CT三維最小類內(nèi)散度多分類支持向量機(jī)在肺結(jié)節(jié)識別中的應(yīng)用

范小波，董 瑩，王義云

(1.山東省萊蕪市人民醫(yī)院 271199；2.山東省萊蕪市牛泉中心衛(wèi)生院 271124)

?

·論 著·

CT三維最小類內(nèi)散度多分類支持向量機(jī)在肺結(jié)節(jié)識別中的應(yīng)用

范小波1，董 瑩1，王義云2

(1.山東省萊蕪市人民醫(yī)院 271199；2.山東省萊蕪市牛泉中心衛(wèi)生院 271124)

目的 分析CT三維最小類內(nèi)散度多分類支持向量機(jī)(MC-SVM)對肺結(jié)節(jié)的識別能力及優(yōu)點(diǎn)。方法 選擇2012年1月至2014年1月確診的肺結(jié)節(jié)病患者50例，根據(jù)基于三維矩陣模式的感興趣體(VOI)的構(gòu)成，分為結(jié)節(jié)樣和非結(jié)節(jié)樣；采用自動提取算法提取感興趣區(qū)(ROI)，分為結(jié)節(jié)ROI和非結(jié)節(jié)ROI；采用受試者工作特征(ROC)曲線比較大規(guī)模訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)(MTANN)、基于矩陣模式的模糊最小二乘SVM(matFLSSVM)、三維矩陣模式MC-SVM和三維最小類內(nèi)散度MC-SVM的識別精度，同時比較各種方法在不同截斷點(diǎn)時的真陽性率和假陽性率。結(jié)果 三維最小類內(nèi)散度MC-SVM的識別精度、真陽性率均高于其他算法，而假陽性率低于其他算法(P<0.05)。結(jié)論 三維最小類內(nèi)散度MC-SVM對肺結(jié)節(jié)的識別精度較高，值得臨床推廣應(yīng)用。

最小類內(nèi)散度； 多分類支持向量機(jī)； 三維矩陣； 肺內(nèi)結(jié)節(jié)

肺結(jié)節(jié)病屬于肉芽腫性疾病，極易侵犯肺、雙側(cè)肺門淋巴結(jié)及皮膚等多種組織、器官[1]。計算機(jī)輔助診斷(CAD)檢查可有效地輔助發(fā)現(xiàn)半徑過小或與周圍組織灰度對比度較低的肺結(jié)節(jié)[2]。支持向量機(jī)(SVM)是機(jī)器學(xué)習(xí)計算中的最新發(fā)現(xiàn)，主要應(yīng)用于行為識別及目標(biāo)檢測領(lǐng)域，可有效提高識別精度[3]。本研究以肺結(jié)節(jié)病患者為研究對象，分析了計算機(jī)斷層掃描(CT)三維最小類內(nèi)散度SVM對肺結(jié)節(jié)的識別能力及優(yōu)點(diǎn)?，F(xiàn)將研究結(jié)果報道如下。

1 資料與方法

1.1 一般資料 2012年1月至2014年1月于山東省萊蕪市人民醫(yī)院確診的肺結(jié)節(jié)病患者50例。根據(jù)基于三維矩陣模式的感興趣體(VOI)的構(gòu)成，將50例患者分為結(jié)節(jié)樣31例、非結(jié)節(jié)樣19例。結(jié)節(jié)樣患者包括孤立型8例，與血管粘連型10例，與胸膜粘連型6例，與肺門粘連型4例，磨玻璃影結(jié)節(jié)3例。非結(jié)節(jié)樣患者包括大型血管10例，中型血管6例，小型血管3例。所有患者均在CT檢查后，通過支氣管鏡、肺活檢或開胸活檢獲得病理學(xué)明確診斷。

1.2 方法

1.2.1 候選結(jié)節(jié)提取算法 采用圓點(diǎn)濾波器逐層對CT序列進(jìn)行濾波增強(qiáng)，提取孤立性結(jié)節(jié)和粘連型結(jié)節(jié)；采用滾球法逐層進(jìn)行修復(fù)，進(jìn)一步提取粘連型結(jié)節(jié)；在三維空間內(nèi)進(jìn)行26-連接，構(gòu)成候選結(jié)節(jié)的三維VOI[1]。

1.2.3 三維最小類內(nèi)散度SVM 1個三維矩陣可以被展開為3個不同方向的二維矩陣A(1)、A(2)、A(3)，而Al，(r)代表第l個三維矩陣的第r種展開模式。三維最小類內(nèi)散度多分類SVM(MC-SVM)的決策函數(shù)如下：

r=1,2,3

1.3 統(tǒng)計學(xué)處理 采用SPSS18.0軟件進(jìn)行數(shù)據(jù)處理和統(tǒng)計學(xué)分析。計數(shù)資料以百分率表示，兩組間比較采用χ2檢驗。采用受試者操作特征(ROC)曲線比較4種CAD算法的識別精度。P<0.05表示比較差異具有統(tǒng)計學(xué)意義。

2 結(jié) 果

2.1 4種CAD算法結(jié)果比較 4種CAD算法結(jié)果比較見表1。三維最小類內(nèi)散度MC-SVM的真陽性率高于其他算法，而假陽性率低于其他算法(P<0.05)。

表1 4種CAD算法結(jié)果比較[%(n/n)]

注：ROI為感興趣區(qū)。

2.2 4種CAD算法的識別精度比較 采用ROC曲線比較4種CAD算法的識別精度結(jié)果，MTANN、matFLSSVM、三維矩陣模式MC-SVM、三維最小類內(nèi)散度MC-SVM曲線下面積分別為0.975、0.982、0.991、0.996。三維最小類內(nèi)散度MC-SVM識別精度高于其他算法(P<0.05)。

3 討 論

肺結(jié)節(jié)主要是指肺內(nèi)部類球形且半徑3～30 mm的病灶[4]。由于肺結(jié)節(jié)的半徑較小，結(jié)節(jié)模糊不清，灰度與周圍組織的對比度較低，難于被發(fā)現(xiàn)，極易被忽略[5]。肺結(jié)節(jié)是引發(fā)肺部惡性腫瘤的重要因素，也是診斷肺部腫瘤的重要依據(jù)。盡早檢出肺結(jié)節(jié)可以有效緩解患者病情的進(jìn)一步惡化，提高治療效果[6]。目前，臨床檢測肺結(jié)節(jié)的方法包括MTANN、MatFLSSVM、三維矩陣模式MC-SVM及三維最小類內(nèi)散度MC-SVM。由于神經(jīng)網(wǎng)絡(luò)自身的缺陷，存在對初始值較為敏感、局部最小化、不收斂等問題，直接影響了神經(jīng)網(wǎng)絡(luò)方法在CAD診斷結(jié)節(jié)中的應(yīng)用效果[7]。三維最小類內(nèi)散度MC-SVM是機(jī)器學(xué)習(xí)方法中最為先進(jìn)的一種。該方法基于統(tǒng)計學(xué)習(xí)和結(jié)構(gòu)風(fēng)險最小化原則，不僅兼顧了學(xué)習(xí)算法的經(jīng)驗風(fēng)險與推廣能力，有效結(jié)合了模型的復(fù)雜性與學(xué)習(xí)能力，還可以轉(zhuǎn)化為1個二次型尋優(yōu)問題，解決了神經(jīng)網(wǎng)絡(luò)中局部極值問題，避免了神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)所需要的經(jīng)驗試湊的方法[8]。MC-SVM提出了一種基于相鄰斷層限制的區(qū)域生長法，用于提取候選結(jié)節(jié)并構(gòu)成三維VOI；通過提取所獲得的孤立型與淺度粘連型結(jié)節(jié)，不斷修復(fù)相鄰層中因正常組織粘連程度較大而被漏提取的候選結(jié)節(jié)，并將候選結(jié)節(jié)所在的連續(xù)斷層內(nèi)ROI構(gòu)成三維矩陣模式VOI，為三維矩陣模式的識別奠定了基礎(chǔ)。三維最小類內(nèi)散度MC-SVM有效提高了檢測肺結(jié)節(jié)的精確度，為臨床治療提供了可靠的依據(jù)[9]。

本研究以50例肺結(jié)節(jié)病患者為研究對象，比較了4種CAD算法對肺結(jié)節(jié)的檢測效果及檢測價值，并分析了4種算法的臨床檢測特征。結(jié)果顯示，三維最小類內(nèi)散度MC-SVM的真陽性率高于其他算法，而假陽性率低于其他算法(P<0.05)；MTANN、matFLSSVM、三維矩陣模式MC-SVM、三維最小類內(nèi)散度MC-SVM ROC曲線下面積分別為0.975、0.982、0.991、0.996，三維最小類內(nèi)散度MC-SVM的識別精度高于其他算法(P<0.05)。這表明三維最小類內(nèi)散度MC-SVM對肺結(jié)節(jié)的檢測效果優(yōu)于其他方法，具有更高的臨床檢測價值，和相關(guān)文獻(xiàn)報道的數(shù)據(jù)相一致[10]。因此，對于肺結(jié)節(jié)病的診斷，可以采用三維最小類內(nèi)散度MC-SVM，以提高疾病的檢測效率。

綜上所述，三維最小類內(nèi)散度MC-SVM檢測肺結(jié)節(jié)效果明顯，其識別精度高于其他檢測方法，安全性較高，值得推廣。

[1]王青竹，康文煒，王新竹，等．基于三維最小類內(nèi)散度SVM的肺CT中的結(jié)節(jié)識別[J]．模式識別與人工智能，2011，24(5)：700-706．

[2]王仲楚，方克灶，蘇繆廣，等．16層螺旋CT診斷肺內(nèi)結(jié)節(jié)臨床分析[J]．醫(yī)學(xué)影像學(xué)雜志，2013，23(4)：627-628．

[3]單立群，胡堅，李明東，等．胸腔鏡在肺部微小結(jié)節(jié)診治中的應(yīng)用[J]．中國肺癌雜志，2013，16(7)：369-372．

[4]Sengur A．Multiclass least-squares support vector machines for analog modulation classification[J]．Exp System Applica，2009，36(3)：6681-6685．

[5]史華莉，孫瓊芳，涂蓉，等．CT三維重建技術(shù)對肺內(nèi)孤立性結(jié)節(jié)的診斷價值[J]．中華臨床醫(yī)師雜志：電子版，2014，8(5)：88-93．

[6]張夢龍，孫峰，王雅瑩，等．?dāng)?shù)字合成體層成像和X線數(shù)字?jǐn)z影在肺內(nèi)結(jié)節(jié)探測中敏感度的比較[J]．醫(yī)學(xué)影像學(xué)雜志，2013，23(4)：597-600．

[7]向林峰，文石兵，夏發(fā)明．原發(fā)周圍型肺內(nèi)孤立小結(jié)節(jié)的微創(chuàng)診治[J]．臨床肺科雜志，2011，16(6)：961．

[8]Gangeh MJ，S?rensen L，Shaker SB，et al．A texton-based approach for the classification of lung parenchyma in CT images[J]．Med Image Comput Comput Assist Interven，2010，13(3)：595-602．

[9]張文玉，黃勇，申洪明，等．肺癌患者肺內(nèi)小結(jié)節(jié)良惡性的CT診斷價值[J]．臨床放射學(xué)雜志，2011，30(11)：1604-1608．

[10]顏志紅，于武江，萬云飛．CT掃描對診斷肺癌肺內(nèi)轉(zhuǎn)移的臨床意義[J]．實用醫(yī)學(xué)影像雜志，2011，12(2)：79-81．

Application of CT images based 3D minimum within-class scatter multi-class support vector machine in the identification of lung nodules

FANXiao-bo1,DONGYing1,WANGYi-yun2

(1.LaiwuCityPeople′sHospital,Laiwu,Shandong271199,China;2.HealthCenterofNiuquan,Laiwu,Shandong271124,China)

Objective To analyze the value of CT images based 3D minimum within-class scatter multi-class support vector machine (MC-SVM) in the identification of lung nodules.Methods During Jan.2012 and Jan.2014,a total of 50 cases with pulmonary sarcoidosis were enrolled.Lung CT based 3D matrix pattern volume of interest (VOI) structure were divided into nodules samples and non-nodule samples.Region of interest (ROI) was extracted by using automatic extraction algorithm,which was further divided into nodules and non-nodular ROI.Then the recognition accuracy,true positive rate and false positive rate of large-scale massive training artificial neural network (MTANN),fuzzy ′one on one′ multi-class SVM (matFLSSVM),3D matrix model MC-SVM and 3D minimum within-class scatter MC-SVM were compared by using receiver operating curve (ROC).Results 3D minimum within-class scatter MC-SVM was with the highest recognition accuracy and true positive rate,and the lowest false positive rate,compared with the other algorithms (P<0.05).Conclusion 3D minimum within-class scatter MC-SVM might be accurate for the recognition if long nodules.

minimum within-class scatter; multi-class support vector machine; 3D matrix; lung nodules

范小波，男，醫(yī)師，本科，主要從事醫(yī)學(xué)影像學(xué)研究。

10.3969/j.issn.1672-9455.2015.07.026

A

1672-9455(2015)07-0940-02

2014-10-15

2014-12-20)