基于排序?qū)W習(xí)的肺結(jié)節(jié)圖像檢索算法設(shè)計(jì)與改進(jìn).pdf

1、醫(yī)生在利用醫(yī)學(xué)影像對(duì)新病例進(jìn)行診斷時(shí)時(shí)，常使用已確診的醫(yī)學(xué)影像資料作參考。肺結(jié)節(jié)圖像檢索旨在為醫(yī)生準(zhǔn)確檢索出與新病例影像最相似的候選影像，而排序?qū)W習(xí)算法的目的是對(duì)檢索結(jié)果進(jìn)行更為準(zhǔn)確的排序。
　　為了建立準(zhǔn)確有效的的肺結(jié)節(jié)圖像檢索模型，首先對(duì)提取得到的肺結(jié)節(jié)圖像特征進(jìn)行特征選擇。篩選出最優(yōu)特征子集后，將LambdaMART排序?qū)W習(xí)算法引入肺結(jié)節(jié)圖像檢索任務(wù)，將排序?qū)W習(xí)算法與傳統(tǒng)的基于內(nèi)容的醫(yī)學(xué)圖像檢索算法相結(jié)合，依據(jù)特征向量以及由

2、專業(yè)醫(yī)師所標(biāo)記的相似度標(biāo)簽建立針對(duì)候選圖像間相對(duì)位置關(guān)系以及NDCG評(píng)價(jià)準(zhǔn)則進(jìn)行優(yōu)化的多回歸樹模型。在預(yù)測階段使用訓(xùn)練所得模型對(duì)新查詢圖像與候選圖像之間相似程度進(jìn)行度量，并篩選出相似程度高的候選圖像。針對(duì)LambdaMART算法在每一輪迭代過程中使用單棵決策樹不能有效控制方差問題，將隨機(jī)森林算法與LambdaMART算法相結(jié)合，使用隨機(jī)森林模型替換原始LambdaMART模型中的單棵決策樹，提出了LambdaMARF算法。另一方面針對(duì)L

3、ambdaMART算法在每一輪迭代過程中使用固定的學(xué)習(xí)率，并且學(xué)習(xí)率難以選取的情況，使用變學(xué)習(xí)率方法替換原始LambdaMART算法中的固定學(xué)習(xí)率，提出了可以針對(duì)迭代輪數(shù)進(jìn)行自適應(yīng)學(xué)習(xí)率調(diào)整的Adaptive LambdaMART算法。
　　針對(duì)肺結(jié)節(jié)相似圖像檢索任務(wù)，對(duì)LambdaMART算法、LambdaMARF和Adaptive LambdaMART算法在多種特征選擇算法下對(duì)肺結(jié)節(jié)圖像檢索的情況進(jìn)行了實(shí)驗(yàn)分析，實(shí)驗(yàn)結(jié)果表明L