基于改進(jìn)LVQ算法的肺結(jié)節(jié)識(shí)別與分類

呂 晨,楊長(zhǎng)春,晁 亞

(常州大學(xué) 信息科學(xué)與工程學(xué)院,江蘇 常州 213164)

基于改進(jìn)LVQ算法的肺結(jié)節(jié)識(shí)別與分類

呂 晨,楊長(zhǎng)春,晁 亞

(常州大學(xué) 信息科學(xué)與工程學(xué)院,江蘇 常州 213164)

目前，肺癌的是發(fā)病率最高的腫瘤，若能在早期發(fā)現(xiàn)癌變并進(jìn)行相應(yīng)治療，將極大地提高患者的生存率;肺癌的癥狀在早期表現(xiàn)為肺結(jié)節(jié);以提高肺結(jié)節(jié)檢測(cè)識(shí)別率并進(jìn)行良惡性分類為目的，提出了一種改進(jìn)的LVQ分類器算法;首先使用C-V算法對(duì)原始圖像進(jìn)行肺實(shí)質(zhì)分割，再使用最優(yōu)閾值法進(jìn)行感興趣區(qū)域提取，并進(jìn)行特征提取和特征歸一化;使用多次聚類算法檢測(cè)肺結(jié)節(jié);使用基于改進(jìn)的LVQ分類器進(jìn)行肺結(jié)節(jié)的良惡性進(jìn)行分類;利用改進(jìn)后的LVQ分類器在LIDC數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，得到了對(duì)良性結(jié)節(jié)的確診率為87.3%，對(duì)惡性結(jié)節(jié)的確診率為80.8%;實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法在良惡性結(jié)節(jié)分類上具有較高的確診率，有助于提高醫(yī)生的工作效率，實(shí)現(xiàn)肺結(jié)節(jié)的輔助發(fā)現(xiàn)。

肺結(jié)節(jié)； LVQ； 良惡性分類

0 引言

如今，肺癌對(duì)人類健康與生命危害不容小覷。從全球范圍來講，肺癌的發(fā)病率與死亡率都呈持續(xù)上升的趨勢(shì)[1]，如果肺癌能在早期被診斷和治療，其5年生存率將從14%上升到49%[2]。但在診斷不明確而手術(shù)切除的結(jié)節(jié)中約有一半是良性[3]。CT作為影像學(xué)無創(chuàng)檢查的一種重要手段，由于其非介入、高分辨率等特點(diǎn)，在臨床實(shí)踐中被廣泛采用。

肺癌在初期表現(xiàn)為肺結(jié)節(jié)[4-5]，所以在進(jìn)行肺癌辨別時(shí)要首先進(jìn)行肺結(jié)節(jié)檢測(cè)。在肺結(jié)節(jié)檢測(cè)方面前人已經(jīng)做了大量的研究。Jamshid等人[6]提出了使用基于形狀的GAT M( genetic-algorithm template-matching) 算法,該算法將卷積濾波作為預(yù)處理增強(qiáng)球形區(qū)域。此方法將血管截面類錯(cuò)誤結(jié)節(jié)也進(jìn)行了增強(qiáng)，所以錯(cuò)誤率高。Lilla Boroczky等人[7]采用遺傳算法對(duì)特征子集進(jìn)行選擇 , 再利用支持向量機(jī)構(gòu)造的分類器進(jìn)行分類, 分類算法是有監(jiān)督學(xué)習(xí)， 需要標(biāo)記有類信息的原始ROI 數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。但由于現(xiàn)實(shí)問題，收集到的原始數(shù)據(jù)信息量少且不全面， 使用有監(jiān)督的分類算法很難產(chǎn)生有效的分類器。

1 肺結(jié)節(jié)檢測(cè)算法

本文首先對(duì)CT圖像中的肺結(jié)節(jié)進(jìn)行檢測(cè)，再對(duì)檢測(cè)出的肺結(jié)節(jié)進(jìn)行良惡性判別。在此提出一種基于加權(quán)的LVQ肺結(jié)節(jié)良惡性分類算法來進(jìn)行分類。在預(yù)處理時(shí)首先使用C-V算法對(duì)原始圖像進(jìn)行肺實(shí)質(zhì)分割，再使用最優(yōu)閾值法提取感興趣區(qū)域。對(duì)分割出的ROI進(jìn)行特征提取并進(jìn)行特征歸一化。對(duì)提取的特征多次聚類后檢測(cè)肺結(jié)節(jié)。最后對(duì)檢測(cè)出的肺結(jié)節(jié)使用改進(jìn)的LVQ分類器進(jìn)行良惡性分類。算法流程如圖1所示。

圖1 算法流程圖

1.1 肺實(shí)質(zhì)分割

為了降低工作量，快速分割大量圖片，要進(jìn)行肺實(shí)質(zhì)分割。圖2(a)為原圖，圖2(b)為利用區(qū)域生長(zhǎng)法去除背景干擾后得到的圖片。圖2(c)是使用C-V模型跟蹤的輪廓表現(xiàn)，跟蹤的對(duì)象為二值化后的圖2(b)。圖2(d)為迭代結(jié)束后得到的肺實(shí)質(zhì)圖像。

圖2 肺實(shí)質(zhì)提取過程

(Chan-Vese)水平集模型[8]不利用梯度信息，而是通過最小化能量函數(shù)的方式來演化曲線[9]C-V模型中，沿用了對(duì)圖像“擬合”的思想。

C-V模型中，圖像定義域假設(shè)為Ω，閉合輪廓曲線C為ω?Ω的邊界，即C=?ω，設(shè)原圖像U 被任意閉合輪廓曲線Cn劃分為內(nèi)、外部?jī)蓚€(gè)同質(zhì)的區(qū)域，此時(shí)的能量泛函表示為：

(1)

式中，λ1,λ2>0是權(quán)重系數(shù)；c1,c2是常數(shù)，分別為曲線內(nèi)外部的擬合中心，即曲線內(nèi)部區(qū)域和外部區(qū)域的平均灰度。若令E1(C)=∫inside(C)|U(x,y)-c1|2dxdy，E2(C)=∫outside(C)|U(x,y)-c2|2dxdy，假設(shè)閉合輪廓曲線C在實(shí)際邊界的內(nèi)部時(shí)E1(C)≈0，E2(C)>0;閉合輪廓曲線C在實(shí)際邊界的外部時(shí), E1(C)>0，E2(C)≈0，閉合輪廓曲線C同時(shí)在實(shí)際邊界的內(nèi)、外部時(shí)，E1(C)>0，E2(C)>0。由上述描述可知，當(dāng)C=C0時(shí)公式1取最小值。

以公式(1)為基礎(chǔ)，添加長(zhǎng)度項(xiàng)和面積項(xiàng)后，得到總的圖像分割的能量泛函：

E(C，c1,c2)=λ1∫inside(C)|U(x,y)-c1|2dxdy+

λ2∫outside(C)|U(x,y)-c2|2dxdy+μLength(C)+νSa(c)

(2)

式(2)即為C-V模型。其中μ≥0，λ,1，λ2>0為權(quán)重系數(shù)。Length(C)為演化曲線(x,y)的長(zhǎng)度，Sa(c)為其內(nèi)部區(qū)域面積。Length(C)和Sa(c)的公式如下：

Length(C)=∫Ω|▽H(φ(x,y))|dxdy=

∫Ωδ(φ(x,y))|▽H(φ(x,y))|dxdy

(3)

Sa(c)=S[inside(C)]=∫ΩH(φ(x,y))dxdy

(4)

由于 C-V水平集模型基于圖像分片平滑的假設(shè)，因此引入Heaviside函數(shù)和Dirac函數(shù)[10]這樣做能使梯度下降流方程作用在所有的水平集上，從而可以自動(dòng)監(jiān)測(cè)出帶有空洞目標(biāo)的內(nèi)部區(qū)域，并且可以使能量函數(shù)達(dá)到全局極小值。其離散化表達(dá)式為：

(5)

其中，每次迭代的c1,c2值為：

(6)

(7)

由公式(2)、(5)、(6)、(7)可以推導(dǎo)出：

(8)

式中，k為曲率為：

C-V模型的優(yōu)點(diǎn)是可以自動(dòng)檢測(cè)目標(biāo)內(nèi)部的輪廓，由于本文圖像內(nèi)部結(jié)節(jié)血管較多，內(nèi)部輪廓復(fù)雜，因此在此選用C-V模型來分割肺實(shí)質(zhì)。

1.2 感興趣區(qū)域提取

由于在血管與結(jié)節(jié)的界限不明顯，因此需要進(jìn)行感興趣區(qū)域提取。常用提取ROI的方法有模糊C均值聚類方法(FCM)、K均值聚類方法[11]。本文使用最優(yōu)閾值法也可以得到相同的效果，并且算法更加簡(jiǎn)單，快速。

圖3 感興趣區(qū)域

其中所用的公式如下：

(9)

(10)

(11)

式中，(i,j)是取圖像中橫坐標(biāo)為i縱坐標(biāo)為j的點(diǎn)，其中Z(i,j)為灰度值，N(i,j)是權(quán)重系數(shù),一般取1.0。

1.3 特征提取和歸一化

1.3.1 特征提取

ROI內(nèi)有很多疑似肺結(jié)節(jié)與血管，為了檢測(cè)肺結(jié)節(jié)和良惡性分類需要對(duì)ROI中的特征進(jìn)行特征提取，ROI典型樣本如圖4所示。

圖4 ROI典型樣本

圖4中的幾類典型樣本，a1和a2為良性，a3和a4為惡性結(jié)節(jié)。b1為血管截面， b2為條形血管，b3和b4為交叉類血管。

肺結(jié)節(jié)具有很多幾何特征，例如類圓度、緊湊度、灰度值密度均衡值、細(xì)長(zhǎng)度和HU不變矩等等。在肺結(jié)節(jié)良惡性判別的過程中首先要進(jìn)行肺結(jié)節(jié)檢測(cè)，再根據(jù)檢測(cè)出的肺結(jié)節(jié)進(jìn)行良惡性鑒別。

肺結(jié)節(jié)的檢測(cè)在醫(yī)學(xué)上主要根據(jù)其圓度邊緣等特征進(jìn)行判斷，在此選用細(xì)長(zhǎng)度、類圓度、緊湊度、離散度共同進(jìn)行判定。肺結(jié)節(jié)的良惡性判斷在醫(yī)學(xué)上主要根據(jù)毛刺、分葉進(jìn)行判斷。選取類圓度、緊湊度、灰度值密度均衡值和HU不變矩共同判定。

1)細(xì)長(zhǎng)度：目標(biāo)區(qū)域的長(zhǎng)軸與短軸的比值為細(xì)長(zhǎng)度，在幾何角度觀察條形血管的細(xì)長(zhǎng)度較高，肺結(jié)節(jié)的長(zhǎng)與寬相對(duì)接近。所以細(xì)長(zhǎng)度可以作為一個(gè)特征用來區(qū)分條形血管與肺結(jié)節(jié)。計(jì)算細(xì)長(zhǎng)度如下式：

(12)

式中，c與k分別為目標(biāo)區(qū)域內(nèi)接矩形的長(zhǎng)與寬。

2)緊湊度:緊湊度既可以用來表示與圓的相似度, 也可以表示的邊緣光滑程度。惡性結(jié)節(jié)邊緣不光滑可見毛刺和分葉，因此選取緊湊度作為良惡性結(jié)節(jié)分類的一個(gè)特征。計(jì)算緊湊度的公式如下：

(13)

式中，P是區(qū)域輪廓的周長(zhǎng)。

3)類圓度：類圓度用來衡量目標(biāo)區(qū)域與圓形的相似度，以區(qū)域直徑一半的圓的面積除以區(qū)域內(nèi)像素總數(shù)來獲取。類圓度越接近1說明與形狀與圓越相似。交叉血管的類圓度明顯較低，可以用這個(gè)特征來區(qū)分交叉血管與肺結(jié)節(jié)的特征之一。計(jì)算類圓度的公式如下：

(14)

式中，area為區(qū)域像素總和。

4)離散度:離散度為目標(biāo)區(qū)域最大弦長(zhǎng)與面積之比，離散度可以體現(xiàn)區(qū)域的不規(guī)則性。肺結(jié)節(jié)在分化的中后期其周圍開始出現(xiàn)毛刺分葉狀況開始不規(guī)則，而血管截面大多比較規(guī)則。所以離散度可以作為一個(gè)特征用來與緊湊度結(jié)合區(qū)分血管截面與肺結(jié)節(jié)。計(jì)算離散度的如下式：

(15)

5)灰度值密度均衡值：灰度值密度的均衡值可以由平均灰度方差來體現(xiàn)，由于惡性結(jié)節(jié)容易出現(xiàn)中空或者鈣化，惡性結(jié)節(jié)的密度較良性結(jié)節(jié)來說更為不均衡。計(jì)算灰度方差的公式為：

(16)

其中：Ave為灰度均值。

6)Hu不變矩：

Hu不變矩有7個(gè)表征圖像區(qū)域形狀的對(duì)平移、旋轉(zhuǎn)、尺度變化保持不變的形狀不變矩，在此選用其中的4個(gè)四階矩來進(jìn)行特征分析，分別為H0、H2、H3、H4。H0表示區(qū)域面積，H2表示物體區(qū)域方向，H3表示非對(duì)稱性，H4表示峭度。

1.3.2 特征歸一化

每個(gè)特征的提取是單獨(dú)進(jìn)行的，由于各個(gè)特征的單位不同，因此不能直接將提取出的特征數(shù)據(jù)直接進(jìn)行分類處理。所以需要對(duì)特征進(jìn)行歸一化處理。在此選用離差標(biāo)準(zhǔn)化轉(zhuǎn)換方法盡量消除單位噪聲。

本文采用線性函數(shù)轉(zhuǎn)換將原始數(shù)據(jù)結(jié)果值映射到0～1之間，轉(zhuǎn)換函數(shù)為：

式中，max和min為樣本數(shù)據(jù)的最大值和最小值。

1.4 肺結(jié)節(jié)檢測(cè)

由于所有特征組成特征向量進(jìn)行一次聚類無法很好的體現(xiàn)特征優(yōu)勢(shì)。因此結(jié)合ROI的特點(diǎn)，每個(gè)特征貢獻(xiàn)的不同，在此使用K-means聚類算法對(duì)感興趣區(qū)(ROI)的細(xì)長(zhǎng)度、類圓度、緊湊度和離散度等幾何特征進(jìn)行多次聚類，從而識(shí)別出孤立性肺結(jié)節(jié)。首先利用條形血管與其他類ROI的細(xì)長(zhǎng)度不同將其在第一次聚類時(shí)排除，再利用交叉型血管與其他類ROI的類圓度不同再第二次聚類時(shí)將其排除，最后利用肺結(jié)節(jié)與血管截面等干擾ROI的離散度與緊湊度不同將肺結(jié)節(jié)檢測(cè)出來。入下圖綠色框中是逐次被排除的假陽結(jié)節(jié)。紅色框類是每次聚類別留下的結(jié)節(jié)。

圖5 肺結(jié)節(jié)檢測(cè)

檢出率=檢出的正確結(jié)節(jié)數(shù)/實(shí)際的結(jié)節(jié)數(shù)，確診率=檢出的腫瘤數(shù)/總測(cè)試數(shù)；根據(jù)醫(yī)生的確認(rèn)這232幅圖像中共有118個(gè)結(jié)節(jié)。本文檢測(cè)出正確肺結(jié)節(jié)109個(gè)，檢出率為92.3%。

2 改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)分類算法

2.1 傳統(tǒng)的LVQ分類算法

LVQ算法是在有監(jiān)督狀態(tài)下對(duì)競(jìng)爭(zhēng)層進(jìn)行訓(xùn)練的一種學(xué)習(xí)算法,它從Kohonen[12]競(jìng)爭(zhēng)算法演化而來,相比神經(jīng)網(wǎng)絡(luò)而言，LVQ具有更強(qiáng)的有效性和魯棒性。LVQ神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖6所示。

圖6 LVQ神經(jīng)網(wǎng)絡(luò)

LVQ神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則結(jié)合了競(jìng)爭(zhēng)學(xué)習(xí)和有監(jiān)督的學(xué)習(xí)規(guī)則，即需要一組正確網(wǎng)絡(luò)行為來訓(xùn)練網(wǎng)絡(luò)[13]。LVQ的學(xué)習(xí)算法如下：

1)設(shè)置變量和參量：X(n)=[x1{n},x2{n},...xN{n}]T為輸入向量(訓(xùn)練樣本)，Wi1{n}=[wi1{n},wi2{n},...wiN{n}]T。i=1,2,…,M為權(quán)值向量。選擇學(xué)習(xí)速率的函數(shù)η{n}，n為迭代次數(shù)，N為迭代總次數(shù)。

2)初始化權(quán)值向量Wi{0}及學(xué)習(xí)速率η{0}；

3)從訓(xùn)練集合中選取輸入向量X；

5)判斷分類是否正確，根據(jù)以下規(guī)則調(diào)整獲勝神經(jīng)元的權(quán)值向量：用LWc表示與獲勝神經(jīng)元權(quán)值向量聯(lián)系的類，Lxi表示與輸入向量相聯(lián)系的類。如果Lxi=Lwc，則Wc{n+1}=Wc{n}+η{n}[X-Wc{n}]，否則Wc{n+1}=Wc{n}-η{n}[X-Wc{n}]。對(duì)于其他神經(jīng)元，權(quán)值保持不變；

6)調(diào)整學(xué)習(xí)速率η{n},η{n}=η{0}{1-nN};

7)判斷迭代次數(shù)是否超過N，如果n≤N，則轉(zhuǎn)(3)，否則結(jié)束迭代。

2.2 加權(quán)改進(jìn)的LVQ分類算法

歐式距離的計(jì)算公式為：

給定V={v1,v2,v3,…vc}，(vi?V,i=1,2,…c)是聚類中心。在歐式距離公式中引入單特征分類準(zhǔn)確率，使特征對(duì)分類貢獻(xiàn)的大小在計(jì)算距離時(shí)得以體現(xiàn)。加權(quán)后的歐式距離公式為：

使用LVQ單特征分類器檢測(cè)后的分類準(zhǔn)確率見表1。

表1 單特征分類準(zhǔn)確率表

3 實(shí)驗(yàn)

實(shí)驗(yàn)數(shù)據(jù)來源于肺部影像數(shù)據(jù)庫聯(lián)盟(LungImageDatabaseConsortium，LIDC)數(shù)據(jù)集。LIDC是美國國家癌癥學(xué)會(huì)(NationalCancerInstitute,NCI)2001年資助的一個(gè)項(xiàng)目。其主要目的之一就是建立一套公認(rèn)的指南，用以創(chuàng)建肺部CT影像的數(shù)據(jù)庫，用于開發(fā)、訓(xùn)練和評(píng)價(jià)利用螺旋CT進(jìn)行肺癌檢測(cè)和診斷的計(jì)算機(jī)輔助診斷的方法[14]。

確診率=檢出的腫瘤數(shù)/總測(cè)試數(shù)，對(duì)檢測(cè)出的肺結(jié)節(jié)進(jìn)行良惡性判別，選取200幅圖片進(jìn)行分類，其中含有的良性結(jié)節(jié)183個(gè)，惡性結(jié)節(jié)153個(gè)。訓(xùn)練時(shí)選取120幅圖片，80幅為測(cè)試集以此為一組，共測(cè)試4組。統(tǒng)計(jì)的實(shí)驗(yàn)結(jié)果見表2。

表2 實(shí)驗(yàn)結(jié)果

根據(jù)實(shí)驗(yàn)可知改進(jìn)后的分類器對(duì)良性結(jié)節(jié)的確診率為87.3%，對(duì)惡性結(jié)節(jié)的確診率為80.8%。相比改進(jìn)前的LVQ分類器，提高了確診率。

4 結(jié)論

本文用使用C-V算法對(duì)原始圖像進(jìn)行肺實(shí)質(zhì)分割，再使用最優(yōu)閾值法對(duì)感興趣區(qū)域進(jìn)行提取，并進(jìn)行特征提取和特征歸一化，后使用K-means聚類算法對(duì)感興趣區(qū)(ROI)的細(xì)長(zhǎng)度、類圓度、緊湊度和離散度等幾何特征進(jìn)行多次聚類，從而識(shí)別出孤立性肺結(jié)節(jié)。利用改進(jìn)的LVQ分類器將結(jié)節(jié)的良惡性進(jìn)行分類，實(shí)驗(yàn)結(jié)果表明，該算法在良惡性結(jié)節(jié)分類上具有較高的確診率，可以作為醫(yī)生的輔助工具減少漏診的發(fā)生。算法穩(wěn)定可靠，有利于面向肺癌的計(jì)算機(jī)輔助檢測(cè)實(shí)際臨床應(yīng)用。

[1]WangK,ZhangY,LiuZ,etal.Structuralanalysisbasedonadaptivewindowforpulmonarynoduledetection[J].JournalofSouthernMedicalUniversity, 2014, 34(6):759-765.

[2]LinDT,YanCR,ChenWT.AutonomousdetectionofpulmonarynodulesonCTimageswithaneuralnetwork-basedfuzzysystem[J].ComputerizedMedicalImagingandGraphics, 2005, 29(6): 447-458.

[3] van Rens M T, Ab D L R, Elbers H R, et al. Prognostic assessment of 2,361 patients who underwent pulmonary resection for non-small cell lung cancer, stage I, II, and IIIA.[J]. Chest, 2000, 117(2):374-9.

[4] Nie S，et al.A CI feature-based pulmonary nodule segmentation using three-domain mean shift clustering [J]. Journal of East China Normal University (nature science), 2008(1):60-67.

[5] Ko J P, Betke M. Chest C T.Automated nodule detection and assessment of change over time—preliminary experience 1[J]. Radiology, 2001, 218(1): 267-273.

[6] Dehmeshki, Jamshid, et al. Automated detection of lung nodules in CT images using shape-based genetic algorithm[J]. Computerized Medical Imaging and Graphics,2007,31(6): 408-417.

[7] B?r?czky,et al. Feature subset selection for improving the performance of false positive reduction in lung nodule CAD[J].Information Technology in Biomedicine,2006, 10(3): 504-511.

[8] Chan T E, Vese L. A level set algorithm for minimizing the Mumford-Shah functional in image processing[A]. IEEE Workshop on Variational and Level Set Methods in Computer Vision, 2001. Proceedings[C]. IEEE, 2001: 161-168.

[9] Otsu N. A threshold selection method from gray-level histograms[J]. Automatica, 1975, 11(285-296): 23-27.

[10] Min C, Gibou F. Robust second-order accurate discretizations of the multi-dimensional Heaviside and Dirac delta functions[J]. Journal of Computational Physics, 2008, 227(22): 9686-9695.

[11] Gurcan M N, Sahiner B, Petrick N, et al. Lung nodule detection on thoracic computed tomography images: preliminary evaluation of a computer-aided diagnosis system[J]. Medical Physics, 2002, 29(11): 2552-2558.

[12] 劉純平. 基于 Kohonen 神經(jīng)網(wǎng)絡(luò)聚類方法在遙感分類中的比較[J]. 計(jì)算機(jī)仿真， 2006， 26(7)：1744-1746.

[13] 王 路, 張 蕾, 周彥軍,等. 基于LVQ神經(jīng)網(wǎng)絡(luò)的植物種類識(shí)別[J]. 吉林大學(xué)學(xué)報(bào):理學(xué)版, 2007, 45(3):421-426.

[14] Armato S G, Mclennan G, Mcnitt-Gray M F, et al. Lung image database consortium: developing a resource for the medical imaging research community[J]. Radiology, 2004, 232(3): 739-748.

Recognition and Classification of Pulmonary Nodules Based on Improved LVQ Algorithm

Lü Chen,Yang Changchun,Chao Ya

(School of Information Science&Engineering,Changzhou University, Changzhou 213164,China)

At present, lung cancer is the highest incidence of cancer. If canceration can be found in the early and the corresponding treatment can be done, it will greatly improve the survival rate of patients. Pulmonary nodule is the early manifestation of lung cancer. For improving the detection rate and classification of benign and malignant lung nodules, an improved LVQ classifier algorithm is proposed. Firstly, the C-V algorithm is used to do the lung parenchyma segmentation on the original images. Then, the optimal threshold method is used to extract the region of interest. Multiple clustering algorithms are used to detect pulmonary nodules after feature extraction and feature normalization. The classification of benign and malignant pulmonary nodules is carried out by an improved LVQ classifier. The improved LVQ classifier was used to carry out the experiment on LIDC data set, the diagnosis of benign nodules rate was 87.3% and the diagnosis of malignant nodules was 80.8%. The experimental results prove that the improved algorithm has a higher rate of diagnosis on the classification of benign and malignant pulmonary nodules.It will help to improve the efficiency of the doctor’s work and realize the auxiliary found of lung nodules.

pulmonary nodules; LVQ; classification of benign and malignant

2016-07-05；

2016-07-21。

呂 晨(1991-),男,江蘇南京人，碩士研究生,主要從事機(jī)器學(xué)習(xí)與人工智能方向的研究。

楊長(zhǎng)春(1963-),男,江蘇常州人，教授，主要從事信息管理與數(shù)據(jù)挖掘方向的研究。

1671-4598(2016)12-0180-04

10.16526/j.cnki.11-4762/tp.2016.12.051

TP391

A