[发明专利]一种基于动量自适应和声搜索的影像组学特征选择方法

说明书

一种基于动量自适应和声搜索的影像组学特征选择方法，属于影像组学技术领域。它包括以下步骤：1、勾选所述医学影像的感兴趣区域ROI；2、读取包含ROI的肾上腺肿瘤CT影像数据；3、对读取的影像数据提取原始图像特征；4、定义一个最小化问题为此方法的目标函数；5、初始化和声记忆库；6、初始化最大迭代次数、HMCR以及PAR；7、产生新解j；8、更新和声记忆库；9、重复步骤7～8，输出最优特征子集。本发明通过动态调整HMCR和PAR，避免陷于局部最优解，增强了算法的鲁棒性；融合动量梯度下降的概念，加快了收敛；调整了适应度函数，更加契合特征搜索优化问题的本质。

技术领域

本发明属于影像组学技术领域，具体涉及一种基于动量自适应和声搜索的影像组学特征选择方法。

背景技术

肾上腺腺瘤(AA)是肾上腺最常见的良性肿瘤，起源于肾上腺皮质，多无特质性临床症状，常在体检或胸腹部其他检查中被意外发现，临床上依据肿瘤有无内分泌功能分为无功能腺瘤和功能性腺瘤，临床上以无功能腺瘤居多。目前，依据腺瘤平扫CT值的不同，以10HU为临界点，把10HU的腺瘤定义为乏脂性肾上腺腺瘤(LP-AA)。肾上腺转移瘤(AM)是最常见的肾上腺恶性肿瘤，其发病率仅次于良性的AA，原发灶最常来源于肺。在临床工作中，许多恶性肿瘤患者在筛查转移瘤时偶然发现肾上腺腺瘤，这类偶发的肾上腺腺瘤与转移瘤的鉴别成为医学影像鉴别中的难题。常见的肾上腺腺瘤胞质脂肪含量较高，且非腺瘤内不含脂质或含脂量较低，因此通过肿瘤平扫CT值的测量可鉴别典型的腺瘤和转移瘤。然而乏脂性腺瘤缺乏脂肪含量，难以鉴别。因此，如何有效鉴别转移瘤和乏脂性腺瘤是一个亟待解决的问题。

近几年来，随着机器学习技术的发展，机器学习在医学影像分析中的应用也越来越广泛，但是应用在肾上腺肿瘤辅助诊断上的研究较少，并且医学影像数据较为复杂多变，提取的影像组学特征维度较高，增加了传统机器学习方法计算的开销。特征选择的目标在于得到最优特征子集，剔除不相关或具有误导性的特征，从而提高分类的准确率和效率。目前的特征选择方法往往难以考虑到特征间的相关性，或是计算成本较高，且特征选择本质上是一种优化问题，因此，采用和声搜索算法来求解此类问题是可行的。但是离散和声搜索在求解此类问题时易陷入局部最优，降低了搜索的效率和准确性。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供一种基于动量自适应和声搜索的影像组学特征选择方法，采用了离散和声搜索，并在此基础上进行加强，有效地提高了搜索的效率和准确性。

本发明提供如下技术方案：一种基于动量自适应和声搜索的影像组学特征选择方法，包括以下步骤:

步骤1：手动勾选医学影像的感兴趣区域ROI；

步骤2：读取包含感兴趣区域ROI的肾上腺肿瘤CT影像数据；

步骤3：对读取的影像数据提取原始图像特征，并划分成训练集和测试集；

步骤4：定义一个最小化问题为目标函数，根据步骤3提取的图像特征初始化和声记忆库大小HMS和特征总数n；

步骤5：根据步骤4中定义的目标函数及和声记忆库大小HMS，初始化和声记忆库；

步骤6：基于步骤5中初始化的和声记忆库，初始化最大迭代次数、和声记忆取值概率HMCR以及和声微调概率PAR；

步骤7：根据步骤6中定义的HMCR和PAR产生新解j；

步骤8：更新和声记忆库：判断新解的目标函数值是否优于当前记忆库的最差解，若是，则更新记忆库；

步骤9：重复步骤7～8，直到达到最大迭代次数，即达到终止条件，输出最优特征子集。

进一步的，所述步骤4中，目标函数公式为：