根据最新报告，肺癌是死亡率最高的疾病之一。通过病理学家的调查，肺结节一直是肺癌的具体表现，引起了学者们的广泛关注。肺结节在不同生长阶段的特征是突变的，与恶性程度有一定的关系。以前的研究证明，关注肺结节状态非常重要。然而，研究人员无法完全理解这种相关性，这在目前是一个难题。随着计算机断层扫描技术的发展，高分辨率CT图像上的肺结节为准确分析奠定了基础。因此，精确分析肺结节的病理组织结构可以为患者提供更有用的信息，以便更好地进行治疗。
　　现有技术的计算机辅助诊断系统的基本功能是根据特定属性对结节进行分类。为了提高肺结节CADx系统的性能，学者们不断尝试从两个方面提出改进的技术方案：特征提取和相似性测量。采用仅22种基本纹理和形状特征来表达肺结节，随机森林用于结节分类。其中包含用于分析每个结节斑块的强度，纹理和梯度信息。然后使用基于潜在语义分析的分类器计算相似概率。局部差异模式由一些研究者提出。用于编码特征表示，这有助于结节分类。此外，使用来自生态学的分类多样性和分类学差异指数作为特征，并应用支持向量机作为分类器。根据大小，边缘和有限的形状特征分类肺结节。分别利用三维纹理和三维形状特征进行结核分析。在之前的研究中，GLCM，tramar和局部二进制模式被计算用于表示每个图像块，然后是概率模型，潜在Dirichlet分配被用于多任务分类。在最近的研究中，学者应用深度学习方案，如卷积神经网络，进行特征提取和结节分析。但是，原始输入图像极大地影响了精度。上面的大多数特征提取方法都集中在结节的有限特征上。而且，最先进的分类器还需要更科学的特征描述。因此，应该如何科学地总结和从肺结节中提取有价值的信息。
　　为了完美地描述肺结节，本研究试图提出一种新颖的特征提取方法，该方法可以将原始肺结节图像转换为特征矩阵，即PVSSM。使用传统的分类器，研究人员获得了基于PVSSM的显着结果。然而，这种方法在很大程度上依赖于结核分割的良好性能。一旦肺结节区域被错误描绘，该方法可能效果不佳。此外，PVSSM还可以替换原始图像作为深度学习架构的输入图像。实验证明，使用PVSSM对肺结节进行分类是有效的。尽管与最近的先进方法相比，分类性能仍有待进一步提高，但PVSSM具有一些可能引起研究人员注意的优点。
　　使用PVSSM，可以将3D肺结节变为具有旋转不变性的2D矩阵。还可以消除原始图像中的一些噪声和无效区域。而且，可以大大减少要处理的数据量。结合优秀的结节分割技术，该方法可能具有良好的临床应用价值。将基于PVSSM进一步研究和开发更实用的CAD方案。