紀國華，趙涓涓，潘 玲

(太原理工大學 計算機科學與技術學院，太原 030024)

基于改進自生成神經(jīng)網(wǎng)絡的孤立性肺結(jié)節(jié)分類

紀國華，趙涓涓，潘 玲

(太原理工大學 計算機科學與技術學院，太原 030024)

為了提高孤立性肺結(jié)節(jié)良惡性診斷中的分類準確度,提出了一個基于自生成神經(jīng)網(wǎng)絡的自動分類算法。該算法首先對PET/CT圖像進行去噪、配準等預處理,分別提取孤立性肺結(jié)節(jié)的結(jié)構(gòu)影像特征和代謝特征,然后對自生成神經(jīng)網(wǎng)絡進行訓練和優(yōu)化,構(gòu)建分類器,根據(jù)距離測度和自動連接規(guī)則對待分類肺結(jié)節(jié)進行分類。初步的實驗結(jié)果表明,與傳統(tǒng)的自生成神經(jīng)網(wǎng)絡算法和BP神經(jīng)網(wǎng)絡算法相比,改進的自生成神經(jīng)網(wǎng)絡分類算法能得到更高的分類準確率。

PET-CT影像;孤立性肺結(jié)節(jié);自生成神經(jīng)網(wǎng)絡;分類器;距離測度

在全世界范圍內(nèi),肺癌是發(fā)病率及死亡率最高的癌癥之一已經(jīng)嚴重威脅到人們的生活、學習和工作[1],為了提高肺癌患者的生存率,腫瘤的早期診斷與治療是關鍵。肺癌的早期大多表現(xiàn)為孤立性肺結(jié)節(jié) (Solitary Pulmonary Nodules,SPNs),即肺實質(zhì)內(nèi)單發(fā)的、類圓形、最大直徑小于3 cm的結(jié)節(jié)影,不伴有淋巴結(jié)腫大、肺不張和肺炎等其它病變。PET/CT技術,即正電子發(fā)射計算機斷層顯像,融合了病灶的功能信息與精確解剖定位,是醫(yī)生進行肺部病理研究及診斷、肺功能評估的重要手段之一。因此,采用計算機輔助診斷(Computer-aided Diagnosis,CAD)技術在PET/CT影像中對SPNs的早期檢測和診斷對提高病人的存活率有重要的意義。

目前,醫(yī)學影像的計算機輔助診斷中常用的分類方法包括支持向量機(SVM)、決策樹(DT)、Logistic回歸(LR)、樸素貝葉斯(NB)、人工神經(jīng)網(wǎng)絡(ANN)等方法。SVM能避免過擬合問題,能夠?qū)⒁伤撇≡钪械慕Y(jié)節(jié)與非結(jié)節(jié)分類出來,提高肺結(jié)節(jié)的檢出率[2-3]。但是SVM對內(nèi)存需求較大,而且調(diào)節(jié)參數(shù)的過程繁瑣。DT是非參數(shù)的,無需擔心野點和數(shù)據(jù)是否線性可分,但存在過擬合,Tartar A et al在進行結(jié)節(jié)檢測時,采用隨機森林算法改善了這個問題[4]。將K最近鄰算法與NB算法結(jié)合的分類方法[5]收斂速度快,模型更新簡單,但是需要迭代學習。LR有很多方法來對模型正則化,不需要考慮樣本是否是相關的[6]。Sehgal C M et al[7]將NB與LR結(jié)合起來,應用到乳腺超生圖像中,能夠提高分類算法的敏感性。ANN對模式識別、信息處理中的分類問題比較擅長,在圖像處理方面應用廣泛[8]。Chen H et al分別采用ANN和LR對肺結(jié)節(jié)進行分類實驗[9],結(jié)果表明,相較于LR算法,ANN能得到更高的分類準確度。

但是,傳統(tǒng)ANN的網(wǎng)絡結(jié)構(gòu)需要人為參與設計,學習過程復雜。自生成神經(jīng)網(wǎng)絡(Self-generating Neural Networks,SGNN)是一類自組織神經(jīng)網(wǎng)絡,與傳統(tǒng)神經(jīng)網(wǎng)絡相比,具有學習自主性高、無需人為調(diào)整網(wǎng)絡結(jié)構(gòu)與參數(shù)的優(yōu)勢[10]。在對肺結(jié)節(jié)性病變進行診斷時,通常先將病灶分為良性、惡性兩大類,然后進一步明確腫瘤類型,惡性病變包含周圍型肺癌、類癌、支氣管腺瘤、肺肉瘤或轉(zhuǎn)移瘤等,良性病變包括炎性假瘤、結(jié)核瘤、肺錯構(gòu)瘤、脂肪瘤或血管瘤等[11],不同的腫瘤類型分別對應不同的后期檢查和治療手段。為了提高分類器的性能,同時更有針對性地給出診療建議,筆者通過研究SGNN及其優(yōu)化算法,提出了基于優(yōu)化SGNN的SPNs病變類型分類方法,擬在對病變進行良惡性分類的基礎上,進一步地識別腫瘤類型。

1 自生成神經(jīng)網(wǎng)絡理論

SGNN是Wen et al于1992年首先提出的[12-13],H.Inoue et al對其應用做了進一步的研究[14-15]。SGNN算法是一個啟發(fā)式聚類算法,利用競爭學習機制,在對樣本的學習過程中采用非監(jiān)督學習方法自動生成一棵神經(jīng)樹,不需要人為地參與網(wǎng)絡中的參數(shù)及結(jié)構(gòu)調(diào)整。在生成SGNT的過程中,對每一個輸入樣本只進行一次學習,而不會進行迭代學習,這也是SGNN的突出優(yōu)點。因此,自生成神經(jīng)網(wǎng)絡有較好的適應性,可以解決分類問題,本文將其用來對PET/CT圖像中的肺結(jié)節(jié)進行分類。

SGNT可以表示成有序?qū)Α磠nj},{lk}〉,其中{nj}是所有的神經(jīng)元集合,{lk}是神經(jīng)元之間的連接集合。神經(jīng)元nj也是一個有序?qū)Α碬j,Cj〉,Wj代表神經(jīng)元nj的權(quán)值向量,Wj=〈wj1,wj2,…,wjp〉,Cj是nj的子神經(jīng)元集合。在SGNT中,神經(jīng)元nj到樣本ei的距離為歐式距離如式(1)所示。

(1)

SGNN的生成算法描述如下[14,16]:

輸入:訓練樣本集{ei},i=1,2,…,m,其中ei是由樣本屬性所組成的向量〈ai1,ai2,…,ain〉;給定誤差閾值T≥0。

輸出:SGNT。

1) 生成新節(jié)點nj,令該節(jié)點的權(quán)值Wj等于輸入樣本ei的屬性值;若i=1,轉(zhuǎn)至5);否則進入下一步。

2) 計算nj與na的距離d(nj,na),其中na(a=1,2,…,j-1)是SGNT中已有的神經(jīng)元節(jié)點。將最小距離dmin(nj,na)對應的節(jié)點定義為獲勝節(jié)點nwin。如果dmin(nj,na)>T,則下一步;否則nj被并入nwin,跳轉(zhuǎn)至4)。

3) 將nj連接到SGNT上。若獲勝節(jié)點是樹中的葉節(jié)點,則創(chuàng)建新節(jié)點nj+1,令Wj+1=Wwin,將nj和nj+1連接為nwin的子節(jié)點;否則將nj連接為nwin的子節(jié)點。

4) 根據(jù)權(quán)值更新式(2)更新從nj到根節(jié)點經(jīng)過的每一個節(jié)點nr的權(quán)值向量,cr代表nr所覆蓋的葉節(jié)點個數(shù)。

(2)

5) 如果i=m,結(jié)束;否則i=i+1,返回1)。

如圖1所示,經(jīng)過上述算法生成的神經(jīng)樹中,葉子神經(jīng)元的權(quán)值是輸入樣本的屬性值,而根神經(jīng)元及節(jié)點神經(jīng)元的權(quán)值是它覆蓋的所有葉子神經(jīng)元權(quán)值的平均值,即以它為根節(jié)點的所有葉節(jié)點屬性的平均值。分類或聚類后的一個類中心在SGNT中表現(xiàn)為根神經(jīng)元的一個子節(jié)點,因此根神經(jīng)元有幾個子節(jié)點,代表將樣本分為幾類,子節(jié)點覆蓋的葉節(jié)點代表該類中的樣本。

圖1 SGNT結(jié)構(gòu)示意圖

在對肺結(jié)節(jié)進行分類時,將結(jié)節(jié)作為輸入樣本,每個結(jié)節(jié)的混合影像特征、臨床信息等作為樣本的屬性,生成SGNT,每一個結(jié)節(jié)都必然屬于某一類。

2 分類方法描述

針對孤立性肺結(jié)節(jié)的分類算法的主要思想是通過對自生成神經(jīng)網(wǎng)絡算法進行優(yōu)化和改進,生成分類神經(jīng)樹實現(xiàn)對肺結(jié)節(jié)的分類和識別。該算法主要包括四個步驟:圖像預處理，構(gòu)造特征向量，訓練SGNT，識別肺結(jié)節(jié)(如圖2所示)。

圖2 分類算法步驟示意圖

2.1 圖像預處理

醫(yī)學影像數(shù)據(jù)在成像、傳輸?shù)倪^程中,受到設備、環(huán)境的影響,會產(chǎn)生圖像噪聲、模糊等問題,從而干擾圖像的后續(xù)處理。因此要對原始的PET-CT圖像進行去噪和增強等預處理,去掉圖像中的大多數(shù)背景信息和噪聲,同時有效增強感興趣區(qū)域的圖像細節(jié)信息。筆者采用傅里葉變換和高斯濾波相結(jié)合方法來對圖像進行去噪和增強。由于文中使用的PET圖像和CT圖像是不同模態(tài)的圖像,會存在空間位置不對齊,在進行結(jié)節(jié)的特征提取之前需要先進行PET-CT圖像配準。本文采用基于互信息的方法實現(xiàn)PET-CT圖像的配準。

2.2 構(gòu)造特征向量

特征的提取和特征向量的構(gòu)造是進行機器學習及分類的基礎。對PET-CT圖像進行預處理后,分別在CT圖像和PET圖像中提取結(jié)節(jié)區(qū)域的結(jié)構(gòu)和功能信息,包括灰度、形態(tài)、紋理、空間位置、臨床信息及SUV值,將這些特征量化,構(gòu)造為50維的肺結(jié)節(jié)的特征向量。但是在初步提取得到的特征數(shù)據(jù)集中,有些特征是不相關或者冗余的,特征向量維數(shù)過高,會引起較高的計算復雜度,增加過度擬合的可能性。因此,采取基于互信息的特征選擇方法進行特征優(yōu)選,將特征降到22維,包括:灰度均值、灰度熵、結(jié)節(jié)面積、圓形度、緊湊度、鈣化個數(shù)、鈣化面積、鈣化面積占結(jié)節(jié)面積比、空洞個數(shù)、空洞面積、空洞面積占結(jié)節(jié)面積比、分葉等級、毛刺等級、角二階矩、相關性、邊界灰度均值、邊界灰度方差、病變區(qū)域、上下切片相似度、年齡、吸煙史、SUVmax。

2.3 SGNT訓練

2.3.1 生成初始SGNT

假設SPNs訓練數(shù)據(jù)集中有K類結(jié)節(jié)病變,則需要將所有確診為第i(i=1,2,…,K)類的訓練樣本的特征向量輸入第i棵SGNT,生成K棵神經(jīng)樹,并將SGNT的根節(jié)點的權(quán)值向量作為該類的特征向量。

用測試樣本對SGNN算法進行測試,發(fā)現(xiàn)當改變訓練樣本的輸入順序時,會得到不同的分類結(jié)果,如圖3所示。這說明SGNN算法對樣本的輸入順序很敏感,在最終成形時不一定能生成最佳結(jié)構(gòu)。因此,為了得到穩(wěn)定的分類結(jié)果,保證網(wǎng)絡結(jié)構(gòu)最佳,要對SGNN算法進行優(yōu)化處理。

圖3 SGNN在同組樣本不同輸入順序下的分類結(jié)果

2.3.2 優(yōu)化SGNT

在解決分類問題時,當神經(jīng)網(wǎng)絡結(jié)構(gòu)為最佳時,距離相近的節(jié)點在網(wǎng)絡中應該是親近關系。因此,網(wǎng)絡優(yōu)化是以距離測度為標準,常用的方法有水平/垂直優(yōu)化(Vertical & Horizontal optimization,VH優(yōu)化)和剪枝優(yōu)化兩種方法[13,17]。

采用VH優(yōu)化中的水平優(yōu)化使得神經(jīng)樹的結(jié)構(gòu)向縱向延伸,而垂直優(yōu)化則使其結(jié)構(gòu)橫向發(fā)展。對任一神經(jīng)元n,若它與父節(jié)點的距離小于等于它到任意子節(jié)點的距離,則將其水平放置于SGNT上;若它與任意父節(jié)點的距離小于等于它到任意祖輩的距離,則將其垂直放置于SGNT上。所有神經(jīng)元既是水平放置又是垂直放置的SGNT結(jié)構(gòu)達到最優(yōu)。因此,在生成一個SGNT后,需要檢查并優(yōu)化每個神經(jīng)元的放置情況,以使分類神經(jīng)樹的結(jié)構(gòu)達到最優(yōu)。

對于沒有達到水平放置的神經(jīng)元n,要進行水平優(yōu)化。假設n到父節(jié)點f的距離大于到子節(jié)點s的距離,即d(n,f)>d(n,s),若s不是它的唯一分支,則將n移到s的下一層;若s是一個葉節(jié)點,生成一個新的節(jié)點作為s的子節(jié)點,并把s的權(quán)值復制過去,同時更新s的權(quán)值為:

(3)

相應地,更新節(jié)點s所覆蓋的樣本個數(shù):

(4)

對于沒有達到垂直放置的神經(jīng)元n,要進行垂直優(yōu)化。假設n到父節(jié)點f的距離大于到f的父節(jié)點g的距離,即d(n,f)>d(n,g),則將n上移為g的子節(jié)點。同時更新f的權(quán)值為:

(5)

更新節(jié)點f所覆蓋的樣本個數(shù):

(6)

由于VH優(yōu)化方法是按照節(jié)點生成的順序依次對神經(jīng)樹的結(jié)構(gòu)進行優(yōu)化的,而樹中的節(jié)點之間是有聯(lián)系的,對節(jié)點的優(yōu)化會相互影響,因此,一次VH優(yōu)化并不能將網(wǎng)絡結(jié)構(gòu)調(diào)整到最佳,而需要反復進行優(yōu)化,但現(xiàn)在并沒有一個可信標準來決定不同的樣本集所需要的優(yōu)化次數(shù)。實驗表明,對測試樣本進行的優(yōu)化次數(shù)越多,得到的SGNN的分類結(jié)果越好,但是會增加網(wǎng)絡結(jié)構(gòu)的復雜度。為了在保證分類精度的同時降低計算代價,需要對生成的SGNT進行剪枝優(yōu)化。

剪枝優(yōu)化方法的每次搜索不再局限于兩、三代之間的節(jié)點,可以在相隔多代的節(jié)點甚至無關節(jié)點間進行優(yōu)化,但是不能優(yōu)化網(wǎng)絡中的中間節(jié)點,是針對葉節(jié)點的優(yōu)化算法。在神經(jīng)網(wǎng)絡生成之后,再次輸入訓練數(shù)據(jù)訓練網(wǎng)絡,對網(wǎng)絡中的節(jié)點按層依次搜索,將輸入樣本連接為網(wǎng)絡中與之距離最近的節(jié)點的子節(jié)點,同時將沒有搜索到的節(jié)點刪掉,即剪掉死枝條。剪枝算法本質(zhì)上通過網(wǎng)絡中節(jié)點的增減實現(xiàn)葉節(jié)點向合理位置的移動。剪枝優(yōu)化的目的是簡化網(wǎng)絡結(jié)構(gòu),在降低計算的時間復雜度和空間復雜度的同時,保證網(wǎng)絡處理數(shù)據(jù)的精度。

確定好優(yōu)化策略后,將孤立性肺結(jié)節(jié)的分類神經(jīng)樹生成算法進一步描述如下:

1) 分別在訓練樣本集的第i(i=1,2,…,K)類結(jié)節(jié)病變中隨機選取一個特征向量,按照SGNN生成算法生成K棵初始SGNT;

2) 將第i類中的待聚類樣本依次輸入第i棵SGNT中,搜索當前神經(jīng)樹中與其距離最小的神經(jīng)元,并將其連接到該神經(jīng)樹上,直到所有樣本被輸入到K棵SGNT中;

3) 對K棵SGNT分別進行剪枝優(yōu)化,對網(wǎng)絡進行全局優(yōu)化,簡化網(wǎng)絡結(jié)構(gòu);

4) 對剪枝優(yōu)化后的K棵SGNT分別進行VH優(yōu)化,調(diào)整相鄰代節(jié)點之間的連接,得到最優(yōu)的網(wǎng)絡結(jié)構(gòu)。

在優(yōu)化后的K棵SGNT中,每個SGNT對應一類結(jié)節(jié)。

2.4 分類識別

在對未知類別的肺結(jié)節(jié)進行識別時,首先考慮采用距離測度識別方法,通過計算待分類樣本與訓練集中每一類的類中心的距離,將其歸類到最小距離所對應的類中[18]。但是,距離測度僅考慮了類中心,而沒有考慮具體樣本之間的相互影響,不能有效將不同類型的肺結(jié)節(jié)識別出來。針對上述問題,本文提出一種結(jié)合距離測度與自動連接的方法實現(xiàn)待分類SPNs的識別。在距離測度的基礎上,將待分類樣本輸入到訓練好的所有SGNT中,使其自動連接到某一棵神經(jīng)樹中,根據(jù)其連接情況和距離綜合考慮,識別肺結(jié)節(jié)。其具體過程如下所示:

1) 首先提取待分類樣本q的特征向量,分別計算其與每一棵神經(jīng)樹的根節(jié)點Ri的歐式距離di,i=1,2,…,K,設最小距離為dA,對應的類別是A;

2) 將K棵SGNT組成一個神經(jīng)森林,向森林中輸入q的特征向量,搜索當前森林中與其距離最小的神經(jīng)元nq,設nq對應的類別是B;

3) 若A≥B,則將q歸到A類;否則,將q歸到B類。

識別過程如圖4所示。經(jīng)過上述識別算法,能夠識別出待分類樣本的所屬類別。在對整個測試集進行分類時,將數(shù)據(jù)依次輸入和計算,并將前面的識別結(jié)果串行輸入并連接到相應的SGNT中,共同參與后續(xù)樣本的分類。

圖4 SPNs識別過程

3 實驗與分析

3.1 實驗數(shù)據(jù)集

本文所使用的實驗數(shù)據(jù)選自山西某醫(yī)院PET/CT中心2011年1月-2015年1月之間的數(shù)據(jù),該醫(yī)院使用的是美國通用公司的Discovery ST16 PET-CT,CT采集參數(shù)為150 mA、140 kV,層厚3.75 mm,CT圖像大小為512×512。病例共計選擇195例(其中惡性103例,包括周圍型肺癌39例、類癌26例、支氣管腺瘤21例、肺肉瘤17例、轉(zhuǎn)移瘤或其它0例;良性92例,包括炎性假瘤33例、結(jié)核瘤46例、肺錯構(gòu)瘤13例、脂肪瘤和血管瘤或其它0例),所選病例都有完整的臨床信息和影像學資料。

本文算法的實驗環(huán)境是MATLAB 2012b,PC處理器為Intel Core i7-3770,主頻3.40 GHz,內(nèi)存8 GB。

3.2 結(jié)果分析

使用訓練樣本訓練分類器后,本文使用數(shù)據(jù)集中的195例數(shù)據(jù)進行分類實驗,取數(shù)據(jù)集中各類病例的二分之一(病例個數(shù)為奇數(shù)時,先減一再除以二)組成訓練集,共計95例,剩下的樣本組成測試集,共計100例。

本文分別從算法對各個類別識別的準確性和總體準確性評估本文提出的肺結(jié)節(jié)分類算法的性能。對訓練集中的每一類進行分類時,以該類為陽性,其他類為陰性,如表1所示,TP、TN、FP、FN分別為真陽性、真陰性、假陽性、假陰性[19]。

表1 預測結(jié)果與實際結(jié)果的混合矩陣

則每一類的分類準確率為:

(7)

將每一類的分類正確率進行加權(quán)平均,計算測試集的總體分類正確率:

(8)

式中：Ai是第i類的正確率;ni是該類的測試樣本數(shù)；N為所有的測試樣本數(shù)。

用不同的分類模型進行分類對比試驗,結(jié)果如表2所示,其中,類別1～7分別代表周圍型肺癌、類

表2 不同分類模型的分類準確率 %

癌、支氣管腺瘤、肺肉瘤、炎性假瘤、結(jié)核瘤、肺錯構(gòu)瘤。由表2可以看出,與BP神經(jīng)網(wǎng)絡、SVM分類器[2]相比,傳統(tǒng)SGNN算法在對肺結(jié)節(jié)進行分類時效果并不理想;本文算法針對SPNs的特點,通過對SGNN算法進行優(yōu)化和改進,有效地提高了算法的性能,在分類準確性上有明顯優(yōu)勢。

表3給出了不同算法的運行時間,可以看出傳統(tǒng)SGNN算法和本文算法比BP神經(jīng)網(wǎng)絡和SVM分類器的運行速度都快,說明了自生成神經(jīng)網(wǎng)絡算法在對肺結(jié)節(jié)進行分類時是高效的。但本文算法比傳統(tǒng)SGNN算法運行時間稍長,這是由于本算法要對SGNT的結(jié)構(gòu)進行多次優(yōu)化,導致了較高的時間復雜度。但是在臨床應用中,更關注孤立性肺結(jié)節(jié)的分類診斷的準確性,識別100例樣本多消耗0.37 s的時間復雜度是可接受的。本文算法犧牲了可接受的時間復雜度對傳統(tǒng)算法進行優(yōu)化,得到了更好更可靠的分類結(jié)果,說明優(yōu)化后的肺結(jié)節(jié)分類算法是有效的。

表3 不同分類模型的分類速度

文中提出了一種對PET/CT圖像中的孤立性肺結(jié)節(jié)進行分類診斷的新方法。該方法采用優(yōu)化算法對自生成神經(jīng)網(wǎng)絡方法進行改進,結(jié)合距離測度和自動連接識別方法實現(xiàn)對孤立性肺結(jié)節(jié)特征向量的分類。實驗中分別采用BP神經(jīng)網(wǎng)絡、SVM分類器、傳統(tǒng)SGNN及本文提出的方法對采集到的肺結(jié)節(jié)特征數(shù)據(jù)集進行分類。實驗結(jié)果表明,我們提出的肺結(jié)節(jié)的分類方法能得到較高的分類準確率,并且有較好的時間復雜度,說明本文算法是肺結(jié)節(jié)分類的有效算法。

[1] Siegel R,Ma J,Zou Z,et al.Cancer statistics,2014[J].CA:a cancer journal for clinicians,2014,64(1):9-29.

[2] Keshani M,Azimifar Z,Tajeripour F,et al.Lung nodule segmentation and recognition using SVM classifier and active contour modeling:A complete intelligent system[J].Computers in biology and medicine,2013,43(4):287-300.

[3] Santos A M,de Carvalho Filho A O,Silva A C,et al.Automatic detection of small lung nodules in 3D CT data using Gaussian mixture models,Tsallis entropy and SVM[J].Engineering Applications of Artificial Intelligence,2014,36:27-39.

[4] Tartar A,Kilic N,Akan A.A new method for pulmonary nodule detection using decision trees[C]∥IEEE.Proceeding of the 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC).[S.I.],2013:7355-7359.

[5] Calle-Alonso F,Pérez C J,Arias-Nicolás J P,et al.Computer-aided diagnosis system:A Bayesian hybrid classification method[J].Computer methods and programs in biomedicine,2013,112(1):104-113.

[6] Zhang M,Zhang Y,Fu S,et al.Development of a logistic regression formula for evaluation of subcentimeter thyroid nodules[J].Journal of Ultrasound in Medicine,2014,33(6):1023-1030.

[7] Sehgal C M,Cary T W,Cwanger A,et al.Combined Na?ve Bayes and logistic regression for quantitative breast sonography[C]∥IEEE.Proceeding of Ultrasonics Symposium (IUS).Germany:Dresden,2012:1686-1689.

[8] Amato F,López A,Pea-Méndez E M,et al.Artificial neural networks in medical diagnosis[J].Journal of Applied Biomedicine,2013,11(2):47-58.

[9] Chen H,Zhang J,Xu Y,et al.Performance comparison of artificial neural network and logistic regression model for differentiating lung nodules on CT scans[J].Expert Systems with Applications,2012,39(13):11503-11509.

[10] 蔣宏,任章.一種基于SGNN網(wǎng)絡的模糊圖像融合算法[J].系統(tǒng)工程與電子技術,2009,2:452-455.

[11] Travis W D,Brambilla E,Riely G J.New pathologic classification of lung cancer:relevance for clinical practice and clinical trials[J].Journal of Clinical Oncology,2013,31(8):992-1001.

[12] Wen W X,Liu H,Jennings A.Self-Generating nural networks[C]∥IEEE.Proceeding of International Joint conference.on Neural Networks.USA:Baltimore,1992:850-855.

[13] Wen W X,Jennings A,Liu H.Learning a neural tree[C]∥IEEE.Proceedings International Joint Conference on Neural Networks.USA:Balt,1992.

[14] Inoue H,Narihisa H.Efficiency of self-generating neural networks applied to pattern recognition[J].Mathematical and Computer Modelling,2003(38):1225-1232.

[15] Inoue H,Narihisa H.Effective online pruning Method for Ensemble Self-Generating Neural Networks[J].Circuits and Systems,IEEE,2004(3):85-88.

[16] 劉純平,孫忱.基于SGNN的彩色圖像分類[J].江南大學學報:自然科學版,2007,6:838-841.

[17] 李露.SGNN優(yōu)化算法的研究及其在圖像分割中的應用[J].紅外技術,2010,04:198-203.

[18] 張紅山,王世衛(wèi),姜建國.基于SGNN的數(shù)字字符識別[J].航空計算技術,2004,1:76-78.

[19] Lin PL,Huang PW,Lee CH,et al.Automatic classification for solitary pulmonary nodule in CT image by fractal analysis based on fractional Brownian motion model[J].Pattern Recognition,2013,46(12):3279-3287.

(編輯：朱 倩)

Solitary Pulmonary Nodule Classification based on ImprovedSelf-Generating Neural Networks

JI Guohua，ZHAO Juanjuan，PAN Ling

(CollegeofComputerScienceandTechnology,TaiyuanUniversityofTechnology,Taiyuan030024,China)

To improve the classification accuracy of diagnosis of solitary pulmonary nodules,this paper proposes an automatic classification algorithm based on the self-generating neural networks.The algorithm first deploys preprocessing methods on PET/CT image,such as denoising and registration.Then,structural and metabolic features of solitary pulmonary nodules are extracted separately.After that,the improved self-generating neural network is trained and a classifier is built to classify unspecified samples on the basis of distance measure and automatic connection.Experimental results show that compared with traditional self-generating neural networks and BP neural network algorithm,the improved self-generating neural networks algorithm can guarantee higher classification accuracy.

PET/CT imaging;solitary pulmonary nodules;self-generating neural networks;classifier;distance measure

1007-9432(2015)06-0754-06

2015-05-10

國家自然科學基金資助項目：基于混合成像的孤立性肺結(jié)節(jié)計算機輔助診斷方法(61202163);基于醫(yī)學影像結(jié)構(gòu)和功能混合特征的周圍型肺癌計算機輔助診斷方法(61373100);虛擬現(xiàn)實技術與系統(tǒng)國家重點實驗室資助項目(BUAA-VR-15KF02)

紀國華(1991-)，女，山東沾化人，碩士生，主要從事醫(yī)學圖像處理的研究，(Tel)18634632764，(E-mail)1210151314@qq.com.

TP391

A

10.16355/j.cnki.issn1007-9432tyut.2015.06.021