吉林大学学报(工学版) ›› 2014, Vol. 44 ›› Issue (2): 508-515.doi: 10.13229/j.cnki.jdxbgxb201402037

• 论文 • 上一篇    下一篇

多核学习矩阵化最小二乘支持向量机算法及肺结节识别

李阳1,2, 文敦伟3, 王珂1, 刘乐2   

  1. 1. 吉林大学 通信工程学院, 长春 130012;
    2. 长春工业大学 计算机科学与工程学院, 长春 130012;
    3. 阿萨巴斯卡大学 计算与信息系统学院, 加拿大 艾伯塔 T9S3A3
  • 收稿日期:2013-06-08 出版日期:2014-02-01 发布日期:2014-02-01
  • 通讯作者: 王珂（1955- ），男，教授，博士生导师.研究方向：图像处理，模式识别，无线通信及导航. E-mail：wangke@jlu.edu.cn E-mail:wangke@jlu.edu.cn
  • 作者简介:李阳（1979- ），女，博士研究生.研究方向：医学图像处理，模式识别，信号与信息处理. E-mail：l_y09@mails.jlu.edu.cn
  • 基金资助:

    吉林省科技发展计划项目（201201129）；长春工业大学理工科基金项目（2011LG04）；2012年国家级"大学生创新创业训练计划"项目（201210190017）；吉林省教育厅科研专项项目（2014142）.

Multiple kernel MtLSSVM and its application in lung nodule recognition

LI Yang1,2, WEN Dun-wei3, WANG Ke1, LIU Le2   

  1. 1. College of Communication Engineering, Jilin University, Changchun 130012, China;
    2. College of Computer Science and Engineering, Changchun University of Technology, Changchun 130022, China;
    3. School of Computing and Information Systems, Athabasca University, Athabasca, Alberta T9S3A3, Canada
  • Received:2013-06-08 Online:2014-02-01 Published:2014-02-01

RICH HTML

0   

PDF (PC)

399

摘要：

针对传统肺结节识别中对感兴趣区域（ROI）进行特征计算时造成的一些隐含结构信息丢失的问题，提出了矩阵输入模式的多核学习矩阵化最小二乘支持向量机识别算法（MKL-MatLSSVM）。该算法将多核方法与矩阵化最小二乘支持向量机（MatLSSVM）相结合，继承了二者优点，涵盖了多种类型的核。为验证算法的有效性，将其应用于肺结节识别。实验采用20个患者的CT图像，提取的ROI中含80个结节及190个假阳。结果表明，MKL-MatLSSVM算法在使用混合核及RBF核时，能兼顾敏感度、准确度和特异度指标，且其接收者操作特征（ROC）曲线下面积均可达到0.96以上，优于先前两种包括MatLSSVM在内的支持向量机（SVM）算法。

关键词: 信息处理技术, 图像识别, 肺结节识别, MKL-MatLSSVM算法, 多核学习, 支持向量机

Abstract:

Traditional methods for lung nodule recognition need to extract the features of the Region of Interests (ROIs), which usually leads to loss of some implicit structure information. To avoid this problem, a novel Multiple Kernel Learning method based on Matrix Least Square Support Vector Machine (MKL-MatLSSVM) is proposed. This method combines the advantages of both MKL method and MatLSSVM, and supports direct matrix input, suitable for image identification. To verify the effectiveness of the proposed method, it was applied to identify lung nodules in CT images of 20 patients, where the extracted ROIs contain 80 nodules and 190 false positives. The results show that when using hybrid or Radial Basis Function (RBF) kernels in MKL-MatLSSVM, the resulting sensitivity, accuracy and specificity can be balanced, and the area under the Receiver Operating Characteristic (ROC) curve can reach 96%, better than other two previous Support Vector Machine (SVM) methods that include MatLSSVM.

Key words: information processing, image recognition, lung nodule recognition, MKL-MatLSSVM algorithm, multiple kernel learning, support vector machines

中图分类号: 

  • TP391.4

[1] Farag A, Ayman E B, Gimel F G, et al. Detection and recognition of lung nodules in spiral CT images using deformable templates and Bayesian post-classification[C]//International Conference on Image Processing(ICIP 2004), Singapore, 2004.

[2] Kenji S, Li F, Sone S, et al. Computer-aided diagnostic scheme for distinction between benign and malignant nodules in thoracic low-dose CT by use of massive training artificialneural network[J]. IEEE Transactions on Medical Imaging, 2005, 24(9): 1138-1150.

[3] 孙申申, 任会之, 康雁, 等. 基于遗传算法和支持向量机的肺结节检测[J].系统仿真学报, 2011, 23(3): 497-501, 566. Sun Shen-shen, Ren Hui-zhi, Kang Yan, et al. Lung nodule detection by GA and SVM[J]. Journal of System Simulation, 2011, 23(3): 497-501, 566.

[4] 张婧, 李彬, 田联房, 等.结合规则和SVM方法的肺结节识别[J].华南理工大学学报:自然科学版, 2011, 39(2): 125-129, 147. Zhang Jing, Li Bin, Tian Lian-fang, et al. Lung nodule recognition combining rule-based method and SVM[J]. Journal of South China University of Technology (Natural Science Edition), 2011, 39(2):125-129, 147.

[5] Suzuki K, Armato S G, Li F, et al. Massive training artificial neural network (MTANN) for reduction of false positives in computerized detection of lung nodules in low-dose computed tomography[J]. Med Phys, 2003, 30(6): 1602-1617.

[6] Wang Z, Chen S C. New least squares support vector machines based on matrix patterns[J]. Neural Processing Letters, 2007, 26(1): 41-56.

[7] 王青竹. 基于三维SVMs的肺部CT中的结节检测算法[D]. 长春:吉林大学通信工程学院, 2011. Wang Qing-zhu. Detection of lung nodules in CT images based on 3D SVMs[D]. Changchun: College of Communication Engineering, Jilin University, 2011.

[8] Wang Q Z, Kang W W, Wu C M, et al. Computer-aided detection of lung nodules by SVM based on 3D matrix patterns[J]. Clinical Imaging, 2013, 37(1):62-69.

[9] 孙申申.基于CT影像的肺结节检测与分割方法研究[D]. 沈阳:东北大学信息科学与工程学院, 2009. Sun Shen-shen. Lung nodule detection and segmentation methods based on CT images[D]. Shenyang: School of Information Science & Engineering, Northeastern University, 2009.

[10] 皋军. 智能识别中的降维新方法及其应用研究[D].无锡:江南大学信息工程学院, 2010. Gao Jun. The study of novel dimensionality reduction methods and application in intelligent recognition[D]. Wuxi: School of Information Engineering, Jiangnan University, 2010.
[1] 苏寒松,代志涛,刘高华,张倩芳. 结合吸收Markov链和流行排序的显著性区域检测[J]. 吉林大学学报(工学版), 2018, 48(6): 1887-1894.
[2] 徐岩,孙美双. 基于卷积神经网络的水下图像增强方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1895-1903.
[3] 黄勇,杨德运,乔赛,慕振国. 高分辨合成孔径雷达图像的耦合传统恒虚警目标检测[J]. 吉林大学学报(工学版), 2018, 48(6): 1904-1909.
[4] 李居朋,张祖成,李墨羽,缪德芳. 基于Kalman滤波的电容屏触控轨迹平滑算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1910-1916.
[5] 应欢,刘松华,唐博文,韩丽芳,周亮. 基于自适应释放策略的低开销确定性重放方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1917-1924.
[6] 陆智俊,钟超,吴敬玉. 星载合成孔径雷达图像小特征的准确分割方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1925-1930.
[7] 刘仲民,王阳,李战明,胡文瑾. 基于简单线性迭代聚类和快速最近邻区域合并的图像分割算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1931-1937.
[8] 单泽彪,刘小松,史红伟,王春阳,石要武. 动态压缩感知波达方向跟踪算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1938-1944.
[9] 隗海林, 包翠竹, 李洪雪, 李明达. 基于最小二乘支持向量机的怠速时间预测[J]. 吉林大学学报(工学版), 2018, 48(5): 1360-1365.
[10] 姚海洋, 王海燕, 张之琛, 申晓红. 双Duffing振子逆向联合信号检测模型[J]. 吉林大学学报(工学版), 2018, 48(4): 1282-1290.
[11] 全薇, 郝晓明, 孙雅东, 柏葆华, 王禹亭. 基于实际眼结构的个性化投影式头盔物镜研制[J]. 吉林大学学报(工学版), 2018, 48(4): 1291-1297.
[12] 耿庆田, 于繁华, 王宇婷, 高琦坤. 基于特征融合的车型检测新算法[J]. 吉林大学学报(工学版), 2018, 48(3): 929-935.
[13] 蔡振闹, 吕信恩, 陈慧灵. 基于反向细菌优化支持向量机的躯体化障碍预测模型[J]. 吉林大学学报(工学版), 2018, 48(3): 936-942.
[14] 陈绵书, 苏越, 桑爱军, 李培鹏. 基于空间矢量模型的图像分类方法[J]. 吉林大学学报(工学版), 2018, 48(3): 943-951.
[15] 陈涛, 崔岳寒, 郭立民. 适用于单快拍的多重信号分类改进算法[J]. 吉林大学学报(工学版), 2018, 48(3): 952-956.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
版权所有 © 《吉林大学学报(工学版)》编辑部
地址：长春市人民大街5988号　电话：+86-431-85095297　传真：+86-431-85094074　E-mail: xbgxb@jlu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发