CT三維最小類內散度多分類支持向量機在肺結節識別中的應用

范小波，董 瑩，王義云

(1.山東省萊蕪市人民醫院 271199；2.山東省萊蕪市牛泉中心衛生院 271124)

?

·論 著·

CT三維最小類內散度多分類支持向量機在肺結節識別中的應用

范小波1，董 瑩1，王義云2

(1.山東省萊蕪市人民醫院 271199；2.山東省萊蕪市牛泉中心衛生院 271124)

目的 分析CT三維最小類內散度多分類支持向量機(MC-SVM)對肺結節的識別能力及優點。方法 選擇2012年1月至2014年1月確診的肺結節病患者50例，根據基于三維矩陣模式的感興趣體(VOI)的構成，分為結節樣和非結節樣；采用自動提取算法提取感興趣區(ROI)，分為結節ROI和非結節ROI；采用受試者工作特征(ROC)曲線比較大規模訓練人工神經網絡(MTANN)、基于矩陣模式的模糊最小二乘SVM(matFLSSVM)、三維矩陣模式MC-SVM和三維最小類內散度MC-SVM的識別精度，同時比較各種方法在不同截斷點時的真陽性率和假陽性率。結果 三維最小類內散度MC-SVM的識別精度、真陽性率均高于其他算法，而假陽性率低于其他算法(P<0.05)。結論 三維最小類內散度MC-SVM對肺結節的識別精度較高，值得臨床推廣應用。

最小類內散度； 多分類支持向量機； 三維矩陣； 肺內結節

肺結節病屬于肉芽腫性疾病，極易侵犯肺、雙側肺門淋巴結及皮膚等多種組織、器官[1]。計算機輔助診斷(CAD)檢查可有效地輔助發現半徑過小或與周圍組織灰度對比度較低的肺結節[2]。支持向量機(SVM)是機器學習計算中的最新發現，主要應用于行為識別及目標檢測領域，可有效提高識別精度[3]。本研究以肺結節病患者為研究對象，分析了計算機斷層掃描(CT)三維最小類內散度SVM對肺結節的識別能力及優點。現將研究結果報道如下。

1 資料與方法

1.1 一般資料 2012年1月至2014年1月于山東省萊蕪市人民醫院確診的肺結節病患者50例。根據基于三維矩陣模式的感興趣體(VOI)的構成，將50例患者分為結節樣31例、非結節樣19例。結節樣患者包括孤立型8例，與血管粘連型10例，與胸膜粘連型6例，與肺門粘連型4例，磨玻璃影結節3例。非結節樣患者包括大型血管10例，中型血管6例，小型血管3例。所有患者均在CT檢查后，通過支氣管鏡、肺活檢或開胸活檢獲得病理學明確診斷。

1.2 方法

1.2.1 候選結節提取算法 采用圓點濾波器逐層對CT序列進行濾波增強，提取孤立性結節和粘連型結節；采用滾球法逐層進行修復，進一步提取粘連型結節；在三維空間內進行26-連接，構成候選結節的三維VOI[1]。

1.2.3 三維最小類內散度SVM 1個三維矩陣可以被展開為3個不同方向的二維矩陣A(1)、A(2)、A(3)，而Al，(r)代表第l個三維矩陣的第r種展開模式。三維最小類內散度多分類SVM(MC-SVM)的決策函數如下：

r=1,2,3

1.3 統計學處理 采用SPSS18.0軟件進行數據處理和統計學分析。計數資料以百分率表示，兩組間比較采用χ2檢驗。采用受試者操作特征(ROC)曲線比較4種CAD算法的識別精度。P<0.05表示比較差異具有統計學意義。

2 結 果

2.1 4種CAD算法結果比較 4種CAD算法結果比較見表1。三維最小類內散度MC-SVM的真陽性率高于其他算法，而假陽性率低于其他算法(P<0.05)。

表1 4種CAD算法結果比較[%(n/n)]

注：ROI為感興趣區。

2.2 4種CAD算法的識別精度比較 采用ROC曲線比較4種CAD算法的識別精度結果，MTANN、matFLSSVM、三維矩陣模式MC-SVM、三維最小類內散度MC-SVM曲線下面積分別為0.975、0.982、0.991、0.996。三維最小類內散度MC-SVM識別精度高于其他算法(P<0.05)。

3 討 論

肺結節主要是指肺內部類球形且半徑3～30 mm的病灶[4]。由于肺結節的半徑較小，結節模糊不清，灰度與周圍組織的對比度較低，難于被發現，極易被忽略[5]。肺結節是引發肺部惡性腫瘤的重要因素，也是診斷肺部腫瘤的重要依據。盡早檢出肺結節可以有效緩解患者病情的進一步惡化，提高治療效果[6]。目前，臨床檢測肺結節的方法包括MTANN、MatFLSSVM、三維矩陣模式MC-SVM及三維最小類內散度MC-SVM。由于神經網絡自身的缺陷，存在對初始值較為敏感、局部最小化、不收斂等問題，直接影響了神經網絡方法在CAD診斷結節中的應用效果[7]。三維最小類內散度MC-SVM是機器學習方法中最為先進的一種。該方法基于統計學習和結構風險最小化原則，不僅兼顧了學習算法的經驗風險與推廣能力，有效結合了模型的復雜性與學習能力，還可以轉化為1個二次型尋優問題，解決了神經網絡中局部極值問題，避免了神經網絡拓撲結構所需要的經驗試湊的方法[8]。MC-SVM提出了一種基于相鄰斷層限制的區域生長法，用于提取候選結節并構成三維VOI；通過提取所獲得的孤立型與淺度粘連型結節，不斷修復相鄰層中因正常組織粘連程度較大而被漏提取的候選結節，并將候選結節所在的連續斷層內ROI構成三維矩陣模式VOI，為三維矩陣模式的識別奠定了基礎。三維最小類內散度MC-SVM有效提高了檢測肺結節的精確度，為臨床治療提供了可靠的依據[9]。

本研究以50例肺結節病患者為研究對象，比較了4種CAD算法對肺結節的檢測效果及檢測價值，并分析了4種算法的臨床檢測特征。結果顯示，三維最小類內散度MC-SVM的真陽性率高于其他算法，而假陽性率低于其他算法(P<0.05)；MTANN、matFLSSVM、三維矩陣模式MC-SVM、三維最小類內散度MC-SVM ROC曲線下面積分別為0.975、0.982、0.991、0.996，三維最小類內散度MC-SVM的識別精度高于其他算法(P<0.05)。這表明三維最小類內散度MC-SVM對肺結節的檢測效果優于其他方法，具有更高的臨床檢測價值，和相關文獻報道的數據相一致[10]。因此，對于肺結節病的診斷，可以采用三維最小類內散度MC-SVM，以提高疾病的檢測效率。

綜上所述，三維最小類內散度MC-SVM檢測肺結節效果明顯，其識別精度高于其他檢測方法，安全性較高，值得推廣。

[1]王青竹，康文煒，王新竹，等．基于三維最小類內散度SVM的肺CT中的結節識別[J]．模式識別與人工智能，2011，24(5)：700-706．

[2]王仲楚，方克灶，蘇繆廣，等．16層螺旋CT診斷肺內結節臨床分析[J]．醫學影像學雜志，2013，23(4)：627-628．

[3]單立群，胡堅，李明東，等．胸腔鏡在肺部微小結節診治中的應用[J]．中國肺癌雜志，2013，16(7)：369-372．

[4]Sengur A．Multiclass least-squares support vector machines for analog modulation classification[J]．Exp System Applica，2009，36(3)：6681-6685．

[5]史華莉，孫瓊芳，涂蓉，等．CT三維重建技術對肺內孤立性結節的診斷價值[J]．中華臨床醫師雜志：電子版，2014，8(5)：88-93．

[6]張夢龍，孫峰，王雅瑩，等．數字合成體層成像和X線數字攝影在肺內結節探測中敏感度的比較[J]．醫學影像學雜志，2013，23(4)：597-600．

[7]向林峰，文石兵，夏發明．原發周圍型肺內孤立小結節的微創診治[J]．臨床肺科雜志，2011，16(6)：961．

[8]Gangeh MJ，S?rensen L，Shaker SB，et al．A texton-based approach for the classification of lung parenchyma in CT images[J]．Med Image Comput Comput Assist Interven，2010，13(3)：595-602．

[9]張文玉，黃勇，申洪明，等．肺癌患者肺內小結節良惡性的CT診斷價值[J]．臨床放射學雜志，2011，30(11)：1604-1608．

[10]顏志紅，于武江，萬云飛．CT掃描對診斷肺癌肺內轉移的臨床意義[J]．實用醫學影像雜志，2011，12(2)：79-81．

Application of CT images based 3D minimum within-class scatter multi-class support vector machine in the identification of lung nodules

FANXiao-bo1,DONGYing1,WANGYi-yun2

(1.LaiwuCityPeople′sHospital,Laiwu,Shandong271199,China;2.HealthCenterofNiuquan,Laiwu,Shandong271124,China)

Objective To analyze the value of CT images based 3D minimum within-class scatter multi-class support vector machine (MC-SVM) in the identification of lung nodules.Methods During Jan.2012 and Jan.2014,a total of 50 cases with pulmonary sarcoidosis were enrolled.Lung CT based 3D matrix pattern volume of interest (VOI) structure were divided into nodules samples and non-nodule samples.Region of interest (ROI) was extracted by using automatic extraction algorithm,which was further divided into nodules and non-nodular ROI.Then the recognition accuracy,true positive rate and false positive rate of large-scale massive training artificial neural network (MTANN),fuzzy ′one on one′ multi-class SVM (matFLSSVM),3D matrix model MC-SVM and 3D minimum within-class scatter MC-SVM were compared by using receiver operating curve (ROC).Results 3D minimum within-class scatter MC-SVM was with the highest recognition accuracy and true positive rate,and the lowest false positive rate,compared with the other algorithms (P<0.05).Conclusion 3D minimum within-class scatter MC-SVM might be accurate for the recognition if long nodules.

minimum within-class scatter; multi-class support vector machine; 3D matrix; lung nodules

范小波，男，醫師，本科，主要從事醫學影像學研究。

10.3969/j.issn.1672-9455.2015.07.026

A

1672-9455(2015)07-0940-02

2014-10-15

2014-12-20)