基于增量SVM的可继续学习微钙化点检测算法

摘 要 针对乳腺癌的计算机辅助诊断中存在的新样本不断出现的问题，提出基于增量SVM(support vector machine)的微钙化点检测算法，对于出现的新样本，首先用KKT条件判断其是否能被当前的分类器正确分类，若新样本能被正确地分类，说明新样本不是支持向量，无需训练新的分类超平面，若新样本不能被正确地分类，则将新的样本与原分类器的支持向量集一起构成新的训练样本集，重新构造支持向量集，适时地调整最优分类面，更新分类器。该方法避免了传统的利用所有样本重新形成分类器的复杂运算。实验结果表明，该算法有效地实现了医学图像计算机辅助诊断的在线优化升级。