基于多特征融合甲状腺结节良恶性识别.docVIP

基于多特征融合甲状腺结节良恶性识别 　　摘要：鉴于甲状腺结节良恶性的判别十分依赖于有效特征的提取，提出基于DLBP与RLBP模型相结合的局部纹理特征提取算法，首先利用RLBP模型解决图像旋转不变问题，然后与DLBP模型相结合对RLBP模式特征进行选择与降维，再与纵横比、圆形度、紧致度等形状特征相结合并输入到SVM分类器中。为了进一步提高识别率，提出基于粒子群算法与网格搜索算法相结合的SVM参数优化算法。实验结果表明，该模型提取的特征用于分类识别时较上述各种模型及传统的旋转不变等价ULBP模型能获得更高的识别率，且提出的参数寻优算法相比于传统寻优算法效率更高。 　　关键词：甲状腺结节识别；DLBP模型；RLBP模型；ULBP模型；参数寻优 　　DOIDOI：10.11907/rjdk.171958 　　中图分类号：TP319 　　文献标识码：A 文章编号：1672-7800（2017）012-0137-04 　　Abstract：In view of the distinguishing of the benign and malignant thyroid nodules is very dependent on the extraction of effective features， A feature extraction algorithm based on the combination of Dominant Local Binary Pattern （DLBP） and Rotation Local Binary Pattern （RLBP） model is proposed， Firstly， RLBP model is used to solve the problem of image rotation invariant， Then combined with the DLBP model to realize the feature selection and dimension reduction of RLBP pattern， And then the shape features such as aspect ratio， roundness and compactness are merged into the SVM classifier. in order to further improve the recognition rate. A SVM parameters optimization algorithm based on Particle Swarm Optimization （PSO） algorithm and grid search algorithm is proposed. Experimental results show that the features extracted by Proposed model have higher recognition rate than The above models and the traditional rotation invariant equivalent Uniform Local Binary Pattern （ULBP） model. And The proposed parameter optimization algorithm is more efficient than the traditional optimization algorithm. 　　Key Words：thyroid nodules recognition； dominant local binary pattern model； rotated local binary pattern model； uniform local binary pattern model； parameter optimization 　　0 引言 　　甲状腺结节指甲状腺中的细胞在诱因的影响下以非正常的方式快速生长而产生的肿块，分为良性和恶性[1]。研究表明，恶性结节约占5%～10%，并且其发生率正在逐年提高[2]。临床上对于甲状腺结节良恶性的判断采用穿刺活检（FNAB，Fine Needle Aspiration Biospsy）[3]，但穿刺活检不仅给病人带来痛苦，也不便于大规模筛查。B超检查因其方便快捷的特点已成为甲状腺结节良恶性判别的最常用手段，但由于没有一套统一的标准，往往由临床医生依靠经验判断。当前，甲状腺结节的识别研究主要以提取结节的形状特征和纹理特征等为基础，其中对于形状特征的研究一般借鉴乳腺肿瘤识别[4]