跳到主要内容gYdF4y2Ba

基于小波特征描述子和支持向量机的肺结节自动分类系统gYdF4y2Ba

摘要gYdF4y2Ba

出身背景gYdF4y2Ba

肺癌是世界范围内的主要死亡原因;它指的是肺中异常细胞的不受控制的生长。胸部计算机断层扫描(CT)是检测肺癌结节最敏感的方法。肺结节是一种圆形病变,可以是非癌的,也可以是癌的。CT表现为圆形白影结节。要从CT扫描中获得手动准确的解释,放射科医生需要付出很大的努力,这可能是一个疲劳的过程。因此,设计一个计算机辅助诊断(CADx)系统将有助于作为第二意见工具。gYdF4y2Ba

方法gYdF4y2Ba

建议的CADx的阶段是:有监督地提取感兴趣区域以消除CT图像之间的形状差异。通过一级和两级分解计算Daubechies db1、db2和db4小波变换。然后,从每个小波子带计算19个特征。然后,子带和属性选择结果,选择11个特征并成对组合,作为支持向量机(SVM)的输入,该支持向量机用于区分含癌结节和不含结节的CT图像。gYdF4y2Ba

结果gYdF4y2Ba

用于实验的临床数据集包括来自ELCAP和LIDC的45个CT扫描。训练阶段使用61张CT图像(36张有癌性肺结节,25张无肺结节)。系统性能通过45次CT扫描(23次CT扫描有肺结节,22次CT扫描无肺结节)进行测试,这与用于训练的不同。结果表明,该方法成功地对直径2 ~ 30 mm的肿瘤结节进行了分类。总准确度为82%;敏感性为90.90%,特异性为73.91%。gYdF4y2Ba

结论gYdF4y2Ba

在灵敏度方面,CADx系统与其他文献系统具有竞争力。该系统不需要执行大多数CADx系统的典型分割阶段,从而降低了分类的复杂性。此外,该算法的新颖之处在于使用了小波特征描述子。gYdF4y2Ba

出身背景gYdF4y2Ba

癌症是指身体任何地方的细胞异常生长;往往以一种不受控制的方式扩散[gYdF4y2Ba1gYdF4y2Ba].许多癌症及其组成细胞的异常细胞可以通过异常细胞来源组织的名称来进一步识别,例如,乳腺癌、肺癌、结肠癌、前列腺癌等等。肺癌是全世界死亡的主要原因[gYdF4y2Ba2gYdF4y2Ba].gYdF4y2Ba

肺癌是指异常细胞在肺中不受控制地生长。通常,胸部计算机断层扫描(CT)是检测肺结节和周围结构最敏感的方法。CT扫描是一种无痛、无创的诊断成像程序,它能对身体结构(如肺)生成精确的多幅图像(切片)。gYdF4y2Ba3.gYdF4y2Ba].CT扫描期间生成的横截面图像可以在多个平面中重新格式化,并可以生成3D图像。国家肺筛查试验(NLST)显示,使用低剂量CT筛查,肺癌特异性死亡率的相对风险降低20%,全因死亡率的相对风险降低6.7%[gYdF4y2Ba4gYdF4y2Ba].gYdF4y2Ba

肺结节是直径小于3cm的圆形病变。它可以是良性的(非癌)或恶性的(癌),在每100次胸部CT扫描中发现1次[gYdF4y2Ba5gYdF4y2Ba].在CT扫描中,肺癌被观察为圆形白色阴影结节,因此检测和分类这些结节对于筛查和诊断非常重要。gYdF4y2Ba

结节癌变的可能性约为40%,然而,风险在很大程度上取决于几个因素。例如,在35岁以下的人群中,肺结节癌变的几率小于1%,而在50岁以上的人群中,一半的肺结节是恶性的(癌性的)[gYdF4y2Ba6gYdF4y2Ba].当CT扫描发现结节时,放射科医生必须将当前的CT扫描与以前的进行比较。如果早期CT扫描的结节大小、形状或外观没有变化,则可能是非癌性的。如果肺结节是新的或者在大小、形状或外观上发生了变化,那么建议进行支气管镜检查或组织活检来确定它是否癌变。gYdF4y2Ba

由于需要管理和分析大量的CT扫描,要从CT扫描中获得准确的解释需要专家付出很大的努力。当疾病的进展在视觉上仍然不明显(早期)时,分析就变得更加复杂[gYdF4y2Ba7gYdF4y2Ba].对于放射科医生来说,检查CT扫描以发现肺结节的过程需要15到20分钟。在同一天,放射科医生通常会分析至少45张图像,这可能是一个疲劳的过程。因此,不同的专家对同一次扫描会得出不同的诊断结果。gYdF4y2Ba

有两个主要的计算机系统被开发来帮助放射科医生,他们是:计算机辅助检测(CAD)和计算机辅助诊断(CADx)系统。CAD系统通过医学图像检测病变,例如,标记明显的结构和切片。而CADx系统的目的是测量病变特征,例如,确定癌症的恶性程度和分期[gYdF4y2Ba8gYdF4y2Ba].CADx系统旨在提高肺癌筛查方案的敏感性、特异性、效率和成本效益。gYdF4y2Ba

在本文中,我们重点设计了一个CADx系统,它将有助于辅助放射科医生作为第二意见对肺结节进行分类,并减少CT扫描评估的时间。gYdF4y2Ba

对于放射科医生来说,肺结节通常是在CT扫描中意外发现的,因为它们不够大,不容易被发现。摘要结节的特点是纹理特性的计算得到的灰度co-ocurrence矩阵应用灰度共生矩阵建立()在小波域,使用SVM分类与径向基函数对CT图像进行分类分为两类:癌肺结节和肺结节。gYdF4y2Ba

相关工作gYdF4y2Ba

在文献中,有几种CADx方法被提出用于CT扫描肺结节的分类。其中一些提出了文献综述,例如,李[gYdF4y2Ba9gYdF4y2Ba和Ambrosini等人[gYdF4y2Ba10gYdF4y2Ba直到2012年才有所进展。gYdF4y2Ba

在1963年首次报道使用数字计算机在胸片中检测和分类肺结节。大多数方法包括四个步骤:a)预处理,b)肺分割,c)候选结节检测和d)结节分类。分类模块可以利用病变的固有特征区分恶性病变和良性病变[gYdF4y2Ba11gYdF4y2Ba].在此基础上,对有关CADx系统的五篇著作作了简要的修订。gYdF4y2Ba

采用混合分类方案的方法由[gYdF4y2Ba12gYdF4y2Ba].为了确定CT扫描图像中是否存在肺结节,我们进行了基于结节形态的特征提取阶段。这导致一些血管被归类为肺结节。在第二阶段,通过计算纹理特征来区分血管。用于分类的方法是支持向量机和基于规则的系统的结合。广州市3A级医院CT图像包含254个候选感兴趣区域(ROI),其中50个为结节,204个为非结节。两种方法的灵敏度为84.39%。gYdF4y2Ba

在[gYdF4y2Ba13gYdF4y2Ba介绍了一种两阶段CADx系统的设计和开发,该系统可以自动检测和诊断肺组织图像,如CT扫描结节癌变或非结节。第一阶段对输入图像进行预处理,并对肿瘤结节区域进行分割。第二阶段是基于结节区域和结节灰度的模糊系统诊断。测试使用了40个临床病例,共685张切片图像。该方法的灵敏度为90%。gYdF4y2Ba

人工神经网络(ANNs)和多变量logistic回归(LR)分析在CT扫描中鉴别恶性和良性肺结节的诊断性能在[gYdF4y2Ba14gYdF4y2Ba].本研究评估了135个恶性结节和65个良性结节。每个结节提取4个形态特征(大小、边缘、轮廓、内部特征)。基于初始数据集生成的200个bootstrap样本,建立并测试了200对ANN和LR模型。结果表明,人工神经网络具有比LR模型更高的识别性能。ann模型的总灵敏度为90%,LR模型的总灵敏度为86.9%。gYdF4y2Ba

提出了一种利用GLCM提取肺CT图像纹理特征的新方法[gYdF4y2Ba15gYdF4y2Ba].该工作提出了使用3D成像以更真实的方式表示3D物体。对典型的Haralicks纹理特征进行了三维扩展,并利用考虑26个邻域的体积数据进行计算。根据受试者工作特征(ROC)曲线下面积值选择最优纹理特征。利用人工神经网络(ANN)分别考虑前5个三维纹理和前5个二维纹理特征对结节进行分类。测试使用了92张CT图像。利用三维纹理特征和二维纹理特征进行分类的灵敏度分别为97.17%和89.1%。gYdF4y2Ba

在[gYdF4y2Ba16gYdF4y2Ba],提出了一种基于CT的肺结节检测、分割和识别系统。利用活动轮廓对肺区域进行分割,然后利用掩蔽技术将非孤立结节转移到孤立结节。结节检测使用支持向量机二维随机和三维解剖特征。测试使用了四个数据集。首次临床资料包括13个结节。第二组为6个结节。从ANODE09获得的第三组包含39个结节。最后,从ELCAP中得到的第四组含有397个结节。总的灵敏度为89%。gYdF4y2Ba

在桌子上gYdF4y2Ba1gYdF4y2Ba,并对11项与CADx系统相关的最新研究(包括本研究)进行了性能比较。值得注意的是,在表中所呈现的作品中gYdF4y2Ba1gYdF4y2Ba,不同的方法被用于创建CADx系统。例如,有几篇论文在分割任务中检测结节,并在空间域计算描述符。其他论文仅根据临床数据进行分类。但是,在文献中没有检测到不需要分割阶段,联合使用小波变换作为特征描述子的论文。因此,这些特征是本文的主要贡献。gYdF4y2Ba

表1gYdF4y2Ba通过灵敏度比较CADx系统的性能gYdF4y2Ba

方法gYdF4y2Ba

设计CADx系统的建议方法的阶段是:1)感兴趣区域的提取,2)小波变换,3)特征提取,4)属性和子带选择以及5)分类。在图中gYdF4y2Ba1gYdF4y2Ba本文给出了该方法的流程图。gYdF4y2Ba

图1gYdF4y2Ba
图1gYdF4y2Ba

提出了CADx系统的流程图。gYdF4y2Ba图中显示了执行所建议方法的各个阶段的详细视图。箭头指示执行每个阶段的顺序。gYdF4y2Ba

医学图像处理的首要步骤是图像采集。对于本文来说,CADx系统作为一组CT扫描图的输入,用于分析肺结节的分类。为了检测能够为CADx系统提供真实数据的参考标准数据集,本文对相关文献进行了综述。早期肺癌行动项目(ELCAP)就是这样一个数据集[gYdF4y2Ba22gYdF4y2Ba],另一个是肺图像数据库联盟(LIDC) [gYdF4y2Ba23gYdF4y2Ba].gYdF4y2Ba

这两个数据库非常不同,因为用于获取CT扫描的扫描仪的特征是不同的。为了增加所使用分类器的泛化能力,两个数据集的差异是非常重要的。在[gYdF4y2Ba24gYdF4y2Ba,gYdF4y2Ba25gYdF4y2Ba].gYdF4y2Ba

CADx系统从两个被引用的公共数据库中选择45个CT扫描进行验证。第一个子集包含了来自ELCAP数据库的16张癌症扫描图。第二个子集包含国家生物医学影像档案(NBIA)提供的LIDC的29个扫描(7个癌和22个非癌)。在这一阶段,所有的医学数字成像与通信(DICOM)图像都没有受到任何预处理任务。gYdF4y2Ba

ELCAP包括一组50个低剂量记录的全肺CT扫描图像。一次屏气获得1.25 mm层厚的CT扫描。数据库分辨率为0.5 mm × 0.5 mm,扫描参数约为30-40 mA。它载有397个直径由2毫米至5毫米不等的结核[gYdF4y2Ba22gYdF4y2Ba].gYdF4y2Ba

在LIDC中,结节已被多名放射科医师充分注释。它包括84张CT扫描,但只有58张CT扫描包含结节。结核的直径从3mm到30mm不等。每次扫描约有310个切片,每个切片分辨率为512 × 512像素,灰度4096 HU。像素大小为0.5 mm ~ 0.76 mm,重构间隔为1 mm ~ 30 mm。图像由不同制造商的多个CT扫描仪获取,使用的协议包括低和高(40-388 mA)管电流、薄和厚(1.25-3 mm)切片厚度、120-140 kV和各种重建核[gYdF4y2Ba23gYdF4y2Ba].gYdF4y2Ba

一位放射专家验证了结节分类。CT扫描中选择的结节直径范围为2 mm至30 mm。图中显示了LIDC的CT图像,包括结节和非结节gYdF4y2Ba2gYdF4y2Ba.gYdF4y2Ba

图2gYdF4y2Ba
figure2gYdF4y2Ba

胸部CT原始图像:a)无肺结节,b)有肺结节。gYdF4y2Ba两幅图像均来自LIDC数据库。右侧CT图像显示一个直径为3 mm的肺结节。结节用红色虚线圈突出显示。gYdF4y2Ba

提取感兴趣的区域gYdF4y2Ba

LIDC和ELCAP得到的CT扫描包含多个切片以及它们之间的差异。例如,一些CT扫描具有不同的形状,在一个圆内包含了结节信息,这是因为CT扫描是从不同的扫描仪获取的。为了消除CT图像之间的差异,获得更好的分类结果,对每一幅CT图像提取一个ROI。ROI计算采用Hough变换将所有CT图像近似为一个圆周,在圆周内保留相关信息,在圆周外保持黑色。这个阶段过后,所有的CT图像都保留了圆内的重要信息,如图所示gYdF4y2Ba3.gYdF4y2BaROI提取是对CT图像执行的唯一预处理任务。gYdF4y2Ba

图3gYdF4y2Ba
图3gYdF4y2Ba

CT图像中感兴趣区域的提取:a)原始CT图像;b)提取感兴趣区域后的CT图像。gYdF4y2Ba这些图像是从两个不同的公共数据库获得的,采集时使用了不同的扫描仪。可以观察到不同的形式和观点。ROI的提取是为了消除图像之间的差异并使所有CT扫描标准化。最终形式用红色虚线圈突出显示。gYdF4y2Ba

小波变换gYdF4y2Ba

在预处理阶段之后,大多数系统执行分割任务,将研究区域与CT扫描的其他器官和组织分离。对于所提出的CADx系统,不需要进行分割。将提取的感兴趣区域的图像从空间域转换到变换域,而不是分割。gYdF4y2Ba

变换是指图像表示的改变,例如从空间域到频域。域变换提供了图像的另一种表示形式,它可以显示在原始域中难以检测的特征。执行变换是为了将大量信号能量集中在几个系数中,并由此获得解相关系数。gYdF4y2Ba

在特征提取阶段,多个CADx系统共有的一个缺点是,图像是在一个尺度上分析的,然后在CT图像表示的多层结构。人类视觉系统的研究支持这一方法,因为研究人员发现,视觉皮层可以被建模为一组独立的通道,每个通道都有特定的方向和空间频率调节[gYdF4y2Ba26gYdF4y2Ba].在这一阶段,CT图像将使用多尺度工具离散小波变换(DWT)进行变换。gYdF4y2Ba

小波变换是一种对离散数据进行多尺度表示的工具。从数字的角度来看,原始信息必须以一种有效的方式表示和交付。该表示处理在小描述中捕获感兴趣对象的重要信息的能力。DWT允许将输入信号分层分解为低分辨率的参考信号序列及其相关的详细信号[gYdF4y2Ba27gYdF4y2Ba]。DWT提供了高频分量(边缘)的良好表示,并允许以更紧凑的方式表示图像,因为大部分图像能量集中在一组小的系数中。gYdF4y2Ba

存在着大量的小波族,在各种各样的应用中寻找一个能有效地表示感兴趣的信号的小波。小波函数的选择取决于应用。通常,研究人员可以自由选择小波,而无需一个合理的理由或解释。作为一般规则,如果视觉验证对于手头的研究目的是令人满意的,那么大多数小波表现良好[gYdF4y2Ba28gYdF4y2Ba].gYdF4y2Ba

Daubechies小波是一组正交小波,其特征是给定支持的最大消失矩数。Daubechies小波对纹理分类的成功有很大的影响,因为滤波器对描述子的质量有积极的影响[gYdF4y2Ba29gYdF4y2Ba]因此,本文选择了著名的Daubechies db1、db2和db4小波变换。但是,也可以使用其他正交小波族。gYdF4y2Ba

通过使用低通滤波器(缩放函数)卷积CT扫描的列和行来获得转换gYdF4y2BaΦgYdF4y2Ba小波函数)和高通滤波器(小波函数gYdF4y2BaΨgYdF4y2Ba小波的妈妈)。gYdF4y2Ba

允许gYdF4y2BaWgYdF4y2Ba和gYdF4y2BaW−1gYdF4y2Ba分别表示db1、db2或db4正交DWT矩阵及其逆矩阵。然后gYdF4y2BaXgYdF4y2Ba=gYdF4y2Ba的天气gYdF4y2Ba表示包含4个子频带的小波系数矩阵(gYdF4y2Ba噢gYdF4y2Ba1gYdF4y2Ba,gYdF4y2Ba韩gYdF4y2Ba1gYdF4y2Ba,gYdF4y2Ba霍奇金淋巴瘤gYdF4y2Ba1gYdF4y2Ba和gYdF4y2BaHHgYdF4y2Ba1gYdF4y2Ba),gYdF4y2BalgYdF4y2Ba意味着低和gYdF4y2BaHgYdF4y2Ba意味着高。gYdF4y2Ba噢gYdF4y2Ba1gYdF4y2Ba包含图像的最低频率系数或平滑信息和背景强度。此外gYdF4y2Ba韩gYdF4y2Ba1gYdF4y2Ba,gYdF4y2Ba霍奇金淋巴瘤gYdF4y2Ba1gYdF4y2Ba和gYdF4y2BaHHgYdF4y2Ba1gYdF4y2Ba分别包含垂直、水平和对角线的详细信息。DWT可以递归地应用于结果gYdF4y2Ba噢gYdF4y2Ba可进一步分解的子带gYdF4y2BakgYdF4y2Ba频率子带的级别。对于此工作gYdF4y2Bak = 1gYdF4y2Ba和gYdF4y2Bak = 2gYdF4y2Ba,如图?所示gYdF4y2Ba4gYdF4y2Ba.gYdF4y2Ba

图4gYdF4y2Ba
装具gYdF4y2Ba

采用Daubechies db4小波变换将原始CT图像变换为小波域:a)单层分解的CT图像;b)双层分解的CT图像。gYdF4y2Ba注意粗子带捕获了与肺结节相关的信息。每个子带的数据定义一个候选结节,并用于特征提取阶段。gYdF4y2Ba

从图中可以看出gYdF4y2Ba4gYdF4y2Ba的gYdF4y2Ba韩gYdF4y2Ba,gYdF4y2Ba霍奇金淋巴瘤gYdF4y2Ba和gYdF4y2BaHHgYdF4y2Ba子带包含关于肺结节候选者的信息。此外,使用DWT变换可以避免区分真实结节与其他肺实质损伤或不同器官和组织的主要困难。gYdF4y2Ba

特征提取gYdF4y2Ba

在医学成像中,纹理可以提供大量信息来描述CT扫描中包含的对象。纹理在人工视觉实现中起着重要作用。例如,在表面和方向控制、场景分类和对象形状确定中。纹理的特征是灰度的空间分布因此,纹理不能由一个点来定义。观察图像的分辨率决定了感知纹理的尺度。gYdF4y2Ba

CT图像中的纹理可以提供被检查器官健康状况的重要信息来源。病变组织通常比健康组织具有更粗糙或混沌的结构,可用于自动化诊断支持系统的定量表征[gYdF4y2Ba30gYdF4y2Ba]。提取纹理度量的质量对于正确分类非常重要,特别是当两个不同组织之间的差异变得很小时。从医学角度来看,观察到肺结节边缘的纹理对于区分恶性结节和良性结节至关重要[gYdF4y2Ba31gYdF4y2Ba].gYdF4y2Ba

灰度共生矩阵(GLCM)已在若干工作中使用[gYdF4y2Ba15gYdF4y2Ba,gYdF4y2Ba32gYdF4y2Ba,gYdF4y2Ba33gYdF4y2Ba]提取肺结节的纹理信息。GLCM是生物成像中应用最广泛的纹理分析方法,因为它能够捕获图像中灰度值的空间依赖性。此外,在对结节进行分类时,放射科医生通常考虑的特征与Haralick纹理特征非常相似[gYdF4y2Ba17gYdF4y2Ba,由GLCM得到,并以公式表示gYdF4y2Ba1gYdF4y2Ba,gYdF4y2Ba2gYdF4y2Ba,gYdF4y2Ba3.gYdF4y2Ba,gYdF4y2Ba4gYdF4y2Ba,gYdF4y2Ba5gYdF4y2Ba,gYdF4y2Ba6gYdF4y2Ba,gYdF4y2Ba7gYdF4y2Ba,gYdF4y2Ba8gYdF4y2Ba,gYdF4y2Ba9gYdF4y2Ba,gYdF4y2Ba10gYdF4y2Ba,gYdF4y2Ba11gYdF4y2Ba.gYdF4y2Ba

多分辨率分析可以在不同尺度上获得候选结节的信息,然后完全从多尺度表示的统计纹理特性中对结节进行表征。在此阶段,从ord中每个小波子带的GLCM中提取二阶统计纹理特征GLCM是一种增强细节和频率的有用方法,用于辅助定义图像,是图像内部出现的像素(灰度)亮度值的不同组合的频率列表[gYdF4y2Ba33gYdF4y2Ba].GLCM表示位于位移矢量相同距离和方向的一组像素的频率。gYdF4y2Ba

对每个子频带计算DWT(4为)后得到的gYdF4y2Bak = 1gYdF4y2Ba和7gYdF4y2Bak = 2gYdF4y2Ba)中定义的一组19个纹理特征。gYdF4y2Ba13gYdF4y2Ba,分别在GLCM的0°、45°、90°和135°四个不同角度进行提取。对每个GLCM使用8个灰度值的量化。gYdF4y2Ba

计算特征为:自相关(gYdF4y2BaAutcgYdF4y2Ba,Eq。gYdF4y2Ba1gYdF4y2Ba),熵(gYdF4y2Ba耳鼻喉科gYdF4y2Ba,Eq。gYdF4y2Ba2gYdF4y2Ba),求和平均(gYdF4y2Ba干腊肠gYdF4y2Ba),和方差(gYdF4y2BaSvargYdF4y2Ba,Eq。gYdF4y2Ba3.gYdF4y2Ba),和熵(gYdF4y2Ba发送gYdF4y2Ba,Eq。gYdF4y2Ba4gYdF4y2Ba),差异方差(gYdF4y2BaDiffvgYdF4y2Ba,Eq。gYdF4y2Ba5gYdF4y2Ba)、差熵(gYdF4y2Ba完全不同gYdF4y2Ba)、相关信息测量2 (gYdF4y2BaImc2gYdF4y2Ba,Eq。gYdF4y2Ba6gYdF4y2Ba),对比(gYdF4y2Ba续gYdF4y2Ba,Eq。gYdF4y2Ba7gYdF4y2Ba),不同(gYdF4y2Ba不公正地批评gYdF4y2Ba,方程gYdF4y2Ba8gYdF4y2Ba)、能源(gYdF4y2Ba释放埃拉gYdF4y2Ba,Eq。gYdF4y2Ba9gYdF4y2Ba)星团日珥(gYdF4y2BaClprgYdF4y2Ba,Eq。gYdF4y2Ba10gYdF4y2Ba)、簇荫蔽(gYdF4y2BaClshgYdF4y2Ba,Eq。gYdF4y2Ba11gYdF4y2Ba)、方差(gYdF4y2BaVargYdF4y2Ba),反差分矩(gYdF4y2BaIdmgYdF4y2Ba)、相关信息测量1 (gYdF4y2BaImc1gYdF4y2Ba)、相关(gYdF4y2Ba相关系数gYdF4y2Ba)、同质性(gYdF4y2Ba人类gYdF4y2Ba)和最大概率(gYdF4y2Ba国会议员gYdF4y2Ba).需要注意的是,下面只描述用子带和属性选择小节中解释的方法选择的特征方程。gYdF4y2Ba

$ $ Autc = \压裂{{\ displaystyle{\总和}_i} {\ displaystyle{\总和}_j} \离开(i, j \右)p \离开(i, j \右)-{\μ}值{\μ}_y吗}{\ sigma_x{\σ}_y吗}$ $gYdF4y2Ba
(1)gYdF4y2Ba
$$Ent=-{\displaystyle{\sum}\u i{\displaystyle{\sum}\u jp\left(i,j\right)\log\left(p\left(i,j\right)\right)}$$gYdF4y2Ba
(2)gYdF4y2Ba
$$Svar={\displaystyle{\sum}{i=2}{2{N}{g}{\left(i-Saver\right)}^2{p}{x+y}(i)}$$gYdF4y2Ba
(3)gYdF4y2Ba
发送$ $ = {\ displaystyle{\总和}_{我= 2}^ {2 {N} _g} {p} _ {x + y}(我)\ log \左({p} _ {x + y}(我)\右)}$ $gYdF4y2Ba
(4)gYdF4y2Ba
$ $ Diffv = - {\ displaystyle{\总和}_ {i = 0} ^ {N_g-1}{\离开(i -{\μ}_ {x - y} \右)}^ 2 p {} _ {x - y} (i)} $ $gYdF4y2Ba
(5)gYdF4y2Ba
$$Imc2={\left(1-exp\left[-2.0(HXY2)-Ent\right]\right)}{\frac{1}{2}}$$gYdF4y2Ba
(6)gYdF4y2Ba
$$Cont={\displaystyle{\sum}{i,j=0}{N-1}{p}{i,j}{\left(i-j\right)}^2}$$gYdF4y2Ba
(7)gYdF4y2Ba
$ $迪斯= {\ displaystyle{\总和}_ {i, j = 0} ^ {n} {p} _ {i, j} \左| i j \右|}$ $gYdF4y2Ba
(8)gYdF4y2Ba
$ $释放埃拉= \√6 {{\ displaystyle{\总和}_ {i, j = 0} ^ {n} p{\离开(i, j \右)}^ 2}}$ $gYdF4y2Ba
(9)gYdF4y2Ba
$$Clpr={\displaystyle{\sum}{i.j}{\left(i+j-{\mu}{\ux-{\mu}{\uy\right)}^4p\left[i,j\right]}$$gYdF4y2Ba
(10)gYdF4y2Ba
$ $ Clsh = {\ displaystyle{\总和}_ {i, j}{\离开(i + j -{\μ}值{\μ}_y吗\右)}^ 3 p \离开(i, j \右)}$ $gYdF4y2Ba
(11)gYdF4y2Ba

哪里gYdF4y2BaPgYdF4y2Ba我,我gYdF4y2Ba是标准化的GLCM,gYdF4y2BaNgYdF4y2BaggYdF4y2Ba为图像的行数或列数,gYdF4y2BaσgYdF4y2BaxgYdF4y2Ba和gYdF4y2BaσgYdF4y2BaYgYdF4y2Ba是行的标准差吗gYdF4y2BaxgYdF4y2Ba和列gYdF4y2BaYgYdF4y2Ba,gYdF4y2BaμgYdF4y2BaxgYdF4y2Ba和gYdF4y2BaμgYdF4y2BaYgYdF4y2Ba是行的均值吗gYdF4y2BaxgYdF4y2Ba和列gYdF4y2BaYgYdF4y2Ba分别地gYdF4y2Ba

对于一个分解层次上的每个子频带,计算一组19个特征,共获得76个特征(每个子频带19个)gYdF4y2Ba噢gYdF4y2Ba,gYdF4y2Ba霍奇金淋巴瘤gYdF4y2Ba,gYdF4y2Ba韩gYdF4y2Ba和gYdF4y2BaHHgYdF4y2Ba).对GLCM的每个角度重复该过程,共获得304个特征(0°、45°、90°和135°每个角度76个特征)。最后,对每个Daubechies过滤器重复该过程,总共获得912个特性(每个Daubechies过滤器db1、db2和db4有304个特性)。gYdF4y2Ba

对于两个分解层次的小波的每个子带,计算一组19个特征,共得到133个特征(每个子带19个)gYdF4y2Ba噢gYdF4y2Ba2gYdF4y2Ba,gYdF4y2Ba霍奇金淋巴瘤gYdF4y2Ba2gYdF4y2Ba,gYdF4y2Ba韩gYdF4y2Ba2gYdF4y2Ba,gYdF4y2BaHHgYdF4y2Ba2gYdF4y2Ba,gYdF4y2Ba霍奇金淋巴瘤gYdF4y2Ba1gYdF4y2Ba,gYdF4y2Ba韩gYdF4y2Ba1gYdF4y2Ba和gYdF4y2BaHHgYdF4y2Ba1gYdF4y2Ba)。对GLCM的每个角度重复该过程,共获得532个特征(四个角度各133个)。最后,计算每个Daubechies滤波器的过程,获得1596个特征(每个Daubechies滤波器532个)。gYdF4y2Ba

在桌子上gYdF4y2Ba2gYdF4y2Ba,给出了带有和不带有肺结节的CT图像纹理特征的个体值。此外,还给出了图像旋转90°时得到的值。观察这些值不会随着旋转过程而改变,因为提取的特征是旋转不变的。与旋转过程相关的唯一差异,对应于GLCM计算时的角度。gYdF4y2Ba

表2gYdF4y2Ba从CT图像中提取的每个特征的数值gYdF4y2Ba

属性和子带选择gYdF4y2Ba

特征或属性选择可以说是模式识别系统设计周期中最关键的步骤之一,因为它允许在特征向量中自动搜索属性的最佳子集。为了设计一个有效的分类系统,重要的是要选择最有效的特征,以捕捉所描述的两类(癌性结节和无结节)之间的显著差异。为了降低分类过程中过拟合的可能性,有必要对特征向量进行降维[gYdF4y2Ba34gYdF4y2Ba].此外,这个阶段可以减少训练时间,因为数据越少,算法训练越快。gYdF4y2Ba

在对所有19个统计纹理特征进行计算后,分析每个特征在每个小波子带中的相关性。目标是减少特性集,该任务使用Waikato Environment for Knowledge Analysis (WEKA)软件完成。Weka包含一组用于数据分析和预测建模的可视化工具和算法。特别是在这个阶段,使用了WEKA的选择属性面板。gYdF4y2Ba

在WEKA中,评估属性子集的方法称为属性评估器。本文选取的方法为gYdF4y2BaCfsSubsetEvalgYdF4y2Ba它表示与类值相关度高而彼此相关度低的子集。利用最优优先、遗传和贪婪逐步搜索方法,定义了基于子集评价的可能属性子集搜索空间导航的结构化方法。gYdF4y2Ba

使用这三种算法进行的分析得出了关于每个特征重要性的排名列表。之后,进行分析,以检测每个算法中最重复的重要特征。分析结果建议将特征向量从19个属性减少到11个属性,如等式所示sgYdF4y2Ba1gYdF4y2Ba,gYdF4y2Ba2gYdF4y2Ba,gYdF4y2Ba3.gYdF4y2Ba,gYdF4y2Ba4gYdF4y2Ba,gYdF4y2Ba5gYdF4y2Ba,gYdF4y2Ba6gYdF4y2Ba,gYdF4y2Ba7gYdF4y2Ba,gYdF4y2Ba8gYdF4y2Ba,gYdF4y2Ba9gYdF4y2Ba,gYdF4y2Ba10gYdF4y2Ba,gYdF4y2Ba11gYdF4y2Ba.gYdF4y2Ba

在属性选择阶段之后,将对两个小波分解级别中的每个级别执行子带选择,以减少更多的计算时间。如特征提取部分所述,将使用四个不同角度和小波滤波器为每个子带计算特征向量。然而,即使特征向量tor从19个特征减少到11个特征,每个小波子带可以计算很多特征。gYdF4y2Ba

子带选择的目标是检测出能够更好地压缩和表示CT中包含的信息的子带。对于每个小波子带,属性选择阶段允许全局检测最重要的特征,而子带选择阶段则进行局部分析。gYdF4y2Ba

使用与属性选择阶段使用的参数相同的WEKA软件进行子带选择。表中显示了小波第一级和第二级分解的结果以及使用分类器获得的结果gYdF4y2Ba3.gYdF4y2Ba和gYdF4y2Ba4gYdF4y2Ba分别地gYdF4y2Ba

表3gYdF4y2Ba小波第一分解层结节分类结果gYdF4y2Ba
表4gYdF4y2Ba小波二阶分解下结节分类结果gYdF4y2Ba

分类gYdF4y2Ba

模式分类被定义为对称为类的给定类别中的任何对象进行分类的任务。本文使用支持向量机(SVM)进行分类。支持向量机是Vapnik为了解决分类问题而开发的。目前版本的支持向量机回归是由AT&T实验室的Cortes和Vapnik于1995年开发的[gYdF4y2Ba35gYdF4y2Ba].支持向量机的理论特征通常定义为两个不同类别的分类问题。gYdF4y2Ba

综上所述,为了训练支持向量机,从得到的11个特征向量中选取两种不同的特征进行组合测试。为了获得最优的两个显著特征,对每个尺度和滤波器的11个特征进行了穷举组合测试。采用具有合并方差的两样本t检验绝对值的独立评价标准对特征进行排序进行选择。gYdF4y2Ba

将特征集与两个特征组合使用,以增强关系大小/维数,减少测量、存储和计算成本,避免维数诅咒。维数的诅咒解释了通过添加新特性来增加问题的维数实际上会降低分类器的性能[gYdF4y2Ba36gYdF4y2Ba].[的工作gYdF4y2Ba37gYdF4y2Ba指出从许多弱的信息特征中找到模式要比从少数强的信息特征中找到模式困难得多。另一方面,一些作者提出了如何获得理想的特征集大小,以获得最佳性能的分类器。例如,对于维数为10的特征集,为了进行分类,需要842,000个样本。许多现实的研究设计通常会估计大量的次优模式,可能有低概率的统计显著验证结果。此外,在一些作品中,仅使用两个特征就获得了良好的分类率[gYdF4y2Ba36gYdF4y2Ba,gYdF4y2Ba38gYdF4y2Ba].gYdF4y2Ba

此外,在这一阶段,纹理特征对被绘制,以测试是否可以使用线性支持向量机进行肺结节分类。由于一般情况下,感兴趣的特征不能线性可分,我们决定使用核函数代替拟合非线性函数。所使用的核是Eq中定义的径向基函数(RBF)。gYdF4y2Ba12gYdF4y2Ba.gYdF4y2Ba

$ $ K \离开({x} ^ t x \右)左= C \ cdot exp \[\压裂{-{\左\绿色{x} ^正确时距\ \绿色}^ 2}{\σ^ 2}\右]$ $gYdF4y2Ba
(12)gYdF4y2Ba

哪里gYdF4y2BaxtgYdF4y2Ba是中心,,gYdF4y2BaxgYdF4y2Ba为输入特征,gYdF4y2BaσgYdF4y2Ba平滑的高斯因此减少了方差(一个通常由用户给出的参数)和gYdF4y2BaCgYdF4y2Ba被定义为一个惩罚因子,允许控制系统的过度学习。在这个阶段,选择一个合适的惩罚因子值是至关重要的。如果因子太大,则不可分点的惩罚会很大,那么就需要存储很多支持向量,算法就会过拟合。另一方面,如果值太小,则得到欠拟合[gYdF4y2Ba35gYdF4y2Ba].gYdF4y2Ba

利用Matlab的SPIDER工具箱进行了数值的精确计算gYdF4y2BaσgYdF4y2Ba.工具箱是Matlab中用于机器学习的面向对象环境。采用WEKA软件计算质心,采用k-means聚类算法,根据每个特征的平均值对数据进行分组。gYdF4y2Ba

将45次CT扫描的均衡数据集随机分为训练集和测试集,验证分类器的有效性。为了训练SVM-RBF,我们使用了61张CT图像,36张有癌性肺结节的CT图像(yes)和25张无肺结节的CT图像(no)。在图gYdF4y2Ba5gYdF4y2Ba显示了每个小波分解级别的向量图。该图显示了两种不同的特征组合。图gYdF4y2Ba5gYdF4y2Baa对应于第一个分解级别和图gYdF4y2Ba5gYdF4y2BaB对应于第二级分解。gYdF4y2Ba

图5gYdF4y2Ba
figure5gYdF4y2Ba

支持向量机的向量有:a)聚类显著性和聚类阴影特征;b)聚类阴影和能量特征。gYdF4y2Ba应该注意的是,集合中的特征是不相交的。其次,RBF是一个合适的核函数,为对应的支持向量机创建分离超平面。gYdF4y2Ba

对于所有的CT扫描,计算两种不同的统计纹理特征,得到支持向量、最优超平面、惩罚因子和相应的质心。使用这些数据进行SVM-RBF训练步骤。在图gYdF4y2Ba6gYdF4y2Ba图与训练支持向量的聚类阴影和能量特征显示。CT扫描分为两组:1)有肺结节(交叉符号)和2)无肺结节(圆形符号),根据输出结果确定分类阶段。gYdF4y2Ba

图6gYdF4y2Ba
figure6gYdF4y2Ba

训练向量图:簇显著性和簇阴影特征。gYdF4y2Ba图中显示了类分离、超平面及其对应的支持向量。绿点为图像中无肺结节数据,红点为图像中有肺结节数据。gYdF4y2Ba

结果与讨论gYdF4y2Ba

放射学专业技术人员Antonio Estrada Barrientos评估并对比了该系统在CT扫描中对真实的癌性肺结节的分类能力。Antonio Estrada Barrientos在墨西哥华雷斯市的“高级成像中心”工作了几年。gYdF4y2Ba

CADx系统使用SVM-RBF进行训练,共使用61幅图像,36幅有癌性肺结节,25幅无肺结节。此外,该系统在不同于培训阶段使用的临床数据集上进行了测试和验证,45次胸部CT扫描(每次扫描至少包含200张图像,涉及9000多个CT切片),其中包含23次肺结节CT扫描和22次无结节CT扫描。gYdF4y2Ba

四种可能的结果被用来比较:假阳性(FP),表明实际上没有疾病,假阴性(FN),表明实际上没有疾病,真阳性(TP),表明真的有疾病,真阴性(TN),表明没有疾病。这四种可能性可以用2 × 2列联表进行总结,以比较和分析所提出算法得到的结果与放射科医生得到的结果。在桌子上gYdF4y2Ba5gYdF4y2Ba并给出了列联矩阵。表gYdF4y2Ba5gYdF4y2Ba对应于一个分解层次和90°GLCM的Daubechies db1小波变换列联表的计算。偶合矩阵得到2个假阴性(FN)和6个假阳性(FP)。gYdF4y2Ba

表5gYdF4y2Ba从CADx系统获得了db1 LH子带和90°GLCM的列联表gYdF4y2Ba

为了获得支持向量机如何准确地区分不同结果的受试者(即,CT图像有癌性结节或无结节),我们计算了受试者工作特征(ROC)曲线。ROC曲线是一个流行的和强有力的工具来评估二元结果的歧视。通过绘制不同阈值设置下的真实阳性率与假阳性率的对比曲线来创建曲线[gYdF4y2Ba39gYdF4y2Ba].使用表中的信息得到的支持向量机的ROC曲线gYdF4y2Ba5gYdF4y2Ba如图所示gYdF4y2Ba7gYdF4y2Ba.gYdF4y2Ba

图7gYdF4y2Ba
figure7gYdF4y2Ba

SVM模型的ROC曲线。gYdF4y2Ba使用表中所示的信息,使用perfcurve matlab函数构建曲线图gYdF4y2Ba5gYdF4y2Ba。获得的AUC值为0.805。gYdF4y2Ba

计算ROC曲线后,得到曲线下面积(AUC)。AUC表示支持向量机的区分能力,当完全区分能力为1.0时,当完全区分能力为0.5时表示没有区分能力[gYdF4y2Ba40gYdF4y2Ba]。获得的AUC值为0.805。gYdF4y2Ba

在图gYdF4y2Ba8gYdF4y2Ba给出了两个不同测试的结果,其中8a对应小波的第一分解层,8b对应小波的第二分解层。使用的参数为gYdF4y2BaC = {1,1egYdF4y2Ba1gYdF4y2Ba1 egYdF4y2Ba2gYdF4y2Ba1 egYdF4y2Ba3.gYdF4y2Ba1 egYdF4y2Ba4gYdF4y2Ba}gYdF4y2Ba和gYdF4y2BaσgYdF4y2Ba=gYdF4y2Ba{gYdF4y2Ba4gYdF4y2Ba,gYdF4y2Ba32gYdF4y2Ba}gYdF4y2Ba.gYdF4y2Ba

图8gYdF4y2Ba
figure8gYdF4y2Ba

SVM分类结果图:a)聚类显著性和聚类阴影特征,b)聚类阴影和能量特征。gYdF4y2Ba该图显示了分类阶段使用一对特征获得的结果。使用45张CT图像对创建的支持向量机进行测试,可以直观地观察正确和错误的数据分类。gYdF4y2Ba

理想情况下,诊断试验应具有尽可能接近100%的敏感性和特异性。试验的特异性由Eq。gYdF4y2Ba13gYdF4y2Ba,表示在个人没有患病的情况下获得阴性结果的概率。灵敏度由Eq。gYdF4y2Ba14gYdF4y2Ba,诊断测试的概率是个体患病时获得阳性结果的概率。精度,用公式计算。gYdF4y2Ba15gYdF4y2Ba,为从所进行的所有测试中获得的有效结果的比例。gYdF4y2Ba

$ $ =敏感性\压裂{TP} {TP + FN} $ $gYdF4y2Ba
(13)gYdF4y2Ba
$ $特异性= \压裂{TN} {TN + FP} $ $gYdF4y2Ba
(14)gYdF4y2Ba
$ $严谨= \压裂{TP + TN} {TP + FP + TN + FN} $ $gYdF4y2Ba
(15)gYdF4y2Ba

在桌子上gYdF4y2Ba3.gYdF4y2Ba和gYdF4y2Ba4gYdF4y2Ba给出了用四种不同的小波变换角度对第一和第二小波分解层进行的所有测试的结果。第一列表示所使用的小波,第二列表示GLCM的角度,第三列表示所选择的子带;第四列是属性选择阶段后选择的特征对。最后,第5列、第6列和第7列分别表示特异性、敏感性和准确性。获得的最佳值用粗体突出显示。gYdF4y2Ba

对于表中所示的列联矩阵gYdF4y2Ba5gYdF4y2Ba最好的子乐队是gYdF4y2Ba韩gYdF4y2Ba较好的纹理特征组合gYdF4y2BaClprgYdF4y2Ba(Eq。gYdF4y2Ba10gYdF4y2Ba),gYdF4y2BaClshgYdF4y2Ba(Eq。gYdF4y2Ba11gYdF4y2Ba).特异性为73.91%,敏感性为90.90%,准确性为82.22%。gYdF4y2Ba

在测试分类器阶段,对45张CT扫描的所有图像(超过9000张)进行分析。对每次扫描的所有图像进行测试后进行分类。例如,创建了一个大小等于CT扫描图像总数的数组。即使图像中出现了一个或多个结节,阵列对应的位置也被标记为癌变。通过以上计算,ELCAP的结节数为16,LIDC的结节数为7。同样的情况也发生在22张非癌症的图像上,在测试了所有的图像后只做了一次计数。gYdF4y2Ba

结核直径从2毫米到30毫米不等。误差的主要百分比来自较小的结节。在ELCAP病例中,16个结节均能被正确检测到。用LIDC数据集正确检测出5或6个结节。错误数据总是用LIDC数据集获得的,对应的值可以在表中验证gYdF4y2Ba5gYdF4y2Ba.gYdF4y2Ba

实验阶段获得的结果证明了该系统对肺结节进行分类的能力。如表所示gYdF4y2Ba1gYdF4y2Ba通过与文献中其他方法的比较,本文提出的方法是具有竞争性的,考虑到关于敏感性的信息共享,即使TP, TN, FP和FN的信息并不总是在其他工作中出现,因此,很难对所有的作品进行一个完整的真实比较。gYdF4y2Ba

结论gYdF4y2Ba

本文提出了一种利用Daubechies db1、db2和db4小波变换的GLCM和以径向基为分类器的支持向量机计算特征的肺结节CADx分类系统。本文的新颖之处在于消除了典型的结构分割阶段,这是因为利用小波变换对候选肺结节进行检测。该系统的另一个新颖之处是使用小波特征来描述肺结节,唯一执行的预处理阶段是提取ROI。gYdF4y2Ba

得到的结果是良好的,纹理特征提取和SVM-RBF作为分类器可以表明CT扫描是否有肺结节或音符。以90°或135°为角度的单级和双级GLCM得到了较好的结果。gYdF4y2Ba

放射学专业技术人员Antonio Estrada Barrientos验证了该系统在CT扫描中对肺结节进行分类的能力和确定性。该方法使用61张CT图像(36张有肺结节的CT图像和25张无肺结节的CT图像)进行训练,并在临床数据集上进行验证,与训练阶段使用的不同,45份胸部CT检查文件(约9000张CT片),其中23份有肺结节的CT检查文件,22份无结节的CT检查文件。gYdF4y2Ba

结果表明,该方法可以成功地对直径2 ~ 30 mm的结节进行分类。在测试阶段,有时算法在一些文件中标记了一个结节,放射科医生没有看到任何东西,所以有可能真的有肺结节。从ELCAP数据库获取的文件中,结节的分类率为100%,检测出直径小于4mm的肺结节,而从LIDC数据库获取的图像中,这一比例约为81%。正如材料和方法部分所述,ELCAP的所有CT扫描都包含肺结节,LIDC的扫描都包含疾病,但并不是所有的结节都呈现出来。该方法与文献中其他著作相比具有竞争性。gYdF4y2Ba

未来,将使用不同的分类器(如神经网络、随机森林或决策树)以及其他变换(如Contourlet、edgelets和bandelets)对所提出的方法进行测试。此外,使用良性结节的CT扫描对系统进行培训和测试也很重要。gYdF4y2Ba

缩写gYdF4y2Ba

AUC:gYdF4y2Ba

曲线下的面积gYdF4y2Ba

安:gYdF4y2Ba

人工神经网络gYdF4y2Ba

计算机辅助设计:gYdF4y2Ba

计算机辅助检测gYdF4y2Ba

CADx:gYdF4y2Ba

计算机辅助诊断gYdF4y2Ba

计算机断层扫描:gYdF4y2Ba

计算机断层扫描gYdF4y2Ba

日本:gYdF4y2Ba

医学中的数字成像与通信gYdF4y2Ba

载重吨:gYdF4y2Ba

离散小波变换gYdF4y2Ba

FP:gYdF4y2Ba

假阳性gYdF4y2Ba

FN:gYdF4y2Ba

假阴性gYdF4y2Ba

GLCM:gYdF4y2Ba

灰度共生矩阵gYdF4y2Ba

LR:gYdF4y2Ba

逻辑回归gYdF4y2Ba

LIDC:gYdF4y2Ba

肺图像数据库联盟gYdF4y2Ba

答案:gYdF4y2Ba

国家生物医学影像档案馆gYdF4y2Ba

NLST:gYdF4y2Ba

全国肺筛查试验gYdF4y2Ba

RBF:gYdF4y2Ba

径向基函数gYdF4y2Ba

中华民国:gYdF4y2Ba

接收机工作特性gYdF4y2Ba

投资回报:gYdF4y2Ba

感兴趣的区域gYdF4y2Ba

支持向量机:gYdF4y2Ba

支持向量机gYdF4y2Ba

TN:gYdF4y2Ba

真正的负gYdF4y2Ba

TP:gYdF4y2Ba

真阳性gYdF4y2Ba

WEKA:gYdF4y2Ba

怀卡托知识分析环境gYdF4y2Ba

参考文献gYdF4y2Ba

  1. 1.gYdF4y2Ba

    Iranifam M.化学发光方法在癌症检测和治疗中的分析应用。Trac–趋势分析化学。2014;59:156–83。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  2. 2.gYdF4y2Ba

    马建军,邹志明,王志强,2014。中华癌症杂志。2014;64:9-29。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  3. 3.gYdF4y2Ba

    Levin D, Parker L, Halpern E, Rao V.胸部联合CT扫描是否被过度使用?J Am Coll Radiol. 2014; 11:788-90。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  4. 4.gYdF4y2Ba

    Rasmussen J,Siersma V,Pedersen J,Heleno B,Saghir Z,Brodersen J.丹麦随机对照肺癌CT筛查试验中的医疗费用:一项登记研究.肺癌.2014;83:347–55。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  5. 5.gYdF4y2Ba

    Diciotti S, Lombardo S, Falchini M, Picozzi G, Mascalchi M.基于局部形状分析的CT扫描肺小结节自动分割。IEEE T Bio-Med Eng. 2011; 58:3418-28。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  6. 6.gYdF4y2Ba

    基于水平集的胸部CT肺结节分割方法。IEEE T图像处理。2013;22:5202-13。gYdF4y2Ba

    文章gYdF4y2BaMathSciNetgYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  7. 7.gYdF4y2Ba

    基于三维形状特征描述子的肺结节自动检测。计算机Meth Prog Bio. 2014; 113:37-54。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  8. 8.gYdF4y2Ba

    Firmino M,Morais A,Mendoca R,Dantas M,Hekis H.计算机断层扫描中肺癌的计算机辅助检测系统:回顾和未来前景。生物医学工程在线。2014;13:1–16。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  9. 9.gYdF4y2Ba

    李强。肺结节薄层CT计算机辅助诊断的研究进展。计算机医学影像杂志。2007;31:48 - 57。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  10. 10gYdF4y2Ba

    Ambrosini V,Nicolini S,Caroli P,Nanni C,Massaro A,Marzola M等。不同类型肺癌的PET/CT成像:综述。欧洲放射杂志。2012;81:988–1001。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  11. 11gYdF4y2Ba

    计算机辅助诊断:如何从实验室转移到诊所。放射学。2011;261:719-32。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  12. 12gYdF4y2Ba

    Jing Z,Bin L,Lianfang T.结合基于规则和支持向量机的肺结节分类。载:李克主编,IEEE第五届国际仿生计算会议论文集:理论与应用:2010年9月23-26日;中国长沙。新泽西州皮斯卡塔韦:IEEE计算机学会;2010年。第1033-36页gYdF4y2Ba

  13. 13gYdF4y2Ba

    基于模糊系统的CT图像中肺结节的鲁棒和自动化诊断。见:Manikandan V编辑,Proceedings of IEEE International Conference on Process Automation, Control and Computing: 20-22 July 2011;印度哥印拜陀。新泽西州皮斯卡塔韦:IEEE女性工程;2011.1 - 6页。gYdF4y2Ba

  14. 14gYdF4y2Ba

    陈浩,张杰,徐勇,陈斌,张坤。人工神经网络和逻辑回归模型在CT扫描鉴别肺结节中的性能比较。专家系统应用。2012;39:11503–9。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  15. 15gYdF4y2Ba

    基于共现矩阵的肺容积CT图像中孤立结节的三维纹理分析。见:Sidky E编辑,SPIE医学成像会议论文集:2013年2月28日;布埃纳维斯塔湖,美国佛罗里达州。贝灵汉,佤邦:学报;2013.1 - 4页。gYdF4y2Ba

  16. 16gYdF4y2Ba

    基于SVM分类器和主动轮廓建模的肺结节分割与识别:一个完整的智能系统。计算机生物学医学2013;43:287-300。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  17. 17.gYdF4y2Ba

    李志强,李志强,李志强,等。使用特征选择和分类器集成的两步方法的计算机辅助诊断肺结节。Artif Intell Med. 2010; 50:43-53。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  18. 18.gYdF4y2Ba

    Anand, SKV。肺肿瘤预测的分割耦合纹理特征分类。见:Moses C编辑,IEEE通信控制与计算技术国际会议论文集:2010年10月7-9日;印度泰米尔纳德邦,。IEEE计算机协会;2010.518 - 24页。gYdF4y2Ba

  19. 19.gYdF4y2Ba

    Dmitriy Z,Feigenbaum J,Jacob F,Raicu D.基于信念决策树的概率性肺结节分类.载:梁Z编辑,第33届IEEE医学和生物学会工程国际年会论文集:2011年8月30日至9月3日;美国波士顿,IEEE;2011.第4493-98页。gYdF4y2Ba

  20. 20.gYdF4y2Ba

    张飞,宋勇,蔡伟,李敏,周勇,黄洪,等。基于多水平斑块背景分析的肺结节分类。IEEE T生物医学工程。2014;61:1155-66。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  21. 21.gYdF4y2Ba

    基于神经网络的肺癌CT图像分类。计算机Meth Prog Bio. 2014; 113:202-9。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  22. 22gYdF4y2Ba

    ELCAP公共肺图像数据库。[gYdF4y2Bahttp://www.via.cornell.edu/databases/lungdb.htmlgYdF4y2Ba]gYdF4y2Ba

  23. 23gYdF4y2Ba

    Armato S, McLennan G, Bidaut L, McNitt-Gray M, Meyer C.肺图像数据库联盟(LIDC)和图像数据库资源倡议(IDRI):一个完整的CT扫描肺结节参考数据库。医学。2011;38:915-31。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  24. 24gYdF4y2Ba

    Farag A,Graham J,Farag A.《随机小尺寸物体的可变形模型:CT断层扫描中的肺结节病例》。载:Ward R编辑,IEEE声学、语音和信号处理国际会议记录:2013年5月26-31日;加拿大。新泽西州皮斯卡塔韦:IEEE信号处理学会;2014年。第1090-93页。gYdF4y2Ba

  25. 25gYdF4y2Ba

    基于小剂量胸部CT图像的主动脉自动分割。Int J compput Ass Rad. 2014; 9:211-9。gYdF4y2Ba

    谷歌学术搜索gYdF4y2Ba

  26. 26gYdF4y2Ba

    基于离散小波表示的统计纹理特征。图像处理。1999;8:592-8。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  27. 27gYdF4y2Ba

    基于颜色、纹理、形状和小波的图像描述子。Neurocomput。2013;117:173 - 85。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  28. 28gYdF4y2Ba

    基于小波变换的车辆奇异性检测。Res C-Emer运输。2012; 25:18-33。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  29. 29.gYdF4y2Ba

    基于复合小波变换的多模态医学图像融合方法。通知融合。2014;19:49-60。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  30. 30.gYdF4y2Ba

    Al-Kadi O.传统和对比增强计算机断层扫描肺部肿瘤图像中纹理测量对噪声敏感性的评估。计算机医学图像。2010;34:494–503.gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  31. 31.gYdF4y2Ba

    基于支持向量机(svm)分类器的肺结节ct鉴别方法研究。J数字成像。2010;23:51-65。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  32. 32.gYdF4y2Ba

    王杰,吴华,孙T,李X,王伟,陶丽,等.基于曲线纹理特征和临床参数的孤立性肺结节预测模型.亚洲太平洋癌症杂志,2013;14:6019-23。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  33. 33.gYdF4y2Ba

    吴华,孙涛,王建军,李旭东,王伟,霍东,等。结合放射学和灰度共生基质结构特征在计算机断层扫描中区分孤立性肺结节。J数字成像。2013;26:797-802。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  34. 34gYdF4y2Ba

    孙涛,王军,李雪峰,吕鹏,刘飞,罗勇,等。基于多维数据集的支持向量机在肺癌计算机辅助诊断中的比较评价。计算机Meth Prog Bio. 2013; 111:519-24。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  35. 35gYdF4y2Ba

    Raghavendra S,Chandra P.支持向量机在水文学领域的应用:综述。应用软件计算机。2014;19:372–86.gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  36. 36gYdF4y2Ba

    基于支持向量机的作物分类方法。ISPRS J摄影。2013;85:102-19。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  37. 37gYdF4y2Ba

    高维分类研究中简单尺寸规划的模拟近似方法。生物统计学。2009;10:424-35。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  38. 38gYdF4y2Ba

    赵丽丽,李志强。基于特征子集的冠状动脉粥样硬化诊断方法。IEEE T Inf Technol B. 2006; 10:504-11。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  39. 39gYdF4y2Ba

    Gigliarano C, Figini S, Muliere P. ROC曲线相交时分类器性能比较。计算机统计数据An. 2014; 77:300-12。gYdF4y2Ba

    文章gYdF4y2BaMathSciNetgYdF4y2Ba谷歌学术搜索gYdF4y2Ba

  40. 40.gYdF4y2Ba

    Guvenir H,Kurtcephe M.通过最大化ROC曲线下的面积对实例进行排序。IEEE T Knowl Data En.2012;25:2356–66。gYdF4y2Ba

    文章gYdF4y2Ba谷歌学术搜索gYdF4y2Ba

下载参考gYdF4y2Ba

致谢gYdF4y2Ba

作者要感谢放射学专家Antonio Estrada Barrientos,感谢他在验证CADx系统获得的结果方面做出的有益贡献。gYdF4y2Ba

作者信息gYdF4y2Ba

从属关系gYdF4y2Ba

作者gYdF4y2Ba

相应的作者gYdF4y2Ba

对应到gYdF4y2BaOsslan Osiris Vergara VillegasgYdF4y2Ba.gYdF4y2Ba

额外的信息gYdF4y2Ba

相互竞争的利益gYdF4y2Ba

所有作者声明他们没有利益冲突,包括没有财务,个人或其他关系与其他人或组织。gYdF4y2Ba

作者的贡献gYdF4y2Ba

HMO和OOVV负责对算法进行编码。VGCS和HJOD获得所有数据并进行测试和验证。MJNA收集、组织和审查文献并监督所有过程。所有作者阅读并批准了最终手稿。gYdF4y2Ba

权利和权限gYdF4y2Ba

开放存取gYdF4y2Ba本文是基于知识共享署名4.0国际许可,允许使用、共享、适应、分布和繁殖在任何媒介或格式,只要你给予适当的信贷原始作者(年代)和来源,提供一个链接到创作共用许可证,并指出如果变化。gYdF4y2Ba

本文中的图像或其他第三方材料包含在文章的知识共享许可证中,除非该材料的信用额度中另有说明。如果该材料未包含在文章的知识共享许可证中,且您的预期用途未经法定法规许可或超出许可用途,您将需要直接获得版权持有人的许可。gYdF4y2Ba

如欲查阅本许可证副本,请浏览gYdF4y2Bahttps://creativecommons.org/licenses/by/4.0/gYdF4y2Ba.gYdF4y2Ba

创作共用及公共领域专用豁免书(gYdF4y2Bahttps://creativecommons.org/publicdomain/zero/1.0/gYdF4y2Ba)适用于本文提供的数据,除非在数据的信贷额度中另有说明。gYdF4y2Ba

再版和权限gYdF4y2Ba

关于这篇文章gYdF4y2Ba

通过CrossMark验证货币和真实性gYdF4y2Ba

引用这篇文章gYdF4y2Ba

马德罗·奥罗斯科,H.,维加拉·维勒加斯,O.O.,克鲁兹Sánchez, V.G.gYdF4y2Ba等gYdF4y2Ba基于小波特征描述子和支持向量机的肺结节自动分类系统。gYdF4y2Ba生物医学工程在线gYdF4y2Ba14,gYdF4y2Ba9 (2015). https://doi.org/10.1186/s12938-015-0003-ygYdF4y2Ba

下载引用gYdF4y2Ba

关键词gYdF4y2Ba

  • CADx系统gYdF4y2Ba
  • 肺结节gYdF4y2Ba
  • CT扫描gYdF4y2Ba
  • 小波的特性描述符gYdF4y2Ba
  • 灰度共生矩阵gYdF4y2Ba
  • 支持向量机gYdF4y2Ba
  • 纹理gYdF4y2Ba