基于集成DE-NRS的肺部腫瘤影像組學(xué)計(jì)算機(jī)輔助診斷模型

任海玲 周 濤，2，3* 霍兵強(qiáng)

1(寧夏醫(yī)科大學(xué)公共衛(wèi)生與管理學(xué)院 寧夏 銀川 750004)2(寧夏醫(yī)科大學(xué)理學(xué)院 寧夏 銀川 750004)3(寧夏智能信息與大數(shù)據(jù)處理重點(diǎn)實(shí)驗(yàn)室 寧夏 銀川 750021)4(北方民族大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院 寧夏 銀川 750004)

0 引 言

據(jù)2018年世界衛(wèi)生組織下屬國(guó)際癌癥研究機(jī)構(gòu)(IARC)發(fā)布的《全球癌癥報(bào)告》[1]：肺癌是人類發(fā)病率及死亡率最高的癌癥，對(duì)人類的生命健康造成巨大威脅。醫(yī)學(xué)影像是肺部腫瘤診斷的重要參考依據(jù)，能為肺部腫瘤良惡性識(shí)別等提供全面的評(píng)估信息，輔助醫(yī)生提高肺部腫瘤良惡性識(shí)別精度。其中，CT[2]通過血管的對(duì)比造影清晰地顯示縱隔和肺門部的解剖結(jié)構(gòu)，能夠精確定位病灶及顯示病灶細(xì)微結(jié)構(gòu)變化；PET采用正電子核素作為示蹤劑，通過病灶部位對(duì)示蹤劑的攝取了解病灶功能代謝狀態(tài)，可以從分子水平反映全身各臟器功能、代謝等病理特征[3]；PET/CT[4]將CT解剖成像和PET功能成像進(jìn)行融合，能夠全面發(fā)現(xiàn)病灶，精確定位及判斷病灶良惡性。

粗糙集理論(rough set，RS)是波蘭學(xué)者Pawlak[5]提出的處理不精確、不一致數(shù)據(jù)的工具，它能夠基于各類數(shù)據(jù)本身所提供的信息利用等價(jià)關(guān)系、上下近似等對(duì)知識(shí)進(jìn)行劃分，具有優(yōu)良的知識(shí)提取和屬性約簡(jiǎn)能力。經(jīng)典粗糙集利用絕對(duì)等價(jià)關(guān)系對(duì)知識(shí)進(jìn)行獲取，容錯(cuò)性差。變精度粗糙集[6]通過引入分類錯(cuò)誤率β，具有一定的容錯(cuò)能力，但僅憑人的經(jīng)驗(yàn)來指定某個(gè)值，具有隨機(jī)性。貝葉斯粗糙集[7]、決策粗糙集[8]等RS擴(kuò)展模型對(duì)錯(cuò)誤率進(jìn)行了泛化，具有客觀性。但是，以上粗糙集模型都只能處理離散數(shù)據(jù)，對(duì)于現(xiàn)實(shí)生活生產(chǎn)存在的連續(xù)型數(shù)據(jù)不能直接處理。在醫(yī)療、金融、科研等領(lǐng)域，如基于醫(yī)學(xué)影像圖像的計(jì)算機(jī)輔助診斷領(lǐng)域，存在著大量連續(xù)型數(shù)據(jù)，包括屬性約簡(jiǎn)處理的諸如粗糙度、周長(zhǎng)、面積、方差、均值等。通常的解決手段是采用離散化算法把數(shù)值型轉(zhuǎn)換為離散型[9]，但數(shù)據(jù)的轉(zhuǎn)換會(huì)導(dǎo)致其信息的丟失，而計(jì)算處理的結(jié)果很大程度上取決于數(shù)據(jù)轉(zhuǎn)換的效果。針對(duì)上述問題，文獻(xiàn)[10]基于鄰域?；痛植诒平岢隽肃徲虼植诩?Neighborhood Rough Set ,NRS)，可以直接處理連續(xù)型數(shù)據(jù)，且具有一定的容錯(cuò)能力。近年來，徐久成等[11]提出一種基于鄰域粗糙集和粒子群優(yōu)化的特征基因選擇算法；王效俐等[12]為提高醫(yī)療決策的效率和有效性，建立了鄰域粗糙集融合貝葉斯神經(jīng)網(wǎng)絡(luò)的組合醫(yī)療決策模型，對(duì)智能醫(yī)療行業(yè)的發(fā)展有重要意義。

差分進(jìn)化(Differential evolution，DE)算法[13]是解決實(shí)值變量問題的有效算法之一，群體搜索與協(xié)同搜索相結(jié)合，具有結(jié)構(gòu)簡(jiǎn)單易于使用的優(yōu)點(diǎn)[14]。集成學(xué)習(xí)[15]通過一定的規(guī)則生成多個(gè)具有同性質(zhì)且又存在差異的個(gè)體學(xué)習(xí)器，然后采用某種集成策略整合所有個(gè)體學(xué)習(xí)器的預(yù)測(cè)結(jié)果，最后綜合判斷并獲得比單個(gè)個(gè)體學(xué)習(xí)器更為客觀、準(zhǔn)確的預(yù)測(cè)結(jié)果。

本文首先以肺部腫瘤醫(yī)學(xué)影像組學(xué)[16]為基礎(chǔ)，結(jié)合DE與NRS算法，分別搭建了屬性約簡(jiǎn)模型(CT-DE-NRS、PET-DE-NRS、PET/CT-DE-NRS)；其次，利用SVM分類器分別對(duì)三個(gè)單一屬性約簡(jiǎn)模型得到的屬性約簡(jiǎn)結(jié)果進(jìn)行肺部腫瘤良惡性識(shí)別準(zhǔn)確率檢測(cè)；最后采用相對(duì)多數(shù)投票決策策略整合三個(gè)SVM個(gè)體分類器的預(yù)測(cè)結(jié)果，從而得到較為客觀的肺部腫瘤良惡性識(shí)別預(yù)測(cè)結(jié)果。

1 基礎(chǔ)知識(shí)

1.1 差分進(jìn)化算法

DE是一類基于種群的啟發(fā)式全局搜索技術(shù)，具有原理簡(jiǎn)單、受控參數(shù)少、對(duì)于連續(xù)型參數(shù)的優(yōu)化有較好的魯棒性等優(yōu)點(diǎn)[17]。首先，從初始化種群中隨機(jī)選擇兩個(gè)個(gè)體向量進(jìn)行差分處理得到差分向量；其次，差分向量對(duì)第三隨機(jī)目標(biāo)向量進(jìn)行擾動(dòng)得到變異向量；然后，變異向量與目標(biāo)向量進(jìn)行雜交得到試驗(yàn)向量；最后選擇目標(biāo)向量和試驗(yàn)向量中較優(yōu)者保存在下一代群體中，即：初始化、變異、交叉、選擇。

1.2 鄰域粗糙集

Pawlak[5]提出的RS以離散數(shù)據(jù)為研究對(duì)象，對(duì)于連續(xù)型數(shù)據(jù)需先進(jìn)行離散化預(yù)處理，而經(jīng)離散化后的數(shù)據(jù)存在信息丟失問題。鄰域粗糙集利用鄰域關(guān)系代替等價(jià)關(guān)系，有效地避免了數(shù)據(jù)離散化對(duì)數(shù)據(jù)精準(zhǔn)性的影響?；径x如下：

定義1 鄰域。給定決策信息系統(tǒng)DS=(U,C,D,V,F)，論域U={x1,x2,…,xn}，條件屬性集C={c1,c2,…,cn}，決策屬性D={d1,d2,…,dn},?B?C,?xi∈U,xi的B鄰域δB(xi)表示如下：

δB(xi)={xj|xj∈U,ΔB(xi,xj)<δ}

(1)

式中：ΔB(xi,xj)用于計(jì)算xi與xj之間的距離，表示對(duì)象xi與xj之間的相似程度；Δ表示對(duì)象屬性距離的計(jì)算函數(shù)。常見的距離計(jì)算函數(shù)是曼哈頓距離函數(shù)，如下：

(2)

式中：f(xi,ak)表示xi的第i個(gè)屬性的值；N表示屬性個(gè)數(shù)；xi的B鄰域是指在論域U中，所有與xi之間距離小于鄰域大小δ的樣本集合。

定義2 鄰域的上、下近似。任意樣本子集X?U,X在B上的上近似和下近似如下：

(3)

(4)

由此得出X的邊界域BN(X)為：

(5)

依據(jù)經(jīng)典粗糙集定義規(guī)則，X的下近似定義為正域，與X完全無關(guān)的域?yàn)樨?fù)域，即：

(6)

(7)

定義3 鄰域決策系統(tǒng)的上近似和下近似。給定鄰域決策信息系統(tǒng)NSD=(U,C∪D),決策屬性D將論域U劃分為N的等價(jià)類(X1,X2,…,Xn),?B?C,則決策屬性D關(guān)于子集B的上、下近似分別為：

(8)

(9)

式中：

(10)

(11)

同樣可以得到鄰域決策系統(tǒng)的邊界域?yàn)椋?/p>

(12)

鄰域決策系統(tǒng)的正域和負(fù)域分別為：

(13)

(14)

決策屬性D對(duì)條件屬性C的依賴度為：

(15)

由式(15)可得依賴度KD是單調(diào)的，若B1?B2?…?A,λB1(D)≤λB2(D)≤…≤λA(D)。

屬性ci在屬性集C相對(duì)于決策屬性D的重要度可定義為：

SIG(ci,C,D)=rC(D)-rC-{ci}(D)

(16)

定義4 相對(duì)約簡(jiǎn)。鄰域決策系統(tǒng)NDS=(U,C∪D),B?C,如果滿足以下條件，則稱屬性子集B是C的一個(gè)相對(duì)約簡(jiǎn)。

(1)rB(D)=rC(D),即PosB(D)=PosC(D)，子集B與C具有相同的分類能力。

(2) ?C?B,rB(D)>rB-{c}(D)，屬性子集B中沒有冗余屬性。

1.3 集成學(xué)習(xí)

集成學(xué)習(xí)[18]通過一定的規(guī)則生成多個(gè)具有同性質(zhì)且又存在差異的個(gè)體學(xué)習(xí)器，然后采用某種集成策略整合所有個(gè)體學(xué)習(xí)器的預(yù)測(cè)結(jié)果，最后綜合判斷并獲得比單個(gè)個(gè)體學(xué)習(xí)器更為客觀、準(zhǔn)確的預(yù)測(cè)結(jié)果，且在大多數(shù)情況下可以顯著提高學(xué)習(xí)系統(tǒng)的泛化能力。

2 診斷模型構(gòu)建

2.1 模型算法流程

首先獲取肺部CT、PET、PET/CT醫(yī)學(xué)影像圖像；其次，對(duì)圖像進(jìn)行病灶區(qū)(region of interest，ROI)截取與分割預(yù)處理；再次，對(duì)預(yù)處理后的圖像進(jìn)行特征提取，形成CT、PET、PET/CT特征庫；然后，基于DE與NRS構(gòu)建屬性約簡(jiǎn)模型，得到CT、PET、PET/CT特征子集；基于SVM分類器模型，搭建肺部CT、PET、PET/CT個(gè)體分類器；最后，采取相對(duì)多數(shù)投票準(zhǔn)則對(duì)三個(gè)個(gè)體分類器做集成學(xué)習(xí)，得到該模型的最后結(jié)果。具體模型流程如圖1所示。

圖1 本文功能流程圖

2.2 診斷模型算法實(shí)現(xiàn)

2.2.1 算法步驟

Step 1 獲取數(shù)據(jù)。從寧夏某三甲醫(yī)院獲取帶有良惡性標(biāo)記的肺部腫瘤患者的肺部CT、PET、PET/CT影像圖像各3 000例，其中：良性1 500例，惡性1 500例。

Step 2 ROI截取。以同一患者的三模態(tài)(CT、PET、PET/CT)醫(yī)學(xué)影像圖像為研究樣本，將具有較強(qiáng)區(qū)分能力的子圖處理為50×50像素的ROI區(qū)域。

Step 3 圖像分割。為準(zhǔn)確測(cè)量肺部腫瘤的周長(zhǎng)、面積、紋理等特征，選擇不受圖像對(duì)比度和亮度影響且具有準(zhǔn)確、穩(wěn)定優(yōu)點(diǎn)的OTSU算法對(duì)ROI區(qū)域進(jìn)行圖像分割預(yù)處理。肺部腫瘤CT、PET、PET/CT醫(yī)學(xué)影像圖像分割前后的對(duì)比如圖2所示。

圖2 分割前后的對(duì)比如圖

Step 4 特征提取。對(duì)分割后的肺部腫瘤CT-ROI、PET-ROI、PET/CT-ROI進(jìn)行形狀、角點(diǎn)、Hu矩陣、小波、統(tǒng)計(jì)、幾何、灰度共生矩陣等特征的提取，其中：CT和PET/CT分別共提取104維條件屬性特征和1維決策屬性特征；PET是功能成像，難以提取周長(zhǎng)、面積等幾何特征，故共提取98維條件屬性特征和1維決策屬性特征?；诜尾磕[瘤三模態(tài)醫(yī)學(xué)影像圖像的特征提取集合見表1。

表1 CT、PET、PET/CT三模態(tài)肺部影像特征集合

Step 5 基于DE與NRS的屬性約簡(jiǎn)。屬性約簡(jiǎn)的基本思想是在不影響決策信息系統(tǒng)的分類和決策能力條件下，刪除其中不相關(guān)或不重要的屬性，得到最優(yōu)屬性約簡(jiǎn)子集?；诮?jīng)典粗糙集的屬性約簡(jiǎn)算法是通過絕對(duì)等價(jià)關(guān)系對(duì)知識(shí)進(jìn)行處理，容錯(cuò)性差；經(jīng)典粗糙集只能處理離散數(shù)據(jù)，不能處理本文的連續(xù)型數(shù)據(jù)?；谝陨显?，本文結(jié)合DE與NRS進(jìn)行屬性約簡(jiǎn)，降低特征屬性的維度，提高分類學(xué)習(xí)算法的性能，簡(jiǎn)化數(shù)據(jù)描述和避免過擬合。具體步驟如下：

(1) 設(shè)定種群規(guī)模和進(jìn)化代數(shù)：本文種群規(guī)模520，進(jìn)化代數(shù)取值200。

(2) 隨機(jī)生成初始種群:隨機(jī)生成NP個(gè)初始種群。

(3) 構(gòu)造適應(yīng)度函數(shù)：合理且有效的適應(yīng)度函數(shù)決定DE搜索方向和進(jìn)化結(jié)果的好壞，適應(yīng)度值是判斷個(gè)體性能的重要指標(biāo)。本文從屬性重要度和約簡(jiǎn)數(shù)量?jī)煞矫婵紤]，構(gòu)造適應(yīng)度函數(shù)進(jìn)行DE尋優(yōu)，找到最優(yōu)屬性約簡(jiǎn)子集，適應(yīng)度函數(shù)為：

F(x)=-w1×target1-w2×target2

(17)

式中：target1=SIG(ci,C,D)是基于NRS計(jì)算的屬性重要度；target2=(|C|-|Lr|)/|C|,|C|表示由0、1構(gòu)成的條件屬性個(gè)數(shù)，|Lr|表示條件屬性中值為1的個(gè)數(shù)。適應(yīng)度函數(shù)值越小越好。

(4) 變異：變異操作使用差分策略，即從初始化種群中隨機(jī)選擇兩個(gè)個(gè)體向量進(jìn)行差分處理得到差分向量，再利用差分向量對(duì)第三隨機(jī)目標(biāo)向量進(jìn)行擾動(dòng)得到變異向量。例如對(duì)目標(biāo)向量σ的變異操作：從當(dāng)前種群中隨機(jī)選擇三個(gè)向量xr1(t)、xr2(t)、xr3(t)，對(duì)其中兩個(gè)向量的差值進(jìn)行縮放，并與第三個(gè)向量相加得到一個(gè)變異向量Vi(t)：

Vi(t)=xr1(t)+F(xr2(t)-xr3(t))

(18)

式中：F為DE的縮放因子，取值范圍為[0,1]。

(5) 交叉：差分進(jìn)化算法中的雜交算子采用目標(biāo)向量和變異向量進(jìn)行操作：

(19)

式中：j∈{1,2,…，D}；rand[0,1]是[0,1]之間的隨機(jī)數(shù)；CR是交叉概率，取值范圍[0,1]。

(6) 選擇：DE的選擇策略是一種基于貪婪的選擇機(jī)制。若試驗(yàn)向量ui(t) 的適應(yīng)度值優(yōu)于目標(biāo)向量Vi(t)的值，則保留到下一代種群，否則保留Vi(t)。

Step 6 基于DE-NRS構(gòu)造個(gè)體分類器。將上述基于DE、NRS得到的屬性約簡(jiǎn)結(jié)果， 基于三個(gè)模態(tài)(CT、PET、PET/CT)肺部腫瘤醫(yī)學(xué)影像圖像構(gòu)成的樣本空間建立三個(gè)相對(duì)獨(dú)立的DE-NRS個(gè)體分類器(CT-DE-NRS、PET-DE-NRS、PET/CT-DE-NRS)。

Step 7 基于DE-NRS的集成學(xué)習(xí)計(jì)算機(jī)輔助診斷模型。采用相對(duì)多數(shù)投票法集成三個(gè)DE-NRS模型得到的肺部腫瘤識(shí)別結(jié)果。從靈敏性、特異性、識(shí)別精度、馬修相關(guān)系數(shù)四個(gè)方面比較三個(gè)單一DE-NRS模型個(gè)體分類器和集成DE-NRS在肺部腫瘤計(jì)算機(jī)輔助診斷中的整體性能。

2.2.2 算法偽代碼

基于DE-NRS屬性約簡(jiǎn)算法的偽代碼如下：

算法輸入：決策信息表(其中：CT和PET/CT包括104維條件屬性特征和1維決策屬性特征；PET包括98維條件屬性特征和1維決策屬性特征)；測(cè)試樣本parnum；鄰域半徑lambda；權(quán)重值weight；種群數(shù)目popsize；進(jìn)化代數(shù)maxgen；交叉系數(shù)CR；變異系數(shù)F；

算法輸出：約簡(jiǎn)后屬性值features；約簡(jiǎn)后屬性長(zhǎng)度fnum；適應(yīng)度值。

算法步驟：

Main

//主函數(shù)

For k=1:dim

Dis=bsxfun(@minus,data_scale(:,k),data_scale(:,k)’);

flagMat(:,:,k)=abs(dis)<=delta(k);

end

myDE

//差分進(jìn)化算法

for gen=1:maxgen;

for p =1:popsize;

r = randperm(popsize,3);

while any(r == p)

r = randperm(popsize,3);

end

trailVar = popVar(r(1),:) + F*(popVar(r(2),:)-popVar(r(3),:));

trailVar = min(max(trailVar,low),up);

idx = rand(1,dim) < CR;

idx(randi(dim))=1;

mutVar=trailVar.*idx+popVar(p,:).*(1-idx); mutObj=myfun(mutVar);

if mutObj<=popObj(p,:)

popVar(p,:)=mutVar;

popObj(p,:)=mutObj;

end

end

myfun

//基于鄰域粗糙集的屬性重要度求解算法

if(isempty(C));

gama = 0;

return;

end

posCD = PositiveRegion(U,C,D);

gama = length(posCD)/length(U);

end

肺部腫瘤良惡性識(shí)別SVM個(gè)體分類器算法的偽代碼如下：

算法輸入：經(jīng)DE-NRS屬性約簡(jiǎn)模型約簡(jiǎn)后的屬性約簡(jiǎn)子集決策信息表。

算法輸出：時(shí)間time; 靈敏度sen;特異度spe;識(shí)別精度acc;馬修相關(guān)系數(shù)mcc。

算法步驟：

indx1=find(features(:,1000)==1); indx0=find(features(:,1000)==-1);

test_data_index=[indx1([1*1000-199:1*1000]);indx0([1*1000-999:1*1000])];[1*1000-999:1*1000]；

[train_final,test_final]=scaleForSVM(train_data,test_data,-1,1);

[bestCVaccuracy,bestc,bestg]=SVMcgForClass(train_data_labels,train_final,0,6.5,-1.5,2,5,0.5,1,0.9);

cmd = [′-c′,num2str(bestc),′-g′,num2str(bestg)];

model = svmtrain(train_data_labels, train_final,cmd);

[ptrain_label2, train_accuracy]=svmpredict(train_data_labels, train_final, model);

[ptest_label2,accuracy,decision_values]=svmpredict(test_data_labels, test_final, model);

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)

處理器：Intel(R)core(TM)i7-6800K CPU 3.40 GHz；內(nèi)存：16 GB；系統(tǒng)類型：64位操作系統(tǒng)；運(yùn)行環(huán)境：MATLAB 2018；實(shí)驗(yàn)數(shù)據(jù)來源：寧夏某三甲醫(yī)院帶有良惡性標(biāo)記的肺部腫瘤患者的肺部影像資料CT、PET、PET/CT各3 000例，其中良性1 500例，惡性1 500例。

3.2 實(shí)驗(yàn)整體思路設(shè)計(jì)

為確保和驗(yàn)證模型的有效性和可行性，進(jìn)行如下實(shí)驗(yàn)：1) 對(duì)鄰域粗糙集的鄰域大小σ確定方式進(jìn)行探討；2) 對(duì)差分進(jìn)化算法中涉及的變異系數(shù)F、交叉系數(shù)CR、權(quán)重值ω等參數(shù)進(jìn)行探討；3) CT、PET、PET/CT集成實(shí)驗(yàn)； 4) 與變精度粗糙集、深度信念網(wǎng)絡(luò)等算法進(jìn)行對(duì)比實(shí)驗(yàn)。

3.3 實(shí)驗(yàn)結(jié)果分析

以下實(shí)驗(yàn)結(jié)果均為相同實(shí)驗(yàn)環(huán)境下5次實(shí)驗(yàn)結(jié)果的均值。

3.3.1 NRS的參數(shù)實(shí)驗(yàn)

NRS模型中，鄰域大小σ對(duì)實(shí)驗(yàn)結(jié)果的準(zhǔn)確性起著至關(guān)重要的影響作用，目前，鄰域大小σ取值方式包括兩種：(1) 點(diǎn)值式(即依據(jù)人的經(jīng)驗(yàn)制定特定的值)；(2) 通過σ=stda/λ計(jì)算所得，其中參數(shù)λ也是通過點(diǎn)值式確定。合適的σ取值能讓算法得到個(gè)數(shù)較少且有效性較高的屬性約簡(jiǎn)子集。屬性約簡(jiǎn)子集的有效性體現(xiàn)在分類器根據(jù)其對(duì)數(shù)據(jù)進(jìn)行識(shí)別后得到的識(shí)別精度上，識(shí)別精度越高，則屬性約簡(jiǎn)子集的有效性越高。因此，本文使用控制變量法對(duì)鄰域大小σ取值進(jìn)行實(shí)驗(yàn)，探討σ的兩種計(jì)算方式對(duì)實(shí)驗(yàn)結(jié)果的影響，其中基于公式計(jì)算的實(shí)驗(yàn)通過控制變量λ進(jìn)行。圖3給出約簡(jiǎn)數(shù)量、識(shí)別精度隨點(diǎn)值式σ取值的變化情況，其中，σ取值以0.05為步長(zhǎng)，從0到1變化。圖4給出約簡(jiǎn)數(shù)量、識(shí)別精度隨λ的變化情況，λ的取值以0.1為步長(zhǎng)，從2到4變化。

圖3 約簡(jiǎn)數(shù)量、識(shí)別精度隨鄰域大小σ的變化情況

圖4 約簡(jiǎn)數(shù)量、識(shí)別精度隨鄰域大小λ的變化情況

從得到的約簡(jiǎn)結(jié)果來看，以點(diǎn)值式方式直接確定鄰域大小存在約簡(jiǎn)數(shù)量大的問題，得到約簡(jiǎn)數(shù)量均值為44.7，占總屬性數(shù)目的44.23%，而以公式σ=stda/λ確定鄰域大小得到的約簡(jiǎn)數(shù)量較為理想，為7。從識(shí)別精度來看，以點(diǎn)值式方式直接確定鄰域大小與通過公式σ=stda/λ確定鄰域大小得到識(shí)別精度均值相差不大。因此，綜合約簡(jiǎn)數(shù)量和識(shí)別精度兩方面因素，本文鄰域大小選擇使用公式σ=stda/λ計(jì)算確定，且λ取值為2.2。約簡(jiǎn)數(shù)量隨σ和λ取值變化的對(duì)比如圖5所示。

圖5 約簡(jiǎn)數(shù)量λ、σ的變化情況

3.3.2 DE的參數(shù)實(shí)驗(yàn)

(1) 變異系數(shù)F與交叉系數(shù)CR參數(shù)研究。DE算法主要利用獲選解間的不同性來搜索更多的可能的解。一個(gè)候選解當(dāng)作一個(gè)個(gè)體，每個(gè)個(gè)體的更新需要利用不同個(gè)體間的差異來進(jìn)行。但是獲取個(gè)體間的差異性的方式需要進(jìn)一步分析，以及怎樣利用這些差異性，即設(shè)置其相關(guān)的參數(shù)來搜索更好的解需進(jìn)一步研究。DE算法涉及的主要控制參數(shù)包括：種群規(guī)模、迭代次數(shù)、交叉系數(shù)CR、變異系數(shù)F。本文種群規(guī)模根據(jù)經(jīng)驗(yàn)取值為520，迭代次數(shù)根據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)取值200，主要探討交叉系數(shù)CR、變異系數(shù)F對(duì)約簡(jiǎn)數(shù)量和識(shí)別精度的影響。圖6、圖7展示了約簡(jiǎn)數(shù)量、識(shí)別精度分別隨F和CR的變化情況；圖8展示了約簡(jiǎn)數(shù)量、識(shí)別精度隨(CR，F(xiàn))組合值的變化情況。其中：CR的取值以0.1為步長(zhǎng)，從0.8到1變化;F的取值以0.1為步長(zhǎng)，從0.5到1變化。

圖6 約簡(jiǎn)數(shù)量、識(shí)別精度隨F值的變化

圖7 約簡(jiǎn)數(shù)量、識(shí)別精度隨CR變化

圖8 約簡(jiǎn)數(shù)量、識(shí)別精度隨(CR、F)組合值的變化

由實(shí)驗(yàn)結(jié)果可知：CR與F并非同時(shí)取最優(yōu)值時(shí)，便能夠得到最優(yōu)約簡(jiǎn)數(shù)量和識(shí)別精度，在CR=0.8，F(xiàn)=1時(shí)，約簡(jiǎn)數(shù)量和識(shí)別精度達(dá)最優(yōu)值，因此本文CR取0.8，F(xiàn)取1。

(2) 權(quán)重值參數(shù)研究。差分進(jìn)化算法還涉及適應(yīng)度函數(shù)的構(gòu)造，針對(duì)本文構(gòu)造的適應(yīng)度函數(shù)，探討了權(quán)重(ω1,ω2)組合值對(duì)約簡(jiǎn)數(shù)量和分類精度的影響。圖9展示了約簡(jiǎn)數(shù)量、識(shí)別精度隨(ω1,ω2)組合值的變化情況。通過實(shí)驗(yàn)結(jié)果對(duì)比，本文實(shí)驗(yàn)參數(shù)(ω1,ω2)取值(-0.3、-0.7)。

圖9 約簡(jiǎn)數(shù)量、識(shí)別精度隨(ω1,ω2)組合值的變化

3.3.3 個(gè)體分類器實(shí)驗(yàn)

本文選用五折交叉驗(yàn)證法分別計(jì)算基于CT、PET、PET/CT肺部腫瘤識(shí)別性能，具體評(píng)價(jià)指標(biāo)為：靈敏度、特異度、識(shí)別精度、馬修相關(guān)系數(shù)。

(1) 基于肺部腫瘤CT樣本空間構(gòu)造個(gè)體分類器?；诜尾磕[瘤CT樣本空間的104維特征構(gòu)造CT-SVM個(gè)體分類器，利用五折交叉訓(xùn)練法(在1 500例良性腫瘤中，1 200例作為訓(xùn)練集，300例作為測(cè)試集。1 500例惡性腫瘤訓(xùn)練同理)得到肺部腫瘤良惡性識(shí)別性能，見表2。實(shí)驗(yàn)表明，CT圖像肺部腫瘤識(shí)別精度為95%，靈敏度為97.8%，特異度為92.2%，說明在CT圖像構(gòu)成的樣本空間里構(gòu)造的個(gè)體分類器靈敏度高、特異度較低。

表2 基于肺部CT醫(yī)學(xué)影像圖像的肺部腫瘤識(shí)別精度

(2) 基于肺部腫瘤PET樣本空間構(gòu)造個(gè)體分類器?；诜尾磕[瘤PET樣本空間的98維特征構(gòu)造PET-SVM個(gè)體分類器，利用五折交叉訓(xùn)練法(在1 500例良性腫瘤中，1 200例作為訓(xùn)練集，300例作為測(cè)試集。1 500例惡性腫瘤訓(xùn)練同理)得到肺部腫瘤良惡性識(shí)別性能，見表3。實(shí)驗(yàn)表明，PET圖像肺部腫瘤識(shí)別精度為97%，靈敏度為1，特異度為98.2%，說明PET較CT圖像在構(gòu)成的樣本空間里構(gòu)造的個(gè)體分類器靈敏度高，特異度、識(shí)別精度較高。

表3 基于肺部PET醫(yī)學(xué)影像圖像的肺部腫瘤識(shí)別精度

(3) 基于肺部腫瘤PET/CT樣本空間構(gòu)造個(gè)體分類器。基于肺部腫瘤PET/CT樣本空間的104維特征構(gòu)造PET/CT-SVM個(gè)體分類器，利用五折交叉訓(xùn)練法(在1500例良性腫瘤中，1 200例作為訓(xùn)練集，300例作為測(cè)試集。1 500例惡性腫瘤訓(xùn)練同理)得到肺部腫瘤良惡性識(shí)別性能，見表4。實(shí)驗(yàn)表明，PET/CT圖像肺部腫瘤識(shí)別精度為98.9%，靈敏度為99.66%，特異度為99.04%，說明在PET/CT圖像的樣本空間里構(gòu)造的個(gè)體分類器靈敏度、特異度、識(shí)別精度都較高。

表4 基于肺部PET/CT醫(yī)學(xué)影像圖像的肺部腫瘤識(shí)別精度

3.3.4 診斷模型實(shí)驗(yàn)

上述實(shí)驗(yàn)結(jié)果表明：不同模態(tài)樣本空間的SVM個(gè)體分類器對(duì)肺部腫瘤識(shí)別精度不同。本文利用相對(duì)多數(shù)投票準(zhǔn)則對(duì)不同模態(tài)個(gè)體分類器的識(shí)別結(jié)果做集成學(xué)習(xí)，從而得到最終識(shí)別結(jié)果，具體見表5?？梢钥闯觯杭蒒RS-DE對(duì)肺部腫瘤的識(shí)別精度達(dá)99.72%，相對(duì)于單個(gè)CT、PET、PET/CT個(gè)體分類器在靈敏度、特異度、識(shí)別精度分別提高了4.72%、2.72%、0.82%。這說明集成DE-NRS比單個(gè)DE-NRS對(duì)肺部腫瘤識(shí)別效果更好，利于輔助醫(yī)生對(duì)肺部腫瘤進(jìn)行識(shí)別。

表5 基于集成學(xué)習(xí)的肺部腫瘤識(shí)別精度

3.3.5 不同模型識(shí)別精度的對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文模型的合理性及有效性，本文與集成SVM[19]、集成VPRS-RUGGA-SVM[20]進(jìn)行相同數(shù)據(jù)不同方法的比較實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，本文提出的模型在肺部腫瘤識(shí)別的靈敏度、特異度和識(shí)別精度上都得到一定程度的提高。實(shí)驗(yàn)對(duì)比結(jié)果見表6。

表6 不同集成算法對(duì)肺部腫瘤識(shí)別精度的比較

4 結(jié) 語

肺癌是人類發(fā)病率及死亡率最高的癌癥，對(duì)人類的生命健康造成巨大威脅。計(jì)算機(jī)輔助診斷在肺癌的早期診斷中扮演著重要角色，但仍然存在著假陽性高等問題。本文結(jié)合DE提出基于集成NRS的肺部腫瘤影像組學(xué)計(jì)算機(jī)輔助診斷模型在肺部腫瘤良惡性識(shí)別上，整體性能較好，識(shí)別精度達(dá)到99.72%，具有較好的魯棒性和可擴(kuò)展性，為肺部腫瘤計(jì)算機(jī)輔助診斷提供了技術(shù)支持。若能將肺部腫瘤計(jì)算機(jī)輔助診斷系統(tǒng)應(yīng)用于更多的基層醫(yī)院、放射科室，將會(huì)拯救更多的肺癌患者。于家庭，早發(fā)現(xiàn)早治療，更能為其節(jié)約昂貴的化療等費(fèi)用，進(jìn)而減輕其經(jīng)濟(jì)壓力和精神壓力；于醫(yī)院，降低醫(yī)生的閱片時(shí)間，提高醫(yī)生的閱片準(zhǔn)確率，進(jìn)而為醫(yī)院節(jié)省大量的人力、物力、財(cái)力等成本；于社會(huì)，實(shí)現(xiàn)醫(yī)療資源均衡化，滿足人民群眾日益增長(zhǎng)的醫(yī)療衛(wèi)生健康需求。