10、基于最优支持向量机的云医疗物联网脑肿瘤 MRI 图像分类

基于最优支持向量机的云医疗物联网脑肿瘤 MRI 图像分类

1. 引言

如今，物联网（IoT）让人类、物体和虚拟环境能够良好地相互交互。在智能交通、智能家居、医疗保健等领域，物联网被广泛应用于数据采集。随着物联网和传感组件的发展，相关研究不断涌现。同时，由于特殊药物的增加和全球各类疾病的存在，医疗保健的发展需求愈发迫切。为了更好地进行疾病管理，需要设计一种利用物联网设备无处不在的传感能力来预测患者患致命疾病概率的模型。

物联网和云计算相互作用，二者的结合有助于医生持续支持偏远地区的患者。物联网借助虚拟无障碍功能和云资源来平衡存储、处理和能源等技术限制，而云则通过物联网扩展其处理现实事物的范围，并以分布式和动态方式提供多种服务。因此，有必要开发一种新的物联网与云相结合的模型，用于医疗领域的新应用和服务。

医疗物联网（IoMT）融合了物联网和医疗保健两个领域。脑肿瘤（BT）严重危害人类健康，提高了死亡率。肿瘤由异常细胞聚集的组织构成，良性脑肿瘤非癌且无侵袭性，一般不会扩散到附近细胞，但在少数情况下也可能很严重；恶性脑肿瘤则是癌症，在大脑中产生并迅速扩散到其他区域。磁共振成像（MRI）可快速了解肿瘤细节并评估扩散率，需要大量 MRI 扫描图像，并使用基于机器学习（ML）的分类器模型进行分类。设计最优分类模型时，需要考虑检测率和算法复杂度。

脑 MRI 图像的分类可使用无监督分类器模型（如 FCM 和自组织映射（SOM））和监督模型（如 k - NN、支持向量机（SVM）和人工神经网络（ANN））。脑肿瘤的自动分割模型有生成式和判别式两种类型，目前研究表明，基于判别式分类的方法效果更好。判别式方法学习地面真值和输入图像之间的关系，在有效地面真值率下，监督学习模型适用于需