基于Stacking算法的CT影像肺结节识别.pdf

摘 要 在全球癌症的疾病诊断中，目前肺癌的发病率和死亡率一直居于榜首。肺癌的检测 主要是通过计算机断层扫描技术（CT ）对肺部区域进行成像来判断是否有肺结节，进 而判断良恶性。但是海量的 CT 数据，人工阅片的传统方式以及经验不足等问题，导致 医生产生视觉疲劳，造成误诊漏诊现象出现。因此计算机辅助诊断技术（CAD ）的出 现，不仅帮助放射科医生有效地进行肺结节筛查，还提高了治疗水平，节省了经济成本 和临床成本。 传统的计算机辅助诊断技术在特征提取上主要以肺结节的单个切片做为研究对象， 损失了肺结节在空间分布上的部分特征信息，使肺结节图像识别的准确率偏低。针对肺 结节特征信息提取不全面问题，本文提出了一种基于体局部方向三值模式的肺结节图像 纹理特征提取方法。首先，将提取的肺结节切片按照顺序排列，采用 VLBP 模式进行局 部模式提取。其次，基于正态函数对肺结节图像信息的变化进行自我调节，形成自适应 阈值，并对局部模式进行三值计算。最后融合三维灰度共生矩阵的思想，对阈值调节后 形成的局部三值模式，以中心像素为中心进行各方向三值统计，并进行归一化形成 13×3 的肺结节纹理特征向量。该方法不仅可以对肺结节进行有效的特征提取，而且降 低了特征维度。 在肺结节图像辅助诊断过程中，单一分类器不能对非平衡数据以及肺结节特征向量 进行高效、准确分类，因此本文提出了基于 Stacking 评估模型的肺结节图像识别方法。 该方法将基分类器支持向量机、随机森林、极限学习机和元分类器 K-近邻分类组合进 行 Stacking 评估模型的融合和搭建，并对搭建的评估模型进行输入数据的特征分析、模 型的训练和测试、模型的参数设置和优化以及模型效果评估。 本文通过使用美国国家癌症研究所(NCI ，National Cancer Institute) 收集的肺图像数 据库（LIDC-IDRI ），进行体局部方向三值模式的参数优选实验、基分类器的相关性选择 实验以及肺结节图像辅助诊断模型的效果评估实验。实验结果表明，基于 Stacking 算法 的 CT 影像肺结节识别其准确率为 93.1%，敏感度 91.8%，特异度为 90.5%，Matthews 相关系数为 0.836 ，F1 评分为 0.919 ，该肺结节图像识别方法具有较高的分类性能，为 放射科医生提供一定的数据参考。 关键词 肺结节分类；肺实质分割；纹理特征提取；Stacking 算法 I - - Abstract In the diagnosis of global cancer, the incidence rate and mortality rate of lung cancer is the top priority. The detection of lung cancer is mainly through the computer tomography (CT) imaging of the lung region to determine whether there is a pulmonary nodule, and then to determine the benign and malignant. However, the problems that massive CT data, the traditional way of manual reading and the lack of experience lead to the doctors visual fatigue, resulting in misdiagnosis and missed diagnosis. Therefore, the emergence of compute