肺癌是一种在全世界几个国家中流行的疾病。提高早期诊断水平和鉴定小肺腺癌一直是影像学研究的重要课题。在临床医学领域，磨玻璃不透明度(GGO)和磨玻璃结节(GGN)在CT图像中显示为微小的混浊区域。通过以高分辨率测量GGN的微小区域，该区域可以被分类为三种类型之一：纯GGN(pGGN)，混合GGN(mGGN)(或部分实心结节(PSN))和实心结节(SN)。当pGGN显示出清晰的边缘密度时，相对边缘的半透明非实心结节不如低能区域的部分实体结节清晰。
　　2011年，国际肺癌研究协会(IASLC)，美国胸科学会(ATS)和欧洲呼吸学会(ERS)提出了一种新的国际多学科肺腺癌 分类系统 。可能的类别是非典型腺瘤性增生(AAH); 腺原位癌(AIS); 微创腺癌(MIA); 和侵袭性腺癌(IA)。每个类别的风险程度都在增加。肺腺癌从AAH到IA的分类对临床辅助诊断具有重要意义，对提高5年生存率具有重要意义。
　　定量方法主要使用图像特征和分类器的组合来分类和识别肺结节。有几个特征，即2D形状，3D形状，纹理，小波变换或密度分布特征。常见的分类器是ANN，SVM，CNN，随机森林和深度学习。
　　康奈尔大学计算了结节图像的形态，密度特征，表面曲率和边缘梯度，构建了 36 个维度的三维特征，并使用分类方法分析了肺结节(良性/恶性)风险的分类。公共肺部图像数据库(ELCAP)和国家肺部筛查试验(NLST)数据库。获得的结果显示在最佳参数下几乎70%的分类准确度。有关人员进行了定量分析术前CT成像指标区分侵袭性腺癌与AIS，MIA并显示分类表现良好。使用图像纹理特征将肺结节的风险分为良性和恶性两类。还将肺结节分为良性和恶性类别，用于LIDC-IDRI数据库。他们使用与Han等人相同的配置。这些功能包括图像的形状和纹理。
　　马尔多纳多等人提出了CT值密度分布计算方法。首先，他们从结节CT图像中收集图像块集(块大小为9×9)。然后，他们使用亲和传播聚类方法来对图像块集的相关矩阵进行分类。之后，他们扫描测试结节图像，计算像素的密度水平并导出特征向量。最后，通过分析特征向量的组成部分来识别不同类别的肺结节。梅奥诊所医疗中心介绍了一种有效的计算机辅助结节评估和风险产量(CANARY)系统，提出了根据结核图像的CT密度确定肺结节分类和风险预测。CANARY系统测量图像的分类为良性或恶性肺结节的良好(G)，中间(I)或差(P)病例。
　　为优化肺腺癌的分类性能，提高其临床意义，本文提出了一套有效的肺CT图像密度分布特征，用于肺结节风险分类。我们提出了加权灰度角度密度分布的结节图像特征。本文的其余部分安排如下：在第2节中，我们介绍了材料准备。在第3节中，我们制定了加权灰度角度密度分布特征提取的框架，其中包括无监督特征表示和模式识别模型。在第4节中，我们介绍了该过程的实验结果第3节并显示结果分析。在第5节中，我们总结了论文。
　　针对肺结节风险分类问题，研究人员提出了一种基于灰度密度分布的图像表征方法。我们基于K均值算法设计了聚类积分图像(，以提取结节的图像密度。对于每个结节，我们计算了角直方图特征，并使用指数分布函数对特征进行加权。对于不同的角度步长，从较小角度步长提取的特征集的分类性能优于其他角度步骤。虽然 p-Ew-30的值大于其他两个特征，但ROC和精度更好。将所提出的方法与Dhara等人最近的分类工作进行了比较。用于LIDC-IDRI的评估数据。Han等人提出了结节的配置，他们提出了一种基于图像纹理特征的结节分类共有1356个样本。结果表明，分化率和AUC分别为90%和92.7%。达拉等人。也使用此模式来验证他们的方法。他们使用基于2D形状，基于3D形状，基于边距和基于纹理的结节图像特征。分类效果有利于复杂的纹理特征。评估的数据是来自LIDC-IDRI的891个结节，大多数数据点是实心结节。结果，配置1的最大A z值高于0.9505。此外，实验数据表明，具有恶性“3”的复合等级的结节与良性类别具有更多共同特征，这符合汉族的讨论和达拉。拟议的分类方案优于LIDC-IDRI数据集的所有配置的最新算法。
　　同时，对ZSDB数据集的评估显示了所提方法的有效性能。该方法可以高度精确地将结节类别区分为AAH，AIS，MIA和IA 。多类验证的最佳平均AUC为0.9812。在这种结节识别模式中，大多数先前的工作没有考虑AAH与肺腺癌的 其他类别的预测。有关研究人员也使用CT密度分布特征来表征梅奥诊所队列和全国肺部筛查试验的 264和294例结节图像。结果显示，训练集的敏感性为95.4%，特异性为96.8%，敏感性为98.7%和特异性为63.6%。在与现有技术的比较中，我们将类别扩展到四个类别，如AAH，AIS，MIA和IA，并且在分类方面取得了良好的结果。实验结果表明了该方法对不同肺CT图像数据集和不同分类形式的鲁棒性。
　　本文提出了一种角度灰度密度分布特征加权指数函数的肺结节图像风险分类。在所提出的方法中，结节图像中的像素被划分为不同的F分布水平以生成密度分布特征。实验表明，对于不同的验证数据集，如LIDC-IDRI和ZSDB，分类效果良好。执行随机森林分类器以用于训练和测试。LIDC-IDRI和ZSDB分别为良性/恶性和AAH / AIS / MIA / IA。使用所提出的方法以及用于LIDC-IDRI中的验证的一些其他现有方法进行了许多实验。
　　实验结果为临床诊断以及为 中国或亚洲患者检测早期肺癌的电子诊断系统的开发提供了很好的参考。在及早发现第一期肺癌区域时，支持医生对肺癌患者进行临床诊断，提高其生存率具有重要意义。进一步的工作将关注更有效的特征提取算法，以便在特征空间中正确表示结节，并将提高分类的性能。