基于放射組學(xué)的肺ROI特征提取與選擇和結(jié)節(jié)的良惡性分類(lèi).pdf

1、眾所周知，癌癥是目前全球發(fā)病率和死亡率最高的疾病之一。通過(guò)活體檢查的方式對(duì)腫瘤的良惡性進(jìn)行診斷，不僅需要對(duì)患者做入侵手術(shù)，而且不利于醫(yī)生對(duì)腫瘤異質(zhì)性的觀察。放射組學(xué)通過(guò)對(duì)放射影像中獲取的可描述性特征的量化和分析，將腫瘤表型和療效評(píng)估對(duì)應(yīng)起來(lái)，為醫(yī)生對(duì)肺癌患者進(jìn)行臨床上的診斷提供了良好的依據(jù)。
　　近年來(lái)，深度學(xué)習(xí)方法被廣泛應(yīng)用于醫(yī)學(xué)圖像處理領(lǐng)域。利用原始放射影像進(jìn)行深度學(xué)習(xí)雖然可以獲得良好的識(shí)別效果，但由于其封閉的學(xué)習(xí)方式，無(wú)法得

2、知圖像特征與分類(lèi)結(jié)果間的關(guān)系，而采用傳統(tǒng)的淺層機(jī)器學(xué)習(xí)方法通常具有一定的局限性。本文主要主要研究工作如下：
　　(1)采用傳統(tǒng)的統(tǒng)計(jì)方法從肺部 CT圖像的感興趣區(qū)域中提取了幾何特征、紋理特征和直方圖特征，共143維特征向量作為原始特征集，用于結(jié)節(jié)的良惡性分類(lèi)。
　　(2)受基因組學(xué)在基因選擇中的啟發(fā)，在Relief特征選擇算法中引入遞歸特征排除策略，形成RFE-Relief特征選擇算法，克服了Relief算法中不能去除冗余特

3、征的缺點(diǎn)，最終得到包含有46維特征向量且與結(jié)節(jié)良惡性相關(guān)性強(qiáng)的低維特征子集。
　　(3)構(gòu)建了一個(gè)由三層受限玻爾茲曼機(jī)構(gòu)成的深度置信網(wǎng)絡(luò)模型，并在頂層加入Softmax分類(lèi)器，將由46維特征向量構(gòu)成的特征子集作為DBN的輸入，通過(guò)對(duì)RBM和Softmax的逐層訓(xùn)練和微調(diào)實(shí)現(xiàn)對(duì)結(jié)節(jié)的良惡性分類(lèi)。
　　實(shí)驗(yàn)結(jié)果表明，最終的分類(lèi)精確度為93.8％。通過(guò)特征選擇，不僅降低了算法的運(yùn)行時(shí)間和效率，還提高了分類(lèi)的精確度，可以輔助臨床醫(yī)生