肺癌是癌症相关死亡的最常见原因，5年总生存率仅为15%。肺结节的评估在临床上很重要，因为它们可能是肺癌的早期表现。肺癌的诊断对于放射科医生来说可能是一项复杂的任务，并且它提出了一些挑战。其中之一是在诊断成像中对肺结节进行分类。恶性或良性的结节分类取决于几个方面：例如，其生长速率和两个时间分离的计算机断层扫描扫描的大小变化; 病变的主观，定性方面，例如“中度异质性”，“高度刺激性”，“大型坏死核心”。
　　为了帮助放射科医师在肺癌的诊断，基于计算机的协助集成到成像模式识别和肺结节分类的方法中是重要的。计算机辅助诊断的目的是通过计算支持作为参考来提高医学图像诊断的准确性和一致性。特别是，模式分类过程的自动化可以大大减少分析所需的时间和精力，同时提高其可重复性和可靠性。
　　部分作品进行肺结节的计算机辅助分类，采用不同的分类器和CT图像功能，以提高肺癌的诊断。然而，很少有人使用边缘清晰度描述符，这对于区分结节的潜在恶性肿瘤非常重要，因为恶性肿瘤会发展成邻近的组织。因此，肺结节分类系统基于边缘清晰度的三维图像描述符以及传统特征，如二阶纹理，仍然不成熟，需要更多的评估。
　　在这种情况下，这项工作的目标是将恶性和良性的肺结节分类，并评估从CT扫描中提取的边缘清晰度和纹理成像特征。拟议的评估依赖于五个步骤：肺结节图像数据库的开发，边缘清晰度和二阶纹理属性的基于3D形状的特征的提取，使用不同方法从特征向量中选择最相关的属性，使用不同的已建立的机器学习算法对潜在恶性肿瘤进行肺结节分类，并使用众所周知的接受者操作特征曲线下的准确度，灵敏度，特异性和面积统计参数对恶性 - 良性分类进行性能评估(AUC)。
　　本文的其余部分安排如下：“ 相关工作 ”介绍了恶性良性肺结节模式识别的相关工作。“ 材料和方法 ”描述了这项工作中使用的材料和方法，包括“肺结节数据库”中肺结节数据库的开发，“图像特征提取”中的图像特征提取，“图像特征选择”中的图像特征选择，“ 肺结节数据库中的肺结节分类”和“ 性能评估 ”中的性能评估细节。“ 结果 ”和“ 讨论”“分别介绍这项工作的结果和讨论。“ 结论”总结了本文。
　　医用图像图案的计算机识别是重要的，因为它可以根据自己的恶性[协助区分肺结节的临床决策过程。然而，它取决于提取图像特征来表征肺结节，选择最相关的属性以更好地区分病变，以及有效的机器学习算法，其可以使用那些相关特征来分类恶性和良性肺结节。在这项工作中，研究人员的目的是识别第二阶纹理，这是传统的和相关的科技文献[的CT图像特征和边缘清晰度，这对于诊断肺癌结节很重要，并且对结核边界的放射科医师的地面真实标记的依赖性较小。
　　关于从实验中获得的结果，平衡数据库中每个类的案例数量部分地解决了使用不平衡数据集的一些分类场景的低灵敏度问题，如“ 基于数据集的性能比较 ”所示。因此，在某些情况下，建议采用平衡数据库进行培训和分类; 例如，SVM使用边缘清晰度和纹理的任何一组特征。
　　选择具有统计显着性的特征既没有表现出相关的性能改进，也没有表现出特征空间的相关维数降低。从特征向量中排除了六个特征(两端的差异，算术平均值，总体方差，样本方差，标准偏差和0°处的能量)，这表示特征空间减少了13%。因此，通过每个特征的统计分析的属性选择显然没有出现用于计算或诊断目的的任何分类相关性。
　　但是，关联和包装器方法能够在几种情况下提高分类性能，或者至少降低特征空间的维度。例如，相关方法选择使用不平衡的数据集，其对应使用均衡的数据集，相当于特征空间减少了83%。此外，与两个数据集的完整特征向量相比，使用RBF神经网络选择的那些特征提高了分类性能，准确度和AUC分别平均增加了5个和3个百分点，两个数据集的灵敏度具有统计学显着性差异。以及对平衡的特异性。
　　此外，由于包装器需要使用分类器来执行特征选择，因此本工作中使用的每个分类器选择不同的特征子集。例如，朴素贝叶斯包装选择使用均衡的数据集，并使用不平衡的数据集。 。
　　通过使用14个特征，相应于特征空间的减少71%，与完整特征向量相比，在灵敏度和特异性方面没有统计学上显着的差异。决策树J48使用两个特征的两个数据集获得由包装器选择的最少数量的属性。与完整特征向量相比，其对应于特征空间的96%的减少，以及特异性的统计学显着差异。
　　尽管包装器能够比相关方法更有效地降低维数，但前者比后者花费更多的时间来执行特征选择。这是因为，对于包装器检查的每个特征子集，为交叉验证的十个中的每一个构建训练模型。因此，对于某些分类器包装器，从48个提取的功能中选择最相关的属性需要几个小时，而相关方法只需几秒钟即可选择它们。
　　如前所述，具有所有48个组合特征和不平衡数据集的RF算法获得了最高分类效率的总体情景。然而，使用平衡数据集的J48决策树和包装器选择的两个特征，相当于特征空间减少了96%，获得了相同的分类性能，没有统计学意义尽管与J48相比，RF的AUC较高，但灵敏度和特异性存在差异。
　　除了两个端部的差和IDM的在135的属性°通过与平衡数据集J48包装选择，研究人员也强调IDM在0属性°区分肺结节为恶性的或良性的，因为相关的，由于其上发生其他三种分类方案与呈现最高分类效率的情景相比，没有显示出统计上显着的差异 。
　　从与不平衡数据集中的RF结果进行比较来在文献中找到不同的图像特征和数据集。与一些学者相比，RF获得更高的AUC，方法更高的特异性。
　　此外，以不同方式量化肺结节的边缘清晰度和纹理可以提高分类性能，例如，Levman和Martel属性的边缘清晰度，Tamura特征用于纹理表征，或通过小波变换和分形维数分析。属性称重和主成分分析还可以通过更新所述特征权重或过滤噪声增强肺结节分类的性能属性。最后，通过采用更强大的学习算法对肺结节进行分类，例如使用深度卷积神经网络，可以改善分类性能。
　　这项工作的一个限制是缺乏临床诊断作为良性和恶性肺结节的金标准。LIDC的病灶数量有限且经过最终诊断，可通过活组织检查，手术切除，放射图像检查来显示两年的稳定结节或进展/反应。在这项工作中，研究人员优先大量案件进行分析，因此，仅使用放射学评价为金标准，因为其它的研究也用这种方法。然而，重要的是进行进一步的实验以验证临床证实的肺结节的这项工作的结果和发现。
　　这项工作的其他局限性是图像特征与恶性病变的组织病理学亚型和其他临床结果之间缺乏关联。因此，需要进一步调查以帮助专家不仅诊断肺癌而且预防肺癌。
　　本文基于CT扫描中边缘清晰度和二阶纹理的成像特征，提出了肺结节的恶性与良性分类。使用公开可用的肺结节图像数据库进行分类，该数据库使得其他研究人员和CAD方法之间能够进行可重复的研究和交叉验证。从特征向量中选择最相关的属性使用不同的特征选择方法，并且根据潜在的恶性肿瘤进行肺结节的分类，使用不同的机器学习算法来找到识别肺结节中的图像模式的最佳方法。
　　所有提取的特征与RF分类器和用于训练的不平衡数据集相结合，为未来的工作提供了最高的分类性能和有希望的结果。然而，J48决策树仅具有两个特征(来自结节垂线的最高和最低灰度强度的差异，以及从135 computed计算的反差矩)由包装器选择的灰度级共生矩阵是用于可能的最终用户CAD软件的低成本计算解决方案，与RF相比具有统计上相同的性能。因此，第一种情况可能是用于诊断目的的更好解决方案，而第二种情况更适合于降低完整特征向量可能引入肺结节分类软件的计算成本。此外，纹理和边缘清晰度图像特征和基于决策树的分类器具有预测肺结节恶性的潜力。
　　需要在评估和临床实践中作为放射科医师的CAD工具进行进一步的实验。肺结节特征向量正处于发展阶段，研究人员的目标是提高其表征和分类的效率，以改善肺癌的诊断。