[发明专利]基于仿冒过滤器的CT图像分类特征选择方法及系统

权利要求书

1.基于仿冒过滤器的CT图像分类特征选择方法，其特征是，包括：

针对CT图像，利用带有伪发现率约束的仿冒滤波器进行特征识别，计算出最优特征子集，完成特征的选择；

将支持向量机应用于最优特征子集，在CT图像中进行分类，实现图像的分类；

其中，在最优特征子集生成的过程中，利用伪发现率控制CT图像的特征选择，保证了所选择的特征与CT图像中的肺癌分类的相关性，能够使不相关性的输出特征最小化。

2.如权利要求1所述的基于仿冒过滤器的CT图像分类特征选择方法，其特征是，在利用伪发现率控制CT图像的特征选择时，约束不相关特征的伪发现率；

针对CT图像，在图像处理之前先分割每个CT图像的兴趣区域；

针对CT图像在进行兴趣区域分割之后提取其纹理特征和形态特征。

3.如权利要求1所述的基于仿冒过滤器的CT图像分类特征选择方法，其特征是，相关特征的识别时，在遵循线性回归模型的情况下，假设在大小为n的数据样本上有感兴趣的响应变量c和m维特征向量。

4.如权利要求1所述的基于仿冒过滤器的CT图像分类特征选择方法，其特征是，利用带有伪发现率约束的仿冒滤波器进行特征识别，需要构建仿冒滤波器，对于每一个特征向量X_j，建立一个“仿冒”特征仿冒特征一方面用来保持原始特征X_j的结构，另一方面在一定程度上对伪发现率的值进行约束。

5.如权利要求4所述的基于仿冒过滤器的CT图像分类特征选择方法，其特征是，构造特征时，计算Gram矩阵Σ＝X^TX，X为特征矩阵，需要保证仿冒特征矩阵具有与原特征矩阵X具有相同的协方差结构，保证原特征和仿冒特征之间的相关性；

构造的一个策略是用来找到满足diag{s}≤2Σ的s，其中

6.如权利要求5所述的基于仿冒过滤器的CT图像分类特征选择方法，其特征是，对每对样本X_j和求出统计数据W_j(β_j∈[1,2,…,m])，从而梳理出Lasso模型内外的变量，在计算时用到Gram矩阵和边际相关性采用Lasso模型和l₁范式惩罚回归法进行计算。

7.如权利要求6所述的基于仿冒过滤器的CT图像分类特征选择方法，其特征是，在特定的伪发现率下实现变量选择，将伪发现率定义中的特征替换为统计结果W_j，生成最优特征子集。

8.基于仿冒过滤器的CT图像分类特征选择系统，其特征是，包括

特征的选择单元，被配置为：针对CT图像，利用带有伪发现率约束的仿冒滤波器进行特征识别，计算最优特征子集，实现特征的选择；

其中，在最优特征子集生成的过程中，利用伪发现率控制CT图像的特征选择，保证了所选择的特征与CT图像中的肺癌分类的相关性，能够使不相关性的输出特征最小化。

图像的分类单元模块，被配置为：将支持向量机算法应用于最优特征子集，在CT图像中进行分类，实现图像的分类。

9.一种计算机可读存储介质，其中存储有多条指令，其特征是，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一所述的基于仿冒过滤器的CT图像分类特征选择方法。

10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-7任一所述的基于仿冒过滤器的CT图像分类特征选择方法。