CN109978846B - 一种基于体局部方向三值模式的肺结节纹理特征提取系统及方法 - Google Patents

Abstract

一种基于体局部方向三值模式的肺结节纹理特征提取系统及方法。本发明涉及从肺部CT图像识别出肺结节方法。现有肺结节文理特征提取方法存在图像的部分纹理信息损失，而导致的肺结节识别率的问题。一种基于体局部方向三值模式的肺结节纹理特征提取系统及方法，基于VLBP模式对肺结节的相邻切片进行局部模式提取；对提取的局部模式利用正态分布函数进行局部自适应阈值的计算；将局部三值模式以中心像素为中心进行各方向的三值概率统计；将统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并进行肺结节纹理特征识别结果的评价，得出识别结果是否正确。本发明方法提高了肺结节识别的准确率。

Description

一种基于体局部方向三值模式的肺结节纹理特征提取系统及 方法

技术领域

本发明涉及一种从肺部CT图像识别出肺结节的系统和方法，特别涉及一种基于体局部方向三值模式的肺结节纹理特征提取系统及方法。

背景技术

癌症已成为影响人类健康的一大主要威胁。2018年9月12日发表于CA期刊的《2018全球癌症统计》一文中统计了全球185个国家、36种癌症的发病率与死亡率，其中肺癌、女性乳腺癌、结直肠癌的患病率位居前三，且亚洲地区的癌症死亡率远高于其他地区。近年来，由于城市污染极度严重，吸烟人数的大幅度增加，肺癌初期的发现率较低以及肺癌晚期患者的治愈率较低等综合因素，人群中肺癌的发病率正在逐年上升。由此可见，癌症已向人类的健康问题发出了警示。

在全世界医疗组织和科研人员的不断努力之下，肺癌的诊断方法和治疗水平得到了很大的改进和提高，而肺癌患者在死亡率和发病率方面并没有得到明显改善，主要原因有：(1)肺癌的病例特征不仅复杂难辨，而且恶化速度非常之快；(2)因为肺癌早期的症状不是十分显著，所以难以被及时发现，80％以上的患者发现病情时就已经处于癌症晚期；(3)当前影像诊断主要依赖人工阅片完成，然而，日益增加的图像数据也为人工阅片带来了极大的挑战。为了给医生提供有效的辅助诊断信息，智能图像处理技术正变得越来越重要。

为了给医生提供有效的辅助诊断信息，需要综合考虑各种因素，以深度学习和医学图像处理技术为基础的计算机辅助诊断(computer-aided diagnosis，CAD)作为一种智能图像处理方法，逐渐成为医学领域的研究热点。基于机器学习的CAD主要包括四方面的内容：①图像预处理；②图像分割及感兴趣区(region of interest，ROI)提取；③特征提取；④选择与分类识别。基于深度学习的诊断技术主要包括卷积神经网络，深度信念网络，深度迁移学习等，由此可见，以深度学习和医学图像处理技术为基础的计算机辅助诊断，具有良好的自适应性、自组织性及较强的学习功能、联想功能和容错功能，可以将从癌症患者图像中获得的所有数据信息进行一个系统的综合评价，为癌症计算机辅助诊断技术的研究开辟一条新途径，以大大提高辅助诊断能力。这不仅是癌症患者的福音，也可同时移植用于医学界其他疾病的辅助诊断或者其他领域，让机器能够更好的服务于人类。

纹理特征能够反映肺部CT图像病灶区域的许多特性，如光滑度、粗超度和规整度。目前，肺结节在纹理特征提取方面，大多数利用肺结节的二维纹理信息，例如局部二值模式(LBP)、灰度共生矩(GLCM)、小波变换、傅里叶功率谱、空间自相关和Gabor变换等。二维纹理特征信息忽略了CT图像纹理的时-空间分布特征，将导致在图像分类中丢失有用的纹理信息并降低肺结节的分类效率。因此为解决二维纹理信息不能完全反映肺结节特征等问题，引入三维纹理特征信息对结节特征进行全面的刻画。

近年来，Chaisaowong等人提出用3D GLCM进行肺纹理的特征提取，但是该方法需要肺的三维信息构建。Kohei Arai等人通过用从肺癌诊断中的计算机断层扫描(CT)图像数据中提取的2D和3D局部二值模式(LBP)方法比较研究。使用具有直方图相似性作为距离测量的概率神经网络(PNN)来执行肺部图像分类。实验结果表明，与2D LBP相比，3D LBP具有更高的精度性能。该方法虽引入了3D局部二值模式，但特征维度高，计算时间长且不能够较全面的反映三维纹理信息。因此在二值模式的基础上，X.Tan等人在LBP的基础上将其进行拓展延伸从而形成局部三值模式LTP，该方法使用固定阈值存在一定的主观因素，在阈值的选择上有一定的局限性，损失了图像的部分纹理信息。

发明内容

本发明的目的是为了解决现有的肺结节纹理特征提取方法存在图像的部分纹理信息损失，而导致的肺结节识别率的问题，而提出一种基于体局部方向三值模式的肺结节纹理特征提取系统及方法。

一种基于体局部方向三值模式的肺结节纹理特征提取系统，所述的系统包括：

基于VLBP模式对肺结节的相邻切片进行局部模式提取的步骤；对提取的局部模式利用正态分布函数进行局部自适应阈值的计算的步骤；将计算得到的局部三值模式，以中心像素为中心进行各方向的三值概率统计的步骤；将统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确的步骤。

一种基于体局部方向三值模式的肺结节纹理特征提取方法，所述方法包括以下步骤：

步骤一：基于VLBP模式对肺结节的相邻切片进行局部模式提取；

步骤二：对步骤一提取的局部模式利用正态分布函数进行局部自适应阈值的计算；

步骤三：将经步骤二计算得到的局部三值模式，以中心像素为中心进行各方向的三值概率统计；

步骤四：将经步骤三统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确。

本发明的有益效果为：

本发明增加了纹理特征的信息量，降低了特征维度，辅助医生进行肺结节的识别，减少阅片时间，提高诊断工作的效率，减轻工作量。

通过选用美国LIDC-IDRI数据库进行纹理特征提取实验，采用十折交叉验证进行结果分析：

在准确率上，该实验与三维灰度共生矩阵纹理特征提取相比较实验结果表明：该实验结果准确率为71.6％，灰度共生矩阵实验结果准确率为68％，准确率提升了3.6％。

在真阳率和假阳率上，该实验与三维灰度共生矩阵纹理特征提取相比较实验结果表明：真阳率和假阳率分别提高了5％和3％，正预测值和错误发现率分别提高了3％和5％。

在受试者操作特征曲线上，该实验与三维灰度共生矩阵纹理特征提取相比较实验结果表明：该实验受试者特征曲线下的面积为0.71，三维灰度共生矩阵受试者特征曲线下的面积为0.67，面积扩大了0.05。

综上所述：在实验数据相同的情况下，该发明增加了纹理特征的信息量，降低了特征维度，提高了准确率。医生基于有效的辅助诊断信息，综合考虑各种因素并结合自身的经验再进行肺结节的识别，减少阅片时间，提高诊断工作的效率，减轻工作量。

附图说明

图1为本发明的方法流程图；

图2为本发明涉及的图像像素不确定性服从的正态分布图示；

图3为本发明涉及的LTP模式；

图4为本发明涉及的VLTP_1,8,1取阈值模式图示；

图5为本发明涉及的VLDTP_1,8,1方向θ的二维平面图；

图6为本发明涉及的VLDTP_1,8,1方向θ的三维立体图；

图7a为采用三维灰度共生矩阵方法进行文理特征提取实验的结果图之真阳率和假阳率结果；

图7b为采用三维灰度共生矩阵方法进行文理特征提取实验的结果图之正预测值和错误发现率结果；

图7c为为采用三维灰度共生矩阵方法进行文理特征提取实验的结果图之受试者操作特征曲线结果；

图8a为采用本发明方法进行文理特征提取实验的结果图之真阳率和假阳率结果；

图8b为采用本发明方法进行文理特征提取实验的结果图之正预测值和错误发现率结果；

图8c为为采用本发明方法进行文理特征提取实验的结果图之受试者操作特征曲线结果；

图9为本发明涉及的VLDTP_1,8,1特征提取流程图示。

具体实施方式

具体实施方式一：

本实施方式的一种基于体局部方向三值模式的肺结节纹理特征提取系统，所述的系统包括：

基于VLBP模式对肺结节的相邻切片进行局部模式提取的步骤；对提取的局部模式利用正态分布函数进行局部自适应阈值的计算的步骤；将计算得到的局部三值模式，以中心像素为中心进行各方向的三值概率统计的步骤；将统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确的步骤。

具体实施方式二：

与具体实施方式一不同的是，本实施方式的一种基于体局部方向三值模式的肺结节纹理特征提取系统，所述的基于VLBP模式对肺结节的相邻切片进行局部模式提取的步骤为：

将所选肺结节切片按顺序排列，顺序为切片1，2，......，n；在每个平面上选取以每个像素为中心，形成3×3×3的邻域像素矩阵，即像素中心与其周围26个邻域像素形成的矩阵。

具体实施方式三：

与具体实施方式二不同的是，本实施方式的一种基于体局部方向三值模式的肺结节纹理特征提取系统，所述的对提取的局部模式利用正态分布函数进行局部自适应阈值的计算的步骤为：

利用正态分布函数计算所提取的肺结节相邻切片的局部模式的局部自适应阈值，得出局部三值模式：

局部三值模式计算公式如下所示：

式中，μ表示根据26个邻域像素值以及中心像素值计算均值得到的中心像素值；g_p表示邻域像素；σ表示根据26个邻域像素值以及中心像素值计算均方差得到的固定阈值，k为阈值系数；函数

表示中心像素与邻域像素之间的关系；

局部自适应阈值σ’的计算公式：

式中，x_i'表示第i’个像素值，μ表示局部模式像素均值，N表示局部模式像素个数取值为27。

具体实施方式四：

与具体实施方式三不同的是，本实施方式的一种基于体局部方向三值模式的肺结节纹理特征提取系统，所述的将计算得到的局部三值模式，以中心像素为中心进行各方向的三值概率统计的步骤为：

1)、利用局部三值模式，以中心像素为中心进行各方向θ的三值概率统计，θ的十三个方向为(0 1 0)；(-1 1 0)；(-1 0 0)；(-1 -1 0)；(0 1 -1)；(0 0 -1)；(0 -1 -1)；(-1 0-1)；(1 0 -1)；(-1 1 -1)；(1 -1 -1)；(-1 -1 -1)；(1 1 -1)；

将各方向的三值总和连接形成特征向量：

式中，N₁×N₂×N₃表示三维图像大小，LTP局部三值模式，(i,j,m)表示处于图像第i行第j列第m层的像素，θ表示(i,j,m)的各个方向，且中心像素的邻域半径与方向个数和邻域像素个数的关系：

R∈N⁺，当且仅当P＝4时，θ_N＝7

式中，θ_N表示方向个数，P表示领域像素个数，R表示中心像素的邻域半径；

2)、将特征向量进行归一化：

L与R相等。

具体实施方式五：

与具体实施方式四不同的是，本实施方式的一种基于体局部方向三值模式的肺结节纹理特征提取系统，所述的将统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确的步骤为：

1)、使用KNN分类算法对归一化的特征向量进行肺结节识别；

2)、再利用准确率、混淆矩阵以及受试者操作特征曲线客观地对肺结节纹理特征的识别结果进行评价，其中：

(1)肺结节识别结果准确率计算公式如下所示：

式中，TP表示正样本预测结果为正；TNP负样本预测结果为负；FP负样本预测结果为正；FNP正样本预测结果为负。

(2)混淆矩阵的计算公式如下所示：

式中，元素的行下标对应目标的真实属性，列下标对应分类器产生的识别属性。对角线元素表示各模式能够被分类器C正确识别的百分率，而非对角线元素则表示发生错误判断的百分率；

(3)受试者操作特征曲线使用曲线下的面积来度量分类算法的性能，曲线下的面积越接近1，表示系统的性能越好。

具体实施方式六：

本实施方式的一种基于体局部方向三值模式的肺结节纹理特征提取方法，所述方法包括以下步骤：

步骤一：基于VLBP模式对肺结节的相邻切片进行局部模式提取；

LTP，表示局部三值模式；VLDTP，表示体局部方向三值模式；

LBP，全称为Local Binary Pattern，表示局部二值模式，是一种用来描述图像局部纹理特征的算子；它的作用是进行特征提取，提取图像的局部纹理特征；

VLBP，全称为Volume Local Binary Pattern，表示体局部二值模式，是一种用来描述动态图像局部纹理特征的算子；它与LBP的不同之处：提取特征时需要事先获取当前图像序列的前后图像序列。

体局部方向三值模式，英文缩写为VLDTP，Volume Local Directional TeranryPattern。

步骤二：对步骤一提取的局部模式利用正态分布函数进行局部自适应阈值的计算；

步骤三：将经步骤二计算得到的局部三值模式，以中心像素为中心进行各方向的三值概率统计；

步骤四：将经步骤三统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确。

具体实施方式七：

与具体实施方式六不同的是，本实施方式的基于VLDTP的肺结节纹理特征提取方法，所述的步骤一中，基于VLBP模式对肺结节的相邻切片进行局部模式提取的具体过程为：

将所选肺结节切片按顺序排列，顺序为切片1，2，......，n；在每个平面上选取以每个像素为中心，形成3×3×3的邻域像素矩阵，即像素中心与其周围26个邻域像素形成的矩阵。

具体实施方式八：

与具体实施方式七不同的是，本实施方式的基于VLDTP的肺结节纹理特征提取方法，所述的步骤二中，对步骤一提取的局部模式利用正态分布函数进行局部自适应阈值的计算的具体过程为：

利用正态分布函数计算所提取的肺结节相邻切片的局部模式的局部自适应阈值，得出局部三值模式，所述的局部三值模式是以-1，0，1分别形成的，其中：

局部三值模式计算公式如下所示：

式中，μ表示根据26个邻域像素值以及中心像素值计算均值得到的中心像素；g_p表示邻域像素；σ表示根据26个邻域像素值以及中心像素值计算均方差得到的固定阈值，k为阈值系数；函数

表示中心像素与邻域像素之间的关系；

局部自适应阈值σ’的计算公式：

式中，x_i'表示第i’个像素值，μ表示局部模式像素均值，N表示局部模式像素个数取值为27。

具体实施方式九：

与具体实施方式八不同的是，本实施方式的基于VLDTP的肺结节纹理特征提取方法，所述的步骤三中，将经步骤二计算得到的局部三值模式，以中心像素为中心进行各方向的三值概率统计的具体过程为：

步骤三一、利用局部三值模式，以中心像素为中心进行各方向θ的三值概率统计，θ的十三个方向为(0 1 0；-1 1 0；-1 0 0；-1 -1 0；0 1 -1；0 0 -1；0 -1 -1；-1 0 -1；1 0-1；-1 1 -1；1 -1 -1；-1 -1 -1；1 1 -1)；

将各方向的三值总和连接形成特征向量：

式中，N₁×N₂×N₃表示三维图像大小，LTP局部三值模式，(i,j,m)表示处于图像第i行第j列第m层的像素，θ表示(i,j,m)的各个方向，且中心像素的邻域半径与方向个数和邻域像素个数的关系：

R∈N⁺当且仅当P＝4时，θ_N＝7

式中，θ_N表示方向个数，P表示领域像素个数，R表示中心像素的邻域半径；

步骤三二、将特征向量进行归一化：

L与R相等。

具体实施方式十：

与具体实施方式九不同的是，本实施方式的基于VLDTP的肺结节纹理特征提取方法，所述的步骤四中，将经步骤三统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确的具体过程为：

步骤四一、使用KNN分类算法对归一化的特征向量进行肺结节识别；

步骤四二：再利用准确率、混淆矩阵以及受试者操作特征曲线这三种表现形式分别客观地对肺结节纹理特征的识别结果进行评价，其中：

(1)肺结节识别结果准确率计算公式如下所示：

式中，TP表示正样本预测结果为正；TNP负样本预测结果为负；FP负样本预测结果为正；FNP正样本预测结果为负。

(2)混淆矩阵的计算公式如下所示：

式中，元素的行下标对应目标的真实属性，列下标对应分类器产生的识别属性。对角线元素表示各模式能够被分类器C正确识别的百分率，而非对角线元素则表示发生错误判断的百分率；

(3)受试者操作特征曲线使用曲线下的面积来度量分类算法的性能，曲线下的面积越接近1，表示系统的性能越好。

需说明的是，本发明基于VLDTP的肺结节纹理特征提取系统及方法基于肺CT图像分割出肺结节的轮廓。因此它的处理对象是一个图片或照片。尽管图片或照片中的信息内容是关于人体的肺，但本发明的方法步骤中，没有向前延伸到对人体拍摄CT图像的过程，所以不是以人体为对象的处理方法。仅仅是对中间信息的一个处理过程。

本发明的方法仅仅把图片或照片中肺结节的轮廓识别出来，其过程是用电子计算机执行的程序，直接目的是提高工作效率。不是对人体健康状况的直接判断，不属于诊断方法。

实施例1：

图像像素的不确定性可视为服从正态分布，如图2所示。图1中，S₁，S₂，S₃计算公式如下所示：

其中，μ表示期望值，σ表示标准差。

当S₁+S₂＝0.67时，S₁，S₂，S₃之间的比值满足S₁:S₂:S₃＝1:1:1。根据标准正态分布表可知，此时k＝0.43。当S₁+S₂＝0.75时，S₁，S₂，S₃之间的比值满足S₁:S₂:S₃＝1:2:1。根据标准正态分布函数表可知，此时k＝0.675。

k值计算公式如下所示：

局部三值模式计算公式如下所示：

函数关系f(x)如公式所示。其中，μ表示根据26个邻域像素值以及中心像素值计算均值得到的中心像素，g_p表示邻域像素，σ表示根据26个邻域像素值以及中心像素值计算均方差得到的固定阈值，k为阈值系数。函数

表示中心像素与邻域像素之间的关系。图3为LTP模式。

局部自适应阈值σ’的计算公式：

其中，x_i'表示第i’个像素值，μ表示局部模式像素均值，N表示局部模式像素个数取值为27。图4为VLTP_1,8,1取阈值模式。

将各方向的三值总和连接形成特征向量：

其中，N₁×N₂×N₃表示三维图像大小，LTP局部三值模式，(i,j,m)表示处于图像第i行第j列第m层的像素，θ表示(i,j,m)的各个方向。

半径与方向个数和邻域像素个数的关系：

R∈N⁺，当且仅当P＝4时，θ_N＝7

其中，θ_N表示方向个数，P表示领域像素个数，R表示中心像素的邻域半径。

图5和图6分别为VLDTP_1,8,1方向θ的二维平面图和三维立体图。

将特征向量进行归一化：

L等于R

肺结节识别结果准确率计算公式如下所示：

其中，TP表示正样本预测结果为正；TNP负样本预测结果为负；FP负样本预测结果为正；FNP正样本预测结果为负。

混淆矩阵的计算公式如下所示：

其中，元素的行下标对应目标的真实属性，列下标对应分类器产生的识别属性。对角线元素表示各模式能够被分类器C正确识别的百分率，而非对角线元素则表示发生错误判断的百分率。

受试者操作特征曲线使用曲线下的面积来度量分类算法的性能，曲线下的面积越接近1，表示系统的性能越好。

实验选用美国LIDC-IDRI数据库进行纹理特征提取，采用十折交叉验证进行结果分析：

在准确率上，该实验与三维灰度共生矩阵纹理特征提取相比较实验结果表明：该实验结果准确率为71.6％，灰度共生矩阵实验结果准确率为68％，准确率提升了3.6％。

在真阳率和假阳率上，该实验与三维灰度共生矩阵纹理特征提取相比较实验结果表明：真阳率和假阳率分别提高了5％和3％，正预测值和错误发现率分别提高了3％和5％。

在受试者操作特征曲线上，该实验与三维灰度共生矩阵纹理特征提取相比较实验结果表明：该实验受试者特征曲线下的面积为0.71，三维灰度共生矩阵受试者特征曲线下的面积为0.67，面积扩大了0.05。

对比结果如图7a-7c和图8a-8c所示。

综上所述：在实验数据相同的情况下，该发明增加了纹理特征的信息量，降低了特征维度，提高了准确率，辅助医生进行肺结节的识别，减少阅片时间，提高诊断的效率。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.一种基于体局部方向三值模式的肺结节纹理特征提取系统，其特征在于：所述的系统包括：

基于VLBP模式对肺结节的相邻切片进行局部模式提取的步骤；对提取的局部模式利用正态分布函数进行局部自适应阈值的计算的步骤；计算得到局部三值模式的步骤；

将计算得到的局部三值模式，以中心像素为中心进行各方向的三值概率统计的步骤，具体为：

1)、利用局部三值模式，以中心像素为中心进行各方向θ的三值概率统计，θ的十三个方向为(0 1 0)；(-1 1 0)；(-1 0 0)；(-1 -1 0)；(0 1 -1)；(0 0 -1)；(0 -1 -1)；(-1 0 -1)；(1 0 -1)；(-1 1 -1)；(1 -1 -1)；(-1 -1 -1)；(1 1 -1)；

将各方向的三值总和连接形成特征向量：

式中，N₁×N₂×N₃表示三维图像大小，LTP局部三值模式，(i,j,m)表示处于图像第i行第j列第m层的像素，θ表示(i,j,m)的各个方向，且中心像素的邻域半径与方向个数和邻域像素个数的关系：

R∈N⁺，当且仅当P＝4时，θ_N＝7

式中，θ_N表示方向个数，P表示领域像素个数，R表示中心像素的邻域半径；

2)、将特征向量进行归一化：

L与R相等；

将统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确的步骤。

2.根据权利要求1所述的一种基于体局部方向三值模式的肺结节纹理特征提取系统，其特征在于：所述的基于VLBP模式对肺结节的相邻切片进行局部模式提取的步骤为：

将所选肺结节切片按顺序排列，顺序为切片1，2，......，n；在每个平面上选取以每个像素为中心，形成3×3×3的邻域像素矩阵，即像素中心与其周围26个邻域像素形成的矩阵。

3.根据权利要求2所述的一种基于体局部方向三值模式的肺结节纹理特征提取系统，其特征在于，所述的对提取的局部模式利用正态分布函数进行局部自适应阈值的计算的步骤为：

利用正态分布函数计算所提取的肺结节相邻切片的局部模式的局部自适应阈值，得出局部三值模式：

局部三值模式计算公式如下所示：

式中，μ表示根据26个邻域像素值以及中心像素值计算均值得到的中心像素值；g_p表示邻域像素；σ表示根据26个邻域像素值以及中心像素值计算均方差得到的固定阈值，k为阈值系数；函数

表示中心像素与邻域像素之间的关系；

局部自适应阈值σ’的计算公式：

式中，x_i'表示第i’个像素值，μ表示局部模式像素均值，N表示局部模式像素个数取值为27。

4.根据权利要求3所述的一种基于体局部方向三值模式的肺结节纹理特征提取系统，其特征在于，所述的将统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确的步骤为：

1)、使用KNN分类算法对归一化的特征向量进行肺结节识别；

2)、再利用准确率、混淆矩阵以及受试者操作特征曲线客观地对肺结节纹理特征的识别结果进行评价，其中：

(1)肺结节识别结果准确率计算公式如下所示：

式中，TP表示正样本预测结果为正；TNP负样本预测结果为负；FP负样本预测结果为正；FNP正样本预测结果为负；

(2)混淆矩阵的计算公式如下所示：

式中，元素的行下标对应目标的真实属性，列下标对应分类器产生的识别属性；对角线元素表示各模式能够被分类器C正确识别的百分率，而非对角线元素则表示发生错误判断的百分率；

(3)受试者操作特征曲线使用曲线下的面积来度量分类算法的性能，曲线下的面积越接近1，表示系统的性能越好。

5.一种利用上述任一权利要求所述的系统进行的肺结节纹理特征提取方法，其特征在于：所述方法包括以下步骤：

步骤一：基于VLBP模式对肺结节的相邻切片进行局部模式提取；

步骤二：对步骤一提取的局部模式利用正态分布函数进行局部自适应阈值的计算，得到局部三值模式；

步骤三：将经步骤二计算得到的局部三值模式，以中心像素为中心进行各方向的三值概率统计，其具体过程为：

步骤三一、利用局部三值模式，以中心像素为中心进行各方向θ的三值概率统计，θ的十三个方向为(0 1 0)；(-1 1 0)；(-1 0 0)；(-1 -1 0)；(0 1 -1)；(0 0 -1)；(0 -1 -1)；(-10 -1)；(1 0 -1)；(-1 1 -1)；(1 -1 -1)；(-1 -1 -1)；(1 1 -1)；

将各方向的三值总和连接形成特征向量：

式中，N₁×N₂×N₃表示三维图像大小，LTP局部三值模式，(i,j,m)表示处于图像第i行第j列第m层的像素，θ表示(i,j,m)的各个方向，且中心像素的邻域半径与方向个数和邻域像素个数的关系：

R∈N⁺，当且仅当P＝4时，θ_N＝7

式中，θ_N表示方向个数，P表示领域像素个数，R表示中心像素的邻域半径；

步骤三二、将特征向量进行归一化：

L与R相等；

步骤四：将经步骤三统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确。

6.根据权利要求5所述的肺结节纹理特征提取方法，其特征在于：所述的步骤一中，基于VLBP模式对肺结节的相邻切片进行局部模式提取的具体过程为：

将所选肺结节切片按顺序排列，顺序为切片1，2，......，n；在每个平面上选取以每个像素为中心，形成3×3×3的邻域像素矩阵，即像素中心与其周围26个邻域像素形成的矩阵。

7.根据权利要求6所述的肺结节纹理特征提取方法，其特征在于，所述的步骤二中，对步骤一提取的局部模式利用正态分布函数进行局部自适应阈值的计算的具体过程为：

利用正态分布函数计算所提取的肺结节相邻切片的局部模式的局部自适应阈值，得出局部三值模式：

局部三值模式计算公式如下所示：

式中，μ表示根据26个邻域像素值以及中心像素值计算均值得到的中心像素值；g_p表示邻域像素；σ表示根据26个邻域像素值以及中心像素值计算均方差得到的固定阈值，k为阈值系数；函数

表示中心像素与邻域像素之间的关系；

局部自适应阈值σ’的计算公式：

式中，x_i'表示第i'个像素值，μ表示局部模式像素均值，N表示局部模式像素个数取值为27。

8.根据权利要求7所述的肺结节纹理特征提取方法，其特征在于，所述的步骤四中，将经步骤三统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确的具体过程为：

步骤四一、使用KNN分类算法对归一化的特征向量进行肺结节识别；

步骤四二：再利用准确率、混淆矩阵以及受试者操作特征曲线客观地对肺结节纹理特征的识别结果进行评价，其中：

(1)肺结节识别结果准确率计算公式如下所示：

式中，TP表示正样本预测结果为正；TNP负样本预测结果为负；FP负样本预测结果为正；FNP正样本预测结果为负；

(2)混淆矩阵的计算公式如下所示：

式中，元素的行下标对应目标的真实属性，列下标对应分类器产生的识别属性；对角线元素表示各模式能够被分类器C正确识别的百分率，而非对角线元素则表示发生错误判断的百分率；

(3)受试者操作特征曲线使用曲线下的面积来度量分类算法的性能，曲线下的面积越接近1，表示系统的性能越好。

Images