基于PSO-SVM的孤立性肺结节良恶性分类研究

为辅助医生诊断孤立性肺结节的良恶性,提出一种针对肺结节的PET/CT影像特征的PSO-SVM分类方法。该方法利用粒子群算法(PSO)对支持向量机(SVM)进行参数搜索,进而选择最合适的参数,得到合适的SVM分类模型。实验表明,利用粒子群优化算法对支持向量机模型中的参数进行优化,可以避免人为选择的随机性,在解决分类问题中有良好的表现。使用此方法得到的分类模型对良恶性肺结节进行分类,平均正确率可达到90%以上,且为医生诊断肺结节时选取的主要特征提供了理论依据。     

基于改进LVQ算法的肺结节识别与分类

目前,肺癌的是发病率最高的肿瘤,若能在早期发现癌变并进行相应治疗,将极大的提高患者的生存率。肺癌的症状在早期表现为肺结节。以提高肺结节检测识别率并进行良恶性分类为目的,提出了一种改进的LVQ分类器算法。首先使用C-V算法对原始图像进行肺实质分割,再使用最优阈值法进行感兴趣区域提取,并进行特征提取和特征归一化。使用多次聚类算法检测肺结节。使用基于改进的LVQ分类器进行肺结节的良恶性进行分类。利用改进后的LVQ分类器在LIDC数据集上进行实验,得到了对良性结节的确诊率为87.3%,对恶性结节的确诊率为80.8%。实验结果表明,改进后的算法在良恶性结节分类上具有较高的确诊率,有助于提高医生的工作效率,实现肺结节的辅助发现。     

基于集成随机森林模型的肺结节良恶性分类*

针对目前计算机辅助肺结节良恶性分类模型精度较低的问题,提出了一种基于CT图像的集成随机森林模型肺结节良恶性鉴别方法。首先,分割肺结节区域,提取其影像学特征向量输入多个基分类器;然后,利用每个基分类器的置信度构建集成模型的分类损失函数,求出每个基分类器的权重;最后,根据每个基分类器输出的类别概率值进行加权求和,求得其中概率最大值的类作为分类类别。为验证提出的分类模型性能,本文设计3种实验方案进行测试,准确率分别达到：96.41%,91.36%,95.82%;并与已有的肺结节良恶性分类模型进行对比,结果表明,集成随机森林分类模型能够有效提高肺结节鉴别良恶性的准确度。     

GA-BP神经网络在下肢运动步态识别中的应用研究

为了提高下肢表面肌电信号步态识别的准确性,提出了一种基于遗传算法（GA）优化的BP神经网络分类器设计方法。首先,对采集的下肢表面肌电信号进行小波滤波及特征值提取,其次,构造基于GA优化的BP神经网络分类器,然后,以提取的表面肌电信号特征作为输入对分类器进行训练,最后利用训练好的分类器进行测试。实验结果表明,基于GA优化的BP神经网络分类器能成功识别下肢正常行走的五个步态,平均识别率达到98%以上,效果明显优于BP神经网络分类器的识别效果。     

基于神经网络架构搜索的肺结节分类算法

肺结节分类是早期肺癌诊断的重要任务。基于深度学习的肺结节分类方法虽然能够取得良好的分类精度,但存在模型复杂和可解释性差的问题。为此,提出了一种基于神经网络架构搜索的肺结节分类算法。首先,将注意力残差卷积cell作为搜索空间的基本单元,并使用偏序剪枝方法作为搜索策略来构建神经网络架构以搜索3D分类网络,从而达到网络性能和搜索速度的平衡。其次,在网络中构建了多尺度通道和空间注意力模块来提高特征描述和类别推理的可解释性。最后,采用堆叠法将搜索到的网络架构进行多模型的融合,从而获取精准的肺结节良恶性分类预测结果。实验结果表明,在肺结节分类常用数据集LIDC-IDRI上,所提算法与最新肺结节分类算法相比具有较好的分类性能和较快的收敛,且所提算法的特异性和精确率分别达到95.37%和93.42%,能够实现良恶性肺结节的准确分类。     

采用改进LM算法的网络流量分类方法

针对传统的流量分类方法准确率低、开销大、应用范围受限等问题,提出一种有效的网络流量分类方法（GA-LM）。该方法将基于神经网络的分类方法作为网络流量的分类模型,采用L-M算法构造分类器,并用遗传算法优化网络初始连接权值,加速了网络收敛过程,提高了分类性能。通过对收集到的实际网络流量数据进行分类,实验结果表明GA-LM比标准BP算法和L-M算法的收敛速度快,具有较好的可行性和高准确性,从而可有效地用于网络流量分类中。     

基于混合受限玻尔兹曼机的肺结节良恶性诊断

针对传统计算机辅助诊断中肺结节的特征提取方法依靠人工设计、操作复杂、识别率低等问题,提出了一种基于混合受限玻尔兹曼机的肺结节良恶性诊断方法。首先采用多层无监督卷积受限玻尔兹曼机自动对肺结节图像进行特征学习,然后利用分类受限玻尔兹曼机对获得的特征进行良恶性分类。为避免分类受限玻尔兹曼机在训练中出现的特征同质化问题,引入了交叉熵稀疏惩罚对其进行优化。实验结果表明,该方法有效避免了手动特征提取的复杂性,在肺结节良恶性分类的准确率、敏感性、特异性、ROC曲线下面积值上均优于传统诊断方法。     

基于改进ReliefF与k-means算法的良恶性肺结节分类模型

肺结节是肺癌的症状.在CT图像中,肺结节的形状和大小常被用来进行肺癌的诊断,然而良性和恶性结节的鉴别对于疾病的治疗具有重要意义.由于良恶性结节的边缘纹理特征区别大,因此本文首先利用基于改进的边缘检测算子的灰度-梯度共生矩阵(GGCM)提取小梯度优势、灰度分布不均匀性、能量、灰度熵、梯度熵、混合熵、逆差距、相关性等肺部CT图像的14种纹理特征.然后利用改进的ReliefF算法去除作用小的特征,保留重要特征的特征权重值.最后将重要特征的权重值应用于改进距离度量准则的k-means算法中进行良恶性结节的分类.应用本文算法在LIDC数据集上实验,实验分析结果表明,14种纹理特征对于结节良恶性的分类能力并不相同,而灰度差、梯度差、能量、小梯度优势、相关性、灰度熵、混合熵、逆差矩的组合得到的良恶性肺结节分类效果最好,最终实现了良性结节83.46%,恶性结节95.02%的识别率,可在临床应用中辅助医生进行肺结节的良恶性诊断.     

三维多尺度交叉融合网络肺结节分类研究

计算机断层扫描影像中良、恶性肺结节的准确分类对肺癌的预防和治疗至关重要。然而,由于计算机断层扫描影像中肺结节背景的复杂性,以及良、恶性肺结节判定之间存在的不确定性,使得良恶性肺结节的准确分类成为了一项极具挑战性的工作。提出了一种深度三维多尺度交叉融合卷积神经网络实现了良恶性肺结节的精确分类。使用密集连接结构自动提取肺结节多尺度特征,为了减少特征提取过程中肺结节相关信息的丢失,对多尺度特征引入了交叉融合策略得到多尺度特征组,增强了高、低层次语义信息的表达能力,同时增强特征在网络中的传递和转移。将提取的特征组分别连接至多个softmax分类器,模拟多位经验不同医生共同决策,实现了良、恶性肺结节的精确识别。使用肺图像联合会数据集进行验证,分类准确率达到了90.96%,AUC为94.95%。     

一个基于PET/CT的孤立性肺结节恶性概率的预测模型

为减少在肺结节良恶性的临床诊断过程中主治医生的临床经验、当前状态等主观因素对诊断结果的影响,提出一种基于PET/CT的孤立性肺结节恶性病变概率的辅助预测模型来尽可能消除诊断过程中的不确定因素,提高诊断的准确度。模型采用单因素方差分析法逐个分析肺结节的PET和CT各个征象,确定与肺结节恶性病变具有显著性相关的因素;利用多因素logistic分析法分析各个影响因子之间的相关性,并建立预测肺结节恶性病变概率的回归方程。通过利用Hosmer-Lemeshow检验和最大似然比检验对模型的拟合度进行检验,结果表明,该模型具有较高的拟合度。同时将该模型与Mayo和VA模型相比,将预测概率0.54作为良恶性诊断的临界时,该模型在预测准确度和敏感度方面表现出比较高的优势。     

一种基于BP和朴素贝叶斯的时间序列分类模型

针对传统时间序列分类方法需要较为繁琐的特征抽取工作以及在只有少量标记数据时分类效果不佳的问题,通过分析BP神经网络和朴素贝叶斯分类器的特点,提出一种基于BP和朴素贝叶斯的时间序列分类模型。利用了BP神经网络非线性映射能力和朴素贝叶斯分类器在少量标记数据下的分类能力,将BP神经网络抽取到的特征输入到朴素贝叶斯分类器中,可以较为有效的解决传统时间序列分类算法的问题。实验结果表明,该模型在标记数据较少的情况下的时间序列分类中具有较高的分类准确度。     

Automatic classification for solitary pulmonary nodule in CT image by fractal analysis based on fractional Brownian motion model

Perfusion computed tomography (CT) method has been used to differentiate malignant pulmonary nodules from benign nodules based on the assessment for the change of the CT attenuation value within the pulmonary nodules. Instead of using the change of the CT attenuation value, a set of fractal features based on fractional Brownian motion model is proposed in this paper to automatically distinguish malignant nodules from benign nodules. In a set of 107 CT images from 107 different patients with each image containing a solitary pulmonary nodule, our experimental results obtained from a support vector machine classifier show that the accuracy, sensitivity, specificity, positive predictive value, negative predictive value, and the area under the ROC curve are 83.11%, 90.92%, 71.70%, 80.05%, 87.52%, and 0.8437, respectively, by using the proposed fractal-based feature set. Such a result outperforms the conventional method of using the change of the CT attenuation value as the feature for classification. When combining this conventional method with our proposed fractal-based method, the accuracy, sensitivity, specificity, positive predictive value, negative predictive value, and the area under the ROC curve can be promoted to 88.82%, 93.92%, 82.90%, 87.30%, 90.20%, and 0.9019, respectively. In other words, a high performance of pulmonary nodule classification can be achieved with a single post-contrast CT scan.     

基于神经网络集成的思维脑电信号分类方法

提出基于神经网络集成算法的思维脑电信号分类方法,采用BP神经网络为分类器,对用AR参数提取的思维脑电特征进行分类。为进一步提高BP神经网络的分类性能,采用Bagging算法对BP神经网络分类器进行加权投票,实验表明,提出的方法具有很好的分类效果。     

深度学习在肺结节辅助诊断中的应用

肺癌位居癌症死亡率首位,对其进行早期诊断和治疗可降低肺癌患者的死亡率。深度学习能够自动提取结节特征,并完成肺结节的良恶性及恶性等级分类,因此深度学习方法成为肺癌早期诊断的重要手段。对常用数据集进行介绍,系统阐述了栈式去噪自编码器（SDAE）、深度置信网络（DBN）、生成对抗网络（GAN）、卷积神经网络（CNN）、循环神经网络（RNN）和迁移学习技术在肺结节良恶性分类中的应用,阐述了深度卷积生成对抗网络（DCGAN）、多尺度卷积神经网络（MCNN）、U型网络（U-Net）和集成学习技术在肺结节恶性等级分类中的应用,针对肺结节分类的深度学习方法进行了综合分析,并对未来研究方向进行展望。     

基于遗传神经网络的入侵检测系统ONE-CLASS分类器设计

为适应高速网络中的数据处理速度,设计了将识别出的正常数据抛弃的入侵检测系统one-class分类器。检测模块采用GA与BP相结合的智能算法。该算法利用神经网络自身具有并行性、鲁棒性等特点,可以大大减少分类器的计算时间。     

基于小波神经网络的医学图像分类方法

为了提高乳腺癌早期诊断的准确率,将小波理论与神经网络理论相结合提出改进的小波神经网络算法。将经过预处理的医学图像提取特征值,然后利用基于改进的小波神经网络算法的分类器对医学图像进行分类。通过实验表明此分类器具有较高的分类精度,是有效和可行的;与单独使用后向传播神经网络算法相比分类效果也得到了改善。