[发明专利]一种分布式自适应肺结节计算机检测方法及系统

说明书

技术领域

本发明涉及一种分布式自适应肺结节计算机检测方法，尤其涉及基于蚁群算法的特征选择以及基于遗传算法的分布式自适应肺结节检测。

背景技术

目前，人们在肺结节检测方面做了大量的工作。一些学者从图像增强、滤波、配准等方面检测肺结节。S.Yamamoto等人使用一种可变N环滤波器应用于二维和三维常规图像检测肺结节。魏颖等人提出结合全局区域均值和局部边界信息的水平集改进算法，应用于肺结节检测。Brown等人用先验的模糊模型来描述肺结节的解剖学结构，采用图像基元配准的方法寻找肺结节。此外，还有一些学者从肺结节的特征提取、分类方面来检测肺结节。Lilla Boroczky等人采用遗传算法对特征子集进行选择，再利用支持向量机构造的分类器进行分类检测肺结节。Arimea等人使用多阈值技术初选结节，再使用基于规则、神经网络等方法除去假阳性结节。但是，这些肺结节检测方法都是基于感兴趣区域ROI(Regions of Interest)样本自身的特征，没有考虑ROI样本总体的特征。而且，这些算法都是基于单一节点的肺结节检测，处理的图像资源非常有限，无法利用分布式网络的图像资源来达到更好的检测效果。

本发明描述一种分布式自适应肺结节计算机检测方法，其核心内容包括基于蚁群算法的特征选择、基于遗传算法的分布式参数寻优。使用蚁群算法选择有代表性的肺结节特征能够有效的减少分类检测的工作量、工作时间。在分布式ROI分类中，各个节点使用蚁群算法进行分类，这样既考虑ROI的个体特征，又考虑ROI样本总体的特征，会提高检测的漏诊率。同时，各个节点中的参数由中心管理器通过遗传算法寻优获得之后进行统一设置，而不是系统开发者根据自己的测试数据凭经验设置，这就有效降低了参数设置的局限性。分布式系统能够综合不同的数据来不断调节这些参数，会大大改善参数设置的合理性，从而提高检测性能。

发明内容

本发明提供一种分布式肺结节检测方法。

具体技术方案如下：

一种分布式自适应肺结节检测方法，其特征在于，包括：

A、中心管理器确定肺结节特征，所述确定肺结节特征具体包括：

A1、中心管理器根据初始的实验数据，使用蚁群算法确定分类规则；

A2、通过计算规则集合中各个肺结节特征之间的相关度，对规则集合进行修改；

A3、使用特征变量表示规则集合中选定的肺结节特征；

B、中心管理器对肺结节检测代理进行感兴趣区域的特征变量以及分类参数的初始化，初始的参数通过遗传算法获得，所述分类参数满足适应度函数值最大的条件；

C、肺结节检测代理进行肺结节检测，所述肺结节检测具体包括：

C1、对肺部CT图像进行分割，获得肺实质图像；

C2、根据感兴趣区域形状特征，使用基于Hessian矩阵的多尺度增强以及梯度熵的选择来完成感兴趣区域的提取；

C3、计算感兴趣区域的特征值，根据所述感兴趣区域的特征值，使用蚁群算法对感兴趣区域进行分类，输出肺结节检测结果；

D、根据输出的检测结果，计算作为检测指标的敏感性以及假阳率，将检测指标反馈给中心管理器，如果检测指标满足要求，则所述肺结节检测代理使用原有的分类参数继续调节；如果检测指标不满足要求，则使用遗传算法寻找更加理想的分类参数，使用蚁群算法对感兴趣区域重新进行分类，输出新的肺结节检测结果，将所述更加理想的分类参数反馈给所述肺结节检测代理。

还包括使用圆形肿块征、分叶征、棘状突起征、结节征、空泡征、空洞征、支气管征、毛刺征、尖角征、索条征、模糊征、充血征、胸膜凹陷征、血管束集中征和卫星病灶征这十五个特征构成分类规则中的初始集合；

对于一组实验数据，计算规则的偏好值，将偏好值最大的规则依次移入到当前规则集合中，同时将此组实验数据中符合规则的训练实例依次移出，直到剩余的训练实例少于最大未训练实例时，结束当前规则集合的构建，在当前规则集构建完成时，根据分类的敏感性和准确性增加集合中规则的信息素，模拟信息素的增加，由信息素的持久性系数决定集合外信息素的残留程度，模拟信息素的挥发；

计算完所有组实验数据训练实例后，信息素的大小决定规则集合的构建，信息素较大的规则在集合中，根据规则集合中元素的相关性，除去相关元素，确定分类特征；