基于改進(jìn)自生成神經(jīng)網(wǎng)絡(luò)的孤立性肺結(jié)節(jié)分類

紀(jì)國華，趙涓涓，潘 玲

(太原理工大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院，太原 030024)

基于改進(jìn)自生成神經(jīng)網(wǎng)絡(luò)的孤立性肺結(jié)節(jié)分類

紀(jì)國華，趙涓涓，潘 玲

(太原理工大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院，太原 030024)

為了提高孤立性肺結(jié)節(jié)良惡性診斷中的分類準(zhǔn)確度,提出了一個基于自生成神經(jīng)網(wǎng)絡(luò)的自動分類算法。該算法首先對PET/CT圖像進(jìn)行去噪、配準(zhǔn)等預(yù)處理,分別提取孤立性肺結(jié)節(jié)的結(jié)構(gòu)影像特征和代謝特征,然后對自生成神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和優(yōu)化,構(gòu)建分類器,根據(jù)距離測度和自動連接規(guī)則對待分類肺結(jié)節(jié)進(jìn)行分類。初步的實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的自生成神經(jīng)網(wǎng)絡(luò)算法和BP神經(jīng)網(wǎng)絡(luò)算法相比,改進(jìn)的自生成神經(jīng)網(wǎng)絡(luò)分類算法能得到更高的分類準(zhǔn)確率。

PET-CT影像;孤立性肺結(jié)節(jié);自生成神經(jīng)網(wǎng)絡(luò);分類器;距離測度

在全世界范圍內(nèi),肺癌是發(fā)病率及死亡率最高的癌癥之一已經(jīng)嚴(yán)重威脅到人們的生活、學(xué)習(xí)和工作[1],為了提高肺癌患者的生存率,腫瘤的早期診斷與治療是關(guān)鍵。肺癌的早期大多表現(xiàn)為孤立性肺結(jié)節(jié) (Solitary Pulmonary Nodules,SPNs),即肺實(shí)質(zhì)內(nèi)單發(fā)的、類圓形、最大直徑小于3 cm的結(jié)節(jié)影,不伴有淋巴結(jié)腫大、肺不張和肺炎等其它病變。PET/CT技術(shù),即正電子發(fā)射計算機(jī)斷層顯像,融合了病灶的功能信息與精確解剖定位,是醫(yī)生進(jìn)行肺部病理研究及診斷、肺功能評估的重要手段之一。因此,采用計算機(jī)輔助診斷(Computer-aided Diagnosis,CAD)技術(shù)在PET/CT影像中對SPNs的早期檢測和診斷對提高病人的存活率有重要的意義。

目前,醫(yī)學(xué)影像的計算機(jī)輔助診斷中常用的分類方法包括支持向量機(jī)(SVM)、決策樹(DT)、Logistic回歸(LR)、樸素貝葉斯(NB)、人工神經(jīng)網(wǎng)絡(luò)(ANN)等方法。SVM能避免過擬合問題,能夠?qū)⒁伤撇≡钪械慕Y(jié)節(jié)與非結(jié)節(jié)分類出來,提高肺結(jié)節(jié)的檢出率[2-3]。但是SVM對內(nèi)存需求較大,而且調(diào)節(jié)參數(shù)的過程繁瑣。DT是非參數(shù)的,無需擔(dān)心野點(diǎn)和數(shù)據(jù)是否線性可分,但存在過擬合,Tartar A et al在進(jìn)行結(jié)節(jié)檢測時,采用隨機(jī)森林算法改善了這個問題[4]。將K最近鄰算法與NB算法結(jié)合的分類方法[5]收斂速度快,模型更新簡單,但是需要迭代學(xué)習(xí)。LR有很多方法來對模型正則化,不需要考慮樣本是否是相關(guān)的[6]。Sehgal C M et al[7]將NB與LR結(jié)合起來,應(yīng)用到乳腺超生圖像中,能夠提高分類算法的敏感性。ANN對模式識別、信息處理中的分類問題比較擅長,在圖像處理方面應(yīng)用廣泛[8]。Chen H et al分別采用ANN和LR對肺結(jié)節(jié)進(jìn)行分類實(shí)驗(yàn)[9],結(jié)果表明,相較于LR算法,ANN能得到更高的分類準(zhǔn)確度。

但是,傳統(tǒng)ANN的網(wǎng)絡(luò)結(jié)構(gòu)需要人為參與設(shè)計,學(xué)習(xí)過程復(fù)雜。自生成神經(jīng)網(wǎng)絡(luò)(Self-generating Neural Networks,SGNN)是一類自組織神經(jīng)網(wǎng)絡(luò),與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比,具有學(xué)習(xí)自主性高、無需人為調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)的優(yōu)勢[10]。在對肺結(jié)節(jié)性病變進(jìn)行診斷時,通常先將病灶分為良性、惡性兩大類,然后進(jìn)一步明確腫瘤類型,惡性病變包含周圍型肺癌、類癌、支氣管腺瘤、肺肉瘤或轉(zhuǎn)移瘤等,良性病變包括炎性假瘤、結(jié)核瘤、肺錯構(gòu)瘤、脂肪瘤或血管瘤等[11],不同的腫瘤類型分別對應(yīng)不同的后期檢查和治療手段。為了提高分類器的性能,同時更有針對性地給出診療建議,筆者通過研究SGNN及其優(yōu)化算法,提出了基于優(yōu)化SGNN的SPNs病變類型分類方法,擬在對病變進(jìn)行良惡性分類的基礎(chǔ)上,進(jìn)一步地識別腫瘤類型。

1 自生成神經(jīng)網(wǎng)絡(luò)理論

SGNN是Wen et al于1992年首先提出的[12-13],H.Inoue et al對其應(yīng)用做了進(jìn)一步的研究[14-15]。SGNN算法是一個啟發(fā)式聚類算法,利用競爭學(xué)習(xí)機(jī)制,在對樣本的學(xué)習(xí)過程中采用非監(jiān)督學(xué)習(xí)方法自動生成一棵神經(jīng)樹,不需要人為地參與網(wǎng)絡(luò)中的參數(shù)及結(jié)構(gòu)調(diào)整。在生成SGNT的過程中,對每一個輸入樣本只進(jìn)行一次學(xué)習(xí),而不會進(jìn)行迭代學(xué)習(xí),這也是SGNN的突出優(yōu)點(diǎn)。因此,自生成神經(jīng)網(wǎng)絡(luò)有較好的適應(yīng)性,可以解決分類問題,本文將其用來對PET/CT圖像中的肺結(jié)節(jié)進(jìn)行分類。

SGNT可以表示成有序?qū)Α磠nj},{lk}〉,其中{nj}是所有的神經(jīng)元集合,{lk}是神經(jīng)元之間的連接集合。神經(jīng)元nj也是一個有序?qū)Α碬j,Cj〉,Wj代表神經(jīng)元nj的權(quán)值向量,Wj=〈wj1,wj2,…,wjp〉,Cj是nj的子神經(jīng)元集合。在SGNT中,神經(jīng)元nj到樣本ei的距離為歐式距離如式(1)所示。

(1)

SGNN的生成算法描述如下[14,16]:

輸入:訓(xùn)練樣本集{ei},i=1,2,…,m,其中ei是由樣本屬性所組成的向量〈ai1,ai2,…,ain〉;給定誤差閾值T≥0。

輸出:SGNT。

1) 生成新節(jié)點(diǎn)nj,令該節(jié)點(diǎn)的權(quán)值Wj等于輸入樣本ei的屬性值;若i=1,轉(zhuǎn)至5);否則進(jìn)入下一步。

2) 計算nj與na的距離d(nj,na),其中na(a=1,2,…,j-1)是SGNT中已有的神經(jīng)元節(jié)點(diǎn)。將最小距離dmin(nj,na)對應(yīng)的節(jié)點(diǎn)定義為獲勝節(jié)點(diǎn)nwin。如果dmin(nj,na)>T,則下一步;否則nj被并入nwin,跳轉(zhuǎn)至4)。

3) 將nj連接到SGNT上。若獲勝節(jié)點(diǎn)是樹中的葉節(jié)點(diǎn),則創(chuàng)建新節(jié)點(diǎn)nj+1,令Wj+1=Wwin,將nj和nj+1連接為nwin的子節(jié)點(diǎn);否則將nj連接為nwin的子節(jié)點(diǎn)。

4) 根據(jù)權(quán)值更新式(2)更新從nj到根節(jié)點(diǎn)經(jīng)過的每一個節(jié)點(diǎn)nr的權(quán)值向量,cr代表nr所覆蓋的葉節(jié)點(diǎn)個數(shù)。

(2)

5) 如果i=m,結(jié)束;否則i=i+1,返回1)。

如圖1所示,經(jīng)過上述算法生成的神經(jīng)樹中,葉子神經(jīng)元的權(quán)值是輸入樣本的屬性值,而根神經(jīng)元及節(jié)點(diǎn)神經(jīng)元的權(quán)值是它覆蓋的所有葉子神經(jīng)元權(quán)值的平均值,即以它為根節(jié)點(diǎn)的所有葉節(jié)點(diǎn)屬性的平均值。分類或聚類后的一個類中心在SGNT中表現(xiàn)為根神經(jīng)元的一個子節(jié)點(diǎn),因此根神經(jīng)元有幾個子節(jié)點(diǎn),代表將樣本分為幾類,子節(jié)點(diǎn)覆蓋的葉節(jié)點(diǎn)代表該類中的樣本。

圖1 SGNT結(jié)構(gòu)示意圖

在對肺結(jié)節(jié)進(jìn)行分類時,將結(jié)節(jié)作為輸入樣本,每個結(jié)節(jié)的混合影像特征、臨床信息等作為樣本的屬性,生成SGNT,每一個結(jié)節(jié)都必然屬于某一類。

2 分類方法描述

針對孤立性肺結(jié)節(jié)的分類算法的主要思想是通過對自生成神經(jīng)網(wǎng)絡(luò)算法進(jìn)行優(yōu)化和改進(jìn),生成分類神經(jīng)樹實(shí)現(xiàn)對肺結(jié)節(jié)的分類和識別。該算法主要包括四個步驟:圖像預(yù)處理，構(gòu)造特征向量，訓(xùn)練SGNT，識別肺結(jié)節(jié)(如圖2所示)。

圖2 分類算法步驟示意圖

2.1 圖像預(yù)處理

醫(yī)學(xué)影像數(shù)據(jù)在成像、傳輸?shù)倪^程中,受到設(shè)備、環(huán)境的影響,會產(chǎn)生圖像噪聲、模糊等問題,從而干擾圖像的后續(xù)處理。因此要對原始的PET-CT圖像進(jìn)行去噪和增強(qiáng)等預(yù)處理,去掉圖像中的大多數(shù)背景信息和噪聲,同時有效增強(qiáng)感興趣區(qū)域的圖像細(xì)節(jié)信息。筆者采用傅里葉變換和高斯濾波相結(jié)合方法來對圖像進(jìn)行去噪和增強(qiáng)。由于文中使用的PET圖像和CT圖像是不同模態(tài)的圖像,會存在空間位置不對齊,在進(jìn)行結(jié)節(jié)的特征提取之前需要先進(jìn)行PET-CT圖像配準(zhǔn)。本文采用基于互信息的方法實(shí)現(xiàn)PET-CT圖像的配準(zhǔn)。

2.2 構(gòu)造特征向量

特征的提取和特征向量的構(gòu)造是進(jìn)行機(jī)器學(xué)習(xí)及分類的基礎(chǔ)。對PET-CT圖像進(jìn)行預(yù)處理后,分別在CT圖像和PET圖像中提取結(jié)節(jié)區(qū)域的結(jié)構(gòu)和功能信息,包括灰度、形態(tài)、紋理、空間位置、臨床信息及SUV值,將這些特征量化,構(gòu)造為50維的肺結(jié)節(jié)的特征向量。但是在初步提取得到的特征數(shù)據(jù)集中,有些特征是不相關(guān)或者冗余的,特征向量維數(shù)過高,會引起較高的計算復(fù)雜度,增加過度擬合的可能性。因此,采取基于互信息的特征選擇方法進(jìn)行特征優(yōu)選,將特征降到22維,包括:灰度均值、灰度熵、結(jié)節(jié)面積、圓形度、緊湊度、鈣化個數(shù)、鈣化面積、鈣化面積占結(jié)節(jié)面積比、空洞個數(shù)、空洞面積、空洞面積占結(jié)節(jié)面積比、分葉等級、毛刺等級、角二階矩、相關(guān)性、邊界灰度均值、邊界灰度方差、病變區(qū)域、上下切片相似度、年齡、吸煙史、SUVmax。

2.3 SGNT訓(xùn)練

2.3.1 生成初始SGNT

假設(shè)SPNs訓(xùn)練數(shù)據(jù)集中有K類結(jié)節(jié)病變,則需要將所有確診為第i(i=1,2,…,K)類的訓(xùn)練樣本的特征向量輸入第i棵SGNT,生成K棵神經(jīng)樹,并將SGNT的根節(jié)點(diǎn)的權(quán)值向量作為該類的特征向量。

用測試樣本對SGNN算法進(jìn)行測試,發(fā)現(xiàn)當(dāng)改變訓(xùn)練樣本的輸入順序時,會得到不同的分類結(jié)果,如圖3所示。這說明SGNN算法對樣本的輸入順序很敏感,在最終成形時不一定能生成最佳結(jié)構(gòu)。因此,為了得到穩(wěn)定的分類結(jié)果,保證網(wǎng)絡(luò)結(jié)構(gòu)最佳,要對SGNN算法進(jìn)行優(yōu)化處理。

圖3 SGNN在同組樣本不同輸入順序下的分類結(jié)果

2.3.2 優(yōu)化SGNT

在解決分類問題時,當(dāng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為最佳時,距離相近的節(jié)點(diǎn)在網(wǎng)絡(luò)中應(yīng)該是親近關(guān)系。因此,網(wǎng)絡(luò)優(yōu)化是以距離測度為標(biāo)準(zhǔn),常用的方法有水平/垂直優(yōu)化(Vertical & Horizontal optimization,VH優(yōu)化)和剪枝優(yōu)化兩種方法[13,17]。

采用VH優(yōu)化中的水平優(yōu)化使得神經(jīng)樹的結(jié)構(gòu)向縱向延伸,而垂直優(yōu)化則使其結(jié)構(gòu)橫向發(fā)展。對任一神經(jīng)元n,若它與父節(jié)點(diǎn)的距離小于等于它到任意子節(jié)點(diǎn)的距離,則將其水平放置于SGNT上;若它與任意父節(jié)點(diǎn)的距離小于等于它到任意祖輩的距離,則將其垂直放置于SGNT上。所有神經(jīng)元既是水平放置又是垂直放置的SGNT結(jié)構(gòu)達(dá)到最優(yōu)。因此,在生成一個SGNT后,需要檢查并優(yōu)化每個神經(jīng)元的放置情況,以使分類神經(jīng)樹的結(jié)構(gòu)達(dá)到最優(yōu)。

對于沒有達(dá)到水平放置的神經(jīng)元n,要進(jìn)行水平優(yōu)化。假設(shè)n到父節(jié)點(diǎn)f的距離大于到子節(jié)點(diǎn)s的距離,即d(n,f)>d(n,s),若s不是它的唯一分支,則將n移到s的下一層;若s是一個葉節(jié)點(diǎn),生成一個新的節(jié)點(diǎn)作為s的子節(jié)點(diǎn),并把s的權(quán)值復(fù)制過去,同時更新s的權(quán)值為:

(3)

相應(yīng)地,更新節(jié)點(diǎn)s所覆蓋的樣本個數(shù):

(4)

對于沒有達(dá)到垂直放置的神經(jīng)元n,要進(jìn)行垂直優(yōu)化。假設(shè)n到父節(jié)點(diǎn)f的距離大于到f的父節(jié)點(diǎn)g的距離,即d(n,f)>d(n,g),則將n上移為g的子節(jié)點(diǎn)。同時更新f的權(quán)值為:

(5)

更新節(jié)點(diǎn)f所覆蓋的樣本個數(shù):

(6)

由于VH優(yōu)化方法是按照節(jié)點(diǎn)生成的順序依次對神經(jīng)樹的結(jié)構(gòu)進(jìn)行優(yōu)化的,而樹中的節(jié)點(diǎn)之間是有聯(lián)系的,對節(jié)點(diǎn)的優(yōu)化會相互影響,因此,一次VH優(yōu)化并不能將網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整到最佳,而需要反復(fù)進(jìn)行優(yōu)化,但現(xiàn)在并沒有一個可信標(biāo)準(zhǔn)來決定不同的樣本集所需要的優(yōu)化次數(shù)。實(shí)驗(yàn)表明,對測試樣本進(jìn)行的優(yōu)化次數(shù)越多,得到的SGNN的分類結(jié)果越好,但是會增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度。為了在保證分類精度的同時降低計算代價,需要對生成的SGNT進(jìn)行剪枝優(yōu)化。

剪枝優(yōu)化方法的每次搜索不再局限于兩、三代之間的節(jié)點(diǎn),可以在相隔多代的節(jié)點(diǎn)甚至無關(guān)節(jié)點(diǎn)間進(jìn)行優(yōu)化,但是不能優(yōu)化網(wǎng)絡(luò)中的中間節(jié)點(diǎn),是針對葉節(jié)點(diǎn)的優(yōu)化算法。在神經(jīng)網(wǎng)絡(luò)生成之后,再次輸入訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),對網(wǎng)絡(luò)中的節(jié)點(diǎn)按層依次搜索,將輸入樣本連接為網(wǎng)絡(luò)中與之距離最近的節(jié)點(diǎn)的子節(jié)點(diǎn),同時將沒有搜索到的節(jié)點(diǎn)刪掉,即剪掉死枝條。剪枝算法本質(zhì)上通過網(wǎng)絡(luò)中節(jié)點(diǎn)的增減實(shí)現(xiàn)葉節(jié)點(diǎn)向合理位置的移動。剪枝優(yōu)化的目的是簡化網(wǎng)絡(luò)結(jié)構(gòu),在降低計算的時間復(fù)雜度和空間復(fù)雜度的同時,保證網(wǎng)絡(luò)處理數(shù)據(jù)的精度。

確定好優(yōu)化策略后,將孤立性肺結(jié)節(jié)的分類神經(jīng)樹生成算法進(jìn)一步描述如下:

1) 分別在訓(xùn)練樣本集的第i(i=1,2,…,K)類結(jié)節(jié)病變中隨機(jī)選取一個特征向量,按照SGNN生成算法生成K棵初始SGNT;

2) 將第i類中的待聚類樣本依次輸入第i棵SGNT中,搜索當(dāng)前神經(jīng)樹中與其距離最小的神經(jīng)元,并將其連接到該神經(jīng)樹上,直到所有樣本被輸入到K棵SGNT中;

3) 對K棵SGNT分別進(jìn)行剪枝優(yōu)化,對網(wǎng)絡(luò)進(jìn)行全局優(yōu)化,簡化網(wǎng)絡(luò)結(jié)構(gòu);

4) 對剪枝優(yōu)化后的K棵SGNT分別進(jìn)行VH優(yōu)化,調(diào)整相鄰代節(jié)點(diǎn)之間的連接,得到最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。

在優(yōu)化后的K棵SGNT中,每個SGNT對應(yīng)一類結(jié)節(jié)。

2.4 分類識別

在對未知類別的肺結(jié)節(jié)進(jìn)行識別時,首先考慮采用距離測度識別方法,通過計算待分類樣本與訓(xùn)練集中每一類的類中心的距離,將其歸類到最小距離所對應(yīng)的類中[18]。但是,距離測度僅考慮了類中心,而沒有考慮具體樣本之間的相互影響,不能有效將不同類型的肺結(jié)節(jié)識別出來。針對上述問題,本文提出一種結(jié)合距離測度與自動連接的方法實(shí)現(xiàn)待分類SPNs的識別。在距離測度的基礎(chǔ)上,將待分類樣本輸入到訓(xùn)練好的所有SGNT中,使其自動連接到某一棵神經(jīng)樹中,根據(jù)其連接情況和距離綜合考慮,識別肺結(jié)節(jié)。其具體過程如下所示:

1) 首先提取待分類樣本q的特征向量,分別計算其與每一棵神經(jīng)樹的根節(jié)點(diǎn)Ri的歐式距離di,i=1,2,…,K,設(shè)最小距離為dA,對應(yīng)的類別是A;

2) 將K棵SGNT組成一個神經(jīng)森林,向森林中輸入q的特征向量,搜索當(dāng)前森林中與其距離最小的神經(jīng)元nq,設(shè)nq對應(yīng)的類別是B;

3) 若A≥B,則將q歸到A類;否則,將q歸到B類。

識別過程如圖4所示。經(jīng)過上述識別算法,能夠識別出待分類樣本的所屬類別。在對整個測試集進(jìn)行分類時,將數(shù)據(jù)依次輸入和計算,并將前面的識別結(jié)果串行輸入并連接到相應(yīng)的SGNT中,共同參與后續(xù)樣本的分類。

圖4 SPNs識別過程

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

本文所使用的實(shí)驗(yàn)數(shù)據(jù)選自山西某醫(yī)院PET/CT中心2011年1月-2015年1月之間的數(shù)據(jù),該醫(yī)院使用的是美國通用公司的Discovery ST16 PET-CT,CT采集參數(shù)為150 mA、140 kV,層厚3.75 mm,CT圖像大小為512×512。病例共計選擇195例(其中惡性103例,包括周圍型肺癌39例、類癌26例、支氣管腺瘤21例、肺肉瘤17例、轉(zhuǎn)移瘤或其它0例;良性92例,包括炎性假瘤33例、結(jié)核瘤46例、肺錯構(gòu)瘤13例、脂肪瘤和血管瘤或其它0例),所選病例都有完整的臨床信息和影像學(xué)資料。

本文算法的實(shí)驗(yàn)環(huán)境是MATLAB 2012b,PC處理器為Intel Core i7-3770,主頻3.40 GHz,內(nèi)存8 GB。

3.2 結(jié)果分析

使用訓(xùn)練樣本訓(xùn)練分類器后,本文使用數(shù)據(jù)集中的195例數(shù)據(jù)進(jìn)行分類實(shí)驗(yàn),取數(shù)據(jù)集中各類病例的二分之一(病例個數(shù)為奇數(shù)時,先減一再除以二)組成訓(xùn)練集,共計95例,剩下的樣本組成測試集,共計100例。

本文分別從算法對各個類別識別的準(zhǔn)確性和總體準(zhǔn)確性評估本文提出的肺結(jié)節(jié)分類算法的性能。對訓(xùn)練集中的每一類進(jìn)行分類時,以該類為陽性,其他類為陰性,如表1所示,TP、TN、FP、FN分別為真陽性、真陰性、假陽性、假陰性[19]。

表1 預(yù)測結(jié)果與實(shí)際結(jié)果的混合矩陣

則每一類的分類準(zhǔn)確率為:

(7)

將每一類的分類正確率進(jìn)行加權(quán)平均,計算測試集的總體分類正確率:

(8)

式中：Ai是第i類的正確率;ni是該類的測試樣本數(shù)；N為所有的測試樣本數(shù)。

用不同的分類模型進(jìn)行分類對比試驗(yàn),結(jié)果如表2所示,其中,類別1～7分別代表周圍型肺癌、類

表2 不同分類模型的分類準(zhǔn)確率 %

癌、支氣管腺瘤、肺肉瘤、炎性假瘤、結(jié)核瘤、肺錯構(gòu)瘤。由表2可以看出,與BP神經(jīng)網(wǎng)絡(luò)、SVM分類器[2]相比,傳統(tǒng)SGNN算法在對肺結(jié)節(jié)進(jìn)行分類時效果并不理想;本文算法針對SPNs的特點(diǎn),通過對SGNN算法進(jìn)行優(yōu)化和改進(jìn),有效地提高了算法的性能,在分類準(zhǔn)確性上有明顯優(yōu)勢。

表3給出了不同算法的運(yùn)行時間,可以看出傳統(tǒng)SGNN算法和本文算法比BP神經(jīng)網(wǎng)絡(luò)和SVM分類器的運(yùn)行速度都快,說明了自生成神經(jīng)網(wǎng)絡(luò)算法在對肺結(jié)節(jié)進(jìn)行分類時是高效的。但本文算法比傳統(tǒng)SGNN算法運(yùn)行時間稍長,這是由于本算法要對SGNT的結(jié)構(gòu)進(jìn)行多次優(yōu)化,導(dǎo)致了較高的時間復(fù)雜度。但是在臨床應(yīng)用中,更關(guān)注孤立性肺結(jié)節(jié)的分類診斷的準(zhǔn)確性,識別100例樣本多消耗0.37 s的時間復(fù)雜度是可接受的。本文算法犧牲了可接受的時間復(fù)雜度對傳統(tǒng)算法進(jìn)行優(yōu)化,得到了更好更可靠的分類結(jié)果,說明優(yōu)化后的肺結(jié)節(jié)分類算法是有效的。

表3 不同分類模型的分類速度

文中提出了一種對PET/CT圖像中的孤立性肺結(jié)節(jié)進(jìn)行分類診斷的新方法。該方法采用優(yōu)化算法對自生成神經(jīng)網(wǎng)絡(luò)方法進(jìn)行改進(jìn),結(jié)合距離測度和自動連接識別方法實(shí)現(xiàn)對孤立性肺結(jié)節(jié)特征向量的分類。實(shí)驗(yàn)中分別采用BP神經(jīng)網(wǎng)絡(luò)、SVM分類器、傳統(tǒng)SGNN及本文提出的方法對采集到的肺結(jié)節(jié)特征數(shù)據(jù)集進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明,我們提出的肺結(jié)節(jié)的分類方法能得到較高的分類準(zhǔn)確率,并且有較好的時間復(fù)雜度,說明本文算法是肺結(jié)節(jié)分類的有效算法。

[1] Siegel R,Ma J,Zou Z,et al.Cancer statistics,2014[J].CA:a cancer journal for clinicians,2014,64(1):9-29.

[2] Keshani M,Azimifar Z,Tajeripour F,et al.Lung nodule segmentation and recognition using SVM classifier and active contour modeling:A complete intelligent system[J].Computers in biology and medicine,2013,43(4):287-300.

[3] Santos A M,de Carvalho Filho A O,Silva A C,et al.Automatic detection of small lung nodules in 3D CT data using Gaussian mixture models,Tsallis entropy and SVM[J].Engineering Applications of Artificial Intelligence,2014,36:27-39.

[4] Tartar A,Kilic N,Akan A.A new method for pulmonary nodule detection using decision trees[C]∥IEEE.Proceeding of the 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC).[S.I.],2013:7355-7359.

[5] Calle-Alonso F,Pérez C J,Arias-Nicolás J P,et al.Computer-aided diagnosis system:A Bayesian hybrid classification method[J].Computer methods and programs in biomedicine,2013,112(1):104-113.

[6] Zhang M,Zhang Y,Fu S,et al.Development of a logistic regression formula for evaluation of subcentimeter thyroid nodules[J].Journal of Ultrasound in Medicine,2014,33(6):1023-1030.

[7] Sehgal C M,Cary T W,Cwanger A,et al.Combined Na?ve Bayes and logistic regression for quantitative breast sonography[C]∥IEEE.Proceeding of Ultrasonics Symposium (IUS).Germany:Dresden,2012:1686-1689.

[8] Amato F,López A,Pea-Méndez E M,et al.Artificial neural networks in medical diagnosis[J].Journal of Applied Biomedicine,2013,11(2):47-58.

[9] Chen H,Zhang J,Xu Y,et al.Performance comparison of artificial neural network and logistic regression model for differentiating lung nodules on CT scans[J].Expert Systems with Applications,2012,39(13):11503-11509.

[10] 蔣宏,任章.一種基于SGNN網(wǎng)絡(luò)的模糊圖像融合算法[J].系統(tǒng)工程與電子技術(shù),2009,2:452-455.

[11] Travis W D,Brambilla E,Riely G J.New pathologic classification of lung cancer:relevance for clinical practice and clinical trials[J].Journal of Clinical Oncology,2013,31(8):992-1001.

[12] Wen W X,Liu H,Jennings A.Self-Generating nural networks[C]∥IEEE.Proceeding of International Joint conference.on Neural Networks.USA:Baltimore,1992:850-855.

[13] Wen W X,Jennings A,Liu H.Learning a neural tree[C]∥IEEE.Proceedings International Joint Conference on Neural Networks.USA:Balt,1992.

[14] Inoue H,Narihisa H.Efficiency of self-generating neural networks applied to pattern recognition[J].Mathematical and Computer Modelling,2003(38):1225-1232.

[15] Inoue H,Narihisa H.Effective online pruning Method for Ensemble Self-Generating Neural Networks[J].Circuits and Systems,IEEE,2004(3):85-88.

[16] 劉純平,孫忱.基于SGNN的彩色圖像分類[J].江南大學(xué)學(xué)報:自然科學(xué)版,2007,6:838-841.

[17] 李露.SGNN優(yōu)化算法的研究及其在圖像分割中的應(yīng)用[J].紅外技術(shù),2010,04:198-203.

[18] 張紅山,王世衛(wèi),姜建國.基于SGNN的數(shù)字字符識別[J].航空計算技術(shù),2004,1:76-78.

[19] Lin PL,Huang PW,Lee CH,et al.Automatic classification for solitary pulmonary nodule in CT image by fractal analysis based on fractional Brownian motion model[J].Pattern Recognition,2013,46(12):3279-3287.

(編輯：朱 倩)

Solitary Pulmonary Nodule Classification based on ImprovedSelf-Generating Neural Networks

JI Guohua，ZHAO Juanjuan，PAN Ling

(CollegeofComputerScienceandTechnology,TaiyuanUniversityofTechnology,Taiyuan030024,China)

To improve the classification accuracy of diagnosis of solitary pulmonary nodules,this paper proposes an automatic classification algorithm based on the self-generating neural networks.The algorithm first deploys preprocessing methods on PET/CT image,such as denoising and registration.Then,structural and metabolic features of solitary pulmonary nodules are extracted separately.After that,the improved self-generating neural network is trained and a classifier is built to classify unspecified samples on the basis of distance measure and automatic connection.Experimental results show that compared with traditional self-generating neural networks and BP neural network algorithm,the improved self-generating neural networks algorithm can guarantee higher classification accuracy.

PET/CT imaging;solitary pulmonary nodules;self-generating neural networks;classifier;distance measure

1007-9432(2015)06-0754-06

2015-05-10

國家自然科學(xué)基金資助項目：基于混合成像的孤立性肺結(jié)節(jié)計算機(jī)輔助診斷方法(61202163);基于醫(yī)學(xué)影像結(jié)構(gòu)和功能混合特征的周圍型肺癌計算機(jī)輔助診斷方法(61373100);虛擬現(xiàn)實(shí)技術(shù)與系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室資助項目(BUAA-VR-15KF02)

紀(jì)國華(1991-)，女，山東沾化人，碩士生，主要從事醫(yī)學(xué)圖像處理的研究，(Tel)18634632764，(E-mail)1210151314@qq.com.

TP391

A

10.16355/j.cnki.issn1007-9432tyut.2015.06.021