基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法

張俊杰，周　濤，夏　勇，王文文

(1．寧夏醫(yī)科大學(xué) a.管理學(xué)院；b.理學(xué)院，寧夏 銀川 750004；2．西北工業(yè)大學(xué)　計(jì)算機(jī)學(xué)院，陜西 西安 710100)

基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法

張俊杰1a，周濤1b，夏勇2，王文文1a

(1．寧夏醫(yī)科大學(xué)a.管理學(xué)院；b.理學(xué)院，寧夏 銀川 750004；2．西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院，陜西 西安 710100)

摘要:以肺結(jié)節(jié)的檢測(cè)為研究目標(biāo)，針對(duì)肺結(jié)節(jié)特征級(jí)融合檢測(cè)算法中存在特征結(jié)構(gòu)不合理和特征表達(dá)不緊致兩個(gè)問題，提出了一種基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法，該算法首先分析肺部CT影像的醫(yī)學(xué)征象，提出了六個(gè)新的三維特征，并綜合其他二維和三維特征共42維特征分量共同量化ROI；然后基于粗糙集對(duì)提取的特征集合進(jìn)行5次特征級(jí)融合實(shí)驗(yàn)；最后利用網(wǎng)格尋優(yōu)算法優(yōu)化核函數(shù)的SVM作為分類器進(jìn)行肺結(jié)節(jié)識(shí)別。以70例肺結(jié)節(jié)患者的肺部CT影像為原始數(shù)據(jù)，通過4組對(duì)比實(shí)驗(yàn)驗(yàn)證算法的有效性和穩(wěn)定性，實(shí)驗(yàn)結(jié)果表明，經(jīng)過粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法識(shí)別肺結(jié)節(jié)的能力得到了有效提升。

關(guān)鍵詞:肺結(jié)節(jié)檢測(cè)；粗糙集；特征提取；特征約簡；支持向量機(jī)

肺癌已成為世界范圍內(nèi)發(fā)病率及死亡率最高的惡性腫瘤，嚴(yán)重威脅著人類的生命健康[1-2]，早期發(fā)現(xiàn)是提高肺癌患者治療效果的有效方法[3]，同時(shí)由于肺結(jié)節(jié)(lungnodules)是肺癌的早期形態(tài)[4]，因此肺結(jié)節(jié)的檢測(cè)識(shí)別在肺癌治療中的重要性日益凸顯。計(jì)算機(jī)斷層掃描成像(ComputedTomography，CT)為臨床診斷提供了多角度、可視化、高質(zhì)量的胸部醫(yī)學(xué)影像[4]，但是隨著CT在肺結(jié)節(jié)檢測(cè)中的廣泛應(yīng)用，產(chǎn)生的CT數(shù)據(jù)過載以及影像結(jié)果判讀主觀性等因素，都導(dǎo)致臨床誤診率居高不下[5]。計(jì)算機(jī)輔助診斷(Computer-AidedDiagnosis，CAD)能夠?qū)Ａ緾T影像數(shù)據(jù)進(jìn)行前期篩查、標(biāo)記可疑病灶區(qū)域，然后結(jié)合影像醫(yī)生的二次判別在降低其閱片工作量的同時(shí)提高腫瘤診斷正確率[6]，是解決上述問題的有效渠道之一。

肺結(jié)節(jié)檢測(cè)是CAD研究的熱點(diǎn)之一，如Santos[7]等首先基于區(qū)域生長法分割出肺實(shí)質(zhì)，并根據(jù)高斯混合模型和海森矩陣從肺實(shí)質(zhì)中分離出ROI，然后選取Tsallis熵和香農(nóng)熵作為描述特征，利用支持向量機(jī)(SupportVectorMachine，SVM)對(duì)肺結(jié)節(jié)和非結(jié)節(jié)區(qū)域進(jìn)行分類識(shí)別；Netto[8]等首先利用增長型神經(jīng)氣體(GrowingNeuralGas，GNG)進(jìn)行聚類粗分割，然后根據(jù)三維距離變換把肺結(jié)節(jié)從含有血管、支氣管的組織中分離出來，最后利用SVM在提取的形狀特征和紋理特征集合的基礎(chǔ)上實(shí)現(xiàn)對(duì)肺結(jié)節(jié)的有效識(shí)別；Ye[9]等首先綜合模糊閾值、高斯矩陣、平均曲率、海森矩陣等算法進(jìn)行ROI的分割提取，然后選用局部形狀特征和局部散度信息作為ROI的特征表達(dá)，最后采用加權(quán)的SVM進(jìn)行肺結(jié)節(jié)的識(shí)別檢測(cè)；Tan[10]等首先基于Li[11]等提出的血管和結(jié)節(jié)增強(qiáng)濾波器進(jìn)行肺結(jié)節(jié)的分割，然后根據(jù)基于高斯模板計(jì)算的散度定位肺結(jié)節(jié)的聚類中心，實(shí)現(xiàn)ROI的提取，最后采用基于遺傳算法的分類器、人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks，ANN)、SVM三種分類器對(duì)比分析肺結(jié)節(jié)的檢測(cè)效果；Cascio[12]等首先利用區(qū)域增長算法和形態(tài)學(xué)操作提取出ROI，然后基于3D彈簧模型進(jìn)行樣條曲面重建，以便于提取相關(guān)的三維灰度特征和形狀特征，最后采用ANN進(jìn)行肺結(jié)節(jié)的檢測(cè)。雖然以上文獻(xiàn)對(duì)肺結(jié)節(jié)的檢測(cè)方法進(jìn)行了一定的探討，但整體來看，這些方法在特征結(jié)構(gòu)的設(shè)計(jì)和特征集合的表達(dá)方面還存在以下不足：

1)提取特征集合量化ROI時(shí)，存在特征結(jié)構(gòu)設(shè)計(jì)不合理的問題，較少考慮全局特征和局部特征、二維特征和三維特征的結(jié)合，并且容易忽視特征分量刻畫的準(zhǔn)確性。

2)特征數(shù)據(jù)融合時(shí)，特征表達(dá)的緊致性是一個(gè)棘手的問題，較少考慮剔除特征冗余、保留有效特征，而且無需先驗(yàn)知識(shí)的特征級(jí)融合方法很少被應(yīng)用。

基于以上原因，本文提出了一種基于粗糙集(RoughSets，RS)特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法。針對(duì)第一個(gè)問題，提取了形狀特征、強(qiáng)度特征和紋理特征，其中在形狀特征中，提出了3個(gè)新的三維特征，即外接球形體積比、表面-中心距離標(biāo)準(zhǔn)差和外接長方體交線距離；在強(qiáng)度特征中，提出了3個(gè)新的三維特征，即強(qiáng)度梯度(由內(nèi)向外)、拉普拉斯散度均值、拉普拉斯散度距離；在特征描述上，使用二維紋理特征和三維形狀特征、強(qiáng)度特征共同量化；針對(duì)第二個(gè)問題，充分考慮粗糙集無需先驗(yàn)知識(shí)和能夠充分保留特征屬性的特點(diǎn)，采用粗糙集進(jìn)行特征級(jí)融合，最后采用網(wǎng)格尋優(yōu)算法優(yōu)化SVM核函數(shù)并進(jìn)行肺結(jié)節(jié)的識(shí)別檢測(cè)。為了驗(yàn)證本文算法的有效性、穩(wěn)定性、優(yōu)越性，本文做了4組對(duì)比實(shí)驗(yàn)，即粗糙集約簡前后的算法有效性驗(yàn)證實(shí)驗(yàn)、粗糙集約簡前后的算法穩(wěn)定性驗(yàn)證實(shí)驗(yàn)、基于粗糙集特征級(jí)融合算法的優(yōu)越性驗(yàn)證實(shí)驗(yàn)、與其他肺結(jié)節(jié)檢測(cè)算法的性能對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，該算法能夠在一定程度上提升特征結(jié)構(gòu)的合理性和特征表達(dá)的緊致性，從而提高肺結(jié)節(jié)的檢測(cè)正確率。

1相關(guān)理論

1.1CT肺結(jié)節(jié)ROI的特征分析及量化

ROI特征由其描述的全面性(即特征分量的維度，過少的特征描述量無法以“多視角”的方式“觀測(cè)”病灶的特性)和刻畫的準(zhǔn)確性(即反映特征真實(shí)性的程度，特征量化數(shù)值偏離真實(shí)信息較多會(huì)造成特征區(qū)分度過低)共同影響，大量的噪聲信息會(huì)降低ROI的特征提取精度，影響最終的檢測(cè)結(jié)果，因此，為全面、準(zhǔn)確地表達(dá)肺結(jié)節(jié)ROI的形態(tài)結(jié)構(gòu)、局部特性，本文在對(duì)肺結(jié)節(jié)ROI醫(yī)學(xué)征象分析的基礎(chǔ)上，提出6個(gè)新的三維特征，并結(jié)合其他形狀特征、強(qiáng)度特征、紋理特征分別從二維和三維角度對(duì)病灶進(jìn)行定性分析和定量刻畫。

1.1.1形狀特征

形狀特征是最直觀的視覺特征，能夠從幾何形狀、邊緣粗糙度、拓?fù)浣Y(jié)構(gòu)等角度表示CT肺結(jié)節(jié)ROI的圓形腫塊征、分葉征、棘狀突起征、空泡征、毛刺征等主要醫(yī)學(xué)征象，本文提取的形狀特征分量主要有：周長、面積、體積、圓形度、矩形度、伸長度、歐拉數(shù)、外接球形體積比、表面-中心距離標(biāo)準(zhǔn)差、角點(diǎn)數(shù)、Hu矩，外接長方體交線距離。

其中：外接球形體積比是三維CT影像所提取的每個(gè)ROIAi(最大直徑是dim(Ai))與其外接球形體積VS(Ai)的比值，反映了該區(qū)域與球形的相似度，如圖1b所示。

(1)

(2)

表面-中心距離標(biāo)準(zhǔn)差，是ROI表面每個(gè)體素C(Si)與區(qū)域中心Ccen(Ai)的坐標(biāo)距離標(biāo)準(zhǔn)差，其值同樣描述了ROI的類球性，如果E2(Ai)的值為0，則該區(qū)域是一個(gè)標(biāo)準(zhǔn)的球形，隨著E2(Ai)的值增大，則該區(qū)域偏離球形的幅度隨之增大，如圖1c所示。

(3)

外接長方體交線距離，是ROI中心體素Ccen(Ai)與其外接長方體6個(gè)切面的12條交線中心dim(Li)(i=1，2，…，12)的距離，可以表示該區(qū)域體素在矩形體中均勻分布的程度，如圖1d所示。

(4)

圖1　三維特征示意圖

1.1.2強(qiáng)度特征

灰度統(tǒng)計(jì)特征是用定量的方法描述二維圖像區(qū)域的最基本特征，從三維角度考慮稱之為強(qiáng)度特征[12]，本文提取的強(qiáng)度特征分量有強(qiáng)度均值、強(qiáng)度方差、最大最小強(qiáng)度差值、偏斜度、峰度、強(qiáng)度梯度(由內(nèi)向外)、拉普拉斯散度(均值、差值)。

其中：強(qiáng)度梯度(由內(nèi)向外)，對(duì)ROIAi中體積大于0的體素Si不斷地做形態(tài)學(xué)腐蝕處理，求得每一次腐蝕剔除面的均值與上一次操作的均值作比較(初始為0)，直到體積為零，如果比值為正，則k=k+1(初始為0)，其中n是腐蝕操作的次數(shù)。

(5)

拉普拉斯散度均值，根據(jù)拉普拉斯算子La與原始CT影像卷積后的結(jié)果發(fā)現(xiàn)，結(jié)節(jié)周圍灰度值差異較小的區(qū)域其散度卻有明顯的不同，因此，計(jì)算拉普拉斯散度有利于區(qū)分肺結(jié)節(jié)與干擾雜質(zhì)。

E5(Ai)=mean(Ai×La)

(6)

拉普拉斯散度距離，拉普拉斯散度的最大值與最小值的差值，描述了區(qū)域散度的變化范圍。

E6(Ai)=max(Ai×La)-min(Ai×La)

(7)

1.1.3紋理特征

強(qiáng)度特征描述了體素灰度級(jí)分布的相關(guān)信息，基于統(tǒng)計(jì)法的紋理特征是從間隔等距離的空間像素間變化關(guān)系刻畫肺結(jié)節(jié)ROI的潛在特征，本文提取了基于灰度共生矩陣(Gray-LevelCo-occurrenceMatrix，GLCM)的角二階矩、慣性矩、逆差矩、和均值、方差、和方差、差分方差、熵、熵的和、差分熵、信息測(cè)度、相關(guān)系數(shù)、最大相關(guān)系數(shù)[5]，基于Tamura紋理特征的粗糙度、對(duì)比度、方向度。

基于以上對(duì)肺結(jié)節(jié)ROI的特征描述分析，表1給出了提取的42維特征分量集合，為便于后續(xù)測(cè)試，按表1中的書寫順序?qū)ζ湟来芜M(jìn)行編號(hào)，其中形狀特征編號(hào)依次為fs1～fs18；強(qiáng)度特征編號(hào)依次為fi1～fi8；紋理特征編號(hào)依次為ft1～ft16。

表1CT肺結(jié)節(jié)ROI特征集合

特征類別特征分量維度形狀特征周長、面積、體積、圓形度、矩形度、伸長度、歐拉數(shù)、角點(diǎn)數(shù)、Hu矩(一階矩、二階矩、三階矩、四階矩、五階矩、六階矩、七階矩)、外接球形體積比、表面-中心距離標(biāo)準(zhǔn)差、外接長方體交線距離18強(qiáng)度特征灰度均值、灰度方差、偏斜度、峰度、最大最小灰度差值、強(qiáng)度梯度(由內(nèi)向外)、拉普拉斯散度均值、拉普拉斯散度差值8紋理特征Tamura紋理特征(粗糙度、對(duì)比度、方向度)、GLCM(角二階矩、慣性矩、逆差矩、和均值、方差、和方差、差分方差、熵、熵的和、差分熵、信息測(cè)度、相關(guān)系數(shù)、最大相關(guān)系數(shù))16

1.2粗糙集屬性約簡

醫(yī)學(xué)影像的特征分析有助于人為預(yù)判選取何種特征才能對(duì)ROI進(jìn)行最有效的特征表達(dá)，但當(dāng)考慮采用高維特征集合全面刻畫ROI時(shí)，人為選取特征描述的主觀性會(huì)造成特征分量信息交叉，使分類算法的性能難以到達(dá)最優(yōu)效果，剔除信息冗余的特征分量有利于構(gòu)建更具適用性、緊致性的肺結(jié)節(jié)檢測(cè)模型，因此，有效的特征降維是解決以上問題的有效途經(jīng)。主成分分析(PrincipalComponentAnalysis，PCA)作為通過特征變換的形式實(shí)現(xiàn)特征降維的常用方法，是把所有的特征分量作為一個(gè)整體進(jìn)行最優(yōu)線性投影，并不注重類別屬性的區(qū)分度，這種忽視掩蓋了非優(yōu)投影方向所存在的重要可分性信息，為彌補(bǔ)這種不足，本文采用粗糙集模型進(jìn)行屬性約簡，降低特征維度。

粗糙集作為一種刻劃不確定性和不完整性的軟計(jì)算數(shù)學(xué)工具，其特點(diǎn)是無需特征集合的先驗(yàn)知識(shí)描述，而是直接從問題的分類知識(shí)出發(fā)，在保持較高分類能力的情況下，通過不可分辨關(guān)系導(dǎo)出問題的約簡結(jié)果。其數(shù)學(xué)定義如下：

設(shè)S=(U，A，V，F(xiàn))為一信息系統(tǒng)，其中論域U={x1，x2，…，xn}，A是屬性集合，V是屬性值集合，F(xiàn)是U中對(duì)象的屬性與其屬性值的關(guān)系映射：U×A→V。

定義1令R={r1，r2，r3，…，rn}，且r≠φ，則∩r也是一個(gè)等價(jià)關(guān)系，IND(r)稱為r上的不可分辨關(guān)系，即

IND(r)={(xi， xj)∈U×U|f(xi， r)=f(xj， r) }

定義2對(duì)于任一子集ri∈R，如果IND{R-{ri}}=IND(R)，則稱ri是可以約簡掉的。通?；诖植诩膶傩约s簡并不是唯一的，即可能存在多個(gè)約簡子集。

定義3若R劃分為條件屬性C和決策屬性D，則C∪D=R，C∩D=φ，當(dāng)D以依賴度K(0≤k≤1)依賴于C，記為C=>KD。

1.3支持向量機(jī)及其優(yōu)化

SVM是一種基于統(tǒng)計(jì)理論的有監(jiān)督學(xué)習(xí)模型，其主要思想是利用給定的訓(xùn)練樣本構(gòu)造最佳分類超平面，使距離超平面最近的不同類別元素之間的距離最大化。SVM具有學(xué)習(xí)性能優(yōu)、訓(xùn)練時(shí)間短、選擇參數(shù)少、泛化能力強(qiáng)、擬合精度高等優(yōu)點(diǎn)，能夠解決線性可分和線性不可分的問題，常被用于目標(biāo)檢測(cè)，模式識(shí)別[13-14]。SVM的優(yōu)化函數(shù)和分類函數(shù)為

(8)

(9)

其中，0

(10)

懲罰系數(shù)C和核函數(shù)的參數(shù)g對(duì)SVM的分類性能有極其重要的影響，為了得到最優(yōu)分類結(jié)果，本文選用網(wǎng)格尋優(yōu)算法對(duì)其進(jìn)行優(yōu)化。網(wǎng)格尋優(yōu)算法是在一定的空間范圍中以網(wǎng)格的形式表示待搜索參數(shù)，并通過遍歷網(wǎng)格中所有的點(diǎn)來尋找最優(yōu)參數(shù)，具有簡單方便、穩(wěn)定性好、易于找出全局最優(yōu)解的優(yōu)點(diǎn)[15]。在SVM學(xué)習(xí)過程中，采用十折交叉驗(yàn)證計(jì)算出分類性能最優(yōu)的核函數(shù)參數(shù)和懲罰系數(shù)，然后把優(yōu)選結(jié)果應(yīng)用于SVM分類器進(jìn)行肺結(jié)節(jié)的識(shí)別檢測(cè)，最后選用檢測(cè)敏感性、特異性、正確率、算法耗時(shí)作為相關(guān)實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)。

2本文算法

本文選用70例肺結(jié)節(jié)患者的CT影像作為研究樣本，首先分割提取出經(jīng)過影像科醫(yī)生標(biāo)記的3種不同類型的肺結(jié)節(jié)(孤立性肺結(jié)節(jié)、血管粘附性肺結(jié)節(jié)、胸膜粘附性肺結(jié)節(jié))以及大量的非肺結(jié)節(jié)區(qū)域(血管、骨骼、肺泡等)，分別從二維和三維角度提取出刻畫ROI的形狀特征18維，強(qiáng)度特征8維，紋理特征16維，共計(jì)42維特征分量(包括本文所提的6個(gè)新的三維特征)；然后對(duì)提取的特征集合(標(biāo)識(shí)為FS)進(jìn)行數(shù)據(jù)補(bǔ)齊、離散化、歸一化處理，利用粗糙集模型對(duì)完善的特征數(shù)據(jù)進(jìn)行5次特征級(jí)融合(由于特征約簡子集不唯一，本文對(duì)提取的特征集合進(jìn)行5次約簡，分別標(biāo)識(shí)為RS1，RS2，RS3，RS4，RS5)，選用其中的一組特征子集(RS1)作為以下對(duì)比實(shí)驗(yàn)最主要的實(shí)驗(yàn)測(cè)試組；最后采用網(wǎng)格尋優(yōu)算法優(yōu)化SVM參數(shù)，并將改進(jìn)的SVM主要應(yīng)用于設(shè)定的4組對(duì)比實(shí)驗(yàn)，分別對(duì)比分析粗糙集約簡前后的特征分類有效性及穩(wěn)定性、基于粗糙集和基于PCA的特征級(jí)融合的識(shí)別性能、本文肺結(jié)節(jié)檢測(cè)算法和其他文獻(xiàn)肺結(jié)節(jié)檢測(cè)算法的識(shí)別性能。基于以上算法思想，圖2給出了基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法流程圖。

圖2　基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)流程圖

3仿真實(shí)驗(yàn)

3.1實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)所涉及的軟、硬件環(huán)境如下：

軟件環(huán)境：Windows7操作系統(tǒng)，MatlabR2014b，ImageJ1.48u，LibSVM。

硬件環(huán)境：IntelCorei5 4670-3.4GHz，8.0Gbyte內(nèi)存，500Gbyte硬盤。

實(shí)驗(yàn)數(shù)據(jù)：采用經(jīng)過影像科醫(yī)生標(biāo)記的70例肺結(jié)節(jié)患者的CT圖像(共2 232幅，其中孤立性肺結(jié)節(jié)38例，血管粘附性肺結(jié)節(jié)17例，胸膜粘附性肺結(jié)節(jié)15例)作為實(shí)驗(yàn)樣本，大小均為512×512，厚度為2mm。圖3給出了3種不同類型的肺結(jié)節(jié)以及對(duì)應(yīng)的肺結(jié)節(jié)分割結(jié)果。

圖3　肺結(jié)節(jié)分割結(jié)果

本文對(duì)標(biāo)記的70個(gè)非結(jié)節(jié)區(qū)域和隨機(jī)抽樣的70個(gè)非肺結(jié)節(jié)區(qū)域分別提取了42維特征，表2給出了肺結(jié)節(jié)區(qū)域和非肺結(jié)節(jié)區(qū)域的42維特征值，為了能夠直觀了解不同特征的特征值分布情況和區(qū)分度對(duì)比，圖4給出了肺結(jié)節(jié)區(qū)域和非肺結(jié)節(jié)的外接球形體積比和表面-中心距離標(biāo)準(zhǔn)差的箱線圖。

3.2實(shí)驗(yàn)一：基于粗糙集的特征級(jí)融合

為避免小數(shù)值范圍的屬性值被大數(shù)值范圍的屬性值所支配，同時(shí)降低統(tǒng)計(jì)計(jì)算過程中的復(fù)雜度，首先對(duì)提取的特征集合進(jìn)行數(shù)據(jù)預(yù)處理(規(guī)范化差異性較大的數(shù)據(jù)，并將數(shù)據(jù)線性映射到[0，1]之間)，然后采用粗糙集模型進(jìn)行5次特征數(shù)據(jù)融合，融合結(jié)果如表3所示。

3.3實(shí)驗(yàn)二：基于網(wǎng)格尋優(yōu)的SVM肺結(jié)節(jié)檢測(cè)

1)粗糙集約簡前后的算法有效性驗(yàn)證實(shí)驗(yàn)

本文采用十折交叉驗(yàn)證法分別計(jì)算特征集約簡

表2結(jié)節(jié)區(qū)域和非結(jié)節(jié)區(qū)域的特征值

形狀特征強(qiáng)度特征紋理特征結(jié)節(jié)區(qū)域非結(jié)節(jié)區(qū)域結(jié)節(jié)區(qū)域非結(jié)節(jié)區(qū)域結(jié)節(jié)區(qū)域非結(jié)節(jié)區(qū)域957859.0691.09878.31045.401615912814.064.487212.04112.52162841780.5956-0.395680.43030.00670.65170.2112.73481.86690.77090.72750.69612.158755.186514.34810.71690.98650.35290.77780.510.80595.38940113.959820.60440.19420.04870.31861.0295729.905354.63890.77080.72730.06861.0197——0.80595.34980.00420.0458——3.50425.09710.00210.0295——0.65140.84530.00130.0268——0.09710.61430.00050.0011——4.403382.186201——0.06915.0061149——-0.5785-0.42450.53560.5571——2.3073.22390.30720.501788————0.17380.207122————

a　外接球形體積比的箱線圖 　 b　表面-中心距離標(biāo)準(zhǔn)差的箱線圖

子集標(biāo)識(shí)約簡結(jié)果維數(shù)RS1fs4,fs16,fs17,fs18,fi2,fi4,fi6,fi7,fi8,ft2,ft4,ft5,ft6,ft7,ft8,ft9,ft10,ft11,ft13,ft14,ft15,ft1621RS2fs4,fs9,fs16,fs18,fi1,fi2,fi5,ft2,ft5,ft6,ft8,ft9,ft10,ft11,ft12,ft13,ft1517RS3fs9,fs17,fs18,fi1,fi2,fi5,fi7,fi8,ft2,ft6,ft7,ft8,ft9,ft10,ft11,ft12,ft14,ft15,ft1619RS4fs9,fs16,fs18,fi1,fi2,fi5,fi7,fi8,ft5,ft6,ft7,ft8,fy9,ft10,ft11,ft12,ft14,ft15,ft1619RS5fs9,fs16,fs17,fs18,fi1,fi2,fi4,fi5,fi7,fi8,ft2,ft5,ft6,ft7,ft8,ft9,ft10,ft12,ft15,ft1620

表4融合前后算法有效性統(tǒng)計(jì)表

階段序號(hào)正確率/%敏感性/%特異性/%算法耗時(shí)/s融合前196.4292.861001.0610291.9683.931000.6170395.5410091.070.5490489.2810078.570.5630595.5491.071000.5470698.2196.431000.5460794.6489.291000.5460895.5391.071000.5460991.9683.931000.54601097.3210096.640.5300均值94.6492.8696.430.6051融合后(RS1)11001001000.937021001001000.436031001001000.387041001001000.421051001001000.421061001001000.390071001001000.4060891.6710083.330.406091001001000.3740101001001000.3930均值99.1710098.330.4571提升幅度4.537.141.90.148

前后(粗糙集約簡后的數(shù)據(jù)集采用實(shí)驗(yàn)一得到的RS1(70×21)的分類正確率、敏感性、特異性、算法耗時(shí)等四個(gè)指標(biāo)對(duì)比分析兩者肺結(jié)節(jié)的分類識(shí)別性能，結(jié)果如表4所示。

實(shí)驗(yàn)結(jié)果表明，經(jīng)過特征級(jí)融合后的肺結(jié)節(jié)檢測(cè)正確率有明顯提高，同時(shí)降低了漏診率(敏感性提升表明肺結(jié)節(jié)檢測(cè)中出現(xiàn)假陰性的概率降低)和誤診率(特異性提升表明肺結(jié)節(jié)檢測(cè)中出現(xiàn)假陽性的概率降低)，算法耗時(shí)也有所縮減，這說明粗糙集約簡模型在本文提取的42維特征集合上進(jìn)行特征級(jí)融合是有效的，不僅提升了特征集的緊致度(消除了特征冗余和低區(qū)分度特征分量)，也修正了特征集合中的異常數(shù)據(jù)，進(jìn)一步提高了肺結(jié)節(jié)的檢測(cè)性能。表5給出了5組粗糙集約簡子集的有效性統(tǒng)計(jì)表。

2)粗糙集約簡前后的算法穩(wěn)定性驗(yàn)證實(shí)驗(yàn)

本文以不同的訓(xùn)練、測(cè)試比例(50/20、40/30、35/35、30/40、20/50)對(duì)肺結(jié)節(jié)特征數(shù)據(jù)(粗糙集約簡后的數(shù)據(jù)集采用實(shí)驗(yàn)一得到的RS1(70×21))進(jìn)行5輪分類檢測(cè)，每輪樣本根據(jù)設(shè)定的訓(xùn)練、測(cè)試比例進(jìn)行隨機(jī)抽取，統(tǒng)計(jì)10次測(cè)試結(jié)果的均值作為對(duì)應(yīng)的正確率、敏感性、特異性、算法耗時(shí)，對(duì)比結(jié)果如表6所示。

表5粗糙集約簡子集有效性統(tǒng)計(jì)表

標(biāo)識(shí)平均正確率/%平均敏感性/%平均特異性/%算法耗時(shí)/sRS199.1710098.330.4571RS297.596.6798.330.4650RS399.1710098.330.4656RS41001001000.4731RS598.3398.3398.330.4850均值98.839998.660.4672

表6算法穩(wěn)定性統(tǒng)計(jì)表

階段訓(xùn)練集/測(cè)試集正確率/%敏感性/%特異性/%算法耗時(shí)/s融合前50/2097.3594.711000.487340/3096.5393.0898.320.384635/3595.8392.3997.790.425430/4096.1695.5896.740.356020/5094.8894.6395.860.4236均值96.1594.0897.7420.4154融合后(RS1)50/2099.7199.411000.268440/3098.9699.5898.460.256835/3598.6599.2398.080.238230/4098.3798.6098.140.264620/5098.2597.6798.840.2636均值98.7998.8498.700.2583

實(shí)驗(yàn)結(jié)果表明，隨著訓(xùn)練集與測(cè)試集的比率下降，粗糙集約簡子集分類正確率的下降趨勢(shì)并不明顯，而約簡前的分類正確率卻出現(xiàn)了一定的波動(dòng)(圖5給出了更為直觀的展示)，這說明本文提出的基于粗糙集的特征級(jí)融合算法的分類穩(wěn)定性較高，不易受到樣本數(shù)據(jù)量單薄的干擾，表7給出了5組粗糙集約簡子集的穩(wěn)定性統(tǒng)計(jì)表。

圖5　約簡前后檢測(cè)正確率走勢(shì)對(duì)比圖

表7　5組粗糙集約簡子集分類對(duì)比表

3)基于粗糙集特征級(jí)融合算法的優(yōu)越性驗(yàn)證實(shí)驗(yàn)

由于PCA算法發(fā)展成熟，計(jì)算簡便，易于編程實(shí)現(xiàn)，所以也成為大多數(shù)特征級(jí)融合的首選降維方法，為對(duì)比分析兩種特征級(jí)融合算法的對(duì)比度，本文對(duì)所提特征集合同時(shí)進(jìn)行了基于PCA的特征級(jí)融合，十折交叉驗(yàn)證的各項(xiàng)指標(biāo)結(jié)果如表8所示，圖6給出了這兩種特征級(jí)融合算法的分類性能對(duì)比圖(粗糙集約簡子集的有效性數(shù)據(jù)采用表3中RS1的驗(yàn)證結(jié)果，為便于觀察，圖6中將算法耗時(shí)放大了100倍)。

表8PCA約簡子集有效性統(tǒng)計(jì)表

序號(hào)正確率/%敏感性/%特異性/%算法耗時(shí)/s191.6783.331000.9970296.7493.481000.4830396.7493.481000.4880498.9110097.830.4950593.4886.961000.4950696.7410093.480.5140796.7410093.480.5120894.5789.131000.4890997.8395.651000.49901095.6593.4897.830.5180均值95.9193.5598.260.5490

圖6　兩種特征級(jí)融合算法的對(duì)比圖

實(shí)驗(yàn)結(jié)果表明，基于粗糙集特征級(jí)融合算法的各項(xiàng)性能指標(biāo)均優(yōu)于基于PCA的特征級(jí)融合算法，這說明粗糙集比PCA更適用于消除本文所提特征的冗余信息。

4)與其他肺結(jié)節(jié)檢測(cè)算法的性能對(duì)比實(shí)驗(yàn)

這里同時(shí)采用檢測(cè)正確率和單層切片誤檢率(FalsePositivesperscan，F(xiàn)P/s)作為肺結(jié)節(jié)檢測(cè)算法的評(píng)價(jià)指標(biāo)，將本文算法與其他三種肺結(jié)節(jié)檢測(cè)算法的評(píng)價(jià)指標(biāo)(肺結(jié)節(jié)檢測(cè)算法的正確率均采用最優(yōu)檢測(cè)正確率)進(jìn)行對(duì)比分析，結(jié)果如表9所示(Pr：非公開數(shù)據(jù)庫；L：LIDC)。

表9肺結(jié)節(jié)檢測(cè)算法對(duì)比表

算法數(shù)據(jù)庫總結(jié)節(jié)數(shù)正確率/%FP/sSantos[7]L26088.41.17Netto[8]L4890.650.138Ye[9]Pr22090.28.2Tan[10]L17287.54Cascio[12]L148976.1本文算法Pr7099.170.47

實(shí)驗(yàn)結(jié)果表明，本文提出的肺結(jié)節(jié)檢測(cè)算法在一定程度上優(yōu)于其他肺結(jié)節(jié)檢測(cè)算法的識(shí)別檢測(cè)性能，這說明本文不僅通過補(bǔ)充、改進(jìn)特征分量提高了CT肺結(jié)節(jié)ROI的特征描述的全面性和刻畫的準(zhǔn)確度，而且結(jié)合粗糙集特征級(jí)融合的思想剔除了冗余特征和特征數(shù)據(jù)中的不規(guī)則信息，提升了特征集合的緊致度，從而提高了整體的肺結(jié)節(jié)檢測(cè)性能。

4小結(jié)

本文從CT影像的肺結(jié)節(jié)檢測(cè)出發(fā)，分析了肺結(jié)節(jié)檢測(cè)算法的研究現(xiàn)狀，提出了一種基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法。該算法針對(duì)特征提取過程中的特征描述不充分、刻畫不準(zhǔn)確問題，提出了六個(gè)新的三維特征，并結(jié)合其他二維、三維特征共同提取、量化ROI的特征信息，但提取的高維特征集合存在特征信息交叉的問題，本文利用粗糙集進(jìn)行特征級(jí)融合，降低了特征集合的維度，采用網(wǎng)格尋優(yōu)算法優(yōu)化SVM核函數(shù)，并以此分類器進(jìn)行檢測(cè)識(shí)別，最后采用4組對(duì)比實(shí)驗(yàn)驗(yàn)證本文算法的肺結(jié)節(jié)檢測(cè)性能。實(shí)驗(yàn)結(jié)果表明，基于粗糙集的特征級(jí)融合肺結(jié)節(jié)檢測(cè)算法是有效的，該算法的分類正確率基本能夠滿足醫(yī)學(xué)影像學(xué)對(duì)肺結(jié)節(jié)的檢測(cè)識(shí)別要求，對(duì)于肺結(jié)節(jié)的檢測(cè)以及肺癌的輔助診斷研究具有重要的價(jià)值。

參考文獻(xiàn)：

[1]RIAZSP，LüCHTENBORGM，COUPLANDVH，etal.Trendsinincidenceofsmallcelllungcancerandalllungcancer[J].Lungcancer，2012，75(3)：280-284.

[2]FERLAYJ，SOERJOMATARAMI，DIKSHITR，etal.Cancerincidenceandmortalityworldwide：sources，methodsandmajorpatternsinGLOBOCAN2012[J].InternationalJournalofCancer，2015，136(5)： 359-386.

[3]BALDWINDR.Predictionofriskoflungcancerinpopulationsandinpulmonarynodules：Significantprogresstodrivechangesinparadigms[J].Lungcancer，2015，89(1)：1-3.

[4]DICIOTTIS，PICOZZIG，F(xiàn)ALCHINIM，etal. 3-DsegmentationalgorithmofsmalllungnodulesinspiralCTimages[J].IEEEtransactionsoninformationtechnologyinbiomedicine， 2008，12(1)：7-19.

[5]THEODORIDISS，KOUTROUMBASK.Patternrecognition[M]. 李晶皎，王愛俠，王嬌，譯.北京：電子工業(yè)出版社， 2010.

[6]SAHINERB，CHANHP，HADJIISKILM，etal.EffectofCADonradiologists'detectionoflungnodulesonthoracicCTscans：analysisofanobserverperformancestudybynodulesize[C]//Proc.ofSPIE. [S.l.]：IEEEPress，2009，16(12)：1518-1530.

[7]SANTOSAM，F(xiàn)ILHOAODC，SILVAAC，etal.Automaticdetectionofsmalllungnodulesin3DCTdatausingGaussianmixturemodels，TsallisentropyandSVM[J].Engineeringapplicationsofartificialintelligence，2014(36)：27-39.

[8]NETTOSMB，SILVAAC，NUNESRA，etal.Automaticsegmentationoflungnoduleswithgrowingneuralgasandsupportvectormachine[J].Computersinbiologyandmedicine，2012，42(11)：1110-1121.

[9]YEX，LINX，DEHMESHKIJ，etal.Shape-basedcomputer-aideddetectionoflungnodulesinthoracicCTimages[J].IEEEtransactionsonbiomedicalengineering，2009，56(7)：1810-1820.

[10]TANM，DEKLERCKR，JANSENB，etal.Anovelcomputer-aidedlungnoduledetectionsystemforCTimages[J].Medicalphysics，2011，10 (38)：5630-5645.

[11]LIQ，LIF，DOIK.Computerizeddetectionoflungnodulesinthin-sectionCTimagesbyuseofselectiveenhancementfiltersandanautomatedrule-basedclassifier[J].Academicradiology，2008，15(2)：165-175.

[12]CASCIOD，MAGROR，F(xiàn)AUCIF.AutomaticdetectionoflungnodulesinCTdatasetsbasedonstable3Dmass-springmodels[J].Computersinbiologyandmedicine，2012，42： 1098-1109.

[13]RAJAR，DUTTAA，VENKATESHKS.Newpotentialfieldmethodforroughterrainpathplanningusinggeneticalgorithmfora6-wheelrover[J].Roboticsandautonomoussystems，2015，72：295-306.

[14]CHENGD，WANGJJ，WEIX，etal.TrainingmixtureofweightedSVMforobjectdetectionusingEMalgorithm[J].Neurocomputing，2015，149(B)：473-482.

[15]CHOROWSKIJ，WANGJ，ZURADAJM.ReviewandperformancecomparisonofSVM-andELM-basedclassifiers[J].Neurocomputing，2014，128：507-516.

責(zé)任編輯：閆雯雯

Lungnodulesdetectionbasedonroughsetsatfeaturelevel

ZHANGJunjie1a，ZHOUTao1b，XIAYong2，WANGWenwen1a

(1a．College of Management；1b.School of Science， Ningxia Medical University， Yinchuan 750004， China；2．School of Computer Science， Northwestern Polytechnical University， Xi’an 710100， China)

Abstract:Based on the detection of lung nodules as the research target， in terms of the two problemsof lung nodules detection algorithmat the feature level fusionthat features structure is not reasonable and feature expression is not tight， a lung nodule detection algorithm based on rough setsat feature level fusion is proposed.The algorithm firstly analyze medical signs of lung CT image， six new 3d characteristics are proposed， and other 2d and 3d features as a total of 42 features quantitative ROI； then based on rough sets to extract the feature sets for 5 times experiments； at last the grid optimization algorithm is used to optimize the kernel function of SVM as classifier to identify the lung nodules. Based on 70 cases of lung nodules in patients with lung CT images as the original data， through four groups of experiments verify the validity and stability of the algorithm， and the experimental results show that after the lung nodules detection algorithm of rough set feature level fusion effectively improved the recognition ability of lung nodules.

Key words:lung nodules detection； rough sets； feature extraction； feature reduction； SVM

中圖分類號(hào):TN911.73

文獻(xiàn)標(biāo)志碼：A

DOI：10.16280/j.videoe.2016.03.028

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目(81160183；61561040)；寧夏自然科學(xué)基金項(xiàng)目(NZ12179；NZ14085)；寧夏高等學(xué)校科研項(xiàng)目(NGY2013062) ；陜西省語音與圖像信息處理重點(diǎn)實(shí)驗(yàn)室開放課題資助項(xiàng)目(SJ2013003)

收稿日期：2015-10-19

文獻(xiàn)引用格式：張俊杰，周濤，夏勇，等. 基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法[J].電視技術(shù)，2016，40(3)：130-137.

ZHANGJJ，ZHOUT，XIAY，etal.Lungnodulesdetectionbasedonroughsetsatfeaturelevel[J].Videoengineering， 2016，40(3)：130-137.