基于深度學(xué)習(xí)的肺癌檢測(cè)方法研究

王德才

摘要：肺癌作為全球發(fā)病率最高和死亡率最高的惡性腫瘤，提高肺癌患者存活率最有效的方法就是及早發(fā)現(xiàn)、及早診斷、及早治療。通過(guò)人為的觀察CT掃描圖像，極易出現(xiàn)漏判、誤判的情形，計(jì)算機(jī)輔助診斷（CAD）具有高準(zhǔn)確率、高效率的特點(diǎn)，這里本文提出了一種基于機(jī)器學(xué)習(xí)的肺癌檢測(cè)方法，以肺部圖像數(shù)據(jù)庫(kù)聯(lián)盟（LIDC）作為計(jì)算機(jī)視覺(jué)分析圖像模型，通過(guò)比較各類(lèi)有效的圖像特征，以圖像的LBP直方圖的方法來(lái)表示訓(xùn)練集以及待檢測(cè)圖像的特征，提取肺癌ROI區(qū)域及相應(yīng)病變的特征，引入CART分類(lèi)器作為弱分類(lèi)器，然后通過(guò)AdaBoost算法對(duì)肺結(jié)節(jié)進(jìn)行分類(lèi)學(xué)習(xí)，構(gòu)建分類(lèi)可疑肺癌的AdaBoost分類(lèi)器，再采用遷移學(xué)習(xí)的方法將構(gòu)建好的分類(lèi)器模型遷移到實(shí)際臨床CT肺部影像來(lái)幫助模型進(jìn)行訓(xùn)練學(xué)習(xí)。通過(guò)實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)，以上方法對(duì)肺癌的識(shí)別率能夠93.2%，無(wú)論對(duì)醫(yī)生還是患者來(lái)說(shuō)都具有很大的現(xiàn)實(shí)意義。

關(guān)鍵詞：計(jì)算機(jī)輔助診斷（CAD）;肺部圖像數(shù)據(jù)庫(kù)聯(lián)盟（LIDC）;CART分類(lèi)器;AdaBoost分類(lèi)器;遷移學(xué)習(xí)

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2020）01-0085-05

0 引言

近些年來(lái)，環(huán)境污染問(wèn)題和食品安全問(wèn)題已經(jīng)嚴(yán)重威脅到人們的健康，多數(shù)城市PM2.5居高不下，引發(fā)了大量的肺炎和肺癌等多種肺部疾病。據(jù)不完全統(tǒng)計(jì)，空氣重的細(xì)小顆粒物是誘發(fā)肺癌的主要原因。除了改善生活環(huán)境以外，對(duì)于肺癌來(lái)說(shuō)，早發(fā)現(xiàn)、早診斷、早治療也是提高患者存活率的一種重要手段。肺癌在臨床醫(yī)學(xué)上表現(xiàn)極其復(fù)雜的特征，患者發(fā)病時(shí)間較短，呈現(xiàn)惡性的概率也更高，一旦發(fā)現(xiàn)，患者多處于病變晚期，治愈率極低。

肺癌在醫(yī)學(xué)和臨床上的組織解剖診斷方法依據(jù)主要的特點(diǎn)就是根據(jù)組織學(xué)和肺癌的影像解剖學(xué)來(lái)對(duì)肺癌進(jìn)行臨床診斷。肺癌的組織解剖學(xué)的診斷方法主要的特點(diǎn)包括了肺癌的支氣管鏡解剖學(xué)檢查、活檢組織解剖學(xué)檢查和痰液癌細(xì)胞解剖學(xué)檢查等，盡管這類(lèi)的診斷方法都可以在痰液中作為診斷和檢測(cè)早期肺癌的依據(jù)和標(biāo)準(zhǔn)，但是對(duì)于那些處于不同早期患病的階段和不同生活類(lèi)型的肺癌患者來(lái)說(shuō)，癌細(xì)胞并不一定都可以出現(xiàn)在自己的痰液中。而肺癌的影像解剖學(xué)的診斷方法主要的特點(diǎn)就是通過(guò)利用計(jì)算機(jī)的斷層掃描和肺癌的x射線解剖學(xué)檢查診斷方法來(lái)直觀的了解和觀察癌細(xì)胞和人體的肺部病變活檢組織的大小、形態(tài)和其位置，此診斷方法有效的避免了癌細(xì)胞活檢的組織給肺癌病人身體帶來(lái)的干擾和傷害。現(xiàn)如今，影像解剖學(xué)進(jìn)行肺癌診斷的方法已經(jīng)是目前肺癌的診斷方法中應(yīng)用最廣泛的一種診斷方法。

近些年來(lái)，隨著斷層掃描技術(shù)的不斷發(fā)展，該技術(shù)已經(jīng)成為了最有效的肺癌檢驗(yàn)方法。肺部CT圖像是一種單通道高位圖像，醫(yī)生通過(guò)觀察胸腔掃描的CT圖像，然后結(jié)合病人的臨床癥狀可以發(fā)現(xiàn)癌癥的發(fā)病區(qū)域以及其良/惡性。正是由于胸腔CT掃描變得越來(lái)越普遍，給醫(yī)生也帶來(lái)十分巨大的閱片壓力，醫(yī)生在憑借個(gè)人工作經(jīng)驗(yàn)以及相關(guān)知識(shí)閱片的過(guò)程中，難免會(huì)出現(xiàn)漏判和誤判的情形，這對(duì)于患者的診斷和治療都是極為不利的。所以利用計(jì)算機(jī)技術(shù)來(lái)對(duì)肺部CT圖像模型來(lái)進(jìn)行處理，這可以大大的提高閱片的速度和精確性，這也是近年來(lái)肺癌檢測(cè)診斷的一個(gè)熱門(mén)研究方向[1]。

深度學(xué)習(xí)是一個(gè)快速發(fā)展的領(lǐng)域，對(duì)醫(yī)學(xué)成像領(lǐng)域有很多影響。當(dāng)前，醫(yī)學(xué)圖像由放射科醫(yī)生，醫(yī)師等進(jìn)行診斷。但是這種診斷變得非常主觀。放射科醫(yī)生通常必須仔細(xì)檢查大量的這些圖像，長(zhǎng)期檢查這些圖像可能會(huì)導(dǎo)致疲勞并導(dǎo)致錯(cuò)誤。因此，需要對(duì)此進(jìn)行自動(dòng)化。諸如支持向量機(jī)之類(lèi)的機(jī)器學(xué)習(xí)算法通常用于檢測(cè)和分類(lèi)腫瘤。但是它們通常受到定義要素時(shí)所做假設(shè)的限制。這導(dǎo)致靈敏度降低。但是，深度學(xué)習(xí)可能是理想的解決方案，因?yàn)檫@些算法能夠從原始圖像數(shù)據(jù)中學(xué)習(xí)特征。實(shí)現(xiàn)這些算法的挑戰(zhàn)之一是缺乏標(biāo)記醫(yī)學(xué)圖像數(shù)據(jù)。盡管這是對(duì)深度學(xué)習(xí)的所有應(yīng)用程序的限制，但由于患者的機(jī)密性，對(duì)醫(yī)學(xué)圖像數(shù)據(jù)的限制更大。在本文中，將通過(guò)以CART為弱分類(lèi)器，Adaboost為強(qiáng)分類(lèi)器，對(duì)其進(jìn)行訓(xùn)練分類(lèi)，并使其檢測(cè)肺結(jié)節(jié)。本文所使用的數(shù)據(jù)來(lái)自肺影像數(shù)據(jù)庫(kù)協(xié)會(huì)和傳染病研究所的數(shù)據(jù)（LIDC/IDRI）數(shù)據(jù)庫(kù)[2]。

基于這種深度機(jī)器學(xué)習(xí)的肺癌早期檢測(cè)分析方法主要的特點(diǎn)是通過(guò)對(duì)肺部CT的圖像通過(guò)計(jì)算機(jī)系統(tǒng)及其輔助的診斷系統(tǒng)進(jìn)行分析得到的圖像分析提取其包含的圖像中肺結(jié)節(jié)特征，然后對(duì)獲得的圖像中可能包含的早期肺部結(jié)節(jié)特征進(jìn)行了檢測(cè)、分割、分類(lèi)等技術(shù)研究，最終可以確診并判斷出患者的肺結(jié)節(jié)是否可能患有了肺癌。其中，系統(tǒng)的性能主要是體現(xiàn)在對(duì)檢測(cè)早期的肺結(jié)節(jié)以及其危險(xiǎn)嚴(yán)重程度正確進(jìn)行分類(lèi)的能力上。本文中的肺癌實(shí)驗(yàn)早期檢測(cè)數(shù)據(jù)主要來(lái)自于LIDC-IDRI一個(gè)開(kāi)源用于肺部檢測(cè)的CT圖像數(shù)據(jù)庫(kù)，該圖像數(shù)據(jù)庫(kù)中已經(jīng)包含了大量的早期肺結(jié)節(jié)樣本以及其對(duì)應(yīng)的肺結(jié)節(jié)標(biāo)簽。因此，LIDC-IDRI這個(gè)數(shù)據(jù)庫(kù)經(jīng)常被研究者用來(lái)作為驗(yàn)證對(duì)肺結(jié)節(jié)良/惡性情況正確分類(lèi)的模型，包括肺結(jié)節(jié)分類(lèi)器主要優(yōu)化的模型和分類(lèi)器的圖像特征提取。對(duì)于肺結(jié)節(jié)良/惡性的圖像進(jìn)行分類(lèi)主要目的是為了給肺結(jié)節(jié)的醫(yī)生和患者提供一個(gè)更加科學(xué)的、可靠的輔助分類(lèi)的結(jié)果，使他的診斷和治療過(guò)程更加的精準(zhǔn)，并且這樣能夠有效的幫助患者減少肺結(jié)節(jié)醫(yī)生的臨床檢查閱片和工作量。在運(yùn)用肺結(jié)節(jié)分類(lèi)優(yōu)化算法的圖像優(yōu)化過(guò)程中，分類(lèi)算法的過(guò)程我們需要首先分析和計(jì)算這些圖像的類(lèi)型和圖像特征，然后對(duì)分析得到的不同類(lèi)型圖像的特征分別打上不同的分類(lèi)標(biāo)簽，接下來(lái)我們結(jié)合分類(lèi)器對(duì)樣本集的特征進(jìn)行了訓(xùn)練和測(cè)試。常見(jiàn)的肺結(jié)節(jié)分類(lèi)器主要優(yōu)化模型包括KNN、ANN、SVM、Random Forest、CART、Adaboost、模糊C均值等。常用于數(shù)據(jù)的肺結(jié)節(jié)良/惡性圖像分類(lèi)的肺結(jié)節(jié)圖像灰度特征模型主要包括肺結(jié)節(jié)圖像的灰度幾何的特征、紋理的特征和肺結(jié)節(jié)灰度密度分布的特征等。本文就是通過(guò)從圖像中提取500組的肺結(jié)節(jié)良惡性圖像來(lái)分析數(shù)據(jù)的LBP特征，然后以分類(lèi)器CART為弱惡性分類(lèi)器，Adaboost為強(qiáng)分類(lèi)器。本文進(jìn)行了實(shí)驗(yàn)來(lái)對(duì)數(shù)據(jù)的肺結(jié)節(jié)良惡性圖像進(jìn)行了分類(lèi)將數(shù)據(jù)LIDC-IDRI數(shù)據(jù)庫(kù)圖像中的肺結(jié)節(jié)數(shù)據(jù)和樣本準(zhǔn)確地分為良性和惡性兩類(lèi)，其最優(yōu)的AUC值分別達(dá)到了0.9615。經(jīng)過(guò)長(zhǎng)期的對(duì)比結(jié)果分析該方法相較單獨(dú)的分類(lèi)器CART為弱分類(lèi)器和傳統(tǒng)的Adaboost分類(lèi)器魯棒性更高，分類(lèi)處理效果也相對(duì)更好。

1 基于LBP的特征提取方法

LBP（Local Binary Patterns）特征即中心像素局部二值成像模式的特征，獲取的特征是中心圖像的局部旋轉(zhuǎn)和紋理狀態(tài)特征，具有局部旋轉(zhuǎn)不變性和局部灰度不變性等一系列顯著的紋理特征，最早是由T.Ojala，M.Pietikaiunen和D.Harwood在1994年提出，由于LBP特征提取方法簡(jiǎn)單、描述效果良好，因此在機(jī)器學(xué)習(xí)和視覺(jué)的諸多應(yīng)用領(lǐng)域中心像素得到了廣泛地研究和應(yīng)用，其中最為著名的兩種應(yīng)用方式是中心像素人臉識(shí)別和目標(biāo)像素檢測(cè)。原始的中心像素LBP特征算子定義在像素3×3的鄰域以內(nèi)，以鄰域中心像素為閾值，相鄰的8個(gè)像素的灰度值與鄰域周?chē)行牡亩M(jìn)制像素灰度值進(jìn)行了比較，若周?chē)泥徲蛑行南袼鼗叶戎荡笥卩徲蛑行南袼氐拈撝担瑒t其在該像素點(diǎn)的位置被標(biāo)記為1，否則為0。這樣，3×3鄰域內(nèi)的8個(gè)二進(jìn)制焦點(diǎn)像素經(jīng)過(guò)比較可以直接產(chǎn)生8位的二進(jìn)制像素?cái)?shù)，將這8位的二進(jìn)制像素?cái)?shù)依次排列形成一個(gè)8位二進(jìn)制的數(shù)字，這個(gè)二進(jìn)制數(shù)字就是中心像素的LBP值，LBP值特征共有28種的可能，因此局部LBP值特征有256種。中心像素的局部LBP值特征反映了該中心像素周?chē)鱾€(gè)區(qū)域的局部紋理狀態(tài)信息[3]。

上面描述的過(guò)程用數(shù)學(xué)函數(shù)可以表示為：

（公式1）

式中，中心像素坐標(biāo)（xc，yc）的灰度值為;表示為3×3 鄰域內(nèi)除中心像素外的其它像素點(diǎn)處的灰度值;S 所滿足的函數(shù)關(guān)系如下公式2所示：

（公式2）

如圖1所示是LBP特征描述的示意圖。

基本的圓形LBP算子最大的優(yōu)點(diǎn)和缺陷之處在于它僅能直接覆蓋一個(gè)固定的半徑和角度范圍內(nèi)的小尺度紋理區(qū)域，這顯然不代表它能夠更好地滿足不同的尺寸和頻率圓形紋理的應(yīng)用需要。為了更好地適應(yīng)多尺度的圓形紋理區(qū)域特征以及對(duì)實(shí)現(xiàn)紋理灰度不變性的基本要求，T.Ojala等對(duì)圓形LBP算子模型進(jìn)行了改進(jìn)，將其中的算子稱(chēng)為“圓形LBP算子”。該種改進(jìn)后的算子將3×3鄰域的擴(kuò)展縮小到了任意鄰域，并用圓形鄰域的像素點(diǎn)替代了算子原有的正方形鄰域，使得該種改進(jìn)后的圓形LBP算子更好地實(shí)現(xiàn)了在采樣點(diǎn)的半徑和角度為r的任意多個(gè)圓形鄰域范圍內(nèi)有任意多個(gè)圓形像素點(diǎn)，從而實(shí)現(xiàn)了一種以圖2為例的一個(gè)含有任意p個(gè)采樣點(diǎn)的圓形LBP算子，圖2中字母上標(biāo)可以表示采樣點(diǎn)的半徑，下標(biāo)可以表示任意多個(gè)采樣點(diǎn)。本文中所采用的即是一個(gè)圓形的LBP算子[4]。

通過(guò)上述LBP特征提取方法對(duì)（LIDC/IDRI）數(shù)據(jù)庫(kù)中的影像數(shù)據(jù)提取特征結(jié)果如圖3如下。

通過(guò)圖3可以看出，肺部影像數(shù)據(jù)經(jīng)過(guò)LBP特征提取后具有鮮明的輪廓和紋理特征，這為肺癌的診斷分類(lèi)提供了較大的幫助。

2 基于AdaBoost的肺結(jié)節(jié)良惡性分類(lèi)方法

本文中使用了來(lái)自肺影像數(shù)據(jù)庫(kù)協(xié)會(huì)和傳染病研究所的數(shù)據(jù)[（LIDC/IDRI）數(shù)據(jù)庫(kù)]，由于這些映像很大（124GB），因此本文最終使用了可用于LUNA16的重新格式化版本。該數(shù)據(jù)集由888個(gè)CT掃描組成，并帶有描述坐標(biāo)和地面真相標(biāo)簽的注釋。第一步是創(chuàng)建一個(gè)圖像數(shù)據(jù)庫(kù)進(jìn)行培訓(xùn)。圖像被格式化為.mhd和.raw文件。標(biāo)頭數(shù)據(jù)包含在.mhd文件和多維圖像中數(shù)據(jù)存儲(chǔ)在.raw文件中。本文中使用SimpleITK庫(kù)讀取.mhd文件。每個(gè)CT掃描的尺寸為512x512xn，其中n是軸向掃描的數(shù)量。每次CT掃描大約有200張圖像。共有551065個(gè)注釋。在提供的所有注釋中，有1351被標(biāo)記為結(jié)節(jié)，其余被標(biāo)記為陰性。這樣就出現(xiàn)了階級(jí)大失衡。處理它的簡(jiǎn)單方法是通過(guò)旋轉(zhuǎn)圖像對(duì)多數(shù)階層進(jìn)行采樣并增加少數(shù)階層。因此，本文中圍繞注釋中提供的坐標(biāo)裁剪圖像。注釋以笛卡爾坐標(biāo)提供。因此必須將其轉(zhuǎn)換為體素坐標(biāo)。圖像強(qiáng)度也以Hounsfield比例定義。因此，出于圖像處理目的，必須對(duì)其進(jìn)行縮放。下面的腳本將生成50x50灰度圖像，用于訓(xùn)練，測(cè)試和驗(yàn)證數(shù)據(jù)集在訓(xùn)練上仍然非常不平衡[5]。所以本文通過(guò)旋轉(zhuǎn)圖像來(lái)增強(qiáng)訓(xùn)練集。如圖4所示為對(duì)影像數(shù)據(jù)進(jìn)行不同角度旋轉(zhuǎn)所得到的特征圖譜。

3 弱分類(lèi)器的構(gòu)成

3.1 強(qiáng)弱分類(lèi)器概述

Adaboost（Adaptive Boosting）算法是一種通過(guò)將多個(gè)簡(jiǎn)單的、弱的分類(lèi)器線性組合的一種方式將訓(xùn)練集構(gòu)建起來(lái)組成一個(gè)強(qiáng)的訓(xùn)練分類(lèi)器的線性化算法。其基本的思想其實(shí)就是針對(duì)不同的訓(xùn)練集分別訓(xùn)練同一個(gè)強(qiáng)的分類(lèi)器（弱的分類(lèi)器），然后把這些不同分類(lèi)在訓(xùn)練集上的樣本所得到的分類(lèi)器和訓(xùn)練集聯(lián)合了起來(lái)，構(gòu)成一個(gè)最終的強(qiáng)分類(lèi)器。Adaboost這種算法中不同的分類(lèi)和訓(xùn)練集權(quán)重是通過(guò)設(shè)計(jì)和調(diào)整每個(gè)分類(lèi)器的樣本訓(xùn)練集對(duì)應(yīng)的分類(lèi)器權(quán)重來(lái)設(shè)計(jì)和實(shí)現(xiàn)的。算法開(kāi)始時(shí)，初始的樣本對(duì)于u1的每個(gè)分類(lèi)器和樣本訓(xùn)練集對(duì)應(yīng)的分類(lèi)器權(quán)重都是相同的，對(duì)于弱的分類(lèi)器對(duì)于h1分類(lèi)錯(cuò)誤的每個(gè)樣本，加大其訓(xùn)練集對(duì)應(yīng)的分類(lèi)器權(quán)重，而對(duì)于一個(gè)分類(lèi)正確的樣本，降低其分類(lèi)權(quán)重，這樣易于分錯(cuò)的樣本就被弱分類(lèi)器突出了出來(lái)，從而可以得到一個(gè)新的樣本分布u2。在新的樣本分布下，再次對(duì)弱分類(lèi)器的權(quán)重進(jìn)行了訓(xùn)練，得到弱的強(qiáng)分類(lèi)器h2。依次以此類(lèi)推，經(jīng)過(guò)t次的循環(huán)，得到了t個(gè)弱的強(qiáng)分類(lèi)器，把這t個(gè)弱的強(qiáng)分類(lèi)器按一定的分類(lèi)權(quán)重比例疊加了起來(lái)，得到最終的強(qiáng)分類(lèi)器。采用線性集成的強(qiáng)分類(lèi)器的主要錯(cuò)誤率優(yōu)于單個(gè)集成分類(lèi)器，假設(shè)一個(gè)線性集成的強(qiáng)分類(lèi)器中至少包含了n個(gè)集成分類(lèi)器，每個(gè)集成分類(lèi)器進(jìn)行分類(lèi)的錯(cuò)誤率均為0，如果只是采用單個(gè)集成分類(lèi)進(jìn)行線性的分類(lèi)，錯(cuò)誤的概率大約為0;而如果只是采用多個(gè)集成分類(lèi)器進(jìn)行線性的集成可以構(gòu)建一個(gè)強(qiáng)大的分類(lèi)器，并且線性選擇多半分類(lèi)器的預(yù)測(cè)結(jié)果作為最終的結(jié)果，即線性選出不小于n/2的分類(lèi)作為預(yù)測(cè)結(jié)果，則這個(gè)強(qiáng)分類(lèi)器的錯(cuò)誤率如式[6]。

（公式3）

3.2 Adaboost算法實(shí)現(xiàn)過(guò)程

Adaboost算法實(shí)現(xiàn)的具體流程如下[7-8]：

（1）對(duì)于給定的N個(gè)訓(xùn)練樣本數(shù)據(jù)（xi，yi），其中樣本的特征向量為xi，yi是其對(duì)應(yīng)樣本的標(biāo)簽。

（2）首先對(duì)訓(xùn)練樣本設(shè)置一個(gè)初始的權(quán)重。每個(gè)樣本的初始權(quán)重必須相同，即wi=1/N，i=1，2…N。

（3）然后將各個(gè)單個(gè)的弱分類(lèi)器器對(duì)加權(quán)樣本進(jìn)行訓(xùn)練。這里假設(shè)有M個(gè)弱分類(lèi)器，接下來(lái)將對(duì)當(dāng)前的M個(gè)弱分類(lèi)器進(jìn)行如下的分類(lèi)訓(xùn)練。

1）首先，對(duì)使用當(dāng)前第m（m=1，2，3，…，M）個(gè)弱分類(lèi)器對(duì)初始化權(quán)值的樣本數(shù)據(jù)進(jìn)行訓(xùn)練。假設(shè)弱分類(lèi)器fm（x）∈{-1，1}。

2）然后對(duì)相應(yīng)分類(lèi)器分類(lèi)后得到的錯(cuò)誤率和比例因子進(jìn)行計(jì)算。錯(cuò)誤率errm和比例因子cm的計(jì)算公式如（公式4）和（公式5）所示。其中錯(cuò)誤率代表的是對(duì)正樣本檢測(cè)的錯(cuò)誤率，比例因子代表的是當(dāng)前弱分類(lèi)器在最后的分類(lèi)器中的重要程度。

errm=P[（fm（xi）≠yi]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （公式4）

cm=log（）? ? ? ? ? ? ? ? ? ? ? ? ? ? （公式5）

3）重新更新訓(xùn)練樣本的樣本權(quán)值，并根據(jù)（公式6）重新設(shè)定樣本權(quán)值，然后根據(jù)（公式7）對(duì)權(quán)值做歸一化操作。

wi′=wiexpcm? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（公式6）

∑iwi′=1? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （公式7）

4）最后，利用現(xiàn)有訓(xùn)練好的弱分類(lèi)器進(jìn)行線性組合得到相應(yīng)的強(qiáng)分類(lèi)器。得到的強(qiáng)分類(lèi)器即是最終的分類(lèi)器。強(qiáng)分類(lèi)器的線性組合公式如（公式8）所示，得到的強(qiáng)分類(lèi)器的表達(dá)式如（公式9）所示。

g（x）=cmfm（x）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （公式8）

f（x）=sign（g（x））=sign（cmfm（x））? ? ? ? ? ? ? ?（公式9）

在使用Adaboost分類(lèi)算法的過(guò)程中需要注意一下幾點(diǎn)[9-10]：①在步驟3）中，如果某個(gè)樣本已經(jīng)分類(lèi)準(zhǔn)確，那么在構(gòu)造下一個(gè)訓(xùn)練集的過(guò)程中，我們需要將該樣本被選中的概率降低;反之，如果某一樣本分類(lèi)效果較差，那么我們需要相應(yīng)的提高該樣本的權(quán)重，以此通過(guò)訓(xùn)練來(lái)提高該樣本的識(shí)別率。②通過(guò)計(jì)算可得，比例因子的值會(huì)隨著錯(cuò)誤率的減小而不斷增大，這就表示此弱分類(lèi)器在最終的分類(lèi)器中會(huì)起到較大的作用。③每一次分類(lèi)后重新對(duì)樣本權(quán)值進(jìn)行更新使得分類(lèi)誤差大的弱分類(lèi)器的樣本權(quán)值變大，而分類(lèi)效果較好的弱分類(lèi)器的樣本權(quán)值減小。通過(guò)這種方式，可以使得Adaboost分類(lèi)器把分類(lèi)重點(diǎn)著重關(guān)注在那些不易區(qū)分的樣本上面。

在本文中，我們是以CART決策樹(shù)作為弱分類(lèi)器來(lái)使用的，最后通過(guò)Adaboost算法將各個(gè)弱分類(lèi)器進(jìn)行線性組合即可得到最終的強(qiáng)分類(lèi)器。如圖5所示為單一的CART弱分類(lèi)器訓(xùn)練后得到的預(yù)測(cè)結(jié)果與測(cè)試集對(duì)比的效果圖。

如圖6所示為以CART弱分類(lèi)器為基礎(chǔ)構(gòu)造的Adaboost強(qiáng)分類(lèi)器的預(yù)測(cè)結(jié)果效果圖。可明顯看出最終構(gòu)造出的Adaboost強(qiáng)分類(lèi)器的分類(lèi)效果明顯優(yōu)于單一的CART弱分類(lèi)器的分類(lèi)效果。

如圖7所示為Adaboost分類(lèi)器對(duì)應(yīng)的AUC曲線。

4 遷移學(xué)習(xí)與結(jié)論

以上實(shí)驗(yàn)過(guò)程以（LIDC/IDRI）數(shù)據(jù)庫(kù)為基礎(chǔ)并通過(guò)Adaboost算法訓(xùn)練得到現(xiàn)有的Adaboost分類(lèi)器，為檢測(cè)分類(lèi)器的分類(lèi)效果，下面將以臨床肺部影像對(duì)現(xiàn)有的分類(lèi)器進(jìn)行測(cè)試。如圖8所示是對(duì)臨床肺部影像提取的LBP特征圖譜，通過(guò)特征提取可清晰的對(duì)肺部輪廓和特征進(jìn)行提取。

在提取出LBP特征圖譜以后，將特征值數(shù)據(jù)輸入到Adaboost分類(lèi)器中進(jìn)行分類(lèi)，如圖9所示為Adaboost分類(lèi)器對(duì)臨床肺部影像的預(yù)測(cè)結(jié)果。

通過(guò)以上實(shí)驗(yàn)我們可以得出如下結(jié)論：通過(guò)LBP特征提取方法，我們可以對(duì)肺部結(jié)節(jié)的輪廓和紋理特征進(jìn)行準(zhǔn)確的提取，然后通過(guò)深度學(xué)習(xí)的方法可以肺癌檢測(cè)工作提供可靠的參考性，可減少醫(yī)生閱片的工作量。通過(guò)實(shí)驗(yàn)可看出，本文所提出的以CART決策樹(shù)為弱分類(lèi)器構(gòu)造出Adaboost強(qiáng)分類(lèi)器的肺癌檢測(cè)方法對(duì)肺部良/惡性腫瘤檢測(cè)分類(lèi)是有效可行的，同時(shí)也為肺部良/惡性腫瘤檢測(cè)分類(lèi)提供了一種新的思路。

參考文獻(xiàn)

[1] 2012年中國(guó)腫瘤登記年報(bào)[M].上海醫(yī)藥，2013.

[2] 趙強(qiáng).X線計(jì)算機(jī)斷層成像設(shè)備[J/OL].醫(yī)學(xué)影像設(shè)備，2011年3月4日.

[3] 張永強(qiáng)，夏順仁，陳興燦，等.基于CT圖像的肺結(jié)節(jié)分割算法研究[J].醫(yī)療衛(wèi)生裝備，2012，33（11）：19-22.

[4] 田苗，林嵐，張柏雯，等.深度學(xué)習(xí)在神經(jīng)影像中的應(yīng)用研究[J].中國(guó)醫(yī)療設(shè)備，2016，31（12）：4-9.

[5] 張柏雯，林嵐，吳水才，等.深度學(xué)習(xí)在輕度認(rèn)知障礙轉(zhuǎn)化與分類(lèi)中的應(yīng)用分析[J].醫(yī)療衛(wèi)生裝備，2017，38（9）：105-111.

[6] 姜婷，襲肖明，岳厚光.基于分布先驗(yàn)的半監(jiān)督FCM的肺結(jié)節(jié)分類(lèi)[J].智能系統(tǒng)學(xué)報(bào)，2017，12（5）：729-734.

[7] 郭薇.基于多維圖像信息的肺結(jié)節(jié)良惡性鑒別方法[J].沈陽(yáng)航空航天大學(xué)學(xué)報(bào)，2016，33（3）：67-72.

[8] REVEL，MARIE P.Subsolid lung nodule classification：a CT criteri·on for improving interobserver agreement[J].Radiology，2017，286（1）：316-325.

[9] SUI X，MEINEL F G，SONG W，et al. Detection and size measure·ments of pulmonary nodules in ultra-low-dose CT with iterative recon·struction compared to low dose CT[J].European Journal of Radiolo·gy，2016，85（3）：564-570.

[10] LIAW，ANDY，MATTHEW W. Classification and regression by Ran-dom Forest[J].R News，2002，2（3）：18-22.