基于新型支持向量機的影像組學在肝臟結節分類中的應用

李 笛，霍 雷，萬夢云，賈寧陽，王麗嘉*

基于新型支持向量機的影像組學在肝臟結節分類中的應用

李 笛1，霍 雷2，萬夢云1，賈寧陽2，王麗嘉1*

1. 上海理工大學 醫療器械與食品學院，上海 200093；2. 第二軍醫大學附屬東方肝膽外科醫院 影像科，上海 200438

肝癌是最常見的惡性腫瘤之一，亞洲地區最為常見的肝癌演變過程為肝炎-肝硬化結節-異型增生結節-肝細胞性肝癌．判斷肝臟結節在演變過程所處分期，并采取干預措施，對降低肝癌的發生率非常關鍵．本文針對影像組學提出了更精確的支持向量機（SVM）分類算法——LFOA-F-SVM，用于對120名患者的腹部動態增強磁共振圖像的肝臟結節進行四分類．該算法利用了考慮半徑與幾何間距的F-SVM，并結合萊維飛行策略（LF）的果蠅優化算法（FOA）尋求超參．為了驗證方法的有效性，本文另外添加了5個UCI分類數據集（心臟、帕金森疾病、虹膜、葡萄酒和動物園），并與SVM、PSO-SVM、FOA-SVM、F-SVM進行比較．結果表明，在6個分類數據集（包括肝臟結節數據集和5個UCI分類數據集）中，相對于其他分類算法，LFOA-F-SVM的分類準確率最高，在肝臟結節數據集中的四分類精確率和查全率也較高．

肝臟結節；分類；影像組學；LFOA-F-SVM

引 言

2019年，國家癌癥中心發布的《2015年中國惡性腫瘤流行情況分析》表明2015年我國新發肝癌病例約37.0萬例，居十大腫瘤第4位；因肝癌死亡人數約32.6萬例，居十大腫瘤第2位[1]．在亞洲地區，肝炎-肝硬化結節-異型增生結節-肝細胞性肝癌（Hepatic Cell Carcinoma，HCC）是最為常見的肝癌演變過程．判斷肝臟結節在肝癌演變過程中的分期，并提前進行預防和干預，對降低肝癌的發生率及死亡率非常關鍵．

然而，結節和腫瘤表面的多樣性和復雜性使得診斷仍面臨較大的挑戰．影像組學包括圖像獲取、感興趣區域（Region of Interest，ROI）分割、特征提取及篩選、建模四個過程．它可以從超聲、電子計算機斷層掃描（Computerized Tomography，CT）、正電子發射斷層掃描（Positron Emission Tomography，PET）和磁共振成像（Magnetic Resonance Imaging，MRI）等醫學影像中提取大量高級的、定量的影像特征，進而篩選有價值的特征參與臨床診斷[2]．相比其它成像技術而言，MRI具有很高的軟組織分辨率，可通過多參數成像及增強掃描等反映結節內部結構與成分的病變規律，為肝臟結節性質的判定提供更多的影像學基礎，更有利于特征的提取及篩選．Xue等[3]在訓練集數據量較少的情況下，利用遷徙學習影像組學對多模態肝纖維化超聲成像進行建模，得到了良好的預測模型．Wu等[4]利用影像組學對使用了造影劑的HCC和肝血管瘤（Hepatic Hemangioma，HH）磁共振圖像進行分類，測試集的受試者操作特征（Receiver Operating Characteristic，ROC）曲線的曲線下面積（Area Under Curve，AUC）為0.89，診斷性能與具有10年經驗的放射科醫生無統計學差異．本文將利用影像組學獲取并分割肝炎、肝硬化結節、異型增生結節和HCC患者的動態增強磁共振圖像的ROI，并進行特征提取及篩選，最后使用機器學習技術建立分類模型．

在機器學習的分類建模中，Baek等[5]使用支持向量機（Support Vector Machine，SVM）區分肝臟狀態，包括正常、低脂纖維化、高脂纖維化和炎癥．Anju等[6]首先基于改進的分型紋理分析的分割（Segmentation based Fractal Texture Analysis，SFTA）算法進行特征提取，然后利用SVM對肝腫瘤進行分類．以上結果均表明，SVM分類算法在準確度、特異度和靈敏度等方面性能較好．然而，懲罰因子（）和核函數寬度（）對SVM分類性能有重要影響，需要重點進行優化．在以往研究中，果蠅優化算法（Fruit Fly Optimization Algorithm，FOA）以參數設置少、算法結構簡便且易于理解等優點，常應用于SVM參數優化問題．例如，FOA-SVM廣泛且成功應用于年度電力負荷預測[7]、礦井火災圖像模式識別[8]、滾動軸承故障診斷[9]等研究．但研究發現，SVM僅考慮幾何間隔的最大化，而忽略半徑最小化，因此分類器仍具有較大誤差，其誤差范圍一般是半徑和幾何間隔之比的函數[10]．F-SVM是一種新的考慮半徑邊緣的SVM算法，將特征變換（Feature Transportation，F）與SVM聯合學習，減小了半徑，從而降低了SVM的誤差范圍[11]．

為了提高SVM在肝臟結節數據中的分類性能，本文提出了一種將現有的融合了萊維飛行的果蠅優化算法（Levy flight fruit fly optimization，LFOA）和F-SVM相結合的分類算法—LFOA-F-SVM，對特征篩選后的肝臟結節數據建立分類模型．其中，F-SVM考慮了幾何間隔最大化和半徑最小化；LFOA算法則對FOA進行了改進，以提高參數尋優能力．本文將該算法在5個UCI數據集以及肝臟結節數據集中進行了測試，并與SVM[12]、粒子群優化算法（Particle Swarm Optimization，PSO）-SVM[13]、FOA-SVM[8]、F-SVM[11]進行了比較，以評估LFOA-F-SVM的泛化能力和有效性．

1 理論部分

常用且有效的基于機器學習的分類算法包括K近鄰、邏輯回歸、決策樹和SVM等．其中，SVM針對小樣本，具有較強的非線性分類的能力，因此本文選擇在SVM的基礎上進行分類建模．

1.1 F-SVM

根據拉格朗日乘法可得線性F-SVM為：

最后，使用廣義坐標下降法（Generalized Block Coordinate Descent，GBCD）[14]求解該模型．

為了解決非線性分類問題，在線性F-SVM的基礎上結合了核主成分分析（Kernel Principal Component Analysis，KPCA），其主要思想是將二維空間非線性分類問題轉換到高維空間的線性分類問題．內核化F-SVM為：

1.2 LFOA

參數設置常用網格搜索法（Grid Search，GS）、PSO[17]和FOA等群體智能算法進行優化．其中，FOA以易于操作，可塑性強等優勢在許多方面得到成功應用．

FOA是一種元啟發式算法，其靈感來自果蠅在覓食期間依賴嗅覺和視覺來尋找食物的覓食行為[18].在參數優化時，FOA通過模仿果蠅的飛行方式來尋找全局最優解．首先在空間中隨機生成果蠅種群的位置，然后每個果蠅將根據果蠅的飛行模式更新其位置，在更新過程中不斷提高種群的適應度．FOA的代碼框架易于構建、操作簡單、計算速度快，已在多個領域中得到應用[19,20]．雖然該算法簡單易行，但是容易過早的陷入局部最優，這一問題可采用萊維飛行（Levy Flight，LF）進行改善[21]．LF是一種步伐短且方向隨機的搜索路徑，其可以重新調整種群的位置，避免陷入局部最優狀態，從而提高全局搜索能力．使用萊維飛行可以用以下公式表示：

其中，代表調節萊維飛行穩定性的指標，代表步長．

本文在FOA的基礎上采用有利于全局尋優的LFOA來調整F-SVM分類器參數．在FOA算法中加入LF后，果蠅種群位置的更新方程為：

1.3 LFOA-F-SVM算法

圖1 LFOA-F-SVM分類流程

2 實驗部分

2.1 實驗數據采集

本文的主要研究對象來自2013年4月至2017年2月在東方肝膽醫院采集、由病理證實且具備完整臨床資料的120名患者的腹部動態增強磁共振圖像（共360幅）．其中肝炎、肝硬化結節、異型增生結節和HCC患者（HCC最大直徑小于3 cm）各30名．本研究符合相關倫理要求．動脈期、門脈期和延遲期橫斷面方位圖像采用GE Signa Inifinity Twin Speed 1.5 T磁共振掃描儀，使用8通道體部線圈，通過肝臟加速容積采集（Liver Acquisition with Volume Acceleration，LAVA）成像序列獲得．重復時間（Repetition Time，TR）=3.712 ms，回波時間（Echo Time，TE）=1.724 ms，反轉時間為7 ms，翻轉角為15?，圖像矩陣為512*512，層厚為2.5 mm，層間距為2.5 mm．

為了驗證LFOA-F-SVM在多分類中的有效性，在肝臟結節數據集的基礎上，我們另外添加了UCI機器學習開源數據庫（https://archive.ics.uci.edu/ml/index.php）中樣本量較小的2個二分類與3個多分類的純數字無缺失數據集，分別為心臟、帕金森疾病、虹膜、葡萄酒和動物園，表1描述了這些數據的基本信息、最高分類準確率、所對應的分類器，以及分類器和分類準確率的文獻來源．在進行建模之前對以上數據進行歸一化處理，消除數據之間的影響[22]．

表1 UCI分類數據集

*文獻來源指分類器和分類準確率的文獻來源；SSLSH：結合對稱分布和高信心的半監督學習（semi-supervised learning with symmetrical distribution and high confidence）

2.2 肝臟結節數據集的特征提取及篩選

360幅圖像的ROI均由專門從事肝臟研究的放射科醫生通過itk-snap（http://www.itksnap.org/pmwiki/pmwiki.php）手動勾畫和分割病灶的所有層面．

對于每個病灶，基于PyRadiomics工具包提取了851個定量的影像組學特征．這些特征分為四類[25]：一階統計特征、形狀特征、二階（紋理）特征、高階統計特征，如表2所示．一階統計特征可以提供像素值強度在ROI內的空間分布情況，并用于分析圖像特征．形狀特征主要是對結節3D大小與形狀的描述，與ROI中的灰度強度分布無關．考慮到球體是標準形狀，本文分析了ROI與球體之間的相似性，并采用最大2D和3D直徑、表面積、體積、表面體積比、伸長率和平坦度等參數描述形狀特征．二階（紋理）特征通過密度直方圖描述，它表示了每個像素的空間位置[26]．本文分析了五種類型的紋理特征，包括灰度共生矩陣（Gray Level Co-occurrence Matrix，GLCM）、灰度游程長度矩陣（Gray Level Run Length Matrix，GLRLM）、灰度大小區域矩陣（Gray Level Size Zone Matrix，GLSZM）、鄰域灰度差分矩陣（Neighbouring Gray Tone Difference Matrix，NGTDM）和灰度依賴矩陣（Gray Level Dependence Matrix，GLDM）．基于一階和二階特征，應用小波濾波，我們獲得了魯棒性較強的高階統計特征．

表2 肝臟結節數據集提取的影像組學特征

圖2 肝臟結節數據集的特征篩選. (a) l對應的MSE變化曲線；(b) l對應的特征系數（縱坐標）與系數為非零的特征個數（上方）

圖3 肝臟結節數據集篩選后的53個特征及其系數

為了判斷篩選后的特征是否仍有較多的冗余項，對其進行斯皮爾曼相關性分析（圖4，右側色標代表相關性）．在最終篩選的53個特征中，僅有2組特征具有較強的相關性，對后續分類建模影響較小，所以本文選擇在這53個特征變量的基礎上建立分類模型．

圖4 肝臟結節數據集篩選后特征的斯皮爾曼相關性熱力圖

2.3 分類模型建立

2.4 分類模型性能評估

繪制ROC曲線，并計算AUC，以評估模型在區分特定類與其他類別時的能力[28]. 分類模型的性能評估指標還包括分類準確率（acc和ACC，其中ACC指一次實驗獲得的分類準確率，acc指10次交叉實驗計算的平均分類準確率）、精確率（Precision）和召回率（Recall）計算如下[29]：

其中，為10次交叉實驗，TP（True Positives）為真陽性數量，TN（True Negatives）為真陰性數量，FP（False Positives）為假陽性數量，FN（False Negatives）為假陰性數量．精確率越大，表明分類器精度越高；召回率越高，表明分類器的查全率越高[30]．

3 結果與討論

3.1 5種算法分類準確率的比較

在6種數據集上，5種算法的10次交叉實驗分類準確率的平均值和訓練時間如表3所示．在二分類的心臟和帕金森疾病數據集中，相比SVM，使用超參優化的FOA-SVM算法，以及F-SVM算法的分類準確率均有所提高；LFOA-F-SVM算法在二分類數據集中的分類準確率達到最高，同時該算法獲得的分類準確率可達到或高于之前的研究，分類準確率分別為89.35%與96.32%．

在肝臟結節、虹膜、葡萄酒和動物園多分類數據集中，相比基本的SVM，使用超參優化的PSO-SVM獲得了更高的分類準確率（除動物園數據集外）；FOA-SVM在4個數據集中均表現出更高的分類準確率，在動物園與肝臟結節數據中表現尤為顯著．因此，SVM中超參的調節對多分類是有效的．在考慮半徑與幾何距離后，F-SVM的分類準確率優于基本的SVM．相對于其他算法，LFOA-F-SVM在上述數據集中均獲得了最高的分類準確率，而且葡萄酒數據集的分類準確率與以往研究中的最高分類準確率相當，而在虹膜與動物園數據集的分類準確率則高于以往研究中的最高分類準確率．上述結果均可證明利用LFOA對F-SVM調參是有效的．

5種分類算法應用于多類數據集中的訓練時間（表3）顯示，SVM、PSO-SVM、FOA-SVM在各類數據集中需要更少的訓練時間．而F-SVM與LFOA-F-SVM在建立模型過程中，由于需要不斷收斂初始矩陣與（,），得到最優分類模型與特征變換矩陣A，所以訓練時間會較長．在數據量較少的情況下，可以犧牲訓練時間，得到更高的分類性能．相比于F-SVM，LFOA-F-SVM在帕金森疾病、虹膜、動物園和肝臟結節數據中的訓練時間更短，因為LFOA在超參調節中更快捷方便．

表3 5種算法的分類準確率（acc）和運行時間

圖5顯示了以上數據集的10次運行的分類準確率．在圖5(a)中，SVM的分類準確率較低，最低為77.42%；PSO-SVM與FOA-SVM將最低分類準確率提高到83.87%；F-SVM將此次運行的準確率提高到87.10%，使全局分類準確率分布在83.87%～93.55%之間；LFOA-F-SVM在10次運行中有9次達到最高的分類準確率．在圖5(b)中，SVM、PSO-SVM、FOA-SVM與F-SVM的最低分類準確率為78.95%；而LFOA-F-SVM使其分類準確率大幅提高，分類準確率分布在89.47%～100%，并且有4次分類準確率為100%．在圖5(c)中，SVM與PSO-SVM的最低分類準確率為86.67%；FOA-SVM與F-SVM的分類準確率分布在93.33%～100%之間，并且F-SVM的分類準確率為100%的次數達到7次；LFOA-F-SVM在虹膜數據集中，有8次運行的分類準確率達到了100%，其結果優于其他4種算法．在圖5(d)中，準確率最低的為88.89%，其余均分布在94.44%～100%；相較于FOA-SVM，F-SVM將分類準確率為100%的次數由7次提升到8次；此外，LFOA-F-SVM在10次運行中有9次達到了100%．在圖5(e)中，FOA-SVM與SVM的分類準確率均分布在90.91%～100%之間，較為穩定并且準確率較高；F-SVM有8次運行的準確率達到100%，但在第9次準確率為81.82%；LFOA-F-SVM在動物園數據的10次運行中均獲得了最高的分類準確率，并且相比其他算法更為穩定．在圖5(f)中，SVM經10次運行的分類準確率普遍較低，其范圍是52.78%～86.11%；PSO-SVM將最低分類準確率提升到63.89%；FOA-SVM將最高分類準確率提高到了88.89%；F-SVM相比于以上方法，準確率較高并且更為穩定，分布在69.44%～83.33%之間；LFOA-F-SVM獲得的最高準確率為91.67%，并且在10次運行中，準確率普遍較高．以上結果顯示在5種算法中，LFOA-F-SVM的分類準確率和穩定性均最高．

圖5 5種算法在6種數據集上10次運行的分類準確率（ACC）比較

3.2 基于肝臟結節數據集的5種算法分類精確率和召回率的比較

將肝臟結節數據另外按7:3的比例分為訓練集與測試集，并且在訓練過程中采取5折交叉驗證來尋找超參．將5種算法訓練的模型應用于測試集，得到的4種ROC曲線與AUC值如圖6所示[31]. 其中，F1代表肝炎，F2為肝硬化結節，F3為異型增生結節，F4為HCC．LFOA-F-SVM在測試集的四分類中得到了較高性能，每個類別的ROC曲線均更靠近左上角，并且AUC值范圍從0.920 9（肝炎）到0.993 6（HCC）均達到最高．相比于異型增生結節與HCC，肝炎與肝硬化結節的AUC值、精確率與召回率（表4）較低，其原因是肝炎與肝硬化結節內包含正常肝細胞、Kupffer細胞和膽小管結構，并且其結構和血供與正常肝細胞相似[32]．

圖6 5種算法在肝臟結節測試集數據中的表現

表4列出了5種分類器中4個類別的精確率與召回率，對于肝炎，FOA-SVM與LFOA-F-SVM的精確率均達到0.8以上，并且LFOA-F-SVM使得召回率顯著提高．肝硬化結節與其他進行分類時，相對于其它分類器，LFOA-F-SVM的精確率明顯上升，并且召回率也較高．在異型增生結節分類中，LFOA-F-SVM分類器的精確率與召回率均達到最大．對于HCC分類，LFOA-F-SVM也得到了較高的精確率與回召率，均為0.89．從以上結果得知，LFOA-F-SVM分類算法對肝臟結節數據進行四分類時，會得到較高的分類器精度與查全率．

表4 5種算法在肝臟結節測試集的分類性能

4 結論

本文提出一種改進的基于LF策略的SVM算法（LFOA-F-SVM）對肝癌演變過程中的結節進行分類，可為醫生提供有意義的臨床決策．與SVM和其他SVM的變體相比，LFOA-F-SVM的主要優點是考慮了半徑與幾何間距，對參數進行更好的全局尋優，從而得到更高的準確率．在UCI數據集與肝臟結節數據中的實驗結果均可表明，LFOA-F-SVM不僅有著更高的分類精度，而且準確率更為穩定．隨著3.0 T MRI在臨床中的廣泛應用，可得到更清晰的影像來提取特征，可將本文方法應用于該類設備數據來評估其分類性能．此外，在較多的數據集中，可考慮將此方法與深度學習結合，得到更準確的分類器模型．

無

[1] ZHENG R S,SUN K X,ZHANG S W, et al. Analysis on the prevalence of malignant tumors in China in 2015[J]. Chinese Journal of Oncology, 2019, 41(1):19-28.

鄭榮壽,孫可欣,張思維,等. 2015年中國惡性腫瘤流行情況分析[J]. 中華腫瘤雜志, 2019, 41(1): 19-28.

[2] LAMBIN P, RIOS-VELAZQUEZ E, LEIJENAAR R, et al. Radiomics: extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer2012, 48(4): 441-446.

[3] XUE L Y, JIANG Z Y, FU T T, et al. Transfer learning radiomics based on multimodal ultrasound imaging for staging liver fibrosis[J]. Eur Radiol, 2020, 30(5): 2973-2983.

[4] WU J J, LIU A L, CUI J J, et al. Radiomics-based classification of hepatocellular carcinoma and hepatic haemangioma on precontrast magnetic resonance images[J]. BMC Med Imaging2019, 19(1): 23.

[5] BAEK J, SWANSON T A, TUTHILL T, et al. Support vector machine (SVM) based liver classification: fibrosis, steatosis, and inflammation[C]// International Ultrasonics Symposium. Las Vegas, NV. USA:IEEE, 2020: 1-4.

[6] ANJU KRISHNA M, EDWIN D, HARIHARAN S. Classification of liver tumor using modified SFTA based multi class support vector machine[C]// International Conference on Current Trends in Computer, Electrical, Electronics and Communication, Mysore, India. USA: IEEE, 2017, 854-859.

[7] LI H Z, GUO S, ZHAO H R, et al. Annual electric load forecasting by a least squares support vector machine with a fruit fly optimization algorithm[J]. Energies, 2012, 5(11): 4430-4445

[8] MIAO X Z, CHEN W, BI F M, et all. Mine fire image recognition based on improved FOA-SVM[J]. Computer Engineering, 2019, 45(4): 267-274.

苗續芝, 陳偉, 畢方明, 等. 基于改進FOA-SVM的礦井火災圖像識別[J]. 計算機工程, 2019, 45(4): 267-274.

[9] CHU D L, HE Q, MAO X H. Rolling bearing fault diagnosis by a novel fruit fly optimization algorithm optimized support vector machine[J]. J Vibroeng2016, 18(1): 151-164.

[10] VAPNIK V, CHAPELLE O. Bounds on error expectation for support vector machines [J]. Neural Comput, 2000, 12(9): 2013-2036.

[11] WU X H, ZUO W M, LIN L, et al. F-SVM: Combination of feature transformation and SVM learning via convex relaxation[J]. IEEE T Neur Net Lear2018, 29(11): 5185-5199.

[12] CORTES C,VAPNIK V J M L. Support-vector networks[J]. Mach Learn, 1995, 20(3): 273-297.

[13] SHI Y Y, HE P, LIU Y, et al. Multi-region and multi-parameter classification of MRI MGMT gliomas based on PSO-SVM model[J]. Scientific and Technological Innovation, 2021, 17: 15-18

石鈺陽, 何平, 劉奕, 等. 基于PSO-SVM模型的多區域多參數MRI腦膠質瘤MGMT分類[J]. 科學技術創新, 2021, 17: 15-18.

[14] XU Y Y, YIN W T. A block coordinate descent method for regularized multiconvex optimization with applications to nonnegative tensor factorization and completion[J]. SIAM J Imaging Sci2013, 6(3): 1758-1789.

[15] CHEN H L, YANG B, WANG S J, et al. Towards an optimal support vector machine classifier using a parallel particle swarm optimization strategy[J]. Appl Math Comput2014, 239: 180-197.

[16] THARWAT A, HASSANIEN, ABOUL E. Chaotic antlion algorithm for parameter optimization of support vector machine[J]. Appl Intell2018, 48(3): 670-686.

[17] SHAN L L, ZHANG H J, WANG J, et al. Parameters optimization and implementation of mixed kernels repsilon-SVM based on improved PSO algorithm[J]. Application Research of Computers2013, 30(6): 1636-1639.

單黎黎,張宏軍,王杰, 等. 一種改進粒子群算法的混合核-SVM參數優化及應用[J]. 計算機應用研究, 2013, 30(6): 1636-1639.

[18] PAN W T. A new fruit fly optimization algorithm: Taking the financial distress model as an example[J]. Knowledge-Based Systems2012, 26: 69-74.

[19] WANG L, LV S X, ZENG Y R. Literature survey of fruit fly optimization algorithm[J]. Control and Decision2017, 32(7): 1153-1162.

王林, 呂盛祥,曾宇容. 果蠅優化算法研究綜述[J]. 控制與決策, 2017, 32(7): 1153-1162.

[20] ZHANG S P, WANG L N. Research and analysis on progress of fruit fly optimization algorithm[J]. Computer Engineering and Applications, 2021, 57(6): 22-29.

張水平, 王麗娜. 果蠅優化算法的進展研究分析[J]. 計算機工程與應,2021, 57(6): 22-29.

[21] YANG X S, SUASH D. Cuckoo search via Lévy flights[C]//2009 World Congress on Nature & Biologically Inspired Computing (NaBIC), Coimbatore, India. USA: IEEE, 2009: 210-214.

[22] SHEN L M, CHEN H L, YU Z, et al. Evolving support vector machines using fruit fly optimization for medical data classification[J]. Knowl-Based Syst2016, 96: 61-75.

[23] GU Q H, CHANG Y X, LI X H, et al. A novel F-SVM based on FOA for improving SVM performance[J]. Expert Syst Appl2021, 165: 113713.

[24] ZHANG Y H, WEN J H, WANG X B, et al. Semi-supervised learning combining co-training with active learning[J]. Expert Syst Appl, 2014, 41(5): 2372-2378

[25] HARALICK R M, SHANMUGAM K, DINSTEIN I. Textural features for image classification[J]. IEEE T Syst Man Cy-S1973, SMC-3(6): 610-621.

[26] GILLIES R, KINAHAN P, HRICAK H J R. Radiomics: Images are more than pictures, they are data[J]. Radiology2016, 278: 563-577.

[27] ZOU H, HASTIE T. Regularization and variable selection via the elastic net[J]. J Roy Stat Soc B, 2005, 67(5): 768

[28] WEI Z H, YAN S J, HAN B S, et al. Diagnosis of Alzheimer's disease based on multi-output three-dimensional convolutional neural network[J]. Chinese J Magn Reson, 2021, 38(1): 92-100.

魏志宏, 閆士舉, 韓寶三, 等. 基于多輸出的3D卷積神經網絡診斷阿爾茲海默病[J]. 波譜學雜志, 2021, 38(1): 92-100.

[29] LIU Y, CHEN J C, HU X Y, et al. Classification and localization of meningioma and acoustic neuroma in cerebellopontine angle based on mask RCNN[J]. Chinese J Magn Reson, 2021, 38(1): 58-68.

劉穎, 陳靜聰, 胡小洋, 等. 基于Mask RCNN的橋小腦角區腦膜瘤與聽神經瘤分類定位研究[J]. 波譜學雜志, 2021, 38(1): 58-68

[30] TAN Z L, CHEN X C. Study on evaluation index of improved classifier classification performance[J]. Statistics & Information Foroum, 2020, 35(9): 3-8.

譚章祿, 陳孝慈. 改進的分類器分類性能評價指標研究[J]. 統計與信息論壇, 2020, 35(9): 3-8.

[31] QIN F, YANG B, CHENG Z K. Research on measure criteria in evaluating classification performance[J]. Computer Technology and Development, 2006, 16(10): 85-88.

秦鋒, 楊波, 程澤凱. 分類器性能評價標準研究[J]. 計算機技術與發展, 2006, 16(10): 85-88.

[32] KIM T K, LEE K H, JANG H J, et al. Analysis of gadobenate dimeglumine-enhanced MR findings for characterizing small (1-2-cm) hepatic nodules in patients at high risk for hepatocellular carcinoma[J]. Radiology2011, 259(3): 730-738.

Application of Radiomics Based on New Support Vector Machine in the Classification of Hepatic Nodules

1，2，1，2，1*

1. School of Medical Instrument and Food Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China; 2. Department of Radiology, Eastern Hepatobiliary Hospital, Second Military Medical University, Shanghai 200438, China

Liver cancer is one of the most common malignant tumors. In Asia, liver cancer often develops on a background of cirrhosis caused by chronic hepatitis. The procedure of hepatitis, cirrhotic nodules, dysplastic nodules, and then hepatocellular carcinoma is the most common liver cancer evolutionary process. Judging the stage of hepatic nodules in the evolution process and taking intervention measures are critical for reducing the incidence of liver cancer.In this paper, a more accurate support vector machine (SVM) classification algorithm, LFOA-F-SVM, was proposed for radiomics to classify hepatic nodules from 120 patients into four categories based on dynamic enhanced magnetic resonance images. The algorithm uses radius-margin-based F-SVM, and combines the fruit fly optimization algorithm (FOA) of Levy flight (LF) strategy to optimize the parameters. To verify the effectiveness of the method, five UCI classification data sets (hearts, Parkinson’s disease, iris, wine and zoo) were added and compared with SVM, PSO-SVM, FOA-SVM, F-SVM. The results showed that LFOA-F-SVM has the highest classification accuracy in six data sets compared to the other methods. And in the hepatic nodules data set, the classification precision and recall are relatively high.

hepatic nodules,classification, radiomics, LFOA-F-SVM

O482.53

A

10.11938/cjmr20212916

2021-05-22;

2021-08-20

國家科技部十三五傳染病重大專項課題(2018ZX10302207-004-005).

* Tel: 021-55271173, E-mail: lijiawangmri@163.com.