專利範圍第1項所述之方法，復包括步驟(5)，將分類後之複數個樣本區分為至少兩組子分類群，並將該些子分類群中之樣本依據該步驟(1)至(4)進行二次分類。
  9. 一種電腦可讀取記錄媒體，用以儲存電腦程式，該電腦程式係用以執行請求項1所述之方法。
TW102108802A 2013-03-13 2013-03-13 調適型分類方法及用以執行該調適型分類方法之電腦可讀取記錄媒體 TWI483127B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW102108802A TWI483127B (zh) 2013-03-13 2013-03-13 調適型分類方法及用以執行該調適型分類方法之電腦可讀取記錄媒體
US13/954,244 US9305243B2 (en) 2013-03-13 2013-07-30 Adaptable classification method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW102108802A TWI483127B (zh) 2013-03-13 2013-03-13 調適型分類方法及用以執行該調適型分類方法之電腦可讀取記錄媒體

Publications (2)

Publication Number Publication Date
TW201435623A TW201435623A (zh) 2014-09-16
TWI483127B true TWI483127B (zh) 2015-05-01

Family

ID=51527305

Family Applications (1)

Application Number Title Priority Date Filing Date
TW102108802A TWI483127B (zh) 2013-03-13 2013-03-13 調適型分類方法及用以執行該調適型分類方法之電腦可讀取記錄媒體

Country Status (2)

Country Link
US (1) US9305243B2 (zh)
TW (1) TWI483127B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7094771B2 (ja) * 2018-05-17 2022-07-04 キヤノンメディカルシステムズ株式会社 読影練習支援装置
CN109308488B (zh) * 2018-08-30 2022-05-03 深圳大学 乳腺超声图像处理装置、方法、计算机设备及存储介质
CN111446002A (zh) * 2020-03-07 2020-07-24 华中科技大学 一种基于人工智能的新型冠状病毒患者病况分类系统
CN111611909A (zh) * 2020-05-18 2020-09-01 桂林电子科技大学 多子空间域自适应人脸识别方法
CN112232378A (zh) * 2020-09-23 2021-01-15 中国人民解放军战略支援部队信息工程大学 面向fMRI视觉分类的零次学习方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7469209B2 (en) * 2003-08-14 2008-12-23 Dilithium Networks Pty Ltd. Method and apparatus for frame classification and rate determination in voice transcoders for telecommunications

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8280132B2 (en) * 2006-08-01 2012-10-02 Rutgers, The State University Of New Jersey Malignancy diagnosis using content-based image retreival of tissue histopathology
US9202140B2 (en) * 2008-09-05 2015-12-01 Siemens Medical Solutions Usa, Inc. Quotient appearance manifold mapping for image classification
US8577130B2 (en) * 2009-03-16 2013-11-05 Siemens Medical Solutions Usa, Inc. Hierarchical deformable model for image segmentation

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7469209B2 (en) * 2003-08-14 2008-12-23 Dilithium Networks Pty Ltd. Method and apparatus for frame classification and rate determination in voice transcoders for telecommunications

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Segyeong Joo等4人，Computer-Aided Diagnosis of Solid Breast Nodules:Use of an Artificial Neural Network Based on Multiple Sonographic Features，IEEE Transatcions on medical imaging，Vol 23，2004年10月10日 *

Also Published As

Publication number Publication date
US9305243B2 (en) 2016-04-05
US20140270493A1 (en) 2014-09-18
TW201435623A (zh) 2014-09-16

Similar Documents

Publication Publication Date Title
TWI483127B (zh) 調適型分類方法及用以執行該調適型分類方法之電腦可讀取記錄媒體
CN110503187B (zh) 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法
CN101923652B (zh) 一种基于肤色和特征部位联合检测的色情图片识别方法
CN109934278B (zh) 一种信息增益混合邻域粗糙集的高维度特征选择方法
CN102509123B (zh) 一种基于复杂网络的脑功能磁共振图像分类方法
CN104834940A (zh) 一种基于支持向量机的医疗影像检查疾病分类方法
CN101853389A (zh) 多类目标的检测装置及检测方法
CN110069630B (zh) 一种改进的互信息特征选择方法
CN106056130A (zh) 针对不平衡数据集的组合降采样线性判别分类方法
CN110414548A (zh) 基于脑电信号进行情感分析的层级Bagging方法
CN101364263A (zh) 对图像进行皮肤纹理检测的方法及系统
CN101493400A (zh) 一种基于形状特征的自动分类校正的方法
CN105740914A (zh) 一种基于近邻多分类器集成的车牌识别方法及系统
CN103631753A (zh) 递减子空间集成学习算法
CN103020653A (zh) 基于网络分析的结构和功能磁共振图像联合分类方法
CN103077399A (zh) 基于集成级联架构的生物显微图像分类方法
CN113674862A (zh) 一种基于机器学习的急性肾功能损伤发病预测方法
CN106951728B (zh) 一种基于粒子群优化和打分准则的肿瘤关键基因识别方法
CN115910362A (zh) 一种基于增强粒子群优化的特应性皮炎特征预测方法
CN106601271B (zh) 一种语音异常信号检测系统
CN113239199B (zh) 一种基于多方数据集的信用分类方法
CN117197591B (zh) 一种基于机器学习的数据分类方法
CN117315379B (zh) 面向深度学习的医学影像分类模型公平性评估方法及装置
CN101853401A (zh) 一种基于二维经验模态分解的多分组图像分类方法
CN104239895B (zh) 基于特征降维的sar目标鉴别方法