[论文解读] Benign-Malignant Lung Nodule Classification with Geometric and Appearance Histogram Features

Tizita Nesibu Shewaye, Alhayat Ali Mekonnen|arXiv (Cornell University)|May 26, 2016

Lung Cancer Diagnosis and Treatment参考文献 11被引用 26

一句话总结

该论文提出了一种基于CT图像中几何特征和外观直方图特征的自动化肺结节分类系统，结合非线性分类器（如AdaBoost和随机森林），在LIDC-IDRI数据集的未见测试数据上实现了恶性结节82%的敏感度和良性结节93%的特异性。

ABSTRACT

Lung cancer accounts for the highest number of cancer deaths globally. Early diagnosis of lung nodules is very important to reduce the mortality rate of patients by improving the diagnosis and treatment of lung cancer. This work proposes an automated system to classify lung nodules as malignant and benign in CT images. It presents extensive experimental results using a combination of geometric and histogram lung nodule image features and different linear and non-linear discriminant classifiers. The proposed approach is experimentally validated on the LIDC-IDRI public lung cancer screening thoracic computed tomography (CT) dataset containing nodule level diagnostic data. The obtained results are very encouraging correctly classifying 82% of malignant and 93% of benign nodules on unseen test data at best.

研究动机与目标

• 开发一种自动化系统，用于在CT扫描中区分良性和恶性肺结节，以支持早期肺癌诊断。
• 研究结合几何特征和基于外观的图像特征对提升分类性能的有效性。
• 评估在线性与非线性分类器在异质特征集上对良恶性结节区分的表现。
• 在公开的LIDC-IDRI数据集上验证该方法，该数据集包含结节级别的诊断注释。
• 通过基于机器学习的计算机辅助诊断（CADx）提高诊断准确性并减轻放射科医生的工作负担。

提出的方法

• 从CT图像中分割的肺结节中提取体积、面积、直径和球形度等几何特征。
• 计算结节区域的灰度级直方图和方向梯度直方图特征，以捕捉强度和纹理模式。
• 对所有特征应用均值和方差归一化，以确保特征呈正态分布，从而获得最佳分类器性能。
• 采用5折交叉验证策略在最终在完整训练集上重新训练前调整超参数。
• 评估五种分类器：逻辑回归、线性SVM、K-NN、AdaBoost和随机森林，使用组合特征集。
• 使用AUC、敏感度、特异性、准确率和F-measure等指标，在保留的测试集上进行最终评估。

实验结果

研究问题

• RQ1 几何特征与外观直方图特征的组合能否提高良恶性肺结节分类的准确性？
• RQ2 在线性与非线性分类器应用于肺结节分类的异质图像特征时，其表现如何？
• RQ3 与传统线性模型相比，集成方法（如AdaBoost和随机森林）对分类性能有何影响？
• RQ4 所提出的特征和分类器在LIDC-IDRI数据集的未见数据上具有多大程度的泛化能力？
• RQ5 所提出系统在相同基准数据集上的性能与最先进方法相比如何？

主要发现

• AdaBoost分类器在测试集上取得了最高的AUC（0.94），表明其具有出色的判别性能。
• 表现最佳的系统在未见测试数据上正确分类了82%的恶性结节和93%的良性结节。
• 非线性分类器，特别是AdaBoost和随机森林，显著优于逻辑回归和线性SVM等线性分类器。
• 异质特征集（结合几何特征、灰度级直方图特征和方向梯度直方图特征）的分类准确率高于单一特征类型。
• 与Kumar等人[10]和[9]报告的先前最先进方法相比，本方法在准确率上分别提高了9%和6%。
• 使用AdaBoost时F-measure显著提升至0.87，表明在两类中精确率与召回率之间具有良好的平衡。