基于随机森林的肺部肿瘤PET/CT图像计算机辅助诊断方法研究

发布时间：2021-09-23 14:51

　　针对当前基于神经网络、聚类分析以及支持向量机三种辅助诊断方法存在的诊断准确性低的问题,本研究提出一种基于随机森林的肺部肿瘤PET/CT图像计算机辅助诊断新方法。该方法首先对PET/CT图像进行预处理,包括灰度化、平滑以及分割等,然后提取PET/CT图像的灰度、形态和纹理等特征,最后利用随机森林算法进行肺部肿瘤PET/CT的辅助识别,以实现肺部肿瘤的病理诊断。结果表明,本方法的ROC曲线结果优于上述三种方法,提高了诊断准确性,可为医生诊疗提供重要参考。 

【文章来源】：生物医学工程研究. 2020,39(02)

【文章页数】：5 页

【部分图文】：

PET/CT图像分割基本流程

PET/CT图像特征提取是肺部肿瘤诊断的关键,直接影响肺部肿瘤图像分类器的分类性能。需要提取的PET/CT图像特征包括灰度、形态特征和纹理等,具体过程见图2。图2中,各参数从不同角度描述了PET/CT图像的特征,但这些参数的量纲并不一致,因此,要进行特征归一化处理将特征参数的取值范围映射到预先设定的范围内。本研究使用高斯归一化方法将特征参数的取值范围映射到[-1,1]区间内[7]。

建立决策树在行采样时,采用有放回的方式,以避免出现过拟合现象。即采集的训练样本中一部分是重复的,而列采样需从M个特征中选择前m个(m<M)。建立决策树时,采用完全分裂的方式,以达到决策树的某一个叶子节点无法继续分裂,或者所有样本均指向同一类别的目的[9]。随机森林算法运行流程见图3。利用随机森林算法进行肺部肿瘤识别诊断,分为训练与应用分类[10-11] 两个阶段。训练过程如下:

【参考文献】：
期刊论文
[1]基于集成DBN的肺部肿瘤计算机辅助诊断模型研究[J]. 杨健,周涛,郭丽芳,张飞飞,梁蒙蒙.  现代电子技术. 2019(08)
[2]基于随机森林特征选择算法的鼻咽肿瘤分割[J]. 李鲜,王艳,罗勇,周激流.  计算机应用. 2019(05)
[3]18F-FDG PET/CT图像纹理分析在肺部肿块诊断中的临床价值[J]. 朱辉,汪秀玲,李智勇,侯先存,周青,孙振国.  临床放射学杂志. 2017(12)
[4]基于随机森林的异步电动机转子断条故障诊断[J]. 史干东,吴文军,张玉鸿,史丽萍.  微特电机. 2017(11)
[5]基于集成随机森林模型的肺结节良恶性分类[J]. 胡会会,龚敬,聂生东.  计算机应用研究. 2018(10)
[6]基于集成SVM的肺部肿瘤PET/CT三模态计算机辅助诊断方法[J]. 吴翠颖,周涛,陆惠玲,姚中宝,王媛媛,杨鹏飞.  生物医学工程研究. 2017(03)
[7]基于集成卷积神经网络的肺部肿瘤计算机辅助诊断模型[J]. 王媛媛,周涛,陆惠玲,吴翠颖,杨鹏飞.  生物医学工程学杂志. 2017(04)
[8]基于随机森林和支持向量机的船舶柴油机故障诊断[J]. 贺立敏,王岘昕,韩冰.  中国航海. 2017(02)
[9]一种改进的SVM算法在乳腺癌诊断方面的应用[J]. 吴辰文,李长生,王伟,梁靖涵,闫光辉.  计算机工程与科学. 2017(03)
[10]肿瘤标记物检测在肺部孤立性结节鉴别诊断中的价值[J]. 王琳,吴传勇,娄加陶.  现代免疫学. 2016(05)



本文编号：3405904