[发明专利]一种基于混合智能优化策略的MKL-SVM算法的肺结节识别方法

权利要求书

1.一种基于混合智能优化策略的MKL-SVM算法的肺结节识别方法，其特征在于，包括以下步骤：

S1：获取肺部CT图像的数据集;

S2：图像预处理:将原CT图像进行二值化处理，去除背景，得到最终目标部分;

S3：肺实质分割:主要完成左、右肺的分开及肺边缘的提取;

S4：肺ROI的提取与选择.不同特征的选取将直接影响和决定肺结节诊断系统的性能;

S5：肺结节识别:通过混合智能优化策略的MKL-SVM算法对所述数据样本的训练集进行寻优处理，获取最优参数组，建立MKL-SVM的数学模型；将所述最优参数组应用于所述MKL-SVM的数学模型进行识别计算，得出肺结节的识别结果。

2.根据权利要求1所述的一种基于混合智能优化策略的MKL-SVM算法的肺结节识别方法，其特征在于，所述步骤S5的具体过程如下：

1）随机初始化种群中各粒子的位置和速度；

2）在训练集上，计算各粒子的适应度值；

3）寻找个体极值和群体极值；

4）确定初始温度T，计算方式如下：

其中f为适应度函数值，G_M代表群体极值.

5）确定当前温度下各粒子的适配值TF：

其中，N为粒子的总数，X_i代表第i个粒子，G_M代表群体极值，f为适应度函数值，P(i)为第i个粒子的适应度值.

6）结合轮盘赌策略，比较随机概率与个体粒子被选中的累积概率值的大小，更新粒子的速度及位置，具体计算公式如下：

其中，m代表当前粒子；ComFit(i)代表累计概率；P_M代表个体极值；c₁和c₂是加速因子，它影响粒子的运动轨迹；r₁和r₂是范围为[0,1]之间的随机数； 为收缩因子.

7) 计算各个粒子新的适应度值，更新个体极值和群体极值；

8）根据下式进行退温操作：

其中，λ为降温速率，在[0,1]之间取值.

9）若满足迭代次数，则停止搜索，否则返回步骤4）。

3.根据权利要求1和权利要求2所述的方法，其特征在于，所述计算粒子适应度值的步骤具体包括：

基于混合群体智能优化思想，将5折交叉验证下的ACC作为所提混合智能优化策略(SA-PSO)算法的适应度函数值，ACC定义如下：

其中，TP为识别出的真阳性结节；TN为识别出的真阴性，即非结节；FP为假阳性结节；FN为假阴性。

4.根据权利要求1所述的方法，其特征在于，所述的MKL-SVM算法具体包括：

核函数采用感知机核与多项式核两种基本核函数的线性凸组合形式，其组合形式如下：

其中，η能够自由调节不同的内核在多核函数中的权重，范围取(0,1)。

5.根据权利要求1所述的方法，其特征在于，所述基于混合智能优化策略的MKL-SVM算法具体为：将SA-PSO算法引入MKL-SVM算法，得到了基于混合智能优化策略的MKL-SVM算法，对训练集进行训练，并在测试集进行测试，实现肺结节识别。