基于改进的半监督FCM聚类算法的肺结节分类与识别 .pdfVIP

基于改进的半监督FCM聚类算法的肺结节分类与识别

李秋萍;刘慧;苏志远

【摘要】对肺结节的分类识别是肺部肿瘤计算机辅助诊断系统的关键环节.为了提

高肺结节分类识别的准确率,针对肺结节的病变特征提取出一组以形状特征为主的

特征向量,同时基于LIDC数据库中医生提供的标记信息,提出一种改进的半监督

FCM聚类分析算法,利用部分标记样本的类别信息来指导聚类过程,使非标记样本更

准确的聚类.实验结果表明,本文方法能得到更高的分类准确率.

【期刊名称】《图学学报》

【年(卷),期】2015(036)002

【总页数】7页(P244-250)

【关键词】计算机辅助诊断;半监督FCM聚类;病变特征;标记信息

【作者】李秋萍;刘慧;苏志远

【作者单位】山东财经大学计算机科学与技术学院,山东济南250014;山东省数字

媒体技术重点实验室,山东济南250014;山东财经大学计算机科学与技术学院,山东

济南250014;山东省数字媒体技术重点实验室,山东济南250014;山东财经大学计

算机科学与技术学院,山东济南250014;山东省数字媒体技术重点实验室,山东济南

250014

【正文语种】中文

【中图分类】TP181

肺癌是当今世界上对人类健康与生命危害最大的恶性肿瘤之一。从全球范围来讲，

肺癌的发病率与死亡率都呈持续上升的趋势[1]。多数早期肺癌病人无自觉症状，

易忽视并拖延病情，而晚期的治愈率从40%降到5%甚至更低，因此对肺癌的及

早发现是降低肺癌死亡率的关键。对医生而言，从大量的CT图像中将肺结节甄别

出来是一项繁重的工作，并且存在主观性，容易造成误诊和漏诊，所以借助计算机

辅助诊断(computer-aideddiagnosis，CAD)技术[2-3]就变得尤为重要。为促进

肺癌CAD技术的发展，美国癌症研究协会(NationalCancerInstitute，NCI)建

立了一个肺部CT图像的数据库——肺影像数据库协会(lungimagingdatabase

consortium，LIDC)[4]。目前国外的CAD技术已相对成熟[5]，LungCare商业

CAD系统和ImageCheckerCTLN-1000商业CAD系统等已经投入临床使用[6]；

而国内CAD技术发展相对缓慢，一些学者仅是对真假结节进行识别[7]，并没有上

升到为诊断提供辅助参考的层面。

肺癌CAD系统主要的工作流程为：肺结节的分割、特征提取和分类判别，关键技

术涉及图像处理和机器学习领域。近年来，国内外学者针对图像分割已经提出如区

域增长方法、水平集方法等一些卓有成效的方法，利用现有的图像分割方法能很好

的将肺结节从肺部图像中识别分割出来。由于目前尚没有一套成熟的金标准来区分

判别结节，每位学者提取的肺结节特征不尽相同，本文通过对LIDC数据库中注释

文件的分析解读，根据肺结节的病变特征，提出了一组能全面表征肺结节的特征，

以实现系统工作流程的关键环节——分类识别。肺结节的分类判别是肺癌CAD系

统的关键环节，分类的准确率是判定CAD系统可用性的主要依据。目前国内学者

对肺结节的分类仅局限于对真假肺结节的分类识别，而肺结节又有良性和恶性之分，

仅区分真假结节的实际应用价值不大，本文将提取的结节分为3类：恶性结节、

良性结节和假阳性结节。肺结节的分类识别是一项相对专业的工作，仅通过提取一

组标量特征描述肺结节进行分类识别并不能得到满意的结果。传统的半监督FCM

聚类算法[8-9]通过引入标记信息，利用标记样本指导聚类的进程。而其只是通过

标记样本的准确聚类来间接指导非标记样本的聚类过程，不能帮助非标记样本更准

确的聚类。本文基于传统的半监督FCM聚类算法做出改进，在引入标记样本作为

监督信息来指导聚类进程的同时，也利用距离相近的标记样本隶属度计算出一个参

考隶属度，利用参考隶属度来指导非标记样本更准确的聚类。实验结果表明，本文

方法能得到更高分类准确率。

1.1肺结节的分割

肺结节的分割提取是CAD系统的第一个关键环节，分割的精度直接影响到后续工

作的准确度。现有的肺部CT图像分割算法，可以以较高的精度分割出肺结节。本

文引用Zheng等[10]的快速抗噪的FCM聚类分割方法(fastanti-noiseFCM，

FRFCM)来对LIDC数据库中的肺部CT图像的肺结节进行分割提取，提取结果如

图1