基于CT征象量化分析的肺结节恶性度分级

为了提高肺结节恶性度分级的计算精度及可解释性,该文提出一种基于CT征象量化分析的肺结节恶性度分级方法.首先,融合影像组学特征和通过卷积神经网络提取的高阶特征构造分析CT征象所需的特征集; 接着,在混合特征集的基础上利用进化搜索机制优化集成学习分类器,实现对7种肺结节征象的识别和量化打分; 最后,将7种CT征象的量化打分输入到一个利用差分进化算法优化产生的多分类器,实现肺结节恶性度的分级计算.在实验研究中使用LIDC-IDRI数据集中的2000个肺结节样本进行进化集成学习器和恶性度分级器的训练和测试.实验结果显示对7种CT征象的识别准确率可达0.9642以上,肺结节恶性度分级的准确率为0.8618,精确率为0.8678,召回率为0.8617,F1指标为0.8627.与多个典型算法的比较显示,该文方法不但具有较高的准确率,而且可对相关CT征象进行量化分析,使得对恶性度的分级结果更具可解释性.     

基于粗糙集特征级融合的肺结节检测算法

以肺结节的检测为研究目标,针对肺结节特征级融合检测算法中存在特征结构不合理和特征表达不紧致两个问题,提出了一种基于粗糙集特征级融合的肺结节检测算法,该算法首先分析肺部CT影像的医学征象,提出了六个新的三维特征,并综合其他二维和三维特征共42维特征分量共同量化ROI;然后基于粗糙集对提取的特征集合进行5次特征级融合实验;最后利用网格寻优算法优化核函数的SVM作为分类器进行肺结节识别.以70例肺结节患者的肺部CT影像为原始数据,通过4组对比实验验证算法的有效性和稳定性,实验结果表明,经过粗糙集特征级融合的肺结节检测算法识别肺结节的能力得到了有效提升.     

基于超声特征集成学习的甲状腺结节分类方法研究

甲状腺结节是一种比较常见的疾病,并且发病率有逐年上升的趋势.如何及时并准确地鉴别出结节的良恶性,采取相应的治疗措施,是甲状腺结节治疗过程中的核心问题.超声作为甲状腺结节初步诊断的主要检查方式,其特征数据对于鉴别结节良恶性具有指导意义.本文针对甲状腺结节超声特征数据存在稀疏和不平衡的问题,通过在目标函数中加入自定义项对集成学习算法进行改进,提出一种基于改进集成学习的甲状腺结节良恶性鉴别方法.实验在真实医疗数据集和UCI标准数据集上分别对比了本算法与随机森林、支持向量机、神经网络算法,结果表明该方法具有最高的准确率,分别达到92.43％和94％.     

基于粗糙集和集成剪枝的人脸表情识别方法

人脸表情识别在疲劳驾驶监测等场景有着广泛的运用。针对人脸表情识别难度大,单一分类器泛化能力较弱的缺点,基于集成学习理论,提出一种基于粗糙集和集成剪枝的人脸表情识别方法。首先,更改卷积神经网络参数得到若干基分类器;其次,结合粗糙集理论,根据基分类器的预测结果构建信息决策表,将分类器选择转化为知识约简过程,剔除系统中弱分类器或冗余分类器,选出分类器子集;最后,用大多数投票法将选择出来的分类器子集组合。和多个集成剪枝算法对比,本文集成剪枝算法在表情数据集上具有较高的识别准确率。     

基于MDRA-net的肺结节良恶性分类方法

CT图像肺结节大小、形状和纹理的多样性，导致肺结节的良恶性诊断十分困难。在三维卷积神经网络的基础上，提出了一种基于多深度残差注意力机制的网络（MDRA-net），用于良恶性肺结节分类。MDRA-net通过在残差分支上使用特征融合及迭代分层融合的方法，提升了网络对结节位置特征及全局特征的感知能力；此外，结合注意力机制，引入projection and excitation模块，利用空间和通道信息进行校准，进一步提升了网络提取特征的能力。在LUNA16数据集上的实验结果表明，MDRA-net分类模型的肺结节检测准确率达96.52%，灵敏度和特异性分别为93.01%和97.77%，较现有的基于深度学习的肺结节良恶性分类模型有较大提升。     

基于行人属性分级识别的行人再识别

为了提高行人再识别算法的识别效果,该文提出一种基于注意力模型的行人属性分级识别神经网络模型,相对于现有算法,该模型有以下3大优点:一是在网络的特征提取部分,设计用于识别行人属性的注意力模型,提取行人属性信息和显著性程度;二是在网络的特征识别部分,针对行人属性的显著性程度和包含的信息量大小,利用注意力模型对属性进行分级识别;三是分析属性之间的相关性,根据上一级的识别结果,调整下一级的识别策略,从而提高小目标属性的识别准确率,进而提高行人再识别的准确率。实验结果表明,该文提出的模型相较于现有方法,有效提高了行人再识别的首位准确率,其中,Market1501数据集上,首位准确率达到了93.1%,在DukeMTMC数据集上,首位准确率达到了81.7%。     

基于语义属性的肺结节良恶性分类

现有肺结节良恶性计算机辅助诊断的依据通常为肺部CT图像的底层特征,而临床医生的诊断依据为高级语义特征.为克服这种图像底层特征和高级语义特征之间的不一致性,提出一种基于语义属性的肺结节良恶性判别方法.首先,利用阈值概率图方法提取肺结节图像;其次,一方面提取肺结节图像的形状、灰度、纹理、大小和位置等底层特征,组成样本特征集.另一方面,根据专家对肺结节属性的标注,提取结节属性集;然后,根据特征集和属性集建立属性预测模型,实现两者之间的映射;最后,利用预测的属性进行肺结节的良恶性分类.LIDC数据库上的实验结果表明所提方法具有较高的分类精度和AUC值.     

基于动态平衡自适应迁移学习的流量分类方法

针对应用流量识别性能和准确率降低等问题,该文提出一种动态平衡自适应迁移学习的流量分类算法。首先将迁移学习引入到应用流量识别中,通过将源领域和目标领域的样本特征映射到高维特征空间中,使得源领域和目标领域的边缘分布与条件分布距离尽量小,提出使用概率模型来判断和计算域之间的边缘分布与条件分布的区别,利用概率模型对分类类别确认度的大小,定量来计算平衡因子μ,解决DDA中只考虑到分类错误率,没有考虑到确认度的问题。然后引入断崖式下跌策略动态确定特征主元的数量,将进行转换后的特征使用基础分类器进行训练,通过不断的迭代训练,将最终得到的分类器应用到最新的移动终端应用识别上,比传统机器学习方法的准确率平均提高了7%左右。最后针对特征维度较高的问题,引入逆向特征自删除策略,结合推土机距离(EMD),使用信息增益权重推土机相关系数,提出了针对应用流量识别的特征选择算法,解决了部分特征对模型的分类无法起到任何的帮助,仅仅导致模型的训练时间增加,甚至由于无关特征的存在导致模型的性能和准确率降低等问题,将经过选择处理的特征集作为迁移学习的训练输入数据,使得迁移算法的时间缩短大约80%。     

一种基于二值粒子群优化和支持向量机的目标检测算法

针对复杂场景下目标检测和目标检测中特征选择问题,该文将二值粒子群优化算法(BPSO)用于特征选择,结合支持向量机(SVM)技术提出了一种新颖的基于BPSO-SVM特征选择的自动目标检测算法。该算法将目标检测转化为目标识别问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。基于BPSO-SVM的特征选择方法降低了特征维数,显著提高了分类器性能。实验结果表明,该文算法不仅有效提高了复杂场景下目标姿态、尺度、光照变化和局部被遮挡时的检测准确率,还大大缩短了检测时间。     

基于优化Adaboost迭代过程的SVM集成算法

为提高Adaboost算法迭代过程中生成基分类器的分类精度以及简化整个集成学习系统的复杂度,文章提出了一种优化Adaboost迭代过程的SVM集成算法。该算法提出了一种在其迭代过程中加入样本选择和特征选择的集成方法。通过均值近邻算法对样本进行选择,并利用相对熵法进行特征选择,最后利用优化得到的特征样本子集对基分类器SVM进行训练,并用加权投票法融合各个SVM基分类器的决策结果进行最终判决。通过对UCI数据集的仿真结果表明,本算法与支持向量机集成算法相比,能够在更少的样本以及特征的基础上,实现较高的识别正确率。     

一种基于CT影像的肺癌病灶检测新方法

 肺癌病灶的检测一直是重要与困难的工作,本文提出了一种基于三维CT影像的肺结节计算机辅助检测新方法.基于自适应阈值等方法分割肺实质区域;由于肺血管是肺结节检测的重要干扰,建立一种形变模型精确分割并过滤肺内血管组织;基于Hessian矩阵特征值构造可选择形状滤波器检测疑似结节,并进一步过滤剩余的细小血管组织;提取多个结节特征,并采用基于规则分类器进行分类.实验结果表明,该方法可以有效帮助医生提高肺癌疾病的诊断准确率.     

Lung No dules Detection in CT Images Using Gestalt-Based Algorithm

To overcome low accuracy and high false positive of existing computer-aided lung nodules detec-tion. We propose a novel lung nodule detection scheme based on the Gestalt visual cognition theory. The pro-posed scheme involves two parts which simulate human eyes cognition features such as simplicity, integrity and classification. Firstly, lung region was segmented from lung Computed tomography (CT) sequences. Then local three-dimensional information was integrated into the Maximum intensity projection (MIP) images from axial, coronal and sagittal profiles. In this way, lung nodules and vascular are strengthened and discriminated based on pathologic image characteristics of lung nodules. The experimental database includes fifty-three high resolution CT images contained lung nodules, which had been confirmed by biopsy. The experimental results show that, the accuracy rate of the proposed algorithm achieves 91.29%. The proposed frame-work improves performance and computation speed for computer aided nodules detection.     

基于多模型融合方法的肺结节良恶性分类

针对CT图像中肺结节因边缘模糊、特征不明显造成的分类效果有偏差的问题,本文提出一种嵌入注意力机制的多模型融合方法(简称MSMA-Net).该方法先将原始CT图像进行肺实质分割和裁剪操作后得到两种不同尺寸的图像,然后分别输入到空间注意力模型和通道注意力模型进行训练,其中,空间注意力模型着重于提取肺结节在CT图像中的空间位...     

基于CT影像组学的非小细胞肺癌预后分析方法

为了辅助医生规划非小细胞肺癌（Non-Small Cell Lung Cancer,NSCLC）患者治疗和复查方案,提出了一种基于CT影像组学的NSCLC预后分析方法.首先,对患者肺部CT影像中的肿瘤区域进行分割;然后,对肿瘤区域进行影像组学特征提取、优化;最后,将优化后的特征数据与患者的预后生存情况作为输入,利用机器学习的方法构建预后分析模型,预测患者的预后生存时间范围.选用124例NSCLC患者数据进行实验,以具有临床意义的3年生存期为预测界限,对患者预后生存时间范围进行预测.实验结果表明,预后分析模型的预测准确率达到91.9%,可以有效地辅助医生对非小细胞肺癌患者的预后情况进行更加精准的评估,制定出更具个性化的治疗与复查方案.     

Three-dimensional segmentation and growth-rate estimation of small pulmonary nodules in helical CT images

Small pulmonary nodules are a common radiographic finding that presents an important diagnostic challenge in contemporary medicine. While pulmonary nodules are the major radiographic indicator of lung cancer, they may also be signs of a variety of benign conditions. Measurement of nodule growth rate over time has been shown to be the most promising tool in distinguishing malignant from nonmalignant pulmonary nodules. In this paper, we describe three-dimensional (3-D) methods for the segmentation, analysis, and characterization of small pulmonary nodules imaged using computed tomography (CT). Methods for the isotropic resampling of anisotropic CT data are discussed. 3-D intensity and morphology-based segmentation algorithms are discussed for several classes of nodules. New models and methods for volumetric growth characterization based on longitudinal CT studies are developed. The results of segmentation and growth characterization methods based on in vivo studies are described. The methods presented are promising in their ability to distinguish malignant from nonmalignant pulmonary nodules and represent the first such system in clinical use.     

基于深度学习的肺结节多分类方法

临床上肺结节的评估往往需要综合临床信息和影像特征进行判断,不同类型的结节的肺癌概率和判定标准也不尽相同,文章基于LIDC-IDRI数据集和额外的人工标注,提出了一种肺结节多分类的方法,利用多分类卷积神经网络,对预处理之后的CT数据进行肺结节的四分类,得到的分类结果更注重对临床医生的可理解的特征分类进行判断。实验表明,该方法取得了良好的效果,四种分类的准确性都在92%以上。该方法可以给医生提供一个可靠的结节分类效果,便于后续的肺结节评估。     

CT图像中肿大淋巴结肺癌转移分类方法

为解决肺癌N分期中胸部CT难于对肿大淋巴结是否癌转移进行评价的问题,寻求能够有效表示淋巴结病理特性的图像特征,实现对肿大淋巴结癌转移快速准确地判别。该文采取交互式分割从CT图像中提取出肿大淋巴结;直接计算淋巴结的多分辨率直方图得到200维空间信息特征样本集;利用具有处理高维数据集优势的支持向量机(SVM)构造分类器;用测试集对经训练的SVM分类器进行测试以评价分类性能。经96例病例实验结果表明:100个淋巴结图像的200维特征计算用时1.91 s,SVM分类器训练测试用时1.36 s,敏感性76%,特异性64%,准确度70%,接受者操作特性曲线(ROC)下面积(AUC)0.6525。高维图像空间信息特征能够有效表示淋巴结特性;没有考虑医学征象进行肿大淋巴结癌转移定性诊断的准确度就达到了70%,同时分类速度比传统纹理算法提高了约10倍。