动态多分类器集成在肺结节辅助检测中的应用

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (2): 218-221.

动态多分类器集成在肺结节辅助检测中的应用

韩妍妍1，冯筠1，崔鑫1，王秋萍2

1.西北大学信息科学与技术学院，西安 710127
2.西安交通大学第一附属医院放射科，西安 710061

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-01-11 发布日期:2012-01-11

Lung nodule detection based on Dynamic Multiple Classifiers Selection ensemble algorithm

HAN Yanyan1, FENG Jun1, CUI Xin1, WANG Qiuping2

1.School of Information Science and Technology, Northwest University, Xi’an 710127, China
2.Department of Radiology, First Affiliated Hospital of Medical College of Xi’an Jiaotong University, Xi’an 710061, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-01-11 Published:2012-01-11

摘要/Abstract

摘要： 针对肺结节病灶数据具有多样性及异质性特点，提出了动态多分类器选择集成算法（Dynamic Multiple Classifiers Selection，DMCS），将特征空间随机划分为若干特征子集，针对每个特征子集样本分布不同，对不同的特征子集选择适合的基分类器，最后进行集成学习。实验表明，该算法比目前有代表性的肺结节检测病灶分类算法具有更好的稳定性和检测性能。

关键词: 肺结节, 动态多分类器选择, 集成算法, 计算机辅助检测

Abstract: A novel approach based on Dynamic Multiple Classifiers Selection（DMCS） ensemble algorithm is proposed based on the characteristics of diversity and inhomogeneity of the nodule lesions. The feature space is randomly divided into a number of feature subsets. Specifically, for different kinds of subset, more appropriate base classifier is selected based on their distributions. Then the results of the classifiers are ensembled for final decision. The experimental results demonstrate that the proposed algorithm achieves better performance than the typical and traditional nodule detection approaches.

Key words: lung nodule, dynamic multiple classifiers selection, integration algorithm, computer aided detection

韩妍妍1，冯筠1，崔鑫1，王秋萍2. 动态多分类器集成在肺结节辅助检测中的应用[J]. 计算机工程与应用, 2012, 48(2): 218-221.

HAN Yanyan1, FENG Jun1, CUI Xin1, WANG Qiuping2. Lung nodule detection based on Dynamic Multiple Classifiers Selection ensemble algorithm[J]. Computer Engineering and Applications, 2012, 48(2): 218-221.

[1]	徐麒皓，李波. 基于NRU网络的肺结节检测方法[J]. 计算机工程与应用, 2021, 57(4): 83-90.
[2]	徐麒皓，李波. 改进双向LSTM的肺结节分割方法[J]. 计算机工程与应用, 2021, 57(15): 237-244.
[3]	孙浩天，袁刚，杨杨，刘含秋，郑健，杨晓冬，张寅. 基于三维各向异性卷积的肺结节良恶性分类[J]. 计算机工程与应用, 2021, 57(10): 133-138.
[4]	汤宁，卫泽良，张瑞，易东，伍亚舟. 基于多尺度多模式图像的肺结节分类对比研究[J]. 计算机工程与应用, 2020, 56(3): 165-175.
[5]	钟思华，郭兴明，郑伊能. 改进U-Net网络的肺结节分割方法[J]. 计算机工程与应用, 2020, 56(17): 203-209.
[6]	杨帆1，谢红薇1，刘爱媛2. 基于卷积神经网络的肺结节分类算法[J]. 计算机工程与应用, 2019, 55(7): 145-150.
[7]	吴保荣，强彦，王三虎，唐笑先，刘希靖. 融合多维度卷积神经网络的肺结节分类方法[J]. 计算机工程与应用, 2019, 55(24): 171-177.
[8]	陈寿宏，柳馨雨，马峻，康怀强. 深度卷积神经网络胸片肺结节分类识别研究[J]. 计算机工程与应用, 2018, 54(24): 176-181.
[9]	闫晓斐1，强彦1，原杰2. 基于混合受限玻尔兹曼机的肺结节良恶性诊断[J]. 计算机工程与应用, 2017, 53(23): 153-158.
[10]	武盼盼，夏克文，林永良，白建川. 改进的RVM在肺结节检测中的研究与应用[J]. 计算机工程与应用, 2016, 52(19): 201-207.
[11]	吴平1，4，王彬1，薛洁2，张岩3，刘辉1. 基于模板匹配的加速肺结节检测算法研究[J]. 计算机工程与应用, 2015, 51(7): 184-188.
[12]	范立南，李道静，孙申申，常朝海. Top-hat和Gabor filter在肺结节ROI自动检测中的应用研究[J]. 计算机工程与应用, 2012, 48(4): 190-192.
[13]	侯勇1，2，郑雪峰1. 集成学习算法的研究与应用[J]. 计算机工程与应用, 2012, 48(34): 17-22.
[14]	张婧1，李彬1，田联房1，陈萍2. 应用规则的肺结节识别系统[J]. 计算机工程与应用, 2011, 47(17): 200-202.
[15]	香世杰¹，李彬¹，田联房¹，王立非²，陈萍³. 保边滤波和改进FCM的疑似肺结节分割方法[J]. 计算机工程与应用, 2010, 46(32): 202-204.