梁淑芬，付迎迎，秦传波，陈琛

（五邑大学 智能制造学部，广东 江门 529020）

肺癌是我国致死率最高的癌症，在肺癌治疗中，及早发现并进行针对治疗能降低死亡率[1-2].目前，计算机断层扫描（CT）是最成熟的肺部病变检查手段，采用计算机辅助诊断（CAD）系统对CT图像进行自动判别和诊断，可以减少人为因素造成的错误判断.在CAD系统中，良恶性肺结节的分类是关键一步，它决定了该CAD系统是否值得推广[3-4].肺结节分类常用的方法有BP神经网络[5]、支持向量机（SVM）[6]、贝叶斯分类器等.BP神经网络在自学习的过程中，通过反向传播采用梯度下降算法很容易陷入极小值状态导致过拟合现象发生，使得训练后的模型泛化能力差.SVM使用的二次规划会导致计算量远超出其他算法.贝叶斯分类器可能导致新数据集训练中概率值的变化，泛化性能较差.Huang等人[3]提出的极限学习机理论及其在模式识别中的应用，则表现出较好的收敛性和稳定性.

极限学习机（Extreme Learning Machine，ELM）是近几年来兴起的一种简单的神经学习网络，其具有学习速度快，无需大量计算参数等优点[7-8].方向梯度直方图（Histogram of Oriented Gradient，HOG）是用来提取图像中具体目标特征的一种特征描述子，多用在计算机视觉和图像处理中.利用局部图像在各个点的像素值变化，统计和计算像素值梯度变化情况以此来形成特征集.它能够很好的提取出图像的局部特征用来检测分类.本文通过先提取肺结节HOG特征，结合结节图像特征，提出一种基于L1/L2范数正则化……