06-医学图形图像处理识别技术与医学信息概念.ppt

医学图形图像处理识别技术与医学信息分析;目录内容;第六讲 医学信息挖掘;医学信息挖掘_目录;医学信息挖掘_目录;医学信息挖掘_目录;一、 数据挖掘的基本概念;数据挖掘的基本概念_续1;数据挖掘的基本概念_续2;数据挖掘的基本概念_续3;数据挖掘的基本概念_续4;数据挖掘的基本概念_续5;数据挖掘的基本概念_续6;数据挖掘的基本概念_续7;数据挖掘的基本概念_续8;数据挖掘的基本概念_续9;数据挖掘的基本概念_续10;数据挖掘的基本概念_续11;数据挖掘的基本概念_续11;二、常用数据挖掘技术;决策树_续1;将数据集构造决策树进行分类，可以得出老妇人的出行规律，该决策树是老妇人对天气因素的行动反映。 决策树中最上面的节点称为根节点，是整个决策树的开始。本例中根节点是“天气”，因为“天气”对“出行”最有影响力。对此问题的不同回答产生了“晴天”、“阴天”和“下雨”三个分支，在阴天和下雨的二级节点下面，还可以分出不同的分支。 每个分支要么是一个新的决策节点（测试属性），要么是树的结尾，称为叶子。在沿着决策树从上到下遍历的过程中，在每个节点都会遇到一个问题，对每个节点上问题的不同回答导致不同的分支，最后会到达一个叶子节点。这个过程就是利用决策树进行分类的过程，利用几个变量（每个变量对应一个问题）来判断所属的类别，最后每个叶子会对应一个结果。;选择眼睛决策举例_续3;常用的决策树算法工具简介 基于Microsoft SQL 2005 Analysis Server的决策树算法用于对离散和连续进行预测性建模. 对于离散属性,该算法根据数据集中输入列之间的关系进行预测。它使用这些列的值或状态预测指定的可预测列的状态。 对于连续属性，该算法使用线性回归确定决策树的拆分位置。 如果有多个列设置为可预测列，或输入数据包含设置为可预测的嵌套表，则该算法将为每个可预测列分别生成一棵决策树。;澳大利亚悉尼大学的Ross Quinlan提出的ID3算法是使用初始数据集技术进行增量式学习，从而逐步形成完整的决策树。 ID3的算法步骤如下： (1) 随机选择若干训练样本构成初始数据集； (2) 根据最大信息增量的原则（用数学的方法选择对结果最有影响力的属性）选择测试属性，生成基于初始数据集内训练样本的决策树； (3) 在初始数据集外的训练样本中寻找决策树的反例； (4) 若反例存在，则将其从初始数据集外的训练集移入初始数据集内，并转(2)，否则训练结束，返回生成的决策树。 改进算法C4.5可处理数值属性、缺失值和噪声数据。;SQL 2008 Analysis Service 的使用;SQL 2008Analysis Service 的使用;SQL 2008 Analysis Service 的使用;备注：;SQL 2008 Analysis Service 的使用;SQL 2008 Analysis Service 的使用;新建数据源与数据库连接，设置使用服务帐户;SQL 2008 Analysis Service 的使用;SQL 2008 Analysis Service 的使用;SQL 2008 Analysis Service 的使用;SQL 2008 Analysis Service 的使用;常用数据挖掘技术_续4;常用数据挖掘技术_续5;常用数据挖掘技术_续6;常用数据挖掘技术_续6_0;常用数据挖掘技术_续7;关联规则案例1：;关联规则案例1_续1;关联规则案例1_续2;关联规则案例1_续3;关联规则案例1_续4;关联规则案例1_续5;关联规则案例1_续6;关联规则案例1_续7;关联规则案例1_续8;关联规则分析的应用案例2;SQL2005关联规则分析的应用_续1;SQL2005关联规则分析的应用_续2;SQL2005关联规则分析的应用_续3;SQL2005关联规则分析的应用_续4;SQL2005关联规则分析的应用_续5;SQL2005关联规则分析的应用_续6;SQL2005关联规则分析的应用_tu1;SQL2005关联规则分析的应用_tu2;常用数据挖掘技术;常用数据挖掘技术;常用数据挖掘技术;常用数据挖掘技术;常用数据挖掘技术;常用数据挖掘技术;常用数据挖掘技术;举例1： 随着脑部疾病(尤其是脑瘤)发生率的逐年上升,通过挖掘脑部医学图像来发现知识对辅助医生的诊断变得越来越重要.对于医生来说,确定脑部图像中是否存在占位是非常关键的. 哈尔滨工业大学计算机科学与工程系潘海为等通过直接在每个图像的最基本元素—像素上进行两次聚类来判断可能存在的占位,然后使用分治的方法并行地对包含医学图像的对象进行分类,实现了基于像素聚类的脑部医学图像分类;举例2： 英格兰北部15-24岁男性中睾丸癌的时空聚类分析?研究人员