肺部CT圖像特征的設(shè)備無關(guān)性研究

李海霞12張 擎3王 青4尹義龍35郝凡昌12

（1.山東政法學(xué)院山東省高校證據(jù)鑒識(shí)重點(diǎn)實(shí)驗(yàn)室，山東濟(jì)南 250014；2.山東政法學(xué)院信息學(xué)院，山東濟(jì)南 250014；3.山東大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東濟(jì)南 250012；4.山東大學(xué)齊魯醫(yī)院放射科，山東濟(jì)南 250101；5.山東財(cái)經(jīng)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東濟(jì)南 250014）

肺部CT圖像特征的設(shè)備無關(guān)性研究

李海霞1，2，張 擎3，王 青4，尹義龍3，5，郝凡昌1，2

（1.山東政法學(xué)院山東省高校證據(jù)鑒識(shí)重點(diǎn)實(shí)驗(yàn)室，山東濟(jì)南 250014；2.山東政法學(xué)院信息學(xué)院，山東濟(jì)南 250014；3.山東大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東濟(jì)南 250012；4.山東大學(xué)齊魯醫(yī)院放射科，山東濟(jì)南 250101；5.山東財(cái)經(jīng)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東濟(jì)南 250014）

選擇具有設(shè)備無關(guān)性的圖像特征是未得到充分關(guān)注的重要問題之一.基于計(jì)算機(jī)斷層掃描圖像上的肺部疾病分類問題，筆者研究了幾種常用的灰度和紋理特征的設(shè)備無關(guān)性，結(jié)合圖像特征的設(shè)備無關(guān)性和區(qū)分性，提出了一種特征評(píng)價(jià)準(zhǔn)則，進(jìn)行特征選擇.并在來自3個(gè)不同設(shè)備的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn).結(jié)果表明了設(shè)備無關(guān)性特征對(duì)圖像處理的重要性，同時(shí)顯示設(shè)備無關(guān)性特征可提高相關(guān)算法的通用性，并驗(yàn)證了筆者提出的特征評(píng)價(jià)準(zhǔn)則的合理性和有效性.

設(shè)備無關(guān)性；特征選擇；CT圖像；肺部疾病

隨著現(xiàn)代醫(yī)學(xué)的發(fā)展，疾病的診斷越來越多的依賴現(xiàn)代化儀器的檢查結(jié)果.如肺部疾病的診斷，主要依靠肺部的X光片，計(jì)算機(jī)斷層掃描（Computed Tomography，CT）和磁共振成像（Magnetic Resonance Imaging，MRI）等.呈現(xiàn)出多模、多源的特點(diǎn).多模醫(yī)學(xué)影像是指來自不同種類的采集設(shè)備的影像.而多源醫(yī)學(xué)影像，則是指來自同一種（比如CT機(jī)）但不同型號(hào)的設(shè)備的醫(yī)學(xué)影像.

多模、多源圖像的差異性對(duì)醫(yī)學(xué)影像的特征提取與處理提出了更高的要求.比如，如果將針對(duì)某一種具體型號(hào)CT機(jī)所設(shè)計(jì)的肺部CT影像分類算法，直接用于采集自另一種不同型號(hào)的CT機(jī)的肺部CT影像進(jìn)行分類時(shí)，分類效果可能會(huì)急劇下降，甚至完全不能工作.本質(zhì)是分類算法與具體型號(hào)的影像采集設(shè)備之間存在著依賴關(guān)系的問題.以醫(yī)學(xué)影像的病灶區(qū)分類為例，實(shí)際需求是針對(duì)同模、多源影像的某一具體病灶區(qū)分類，只研究一種分類算法（核心問題是特征選擇），使得該分類算法能夠直接用于來自不同型號(hào)設(shè)備的影像分類，且具有較好效果.如效果較好，就稱該算法具有較好的設(shè)備無關(guān)性.同樣地，醫(yī)學(xué)影像中的其他分割算法、影像檢索算法、信息挖掘算法等，只要涉及特征的定義和提取，都存在同樣性質(zhì)的問題，稱之為“特征提取的設(shè)備無關(guān)性問題”，核心是面向設(shè)備無關(guān)性問題的特征評(píng)價(jià)與特征選擇，目的是要解決算法與具體型號(hào)的影像采集設(shè)備之間存在的依賴關(guān)系問題.據(jù)知，現(xiàn)有醫(yī)學(xué)影像的特征選擇工作，基本都是從特征本身的性質(zhì)出發(fā)研究特征的選擇問題［1-6］，對(duì)于醫(yī)學(xué)影像設(shè)備無關(guān)性特征評(píng)價(jià)與特征選擇問題，國內(nèi)外尚未見到這方面工作的公開文獻(xiàn)，因此，尋找設(shè)備無關(guān)性的圖像特征就特別重要.

在生物特征識(shí)別領(lǐng)域，特別是在指紋的識(shí)別方面，有些專家學(xué)者已經(jīng)考慮到了圖像的采集設(shè)備無關(guān)性問題.美國西佛吉尼亞大學(xué)的Ross和密歇根州立大學(xué)的Jain［7］在2004年首次提出了生物特征識(shí)別中的采集設(shè)備無關(guān)性問題，提高了來自不同采集設(shè)備的同一枚指紋的圖像間的匹配性能.Yang等［8］考慮到設(shè)備無關(guān)性問題，給出了具有較好的分割效果和魯棒性的指紋圖像分割算法.2012年，Yang等［9］又提出一種基于錯(cuò)誤率和決策樹的二階特征評(píng)價(jià)方法，可有效解決指紋圖像分割中的設(shè)備無關(guān)性問題.然而關(guān)于醫(yī)學(xué)圖像處理中的設(shè)備無關(guān)問題，迄今為止，國內(nèi)外尚未見到相關(guān)研究成果.

醫(yī)學(xué)圖像處理的設(shè)備無關(guān)性指用同一種方法可對(duì)多模、多源圖像進(jìn)行分類、檢索、分割等處理，且結(jié)果差別不大.其中提取具有設(shè)備無關(guān)性的圖像的特征，是關(guān)鍵的一步.具有無關(guān)性的圖像特征，在多模、多源數(shù)據(jù)集上，圖像分類、檢索等操作應(yīng)具有相近的準(zhǔn)確率.就圖像分類這一具體應(yīng)用來說，某特征是否具有設(shè)備無關(guān)性，要看利用此特征分類來自不同設(shè)備的醫(yī)學(xué)圖像的正確率，如果分類的正確率大致相同，就認(rèn)為該特征的設(shè)備無關(guān)性較高；反之，則認(rèn)為該特征的設(shè)備無關(guān)性較低.筆者基于肺部CT圖像上的肺部疾病分類問題，研究了4個(gè)具有代表性的灰度特征和紋理特征的設(shè)備無關(guān)性.通過定義設(shè)備無關(guān)性評(píng)價(jià)標(biāo)準(zhǔn)，結(jié)合特征的分辨能力，給出了特征評(píng)價(jià)準(zhǔn)則.通過在3個(gè)采集自不同設(shè)備的數(shù)據(jù)集上的實(shí)驗(yàn)，驗(yàn)證了方法的合理性及有效性.

1 圖像特征的設(shè)備無關(guān)性研究

1.1肺部CT圖像的分類問題

肺氣腫是指終末細(xì)支氣管遠(yuǎn)端（呼吸細(xì)支氣管、肺泡管、肺泡囊和肺泡）的氣道彈性減退、過度膨脹、充氣和肺容積增大或同時(shí)伴有氣道壁破壞的病理狀態(tài).可以分為全小葉型（PAE）和小葉中心型（CLE）和間隔旁型（PSE），其CT表現(xiàn)可參見相關(guān)醫(yī)學(xué)文獻(xiàn)［10］.

正常肺CT圖像和肺氣腫CT圖像分類問題，正確率已到95%以上［11-12］.筆者重點(diǎn)分析設(shè)備無關(guān)性，因此只對(duì)正常肺和肺氣腫的CT圖像分類，不再關(guān)注肺氣腫的具體類別.從整個(gè)肺部CT圖像中截取病灶比較明顯的區(qū)域，即感興趣區(qū)（Region Of Interest，ROI）進(jìn)行分類.圖1顯示了采集自3個(gè)不同設(shè)備（來自3個(gè)不同數(shù)據(jù)集）的肺部CT圖像上提取的正常肺和肺氣腫的感興趣區(qū)域圖像.其中圖1（a）和圖1（b）分別顯示來自LS數(shù)據(jù)集的正常肺ROI和肺氣腫ROI.圖1（c）和圖1（d）顯示來自SDUL數(shù)據(jù)集的正常肺ROI和肺氣腫ROI.圖1（e）和圖1（f）顯示來自ILDs數(shù)據(jù)集的正常肺ROI和肺氣腫ROI.可以看出，不同數(shù)據(jù)集上的同類圖像，其灰度、清晰程度等特性也存在較大的差異.

圖1　采集自不同設(shè)備的CT圖像上的ROI

筆者研究肺部CT圖像上常用的4種特征:灰度直方圖特征、局部二值模式（Local Binary Patterns，LBP）、灰度共生矩陣和Tamura紋理特征的設(shè)備無關(guān)性，并采用KNN分類器進(jìn)行分類.

1.2圖像特征

灰度直方圖描述一幅圖像的全局特征，是一幅圖像的灰度統(tǒng)計(jì)量，表示灰度出現(xiàn)的頻率，這一特征具有旋轉(zhuǎn)不變性、尺度不變性和位移不變性.

LBP是一種有效的紋理描述算子、度量和提取圖像局部的紋理信息，對(duì)光照具有不變性.由Ojala等人首先給出并初步改進(jìn)［13］，改進(jìn)后可表示為其中，I表示一幅圖像，x表示中心像素點(diǎn)，xp=［-R sin（2πpP），R cos（2πpP）］T+x，表示以x為中心，以R為半徑的圓弧上第p個(gè)采樣點(diǎn)，H（·）表示赫維賽德函數(shù).Maenpaa等［14］又提出了具有旋轉(zhuǎn)不變性的LBP算子，即其中，i=0，1，2，…，P-1.RROR是循環(huán)右移操作.RROR（LLBP（x；R，P），i） 是指對(duì)式（1）得到的二進(jìn)制數(shù)LLBP（x；R，P）依次循環(huán)右移i位.根據(jù)具體的問題，LBP有很多變種［15-16］.文中的實(shí)驗(yàn)采用文獻(xiàn)［14］中的方法.

灰度共生矩陣GLCM是由Haralick首次提出的，用來評(píng)價(jià)灰度之間的空間關(guān)系特征.它通過計(jì)算圖像中一定距離和一定方向的兩點(diǎn)灰度之間的相關(guān)性，來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息.筆者利用圖像的灰度共生矩陣提取圖像的紋理特征，主要用到如下幾種常用的統(tǒng)計(jì)特征值:紋理能量、紋理慣性、紋理相關(guān)性和紋理熵.

Tamura紋理特征是Tamura以人類的主觀心理度量作為標(biāo)準(zhǔn)，提出的6個(gè)基本的紋理特征，這些特征包括粗糙度（coarseness），對(duì)比度（contrast），方向度（directionality），線像度（line-likeness），規(guī)整度（regularity）和粗糙度（roughness），其中最重要的是紋理的粗糙度，對(duì)比度和方向度.這些紋理特征很好地對(duì)應(yīng)了人類視覺感知，在許多圖像檢索系統(tǒng)中得到應(yīng)用.文中僅使用了粗糙度，對(duì)比度和方向度.

2 基于設(shè)備無關(guān)性的特征評(píng)價(jià)準(zhǔn)則

如果某特征在多源影像上，分類的正確率大致相同，就認(rèn)為該特征的設(shè)備無關(guān)性較高；反之，則認(rèn)為該特征的設(shè)備無關(guān)性較低.首先，定義通過式（3）計(jì)算某特征的設(shè)備無關(guān)性，記為E，即

在對(duì)特征進(jìn)行選擇時(shí)，要同時(shí)考慮特征的分類正確率（即特征的區(qū)分性）和特征的設(shè)備無關(guān)性.文中結(jié)合分類正確率和設(shè)備無關(guān)性這兩個(gè)指標(biāo)對(duì)特征進(jìn)行選擇，以同時(shí)保障方法的擴(kuò)展性以及性能.將特征的評(píng)價(jià)準(zhǔn)則設(shè)為f，即

3 實(shí)驗(yàn)和結(jié)果分析

3.1數(shù)據(jù)集

采用了3個(gè)采集自不同設(shè)備的肺部CT圖像數(shù)據(jù)集，一個(gè)數(shù)據(jù)集是由丹麥哥本哈根大學(xué)和根措夫特大學(xué)附屬醫(yī)院的科學(xué)家聯(lián)合提供的［11］（簡稱LS），它包括39例病人的117張肺部HRCT（High Resolution CT）切片，168個(gè)ROI.ROI分兩類:正常肺ROI圖像59幅，肺氣腫ROI圖像109幅.第2個(gè)數(shù)據(jù)集是山東大學(xué)和齊魯醫(yī)院合作建立的（簡稱SDUL），它包括17例正常肺共1 445個(gè)ROI.45例肺氣腫病共136個(gè)ROI，從中隨機(jī)選取合計(jì)168個(gè)正常肺和肺氣腫的ROI進(jìn)行實(shí)驗(yàn).第3個(gè)數(shù)據(jù)集是日內(nèi)瓦大學(xué)醫(yī)學(xué)院建立的肺間質(zhì)疾病多媒體數(shù)據(jù)庫［17］（簡稱ILDs），此數(shù)據(jù)集包括128例涉及5種肺部疾病的108張圖像.從中隨機(jī)選取了包括59個(gè)正常肺和109個(gè)肺氣腫的共168個(gè)ROI圖像.3個(gè)數(shù)據(jù)集的具體參數(shù)見表1.

表1　肺部CT圖像數(shù)據(jù)集的參數(shù)列表

3.2實(shí)驗(yàn)方法、過程及結(jié)果分析

采用1.2節(jié)描述的4種圖像特征.其中LBP特征提取ROI內(nèi)所有像素LBP值的直方圖.灰度共生矩陣使用紋理能量、紋理慣性、紋理相關(guān)性和紋理熵4個(gè)統(tǒng)計(jì)特征.Tamura使用粗糙度、對(duì)比度和方向度3個(gè)基本的紋理特征.采用KNN分類方法進(jìn)行分類，ROI之間的距離為直方圖或者特征之間的歐氏距離.具體地，采用100次十折交叉驗(yàn)證求平均值的方法驗(yàn)證分類正確率.各特征在3個(gè)數(shù)據(jù)集上的分類正確率結(jié)果如圖2所示.

從圖2中可以清楚看到，各特征在不同的數(shù)據(jù)庫上得到的性能普遍存在差異，有的特征（如LBP）差異較小，而有的特征（如GLCM）差異較大.這充分說明了研究設(shè)備無關(guān)性問題的必要性.從圖2可以看出，就在3個(gè)數(shù)據(jù)集上總的分類準(zhǔn)確率而言，灰度直方圖特征性能是最好的，但灰度直方圖特征在3個(gè)數(shù)據(jù)集的性能差別較大，由此推斷灰度直方圖特征的設(shè)備無關(guān)性較差.LBP雖不是性能最好的特征，但是在3個(gè)數(shù)據(jù)集上的準(zhǔn)確率差別不大，可見LBP的設(shè)備無關(guān)性較高.

圖2　不同數(shù)據(jù)集上的分類正確率

圖3　分類正確率、設(shè)備無關(guān)性和總性能比較

圖4　f和w的關(guān)系

特征選擇的時(shí)候權(quán)重w根據(jù)實(shí)際的問題由經(jīng)驗(yàn)確定，w越大，表明給與特征的分辨能力更多的重視，反之，w越小，說明在應(yīng)用中更看重特征的設(shè)備無關(guān)性.在已知分類正確率和設(shè)備無關(guān)性的前提下，w的變化對(duì)f值的影響如圖4所示.

從圖4可以看出，在4個(gè)特征中，LBP與Intensity特征評(píng)價(jià)高于另外兩個(gè)特征.Tamura特征與GLCM特征的評(píng)價(jià)值偏低主要因?yàn)閮蓚€(gè)特征的分類準(zhǔn)確率較低，在文中的評(píng)價(jià)準(zhǔn)則下，雖然考慮了設(shè)備無關(guān)性，但分類正確率普遍較低的特征也不會(huì)得到好的評(píng)價(jià).隨著w值的變化，LBP和Intensity兩個(gè)特征的評(píng)價(jià)值交替成為最高值.在更注重設(shè)備無關(guān)性的情況下，LBP特征的評(píng)價(jià)高于Intensity特征，反之，在更注重分類準(zhǔn)確率的情況下，Intensity特征獲得更高評(píng)價(jià).文中提出的特征評(píng)價(jià)準(zhǔn)則在平衡兩者之間起到了作用.

4 結(jié)束語

筆者首次提出在醫(yī)學(xué)圖像的分類、檢索等應(yīng)用問題中，有關(guān)圖像特征的設(shè)備無關(guān)性的重要性.具體研究了有代表性的4個(gè)圖像特征的設(shè)備無關(guān)性，結(jié)合特征的分辨能力和設(shè)備無關(guān)性，提出一種特征評(píng)價(jià)準(zhǔn)則.通過在3個(gè)采集自不同設(shè)備的數(shù)據(jù)集上的實(shí)驗(yàn)，驗(yàn)證了同一特征在不同數(shù)據(jù)集上確實(shí)存在較明顯的性能差異，說明了對(duì)設(shè)備無關(guān)性進(jìn)行研究的必要性.實(shí)驗(yàn)結(jié)果同時(shí)表明，在這些特征中，對(duì)于肺氣腫CT圖像的分類，LBP特征同時(shí)具有較好的分類性能和設(shè)備無關(guān)性，灰度直方圖特征雖然具有較好的識(shí)別性能，但是設(shè)備無關(guān)性較差.如果只考慮識(shí)別準(zhǔn)確率，則最好的特征是灰度直方圖特征，但是基于文中提出的特征評(píng)價(jià)準(zhǔn)則，同時(shí)考慮準(zhǔn)確性和通用性時(shí)，LBP特征具有比灰度直方圖更高的評(píng)價(jià).

盡管上述面向設(shè)備無關(guān)性的特征評(píng)價(jià)與特征選擇研究方案是用同模、多源肺部CT影像的分類這樣一個(gè)具體問題來研究的，但其本質(zhì)上這種特征設(shè)備無關(guān)性評(píng)價(jià)的思想，可用來指導(dǎo)解決影像識(shí)別、影像分割、影像檢索、信息挖掘中各類算法涉及的設(shè)備無關(guān)性問題.只是不同的處理任務(wù)（識(shí)別、分割、檢索、挖掘等）、不同層面的影像實(shí)體（整幅影像、器官或組織、ROI等），所使用的具體特征都會(huì)有所不同而已.另外，在X光片、MRI等其他醫(yī)學(xué)影像上也具有相同的價(jià)值.

在將來的工作中，將在考慮特征的設(shè)備無關(guān)性問題的同時(shí)，進(jìn)一步考慮特征之間的相互關(guān)系，從而研究更加合理的特征評(píng)價(jià)準(zhǔn)則.

［1］曹蕾.肺結(jié)節(jié)圖像的分析與識(shí)別［D］.廣州:南方醫(yī)科大學(xué)，2009.

［2］WANG J J Y，BENSMAIL H，GAO X.Feature Selection and Multi-kernel Learning For Sparse Representation on a Manifold［J］.Neural Networks，2014，51（3）:9-16.

［3］PUSHPALATA P，JYOTI B G.Improving Classification Accuracy by Using Feature Selection and Ensemble Model ［J］.International Journal of Soft Computing and Engineering，2012，2（2）:380-386.

［4］RASHEDI E，NEZAMABADI-POUR H，SARYAZDI S.A Simultaneous Feature Adaptation and Feature Selection Method for Content-based Image Retrieval Systems［J］.Knowledge Based Systems，2013，39（2）:85-94.

［5］da SILVA S R F，RIBEIRO M X，BATISTA NETO J E S，et al.Improving the Ranking Quality of Medical Image Retrieval Using a Genetic Feature Selection Method［J］.Decision Support Systems，2011，51（4）:810-820.

［6］SOHAIL A S M，BHATTACHARYA P，MUDUR S P，et al.Classification of Ultrasound Medical Images Using Distance Based Feature Selection and Fuzzy-SVM［J］.Pattern Recognition and Image Analysis，2011，6669（1）:176-183.

［7］ROSS A，JAIN A.Biometric Sensor Interoperability:a Case Study in Fingerprints［C］//Lecture Notes in Computer Science:3087.Berlin:Springer-Verlag，2004:134-145.

［8］YANG G P，ZHOU G T，YIN Y L，et al.K-means Based Fingerprint Segmentation with Sensor Interoperability［J］. EURASIP Journal on Advances in Signal Processing，2010，4:495-502.

［9］YANG G P，LI Y，YIN Y L，et al.Two-level Evaluation on Sensor Interoperability of Features in Fingerprint Image Segmentation［J］.Sensors，2012，12（3）:3186-3199.

［10］劉巖，王鐵人，孟建華，等.肺氣腫的CT表現(xiàn)及診斷價(jià)值［J］.中外醫(yī)療，2008，27（19）:122-123. LIU Yan，WANG Tieren，MENG Jianhua，et al.CT Manifestations and Diagnostic Value of Pulmonary Emphysema ［J］.China Foreign Medical Treatment，2008，27（19）:122-123.

［11］S?RENSEN L，SHAKER S B，de BRUIJNE M.Quantitative Analysis of Pulmonary Emphysema Using Local Binary Patterns［J］.IEEE Transactions on Medical Imaging，2010，29（2）:559-569.

［12］DHARMAGUNAWARDHANA C，MAHMOOD S，BENNETT M，et al.Quantitative Analysis of Pulmonary Emphysema Using Isotropic Gaussian Markov Random Fields［C］//Proceedings of the 9th International Conference on Computer Vision Theory and Applications.Setubal:SciTe Press，2014:44-53.

［13］OJALA T，PIETIKAINEN M，MAENPAA T.Multiresolution Gray-scale and Rotation Invariant Texture Classification with Local Binary Patterns［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）:971-987.

［14］PIETIK?INEN M，OJALA T，XU Z.Rotation-invariant Texture Classification Using Feature Distributions［J］. Pattern Recognition，2000，33（1）:43-52.

［15］CHU Y，WANG Y，ZHU J，et al.A Webber Local Binary Pattern Descriptor for Pancreas Endoscopic Ultrasound Image Classification［C］//Proceedings of IEEE Workshop on Electronics，Computer and Applications.Piscataway:IEEE Computer Society，2014:836-839.

［16］劉曉佩，盧朝陽，李靜.結(jié)合WTLBP特征和SVM的復(fù)雜場景文本定位方法［J］.西安電子科技大學(xué)學(xué)報(bào)，2012，39 （4）:103-108. LIU Xiaopei，LU Zhaoyang，LI Jing.Complex Scene Text Location Method Based on WTLBP and SVM［J］.Journal of Xidian University，2012，39（4）:103-108.

［17］DEPEURSINGE A，VARGAS A，PLATON A，et al.Building a Reference Multimedia Database for Interstitial Lung Diseases［J］.Computerized Medical Imaging and Graphics，2012，36（3）:227-238.

（編輯:王 瑞）

Study of sensor interoperability of features on lung CT images

LI Haixia1，2，ZHANG Qing3，WANG Qing4，YIN Yilong3，5，HAO Fanchang1，2
（1.Evidence Forensic Lab.in Colleges and Univ.of Shandong Province，Shandong Univ.of Political Science and Law，Jinan 250014，China；2.School of Information，Shandong Univ.of Political Science and Law，Jinan 250014，China；3.School of Computer Science and Technology，Shandong Univ.，Jinan 250101，China；4. Radiology department of Qilu hospital of Shandong Univ.，Jinan 250012；5.School of Computer Science and Technology，Shandong Univ.of Finance and Economics，Jinan 250014，China）

Selecting features with high sensor interoperability is of great importance but it is not been investigated enough.Based on the application of classifying lung diseases on CT（Computed Tomography）images，the sensor interoperability of 4 features is studied.An evaluation criterion is proposed to select features by considering interoperability and discrimination ability of features.After doing experiments on 3 different datasets，it is shown that sensor interoperability affects the disease recognition or information retrieval methods.Moreover，the rationality and effectiveness of the proposed feature evaluation criterion is verified.

sensor interoperability；feature election；computed tomography；lung disease

TP391

A

1001-2400（2016）01-0157-05

10.3969/j.issn.1001-2400.2016.01.028

2014-10-10 網(wǎng)絡(luò)出版時(shí)間：2015-04-14

NSFC-廣東聯(lián)合基金資助項(xiàng)目（U1201258）；高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助項(xiàng)目（20110131130004）；山東省高校證據(jù)鑒識(shí)重點(diǎn)實(shí)驗(yàn)室（山東政法學(xué)院）開放課題資助項(xiàng)目（KFKT（SUPL）-201409）；山東政法學(xué)院科研資助項(xiàng)目（2012Z23B）

李海霞（1976-），女，副教授，博士，E-mail:lihaixiajinan@gmail.com.

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/61.1076.TN.20150414.2046.028.html