[发明专利]一种基于混合智能优化策略的MKL-SVM算法的肺结节识别方法

说明书

本发明公开了一种基于混合智能优化策略的MKL‑SVM算法的肺结节识别方法。采集肺部图像数据集并进行预处理，经识别前准备得到所述样本数据集，分为用于参数寻优的训练集及用于测试模型的测试集；通过基于模拟退火与粒子群混合智能优化的MKL‑SVM算法对所述样本训练集进行参数寻优，获取最优参数组并建立MKL‑SVM的模型；将所述最优参数组应用于所述MKL‑SVM的数学模型进行识别计算，得出肺结节的识别结果。本发明将SA算法与PSO算法相结合，使得粒子可以跳出局部最优解，从而寻求全局最优解，并将所述的混合智能优化策略应用于MKL‑SVM的参数寻优，可以快速、准确地寻找到MKL‑SVM算法的最优参数组，并将其应用于肺结节识别，提高识别准确率，在一定程度上减少结节的漏检。

技术领域

本发明涉及医学图像处理领域，具体地说，特别涉及一种基于混合智能优化策略的MKL-SVM算法的肺结节识别方法，在进行肺结节识别之前，为提高分类准确度，采用基于模拟退火与粒子群优化混合(SA-PSO)算法对MKL-SVM进行参数优化，从而提升分类器的性能，提高肺结节识别准确度。

背景技术

肺癌被认为是一种侵入性疾病，对人类生命健康具有重大威胁，是癌症死亡的主要原因。计算机断层扫描成像(Computed Tomography, CT)技术是检测早期肺癌的重要手段。在CT图像上，早期肺癌表现为直径小于30mm的圆形或类圆形致密影，即肺结节。若能注重个人的健康管理，做到对肺癌的早期筛查、诊断及尽早治疗，患者可治愈率能达到56%。因此，尽早发现肺结节可以有效地提高肺癌患者的生存率，避免错过最佳治疗机会。

肺癌CT筛查的迅速发展导致要由医生检查的图像数据呈指数增长，这大大增加了工作量，由于海量阅片容易导致错误的诊断。计算机辅助诊断（Computer AidedDetection, CAD）系统是帮助医生进行识别结节的有利工具，CAD系统能够减轻医生的工作负担并提高诊断准确率。以传统的肺CAD系统为例，主要包括：图像预处理、肺实质分割、候选结节感兴趣区域（Region of Interests, ROI）的分割、ROI特征的提取与选择、肺结节的识别。其中，肺结节识别是肺CAD系统的核心部分，识别的结果将为医生提供“第三方”诊断的结果，防止漏检及误判的可能性。

现有技术存在模型训练时间较长、实时性较差、易失去粒子多样性、难以寻求全局最优解的缺点，从而不易寻求最优参数组，提升分类器的性能。

发明内容

为了解决现有技术的问题，本发明实施例结合模拟退火(Simulated Annealing,SA)算法与粒子群优化算法(Particle Swarm Optimization, PSO)的优势，提供了一种基于混合智能优化策略的MKL-SVM算法的肺结节识别方法。所述技术方案如下：

步骤1.数据集的获取：

采集肺部CT图像，主要为合作医院数据集；

步骤2.图像预处理：

图像预处理去除CT图像中的文字信息、衣物等干扰信；

步骤3.肺实质分割：

一般采用阈值分割方法进行肺实质分割，阈值的选取是关键所在；

步骤4：肺ROI的提取与选择：

从肺结节图像中提取ROI区域，对ROI区域进行特征选取，获取数据样本，其中提取特征为根据医生建议设计的13维手工特征，包括：7个形态特征，2个灰度特征以及4个纹理特征；

步骤5.肺结节识别：

可选地，所述通过混合智能优化策略的MKL-SVM算法对所述数据样本的训练集进行寻优处理，获取最优参数组，建立MKL-SVM的数学模型；将所述最优参数组应用于所述MKL-SVM的数学模型进行识别计算，得出肺结节的识别结果。

可选地，所述步骤5的具体过程如下：

1）随机初始化种群中各粒子的位置和速度；