基于CT征象量化分析的肺结节恶性度分级

• 作者: 陈皓 段红柏 郭紫园 强永乾
• 来源期刊: 电子与信息学报
• 关键词: 肺恶性度分级 CT征象 进化集成学习 量化分析 可解释性
• 年，卷（期）: 2021,（5）
• 所属期刊栏目: 图像与智能信息处理|Image and Intelligent Information Processing
• 页码范围: 1405-1413
• 页数: 9页
• 分类号: TN911.73|TP391.41
• 语种: 中文
• DOI: 10.11999/JEIT200167

摘要

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.