基于CT征象量化分析的肺結(jié)節(jié)惡性度分級

陳 皓 段紅柏 郭紫園 強永乾

①(西安郵電大學(xué)計算機(jī)學(xué)院 西安710121)

②(陜西省網(wǎng)絡(luò)數(shù)據(jù)分析與智能處理重點實驗室 西安710121)

③(西安交通大學(xué)第一附屬醫(yī)院 西安 710061)

1 引言

基于電子計算機(jī)斷層掃描技術(shù)(Comp uted Tomography,CT)的影像學(xué)檢查為肺內(nèi)結(jié)節(jié)惡性度早期診斷和監(jiān)測提供了基礎(chǔ)[1]。正如多個醫(yī)學(xué)協(xié)會的診斷指南中所述[2–4]，肺結(jié)節(jié)影像的紋理和形態(tài)等征象與肺結(jié)節(jié)的惡性度分化有很大的關(guān)系，而鈣化、圓度和邊緣清楚度等征象也有助于評估結(jié)節(jié)的惡性度。但由于人眼能夠有效識別的灰階信息僅占CT影像所提供信息的很小一部分，且許多小結(jié)節(jié)是亞厘米結(jié)節(jié)，同時考慮到醫(yī)生水平的差異性，故以人工分析為主的工作模式使得對肺結(jié)節(jié)的識別分析結(jié)果存在著偏差。利用計算機(jī)視覺技術(shù)輔助醫(yī)師高效地獲得肺內(nèi)結(jié)節(jié)相關(guān)語義征象的量化結(jié)果，并根據(jù)征象的量化結(jié)果對肺結(jié)節(jié)的惡性度進(jìn)行分級，不僅能提高醫(yī)生的工作效率，同時有助于提高診斷的準(zhǔn)確率和可解釋性。

傳統(tǒng)的肺結(jié)節(jié)惡性度分級方法包括支持向量機(jī)(Support Vector Machine,SVM)，K近鄰等方法。如Rodrigues等人[5]通過結(jié)構(gòu)共線矩陣提取肺結(jié)節(jié)的特征并使用多層感知機(jī)、SVM和K近鄰3個分類器進(jìn)行良惡性分類。Nobrega等人[6]使用樸素貝葉斯、多層感知器、SVM和K近鄰進(jìn)行良惡性的分類。傳統(tǒng)的惡性度分級方法在結(jié)果可解釋性上存在一定的優(yōu)勢，方便進(jìn)一步分析分類模型，但在分類性能上并不理想。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)在肺結(jié)節(jié)惡性度分類方面被廣泛應(yīng)用。如Zuo等人[7]提出一種多分辨率CNN從不同深度層中提取不同級別和分辨率的特征構(gòu)建良惡性分類網(wǎng)絡(luò)。Shen等人[8]通過CNN得到不同語義征象的表示形式，然后組合起來用于推斷肺結(jié)節(jié)良惡性分類結(jié)果。Wang等人[9]使用CNN模型中的3種模型對肺結(jié)節(jié)良惡性分類性能進(jìn)行比較分析，通過比較發(fā)現(xiàn)多通道CNN模型對結(jié)節(jié)的惡性腫瘤風(fēng)險的分類能力最好。CNN方法可以做到端到端的學(xué)習(xí)，但此類方法包含大量參數(shù)，需要較大的內(nèi)存和計算資源開銷。同時深度學(xué)習(xí)算法屬于“黑盒”，無法進(jìn)一步理解和分析模型是如何進(jìn)行分類決策的。近年來一些集成學(xué)習(xí)方法，如隨機(jī)森林(Random Forest,RF)、極端梯度提升(eXtreme Gradient Boosting,XGBoost)和自適應(yīng)增強(Adaptive Boosting,Ada-Boost)等也得到了較多應(yīng)用[10]。如Nishio等人[11]使用XGBoost進(jìn)行肺結(jié)節(jié)的良惡性分類。吳艇帆等人[12]針對肺腺癌磨玻璃結(jié)節(jié)患者運用邏輯回歸、人工神經(jīng)網(wǎng)絡(luò)、SVM和AdaBoost等4種經(jīng)典算法，進(jìn)行模型性能的分析和比較。集成學(xué)習(xí)方法相比于傳統(tǒng)的方法在性能上得到了明顯提高，相對CNN方法在對結(jié)果進(jìn)一步解釋分析方面更具優(yōu)勢，但此類方法的性能與訓(xùn)練方法及所采用的特征集結(jié)構(gòu)有著直接關(guān)系。在特征提取方面?，F(xiàn)有從CT中提取特征的方法大都以影像組學(xué)特征為主，主要包括灰度統(tǒng)計特征、紋理特征、形狀特征和三者的組合特征等。如Ferreira等人[13]通過共生矩陣提取紋理特征并從垂直線像素的灰度強度數(shù)組中提取邊緣清晰度特征，根據(jù)紋理和邊緣清晰度的圖像特征對肺結(jié)節(jié)進(jìn)行良惡性分類。Wu等人[14]從形狀、灰度和紋理方面提取特征。通過隨機(jī)森林對肺結(jié)節(jié)良惡性進(jìn)行分類。Shaukat等人[15]提取了圖像紋理、2D和3D形狀以及強度特征，然后通過兩層前饋神經(jīng)網(wǎng)絡(luò)實現(xiàn)良惡性分類。影像組學(xué)特征能夠很好地對圖像中的淺層信息進(jìn)行量化，并且具有較好的可解釋性。但它不足以表達(dá)圖像的全局信息，同時過濾噪聲能力較弱。此外提取影像組學(xué)特征時，對包含偽影、空腔和骨頭等結(jié)構(gòu)信息需要進(jìn)行特殊處理[16]。另一方面CNN作為一個性能優(yōu)良的特征提取器，能夠很好地提取出圖像全局性的高階特征。常用的CNN特征包括深層卷積特征或淺層卷積特征。如Shi等人[17]采用VGG-16提取肺結(jié)節(jié)特征，使用SVM分類器進(jìn)行良惡性分類。Nobrega等人[6]通過使用VGG-16,VGG-9和MobileNet等網(wǎng)絡(luò)提取肺結(jié)節(jié)的深層卷積特征，然后使用樸素貝葉斯、多層感知器、SVM和K近鄰進(jìn)行良惡性的分類。CNN可以通過多層非線性機(jī)制獲得高階抽象特征。但是通過卷積得到的特征圖分辨率較低，且在卷積過程中容易丟失原圖中很多底層的細(xì)節(jié)信息。上述兩種特征提取方式都有其優(yōu)勢和局限性，可結(jié)合兩種特征提取方法來構(gòu)造出更全面的特征以表達(dá)CT影像的信息。為了提高計算性能，針對集成學(xué)習(xí)器的生成優(yōu)化方法也開展了許多研究工作[18]。本文以隨機(jī)森林為例進(jìn)行分析，如Elyan等人[19]將類分解的細(xì)粒度隨機(jī)森林應(yīng)用在醫(yī)學(xué)診斷中。對原始數(shù)據(jù)集通過K-Means聚類可將n個標(biāo)簽聚成K×N個標(biāo)簽，增強數(shù)據(jù)標(biāo)簽的多樣性以此來提高隨機(jī)森林的性能。雖然在一定程度上提高了隨機(jī)森林分類器的性能，但只是通過對數(shù)據(jù)集的處理來生成更好的決策樹，對于決策樹之間的結(jié)構(gòu)組合并沒有進(jìn)行深入挖掘。如Miao等人[20]使用改進(jìn)的隨機(jī)森林對心力衰竭患者的死亡率進(jìn)行預(yù)測建模。利用新穎的分裂規(guī)則和終止標(biāo)準(zhǔn)，能識別更準(zhǔn)確的預(yù)測因子以區(qū)分幸存者和非幸存者，從而提高隨機(jī)森林的性能。Paul等人[21]在構(gòu)造每個節(jié)點的過程中，不斷更新特征的重要性功能列表。并且針對森林中的樹木數(shù)量制定了新的理論上限，最終收斂于一組很重要的特征。與傳統(tǒng)的隨機(jī)森林相比，該算法在檢測乳腺組織病理的分類準(zhǔn)確率上有顯著提高。上述優(yōu)化方法整體上是一個正向的加法過程，缺乏逆向的反饋過程僅依靠提升單棵決策樹的性能來改進(jìn)集成學(xué)習(xí)器的整體準(zhǔn)確率，并沒有從整體上考慮不同決策樹組合對性能的影響。

本文實現(xiàn)了對CT征象的量化分析和肺結(jié)節(jié)惡性度分級計算的方法。主要貢獻(xiàn)包括：(1)為了獲得更豐富的影像信息，提出融合影像組學(xué)特征和通過CNN獲得的高階特征共同構(gòu)造CT征象分析所需的特征集。(2)為了充分利用語義標(biāo)簽，提出通過進(jìn)化集成學(xué)習(xí)方法對7種CT征象進(jìn)行量化分析。這為肺結(jié)節(jié)惡性度分級的計算提供了基礎(chǔ)，同時也進(jìn)一步提高了肺結(jié)節(jié)惡性度分級結(jié)果的可解釋性。(3)使用通過差分進(jìn)化算法優(yōu)化的多分類器來提高肺結(jié)節(jié)惡性度分級的準(zhǔn)確率。這種方法具有結(jié)構(gòu)簡單，可解釋性更佳的優(yōu)點。本文第2節(jié)詳細(xì)介紹本文所提出的方法；第3節(jié)進(jìn)行實驗及討論；第4節(jié)對本文工作進(jìn)行了總結(jié)。

2 本文方法

本文使用7種語義征象開展研究工作，分別為鈣化征象、球形度征象、邊緣征象、分頁征象、毛刺征象、紋理征象和精細(xì)度征象。整體思路為：首先，構(gòu)造信息更為豐富的特征集；其次，針對7種征象，通過以RF為個體的群體進(jìn)化搜索過程構(gòu)造不同征象的量化評分器；最后，將7種征象的量化結(jié)果作為特征輸入到惡性度分級模型計算分級結(jié)果。圖1為此過程的流程圖。

2.1 特征集

為了獲得針對7種征象進(jìn)行描述所需的更豐富的特征集，本文提出融合影像組學(xué)特征和CNN特征來組成特征向量。具體流程如圖2所示。首先，使用自適應(yīng)閾值對肺結(jié)節(jié)進(jìn)行分割，再采用影像組學(xué)方法提取肺結(jié)節(jié)影像的低階特征。其次，訓(xùn)練7種征象對應(yīng)的CNN模型，用來提取該征象的CNN高階特征。最后，合并影像組學(xué)特征和該征象所對應(yīng)的CNN高階特征，并通過特征選擇去除合并特征集中的冗余信息。此過程主要分為3個步驟，具體內(nèi)容如下：

圖1 肺結(jié)節(jié)惡性度分級流程

圖2 多特征融合流程

步驟1影像組學(xué)特征提取。主要從灰度、紋理和幾何形狀3個方面進(jìn)行提取。對于灰度方面，根據(jù)直方圖提取圖像的最大值、最小值、均值、方差、偏度、峰度、直方圖熵、能量、標(biāo)準(zhǔn)差、中值和均方根共11維特征。對于紋理方面，采用灰度共生矩陣在(0°,45°,90°,135°)上提取紋理能、紋理熵、對比度、相關(guān)性、差異性、紋理熵、同質(zhì)性、協(xié)方差、紋理均值和逆差分矩共40維特征。對于幾何形狀方面，提取直徑、橢圓的長短軸比例、離心率、周長、面積、緊湊度和矩形度共7維特征。

步驟2 CNN特征提取。圖2中給出了提取CNN特征所使用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。主要有2個卷積層、2個池化層以及1個最終輸出特征的全連接層。卷積核大小分別為32×3×3,64×3×3。池化層大小分別為32×2×2,64×2×2。全連接層大小為1×200。在訓(xùn)練模型時增加丟棄率為0.5的dropout層以及softmax層。并設(shè)置迭代次數(shù)為1000次，batch-size為44，使用Adam優(yōu)化器，其中Adam的學(xué)習(xí)率取0.0001，損失函數(shù)為cross_entropy。通過訓(xùn)練每種征象的分類準(zhǔn)確率都可達(dá)到85%以上，最后從全連接層提取到200維的CNN特征。

步驟3特征融合。將58維的影像組學(xué)特征和每種征象的200維CNN特征進(jìn)行合并，對合并后258維的特征通過特征重要性排名，并設(shè)置閾值進(jìn)行特征選擇，輸出該征象的最終特征集。

2.2 基于進(jìn)化集成學(xué)習(xí)的CT征象量化

基于前述特征集，可利用集成學(xué)習(xí)過程構(gòu)造不同CT征象的分類器以實現(xiàn)量化計算。隨機(jī)森林是一種典型的bagging算法，是隨機(jī)子空間與bootstrap兩種算法的結(jié)合。根據(jù)大數(shù)定理的證明隨著決策樹的不斷增加，最終隨機(jī)森林的性能會趨于穩(wěn)定。在決策樹構(gòu)造過程中采用兩個隨機(jī)過程，數(shù)據(jù)集有放回的隨機(jī)采樣以及構(gòu)造每個決策樹子節(jié)點特征向量的隨機(jī)采樣。隨機(jī)過程的引入保證了整個隨機(jī)森林中決策樹的多樣性，但會導(dǎo)致隨機(jī)森林中存在冗余和性能低的決策樹。而隨機(jī)森林的最終結(jié)果是通過投票結(jié)果得到的，以此可以看出最終的結(jié)果與每棵性能樹以及組合樹之間的組合有著明顯關(guān)系。但是bagging方法計算性能的提升是以系統(tǒng)復(fù)雜度的增大為代價的。這導(dǎo)致集成分類器的準(zhǔn)確率與復(fù)雜度之間產(chǎn)生了一個很難調(diào)和的矛盾。能否在提高集成學(xué)習(xí)器準(zhǔn)確率的同時優(yōu)化其組成結(jié)構(gòu)，從而降低模型的復(fù)雜度呢？實現(xiàn)思路為利用遺傳規(guī)劃算法(Genetic Programming,GP)的進(jìn)化搜索過程來生成并優(yōu)化集成學(xué)習(xí)器。流程圖如圖3所示。以下是進(jìn)化集成學(xué)習(xí)器的具體步驟：

步驟1初始化種群。種群由 NP個隨機(jī)生成的個體 構(gòu) 成，表示 為pop={RF1,RF2,···,RFNP},j=1,2,···,NP。其中 NP為 種群規(guī)模，R Fj為 t n個決策樹的組合， tn為可變參數(shù)。為了增加種群的多樣性，每次有放回地隨機(jī)采樣40%的數(shù)據(jù)集作為個體初始化的數(shù)據(jù)集，設(shè)置當(dāng)前迭代數(shù)值g en=0。

圖3 基于進(jìn)化搜索構(gòu)造集成學(xué)習(xí)器的流程

2.3 惡性度分級器

softmax回歸模型是一種簡單有效的多分類器，可作為惡性度分級計算的工具。為了保證惡性度分級計算的準(zhǔn)確率，使用基于差分進(jìn)化算法(Differential Evolution,DE)的強化學(xué)習(xí)過程對softmax模型進(jìn)行優(yōu)化學(xué)習(xí)。softmax多元模型可表示為

3 實驗

LIDC-IDRI數(shù)據(jù)集由1018個病例組成，每個病例包含了4位醫(yī)生對每個3 mm以上肺結(jié)節(jié)的坐標(biāo)以及7種CT征象和惡性度的語義描述評分。4位醫(yī)生的年資不同，導(dǎo)致對每個結(jié)節(jié)的標(biāo)注信息存在差異性。本文將每個結(jié)節(jié)中4位醫(yī)生標(biāo)注的坐標(biāo)求均值作為該結(jié)節(jié)的中心坐標(biāo)，將4位醫(yī)生對每個CT征象語義和惡性度評分求眾數(shù)作為CT征象和惡性度的最終評分。最終提取大小為30×30像素的2000個肺結(jié)節(jié)影像樣本作為本文的實驗數(shù)據(jù)。由于鈣化征象的評分的差異性較大，故本文將此征象的1～5分合成一類進(jìn)行二分類實驗。實驗所采用的實驗環(huán)境為：Inter?Core(i5)處理器2.3 GHz CPU 8 GB RAM，實驗所有的代碼使用Python3.6實現(xiàn)，實驗中搭建CNN模型時使用Keras2.2.2框架。對于進(jìn)化集成學(xué)習(xí)器的參數(shù)設(shè)置如下：迭代次數(shù) NG為500，種群規(guī)模 NP為200，交叉率Pc為0.6，變異率Pm為0.4，控制兩種變異策略的概率Pms為0.5，均勻交叉概率Pcs為0.5。對于DE優(yōu)化softmax模型時，參數(shù)設(shè)置如下：迭代次數(shù)為500，交叉率CR為0.3，縮放因子F為0.5。

3.1 評價指標(biāo)

本文采用準(zhǔn)確率(ACC)、精確率(Pre)、召回率(Rec)和F1-Score作為評價指標(biāo)，通過五折交叉驗證對CT征象的量化結(jié)果及惡性度分級進(jìn)行評估。ACC的計算方法見式(1)，其他3個指標(biāo)的計算公式為

其中，Pre是指實際為正的樣本占被預(yù)測為正的樣本的比例。Rec是指實際為正的樣本中被預(yù)測為正的樣本占實際為正的樣本的比例。F1-Score為Pre和Rec的調(diào)和平均數(shù)，可用來檢測模型的穩(wěn)健性。

3.2 實驗統(tǒng)計結(jié)果

3.2.1 7種CT征象的特征集結(jié)構(gòu)

表1為對7種CT征象在進(jìn)行特征選擇時選取的閾值及所對應(yīng)的特征數(shù)量。采用嵌入式特征選擇方法，根據(jù)隨機(jī)森林的特征重要性排名在不降低準(zhǔn)確率的情況下設(shè)置閾值進(jìn)行篩選。從表1中可以看出不同的語義征象選取的閾值不同，對應(yīng)的有效計算機(jī)特征數(shù)量也不同。說明不同語義征象在影像中的表現(xiàn)形式不同，所對應(yīng)的計算機(jī)特征存在差異性。

3.2.2計算精度

表2為7種CT征象量化和惡性度分級在4個指標(biāo)上的實驗統(tǒng)計結(jié)果。由表2可得到7種CT征象量化的準(zhǔn)確率在0.9642～0.9844，平均ACC為0.9733，平均Pre為0.9673，平均Rec為0.9628，平均F1為0.9655。肺結(jié)節(jié)惡性度分級的ACC為0.8618,Pre為0.8678,Rec為0.8617,F1為0.8627。

表1 不同征象的有效特征

3.2.3可解釋性價值

表3為優(yōu)化后的惡性度分級模型的參數(shù)值，可以看出將每種CT征象的量化結(jié)果作為惡性度分級特征時，每種征象的量化結(jié)果與最終惡性度分級結(jié)果之間的映射關(guān)系，從而可以進(jìn)一步理解和分析每種CT征象對惡性度分級結(jié)果的影響。從表3可以看出球形度評分對惡性度1級的影響較大，紋理征評分對于惡性度2級的影響相對較大，鈣化征評分對惡性度3級時的影響相對較大，邊緣評分對于惡性度4級的影響相對較大，精細(xì)度評分對惡性度5級的影響較大。

3.3 實驗對比

3.3.1征象量化結(jié)果對比

為了驗證本文提出的進(jìn)化集成學(xué)習(xí)方法的有效性，選取了RF，極端隨機(jī)樹(Extremely randomized Trees,ET),AdaBoost,XGBoost和梯度提升樹(Gradient Boosting Decision Tree,GBDT)共5種典型算法進(jìn)行實驗對比。對比算法采用sklearn算法包實現(xiàn)，使用網(wǎng)格搜索法對于決策樹個數(shù)參數(shù)進(jìn)行優(yōu)化，其他的參數(shù)均為默認(rèn)參數(shù)。表4給出了7種征象在不同集成學(xué)習(xí)器上的量化結(jié)果對比。圖4給出了紋理征象的進(jìn)化集成學(xué)習(xí)器在優(yōu)化過程中最優(yōu)個體的ACC及子樹數(shù)量的變化曲線。

從表4中可以發(fā)現(xiàn)ET的性能在3個對比算法中表現(xiàn)最好，XGBoost相對RF在性能上有一定的提高。本文方法相對ET,ACC平均提高0.021,F1指標(biāo)平均提高0.016。對比XGBoost,ACC平均提高0.028,F1指標(biāo)平均提高0.020。對比RF,ACC平均提高0.023，F(xiàn)1指標(biāo)平均提高0.014。在樹個數(shù)方面可以看出本文方法產(chǎn)生的分類器所需的決策樹個數(shù)最少，比RF平均降低了65%，比XGBoost平均降低72%，比ET平均降低39%。

表2 惡性度分級和CT征象量化的精度

表3 惡性度分級模型的權(quán)重系數(shù)

表4 不同集成學(xué)習(xí)器的量化計算結(jié)果對比

圖4 進(jìn)化集成學(xué)習(xí)器的優(yōu)化過程

從圖4中可以明顯看出最優(yōu)個體的ACC為0.972，子樹數(shù)量穩(wěn)定為70。顯然，相較于傳統(tǒng)的集成學(xué)習(xí)方法，本文提出的進(jìn)化集成學(xué)習(xí)方法不但可提高集成分類器的性能，還可在進(jìn)化過程中不斷優(yōu)化自身的結(jié)構(gòu)，以降低分類器的復(fù)雜度。

本文還與近幾年文獻(xiàn)中所提出的4種主要基于CNN的方法進(jìn)行了對比。文獻(xiàn)[11]通過CNN學(xué)習(xí)到不同CT征象的表示形式，然后組合起來用于推斷肺結(jié)節(jié)良惡性分類結(jié)果。文獻(xiàn)[22]提出一種多階轉(zhuǎn)移學(xué)習(xí)法來評估肺結(jié)節(jié)的分級性能，通過構(gòu)建每個CT語義的神經(jīng)網(wǎng)絡(luò)來提取特征。將每個特征作為輸入用來探索哪些屬性可以支持惡性腫瘤診斷。文獻(xiàn)[23]通過提取影像組學(xué)特征并進(jìn)行特征選擇得到7個CT征象和惡性度的特征集，然后對其進(jìn)行分類。文獻(xiàn)[24]訓(xùn)練多個CT征象的CNN模型，再將征象的計算結(jié)果放入網(wǎng)絡(luò)中進(jìn)行惡性度分類。表5給出了上述文獻(xiàn)方法與本文方法的征象量化及惡性度分級結(jié)果的ACC指標(biāo)對比。

從表5中可以看出本文的惡性度分級準(zhǔn)確率略低于文獻(xiàn)[24]，但明顯好于其他3種算法，而對7種CT征象的評分結(jié)果則都好于文獻(xiàn)[24]。這說明本文提出的基于進(jìn)化集成學(xué)習(xí)的CT征象量化方法是有效的，而基于softmax模型的惡性度分級方法的準(zhǔn)確率并不理想。但是，通過softmax模型可計算7種CT征象與5級惡性度之間的權(quán)重關(guān)系，在結(jié)果的可理解性方面相對于CNN方法具有明顯優(yōu)勢。另一方面，文獻(xiàn)[23]在特征提取方面只提取了影像組學(xué)特征，因此其精度不如本文方法?？梢娛褂肅NN特征加影像組學(xué)特征的特征集構(gòu)造方法能夠更全面地反映CT影像中的信息。

3.3.2不同結(jié)構(gòu)特征集的對比分析

為了說明影像組學(xué)特征和CNN特征融合的有效性，以紋理征象為例來討論特征集的聚類分析效果。因為紋理征象分值為1～5分，所以將其聚成5類。首先分別對影像組學(xué)特征和CNN特征以及融合特征3組不同結(jié)構(gòu)的特征集進(jìn)行聚類計算，對聚類效果采用互信息、均一性、同質(zhì)性和完整性的調(diào)和平均值(v-measure)進(jìn)行評價。這3個指標(biāo)用來衡量聚類產(chǎn)生的類別與真實標(biāo)簽之間的關(guān)系，指標(biāo)越大表明聚類效果越好。

從圖5中可以看出融合后的特征相對2個單一結(jié)構(gòu)特征的不同類簇之間的邊界更清晰，同時對同一類簇內(nèi)的內(nèi)聚性效果更好。從表6也可以看出融合后的特征在3個指標(biāo)上的結(jié)果都更佳，這也說明了融合特征的有效性。

4 結(jié)束語

本文提出了一種基于語義標(biāo)簽的惡性度分級方法。為了驗證此方法，在LIDC-IDRI數(shù)據(jù)集上進(jìn)行測試，同時與多種典型算法以及近幾年相關(guān)文獻(xiàn)中提出的CNN方法進(jìn)行了對比。結(jié)果顯示，本文方法具有較高的準(zhǔn)確率，同時更有利于提高計算結(jié)果的可解釋性。在討論中分析了本文所采用的特征融合方法的有效性。

表5 相關(guān)文獻(xiàn)的量化結(jié)果對比

圖5 不同特征集合的聚類結(jié)果可視化對比

表6 不同特征集合的聚類結(jié)果對比