基于MKL‑SVM‑PSO算法的肺结节图像处理方法技术

本发明专利技术公开了一种基于MKL‑SVM‑PSO算法的肺结节图像处理方法，包括：从肺结节图像中提取感兴趣区域，对所述感兴趣区域进行特征选取，获取数据样本；其中，所述数据样本包括：用于参数寻优的训练集及用于测试模型的测试集；通过MKL‑SVM‑PSO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。本发明专利技术可以快速、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；将PSO算法引入MKL‑SVM算法，并将其应用于肺结节的良恶性判别。

Pulmonary nodule image processing method of MKL SVM based on PSO algorithm

The invention discloses a pulmonary nodule image processing method, MKL SVM based on PSO algorithm including ROI extraction from images of pulmonary nodules in the region of interest for feature selection, data sample; among them, the data sample includes: for the training set is used to test the model and the test set parameter optimization; optimization processing by training the MKL SVM PSO algorithm on the data sample set to obtain the optimal parameter set. The MKL model is established SVM; mathematical model parameter array is applied to the MKL SVM to identify the optimal calculation, obtained recognition of pulmonary nodules results. The invention can quickly and accurately find the optimal parameters of group MKL SVM algorithm, and applied to the recognition of lung nodules; PSO algorithm was introduced into the MKL SVM algorithm, and applies it to the classification of malignant and benign pulmonary nodules.

【技术实现步骤摘要】
基于MKL-SVM-PSO算法的肺结节图像处理方法
本专利技术涉及领域，具体地说，特别涉及一种基于MKL-SVM-PSO算法的肺结节图像处理方法。
技术介绍
肺结节通常指直径不大于3cm的肺内类圆形致密影，也是肺癌在肺CT图像上的早期表征形式。计算机断层扫描成像(computedtomography，CT)技术是检测早期肺结节的重要手段。根据肺结节的CT表征形式，可以将其分为实心型结节(如孤立型结节、粘连肺壁型结节、粘连血管型结节)、磨玻璃型结节及空洞型结节。肺计算机辅助检测(ComputerAidedDetection，CAD)系统是机器视觉技术的应用，可以减少放射科医生因超大负荷阅片而造成的视觉疲劳，减少由此产生误判或漏检的可能性，为医生提供“第三方”的辅助诊断结果。通常肺CAD包含以下几个模块：肺部CT图像数据的采集、图像的预处理、肺实质分割、候选结节ROI或VOI的检测(主要指提取或分割)、ROI或VOI特征的计算与选择、肺结节的识别，其中肺结节识别是肺CAD的核心模块。现有技术存在计算量大、寻参时间长、实时性差，不易形成在线识别算法的缺点。
技术实现思路
为了解决现有技术的问题，本专利技术实施例提供了一种基于MKL-SVM-PSO算法的肺结节图像处理方法。所述技术方案如下：一方面，提供了一种基于MKL-SVM-PSO算法的肺结节图像处理方法，包括：从肺结节图像中提取感兴趣区域，对所述感兴趣区域进行特征选取，获取数据样本；其中，所述数据样本包括：用于参数寻优的训练集及用于测试模型的测试集；通过MKL-SVM-PSO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，所述训练集与测试集均包含结节与非结节；所述数据样本是对感兴趣区域的13维特征提取，13维特征包括：7个形态特征，2个灰度特征，以及4个纹理特征。可选地，所述通过MKL-SVM-PSO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的步骤具体包括：1)将粒子和速度初始化；2)在训练集上计算粒子适应度值；3)寻找个体极值和群体极值；4)进行速度更新与位置更新；5)根据更新后的速度与位置，计算粒子适应度值；6)求得个体极值和群体极值更新；7)对所述个体极值和群体极值是否满足终止条件，满足则结束计算，得到最优参数组；不满足继续重复步骤4)；8)用得到的最优参数组在测试集上进行测试，得到测试集上的识别结果。可选地，所述计算粒子适应度值的步骤具体包括：根据PSO算法，将交叉验证意义下肺结节的识别准确率ACC作为目标，并将其确定为PSO的适应度函数值，ACC定义式如下：上式中，TP为检测出的真阳性结节，即恶性病灶；FP为检测出的假阳性；FN为检测出的假阴性；TN是检测出的真阴性，即非结节；ACC衡量整体的识别准确率，SEN则衡量肺结节的实际检出率。可选地，所述MKL-SVM-PSO算法用于MKL-SVM的参数寻优，确定MKL-SVM识别算法的数学模型，并将其用在测试集上对肺结节进行识别。可选地，所述所述MKL-SVM-PSO算法具体为：将PSO算法引入MKL-SVM算法，得到了MKL-SVM-PSO算法，对训练集进行训练。本专利技术实施例提供的技术方案带来的有益效果是：本专利技术提出了基于MKL-SVM-PSO算法的肺结节图像处理方法，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。将PSO算法引入MKL-SVM算法，并将其应用于肺结节的良恶性判别；在改变动态权重的基础上，讨论了线性权重与非线性权重的异同，并得到了最优的动态非线性权重形式。使得算法的平均适应度值更加快速、稳定地接近最佳适应度值，且易得到全局最优解。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例的一种基于MKL-SVM-PSO算法的肺结节图像处理方法流程图；图2是本专利技术实施例的MKL-SVM-PSO算法应用于肺结节识别的流程图；图3是本专利技术实施例的MKL-SVM-PSO算法的适应度(准确率)曲线；图4是本专利技术实施例的式(16)的MKL-SVM-PSO算法的适应度(准确率)曲线；图5是本专利技术实施例的式(17)的MKL-SVM-PSO算法的适应度(准确率)曲线；图6是本专利技术实施例的式(18)的MKL-SVM-PSO算法的适应度(准确率)曲线；图7是本专利技术实施例的式(19)的MKL-SVM-PSO算法的适应度(准确率)曲线；图8是本专利技术实施例的式(20)的MKL-SVM-PSO算法的适应度(准确率)曲线；图9是本专利技术实施例的式(16)至式(20)所对应的5种动态权重随迭代次数变化的曲线。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。本专利技术提供了一种基于MKL-SVM-PSO算法的肺结节图像处理方法，参见图1，包括：S100：从肺结节图像中提取感兴趣区域，对所述感兴趣区域进行特征选取，获取数据样本；具体地，本实施例对感兴趣区域(regionofinterest，ROI)做了进一步说明：机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域，ROI。在图像处理领域，感兴趣区域(ROI)是从图像中选择的一个图像区域，这个区域是图像分析所关注的重点。圈定该区域以便进行进一步处理。使用ROI圈定目标，可以减少处理时间，增加精度。本实施例中，所述感兴趣区域中包括结节以及假阳。其中，所述数据样本包括：用于参数寻优的训练集及用于测试模型的测试集；所述训练集与测试集均包含结节与非结节；所述数据样本是对感兴趣区域的13维特征提取，13维特征包括：7个形态特征，2个灰度特征，以及4个纹理特征。S200：通过MKL-SVM-PSO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；S300：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。具体地，所述MKL-SVM-PSO算法具体为：将PSO算法引入MKL-SVM算法，得到了MKL-SVM-PSO算法，对训练集进行训练。所述MKL-SVM-PSO算法用于MKL-SVM的参数寻优，确定MKL-SVM识别算法的数学模型，并将其用在测试集上对肺结节进行识别。进一步的，参见图2，所述通过MKL-SVM-PSO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的步骤具体包括：1)将粒子和速度初始化；2)计算粒子适应度值；3)寻找个体极值和群体极值；4)进行速度更新与位置更新；5)根据更新后的速本文档来自技高网...

【技术保护点】
一种基于MKL‑SVM‑PSO算法的肺结节图像处理方法，其特征在于，包括：从肺结节图像中提取感兴趣区域，对所述感兴趣区域进行特征选取，获取数据样本；其中，所述数据样本包括：用于参数寻优的训练集及用于测试模型的测试集；通过MKL‑SVM‑PSO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。

【技术特征摘要】
1.一种基于MKL-SVM-PSO算法的肺结节图像处理方法，其特征在于，包括：从肺结节图像中提取感兴趣区域，对所述感兴趣区域进行特征选取，获取数据样本；其中，所述数据样本包括：用于参数寻优的训练集及用于测试模型的测试集；通过MKL-SVM-PSO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。2.如权利要求1所述的方法，其特征在于，所述训练集与测试集均包含结节与非结节；所述数据样本是对感兴趣区域的13维特征提取，13维特征包括：7个形态特征，2个灰度特征，以及4个纹理特征。3.如权利要求2所述的方法，其特征在于，所述通过MKL-SVM-PSO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的步骤具体包括：1)将粒子和速度初始化；2)在训练集上计算粒子适应度值；3)寻找个体极值和群体极值；4)进行速度更新与位置更新；5)根据更新后的速度与位置，计算粒子适应度值；6)求得个...

【专利技术属性】
技术研发人员：李阳，张丽娟，赵庆东，侯阿临，刘丽伟，王宏志，祝志川，田颖，
申请(专利权)人：长春工业大学，东北师范大学，
类型：发明
国别省市：吉林,22