【出 处】：《 计算机仿真 》 CSCD 2014年第31卷第3期 392-396页,共5页

【作 者】： 赵杰 [1] ; 张振宇 [1] ; 门国尊 [2]

【摘 要】 研究针对B超图像的甲状腺疾病分类问题。甲状腺疾病的计算机分类是提高甲状腺疾病诊断效率的重要途径，包括特征提取和分类器实现，传统方法中特征提取不全面和使用单个分类器，使得诊断精度偏低且结果稳定性差。针对上述问题，提出一种基于集成改进极端学习机的甲状腺疾病分类方法。首先，分析甲状腺B超图像，对临床鉴别甲状腺结节良恶性的特征进行量化，提取了紧致度等9个特征作为数据集；而后，将聚类思想与极端学习机方法融合，结合k—means聚类算法，提出一种新的聚类标准，对数据集进行聚类；最后，对聚类后的子集进行分类训练，并采用多数投票的策略对子分类器进行集成。实验结果表明，改进方法在分类精度和稳定性上较传统算法均有较大提高。