基于放射組學的肺ROI特征提取與選擇和結節(jié)的良惡性分類.pdf

1、眾所周知，癌癥是目前全球發(fā)病率和死亡率最高的疾病之一。通過活體檢查的方式對腫瘤的良惡性進行診斷，不僅需要對患者做入侵手術，而且不利于醫(yī)生對腫瘤異質性的觀察。放射組學通過對放射影像中獲取的可描述性特征的量化和分析，將腫瘤表型和療效評估對應起來，為醫(yī)生對肺癌患者進行臨床上的診斷提供了良好的依據(jù)。
　　近年來，深度學習方法被廣泛應用于醫(yī)學圖像處理領域。利用原始放射影像進行深度學習雖然可以獲得良好的識別效果，但由于其封閉的學習方式，無法得

2、知圖像特征與分類結果間的關系，而采用傳統(tǒng)的淺層機器學習方法通常具有一定的局限性。本文主要主要研究工作如下：
　　(1)采用傳統(tǒng)的統(tǒng)計方法從肺部 CT圖像的感興趣區(qū)域中提取了幾何特征、紋理特征和直方圖特征，共143維特征向量作為原始特征集，用于結節(jié)的良惡性分類。
　　(2)受基因組學在基因選擇中的啟發(fā)，在Relief特征選擇算法中引入遞歸特征排除策略，形成RFE-Relief特征選擇算法，克服了Relief算法中不能去除冗余特

3、征的缺點，最終得到包含有46維特征向量且與結節(jié)良惡性相關性強的低維特征子集。
　　(3)構建了一個由三層受限玻爾茲曼機構成的深度置信網(wǎng)絡模型，并在頂層加入Softmax分類器，將由46維特征向量構成的特征子集作為DBN的輸入，通過對RBM和Softmax的逐層訓練和微調實現(xiàn)對結節(jié)的良惡性分類。
　　實驗結果表明，最終的分類精確度為93.8％。通過特征選擇，不僅降低了算法的運行時間和效率，還提高了分類的精確度，可以輔助臨床醫(yī)生