[发明专利]基于双聚类挖掘及AdaBoost的肿瘤分类方法

摘要

本发明公开了一种基于双聚类及AdaBoost的肿瘤分类方法，该方法首先选取肿瘤病变特征的数字化打分数据构建原始数据集，根据特征统计信息从原始特征中筛选出对区分良恶性肿瘤有效的特征，接着利用双聚类算法从特征打分数据中挖掘出数据背后隐藏的重要肿瘤诊断模式，根据病例良恶性属性先验知识采用支持率指标确定诊断模式的良恶性属性，进而将局部一致模式转化为有效的诊断规则；之后采用良恶性规则两两配对的方法构造能够在不同特征空间下分类的简单弱分类器，弱分类器依据测试样本跟良恶性规则匹配的相似度为分类原则；最后采用AdaBoost集成算法从弱分类器中训练出高准确率的强分类器，对提高肿瘤临床诊断的准确率有重要作用。

主权项

一种基于双聚类挖掘及AdaBoost的肿瘤分类方法，其特征在于，该方法包括下列步骤：S1、根据肿瘤超声图像特征的量化打分数据构建原始训练数据集，其中，所述原始训练数据集中每一行代表一个肿瘤样本，每一列表示一个病变特征的数值化特征值；S2、根据所述原始训练数据集，从原始特征中筛选出对区分良恶性肿瘤有效的特征；S3、由筛选出来的有效特征重新构建出训练数据矩阵，并对所述训练数据矩阵中的每一列进行归一化处理；S4、对归一化后的所述训练数据矩阵使用双聚类算法挖掘出数据里面蕴含的局部一致模式，得到一系列双聚类；S5、根据病例属性的先验知识采用基于支持度的方法将得到的双聚类转化为有效的良性或恶性诊断规则；S6、将良性和恶性诊断规则分组，然后采用良恶性规则两两配对的方法构造一系列弱分类器；S7、根据所构造的弱分类器，采用AdaBoost集成学习方法从中训练出强分类器；S8、对于测试病例，根据超声图片所见对步骤S2中筛选出来的特征进行人工打分，得到测试病例的所有特征值，将其输入到训练好的分类器中，得到最终良恶性诊断结果。