王德才

摘要：肺癌作为全球发病率最高和死亡率最高的恶性肿瘤，提高肺癌患者存活率最有效的方法就是及早发现、及早诊断、及早治疗。通过人为的观察CT扫描图像，极易出现漏判、误判的情形，计算机辅助诊断（CAD）具有高准确率、高效率的特点，这里本文提出了一种基于机器学习的肺癌检测方法，以肺部图像数据库联盟（LIDC）作为计算机视觉分析图像模型，通过比较各类有效的图像特征，以图像的LBP直方图的方法来表示训练集以及待检测图像的特征，提取肺癌ROI区域及相应病变的特征，引入CART分类器作为弱分类器，然后通过AdaBoost算法对肺结节进行分类学习，构建分类可疑肺癌的AdaBoost分类器，再采用迁移学习的方法将构建好的分类器模型迁移到实际临床CT肺部影像来帮助模型进行训练学习。通过实验数据发现，以上方法对肺癌的识别率能够93.2%，无论对医生还是患者来说都具有很大的现实意义。

关键词：计算机辅助诊断（CAD）;肺部图像数据库联盟（LIDC）;CART分类器;AdaBoost分类器;迁移学习

中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2020）01-0085-05

0 引言

近些年来，环境污染问题和食品安全问题已经严重威胁到人们的健康，多数城市PM2.5居高不下，引发了大量的肺炎和肺癌等多种肺部疾病。据不完全统计，空气重的细小颗粒物是诱发肺癌的主要原因。除了改善生活环境以外，对于肺癌来说，早发现、早诊断、早治疗也是提高患者存活率的一种重要手段。肺癌在临床医学上表现极其复杂的特征，患者发病时间较短，呈现恶性的概率也更高，一旦发现，患者多处于病变晚期，治愈率极低。……