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技术

本发明专利技术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。本发明专利技术将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。

【技术实现步骤摘要】
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
本专利技术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。
技术介绍
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(ComputedTomography,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（ComputerAidedDetection,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（RegionofInterests,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。
技术实现思路
为了解决现有技术的问题，本专利技术实施例结合模拟退火(SimulatedAnnealing,SA)算法与粒子群优化算法(ParticleSwarmOptimization,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；2）在训练集上，计算各粒子的适应度值；3）寻找个体极值和群体极值；4）确定初始温度T，计算方式如下：其中f为适应度函数值，GM代表群体极值.5）确定当前温度下各粒子的适配值TF：其中，N为粒子的总数，Xi代表第i个粒子，GM代表群体极值，f为适应度函数值，P(i)为第i个粒子的适应度值.6）结合轮盘赌策略，比较随机概率与个体粒子被选中的累积概率值的大小，更新粒子的速度及位置，具体计算公式如下：其中，m代表当前粒子；ComFit(i)代表累计概率；PM代表个体极值；c1和c2是加速因子，它影响粒子的运动轨迹；r1和r2是范围为[0,1]之间的随机数；为收缩因子.7)计算各个粒子新的适应度值，更新个体极值和群体极值；8）根据下式进行退温操作：其中，λ为降温速率，在[0,1]之间取值.9）若满足迭代次数，则停止搜索；否则返回步骤4）。可选地，所述计算粒子适应度值的步骤过程如下：基于上述群体智能优化思想，将5折交叉验证下的ACC作为所提混合智能优化策略的适应度函数值，ACC定义如下：其中，TP为识别出的真阳性结节；TN为识别出的真阴性，即非结节；FP为假阳性结节；FN为假阴性。可选地，所述混合智能优化策略用于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，所述混合智能优化策略具体为：将基于模拟退火与粒子群优化混合(SA-PSO)算法引入MKL-SVM算法，得到了基于混合智能优化策略的MKL-SVM算法，对训练集进行训练。本专利技术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混合智能优化策略的MKL-SVM算法的肺结节识别方法，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算法引入了粒子速度收缩因子和最优粒子的轮盘赌策略，能够增加粒子多样性，避免过早陷入局部最优解，并用此改进的混合智能优化策略对MKL-SVM进行参数寻优，将其应用于肺结节的良恶性判别。使得算法易于跳出局部最优解，尽可能寻求全局最优解，达到模型快速寻优、准确识别的目的。下面结合附图说明和具体实施方式对本专利技术进行进一步说明。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混合智能优化策略的MKL-SVM算法用于肺结节识别的流程图；图2是本专利技术实施例的基于混合智能优化策略的MKL-SVM算法在训练过程中用于参数寻优的流程图；图3是本专利技术实施例在数据集上仅采用PSO算法对所述的MKL-SVM算法进行参数寻优的适应度曲线；图4是本专利技术实施例在数据集上采用提出的混合智能优化策略(SA-PSO)算法对所述的MKL-SVM算法进行参数寻优的适应度曲线。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混合智能优化策略的MKL-SVM算法的肺结节识别方法，识别前工作的具体流程参见图1，包括：S1：获取肺部CT图像的数据集。本专利技术的实验主要采用吉林省某三甲医院采集的数据库；S2：图像预处理。将原CT图像进行二值化处理，对最大的8连通区域进行重构，以去除背景，得到最后的目标部分；S3：肺实质分割。肺实质分割主要完成左、右肺的分开及肺边缘的提取。方法以阈值法为主，其次还有区域生长法、边缘检测方法、形态学方法等；S4：肺ROI的提取与选择。经肺实质分割后，还需要进行候选结本文档来自技高网...

【技术保护点】
1.一种基于混合智能优化策略的MKL-SVM算法的肺结节识别方法，其特征在于，包括以下步骤：/nS1：获取肺部CT图像的数据集;/nS2：图像预处理:将原CT图像进行二值化处理，去除背景，得到最终目标部分;/nS3：肺实质分割:主要完成左、右肺的分开及肺边缘的提取;/nS4：肺ROI的提取与选择.不同特征的选取将直接影响和决定肺结节诊断系统的性能;/nS5：肺结节识别: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。/n

【技术特征摘要】
1.一种基于混合智能优化策略的MKL-SVM算法的肺结节识别方法，其特征在于，包括以下步骤：
S1：获取肺部CT图像的数据集;
S2：图像预处理:将原CT图像进行二值化处理，去除背景，得到最终目标部分;
S3：肺实质分割:主要完成左、右肺的分开及肺边缘的提取;
S4：肺ROI的提取与选择.不同特征的选取将直接影响和决定肺结节诊断系统的性能;
S5：肺结节识别: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。


2.根据权利要求1所述的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，其特征在于，所述步骤S5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；
2）在训练集上，计算各粒子的适应度值；
3）寻找个体极值和群体极值；
4）确定初始温度T，计算方式如下：



其中f为适应度函数值，GM代表群体极值.
5）确定当前温度下各粒子的适配值TF：



其中，N为粒子的总数，Xi代表第i个粒子，GM代表群体极值，f为适应度函数值，P(i)为第i个粒子的适应度值.
6）结合轮盘赌策略，比较随机概率与个体粒子被选中的累积概率值的大小，更新粒子的速度及位置，具体计算公式如下：

【专利技术属性】
技术研发人员：李阳，常佳乐，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：吉林;22