本文课题设计是基于深度学习中支持向量机算法的医疗图像预分类平台的开发与实现。现阶段，医疗图像中病情的确认都由医生进行判定，从效率方面来讲，人工判断的效率远远小于使用机器学习判断医疗图像中病情的效率，因此，本文课题设计旨在设计实现算法将医疗图像进行分类，产生新的符合机器进行判断的医疗图像。配合使用深度学习中的卷积神经网络经过训练对医疗图像进行一定程度的解读，用来辅助或代替医生诊断病情。使用机器进行病情的判断可以辅助医生判断病情，大大减少医生的工作量，解放生产力。
在实现分类医疗图像的算法过程中，核心是机器学习中的支持向量机算法，开发环境是python环境。由于dicom格式是医疗图像标准格式，因此实现算法的第一步是对dicom格式医疗图像文件进行读取解析，使用python中的第三方模块pydicom模块进行读取解析。读取文件之后需要将数据进行一系列操作转换成可用于分类器分类的格式，本文课题设计中使用opencv模块对数据进行处理，首先进行图像的截取，之后进行灰度化处理、二值化处理，将格式转化为可用于分类的格式。紧接着进行核心操作，即使用分类器进行分类，使用python第三方模块中的libsvm模块对训练集数据进行训练，训练出分类器模型，之后使用训练好的模型对数据进行预测，得出预测的结果。将图像数据分类后，需要进行判断，将正确的分类的图像数据保存到固定的位置，生成新的png格式图像以便于后续的再次使用，这将生产最后的结果，使用python第三方模块中的opencv模块。
本文课题设计的最终结果将会产生新的png格式的医疗图像，生成的新医疗图像是直接截取原始图像的病情部位，去除大量无用信息，实现原始dicom格式医疗图像的有用信息分类转化为易于操作的png格式图像，生成的新医疗图像将被应用到卷积神经网络解读医疗图像病情方面，最终实现病情解读判断效率的大幅度提升，解放生产力。最后会对对程序进行展开分析，展示了程序的设计思路、功能流程及其实现的逻辑，结合程序的源码部分展开描述。
关键词：深度学习，支持向量机，dicom，pydicom，libsvm
参考文档和完整的文档和源码下载地址：
