[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

说明书

本公开提出了基于仿冒过滤器的CT图像分类特征选择方法及系统，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；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。本公开提出的特征选择机制显著提高了图像分类的精度。通过比较实验，还发现用最小的FDR值可以获得最佳性能，这表明较低的FDR值更有利于通过消除不相关特征，从而提高图像鉴别性能。

技术领域

本公开涉及图像处理技术领域，特别是涉及基于仿冒过滤器的CT图像分类特征选择方法及系统。

背景技术

特征选择在基于医学图像的计算机辅助诊断系统(CAD)中扮演着重要的角色，它包括图像预处理、兴趣区域(ROI)分割、特征提取、特征选择和分类。特征选择的主要目的是识别跟组织学发现相关的医学图像特征，这是因为大多数实质性的肺癌诊断是基于组织学标准的。

特征选择是数据挖掘中经常使用的一种预处理技术，自上世纪70年代以来，特征选择一直是机器学习、图像检索和分类中的研究热点。

从统计学的角度来看，特征选择是选出整个特征空间中的最优子集。它着重于丢弃不相关或冗余的特征，并且能够识别出最相关的特征子组。对于人工神经网络(ANN)和支持向量机(SVM,Support Vector Machine)等机器学习分类器，特征选择不仅对分类结果有正向影响，而且对分类器的训练时间也有影响。因此，如何获得最优特征子集是CAD系统的关键。特征选择过程包括四个关键步骤：子集生成、子集评价、停止准则和验证。首先，通过特定的搜索策略生成候选特征子集。然后，基于特定的评价标准，对所有候选特征进行评价，并与当前最优特征子集进行比较。如果能获得更好的性能，新的候选替换当前最佳子集。重复前两个过程，直到满足给定的停止准则。最后，在采集的真实数据集上验证最优特征子集。

CAD系统中特征识别的有效性已在前人的研究中已经得到证实。研究人员已经构建了精神分裂症和阿尔茨海默病自动分类的计算框架。在特征选择过程中，分别采用线性判别分析和增广方差比作为搜索策略和评价标准。平均分类准确率可以达到88％。

通过启发式搜索，可以有效地降低分类问题的特征空间维数，针对临床数据的分类率高于69％。一种基于不确定性度量的肿瘤分类特征选择技术，分别引入最小冗余、最大相关性和序列前向贪婪算法作为准则和搜索策略。该方法的线性SVM分类器的分类精度可以达到75％以上。基于t-test的超声图像的甲状腺结节识别的特征选择方法，甲状腺结节的正确分类率大于83％。

针对CT图像中肺癌的分类问题，研究人员提出了大量的特征选择方法。例如：基于粒子群优化(PSO)的特征选择方法，是从CT图像的纹理特征中提取出最优特征子集，然后选择出九种纹理特征，用k近邻分类器进行分类，分类效果可以达到88.49％。还有一种人工蜂群系统(ABC)的优化框架，通过构建最相关的纹理特征子集来在CT图像中分类肺癌，这种方法用SVM分类器在肺癌鉴别方法的精确率达到了90％以上。还有一种基于快速反应算法的特征选择策略，通过无监督软件集来获取最佳的特征集，它在CT图像中能够充分表达出肺癌的特性。但是，在上述的CAD系统中，仅仅用那些被选择为最优子集的纹理特征用来鉴别肺癌。

CT图像的特征除了纹理特征，还有形态特征等；另外，由于图像大小、分辨率和兴趣区域的不同，还可以从CT图像中提取出其他更加广泛的特征。因此特征选择的主要任务就是合理地降低特征维数，并且使得最优特征组的识别性能最大化。

另外，目前大多数已经提出的最优特征子集的评价措施都集中在特征集和分类效果之间的关联上，而忽略了确定哪些特征跟医疗诊断具有最佳相关性。

在识别相关特征时，需要使用评价函数来评价每个特征子集的最优性，最优子集的获取会根据评价准则的变化而变化。