基于肺结节多正交位CT图像Curvelet纹理构建 Gradient Boosting 集成预测模型

目的:基于三正交位CT图像建立肺癌预测模型，并进行应用评价，进而帮助临床医生对肺癌进行早期诊断。方法:本研究共收集336例三正交位肺结节CT，为了研究Gradient boosting方法的分类效果，采用多种方法建模，主要有支持向量机、随机森林、决策树、人工神经网络、最近邻分类和Lasso回归等7种方法。采用Monte Carlo模拟产生不同随机数，比较各种预测模型分类效果。采用区域生长法从整幅图像中分割得到肺小结节，对分割出的结节分别用Curvelet和Contourlet变换取纹理特征。随机抽取336例病例中的120例，作为验证数据集，分别建立预测模型，计算相应的评价指标。重复上述过程100次，比较两种第二代小波变化对于CT结节数据提取效果。基于纹理值和人口学特征、遗传环境特征、结节形态学特征多维度数据集，建立预测模型。通过多种评价方法，选择最优方法作为最终诊断工具。进行肺癌辅助诊断系统的评价，并应用恶性肺结节辅助诊断系统调查问卷对诊断系统试用情况进行分析。结果: 1.模拟实验显示，分类效果较好的模型为：支持向量机、随机森林、Lasso回归和决策树。2.病例人口学信息单因素分析发现：病例年龄，肺部疾病史，吸烟史，淋巴结肿大和结节大小在良恶性2组病例中具有统计学差异。3.基于Curvelet变换和Contourlet变换，分别建立Gradient boosting、支持向量机、随机森林、Lasso回归和决策树预测模型，发现预测模型中支持向量机的预测效果最好，并且Contourlet变换的提取效果优于Curvelet变换。4.基于冠状位、矢状位、轴状位不同方位的纹理值，建立支持向量机预测模型，冠状位包含的数据最为完整，能够更好的反映结节的良恶性特点。5.基于Contourlet变换纹理，结合人口学信息、遗传环境信息、结节形态学信息，建立支持向量机预测模型，串联法的综合评价能力最好，可以同时保证较高的灵敏度和特异度。6. 诊断系统分类的结果优于三名中级职称及两名高级职称影像科医生的主观诊断，低于一名高级职称影像科医生的主观诊断，在一定程度上可以辅助诊断肺癌。7. 集成的恶性肺结节的诊断系统应用相对简便，影像科医生对诊断系统较满意。