本發(fā)明涉及領(lǐng)域，具體地說，特別涉及一種基于mkl-svm-pso算法的肺結(jié)節(jié)圖像處理方法。

背景技術(shù)：

肺結(jié)節(jié)通常指直徑不大于3cm的肺內(nèi)類圓形致密影，也是肺癌在肺ct圖像上的早期表征形式。計算機斷層掃描成像(computedtomography，ct)技術(shù)是檢測早期肺結(jié)節(jié)的重要手段。根據(jù)肺結(jié)節(jié)的ct表征形式，可以將其分為實心型結(jié)節(jié)(如孤立型結(jié)節(jié)、粘連肺壁型結(jié)節(jié)、粘連血管型結(jié)節(jié))、磨玻璃型結(jié)節(jié)及空洞型結(jié)節(jié)。

肺計算機輔助檢測(computeraideddetection，cad)系統(tǒng)是機器視覺技術(shù)的應用，可以減少放射科醫(yī)生因超大負荷閱片而造成的視覺疲勞，減少由此產(chǎn)生誤判或漏檢的可能性，為醫(yī)生提供“第三方”的輔助診斷結(jié)果。通常肺cad包含以下幾個模塊：肺部ct圖像數(shù)據(jù)的采集、圖像的預處理、肺實質(zhì)分割、候選結(jié)節(jié)roi或voi的檢測(主要指提取或分割)、roi或voi特征的計算與選擇、肺結(jié)節(jié)的識別，其中肺結(jié)節(jié)識別是肺cad的核心模塊。

現(xiàn)有技術(shù)存在計算量大、尋參時間長、實時性差，不易形成在線識別算法的缺點。

技術(shù)實現(xiàn)要素：

為了解決現(xiàn)有技術(shù)的問題，本發(fā)明實施例提供了一種基于mkl-svm-pso算法的肺結(jié)節(jié)圖像處理方法。所述技術(shù)方案如下：

一方面，提供了一種基于mkl-svm-pso算法的肺結(jié)節(jié)圖像處理方法，包括：

從肺結(jié)節(jié)圖像中提取感興趣區(qū)域，對所述感興趣區(qū)域進行特征選取，獲取數(shù)據(jù)樣本；其中，所述數(shù)據(jù)樣本包括：用于參數(shù)尋優(yōu)的訓練集及用于測試模型的測試集；

通過mkl-svm-pso算法對所述數(shù)據(jù)樣本的訓練集進行尋優(yōu)處理，獲取最優(yōu)參數(shù)組，建立mkl-svm的數(shù)學模型；將所述最優(yōu)參數(shù)組應用于所述mkl-svm的數(shù)學模型進行識別計算，得出肺結(jié)節(jié)的識別結(jié)果。

可選地，所述訓練集與測試集均包含結(jié)節(jié)與非結(jié)節(jié)；所述數(shù)據(jù)樣本是對感興趣區(qū)域的13維特征提取，13維特征包括：7個形態(tài)特征，2個灰度特征，以及4個紋理特征。

可選地，所述通過mkl-svm-pso算法對所述數(shù)據(jù)樣本的訓練集進行尋優(yōu)處理，獲取最優(yōu)參數(shù)組，建立mkl-svm的數(shù)學模型；將所述最優(yōu)參數(shù)組應用于所述mkl-svm的數(shù)學模型進行識別計算，得出肺結(jié)節(jié)的識別結(jié)果的步驟具體包括：

1)將粒子和速度初始化；

2)在訓練集上計算粒子適應度值；

3)尋找個體極值和群體極值；

4)進行速度更新與位置更新；

5)根據(jù)更新后的速度與位置，計算粒子適應度值；

6)求得個體極值和群體極值更新；

7)對所述個體極值和群體極值是否滿足終止條件，滿足則結(jié)束計算，得到最優(yōu)參數(shù)組；不滿足繼續(xù)重復步驟4)；

8)用得到的最優(yōu)參數(shù)組在測試集上進行測試，得到測試集上的識別結(jié)果。

可選地，所述計算粒子適應度值的步驟具體包括：

根據(jù)pso算法，將交叉驗證意義下肺結(jié)節(jié)的識別準確率acc作為目標，并將其確定為pso的適應度函數(shù)值，acc定義式如下：

上式中，tp為檢測出的真陽性結(jié)節(jié)，即惡性病灶；fp為檢測出的假陽性；fn為檢測出的假陰性；tn是檢測出的真陰性，即非結(jié)節(jié)；acc衡量整體的識別準確率，sen則衡量肺結(jié)節(jié)的實際檢出率。

可選地，所述mkl-svm-pso算法用于mkl-svm的參數(shù)尋優(yōu)，確定mkl-svm識別算法的數(shù)學模型，并將其用在測試集上對肺結(jié)節(jié)進行識別。

可選地，所述所述mkl-svm-pso算法具體為：將pso算法引入mkl-svm算法，得到了mkl-svm-pso算法，對訓練集進行訓練。

本發(fā)明實施例提供的技術(shù)方案帶來的有益效果是：

本發(fā)明提出了基于mkl-svm-pso算法的肺結(jié)節(jié)圖像處理方法，可以快速、準確地尋找到mkl-svm算法的最優(yōu)參數(shù)組，并將其應用于肺結(jié)節(jié)識別。將pso算法引入mkl-svm算法，并將其應用于肺結(jié)節(jié)的良惡性判別；在改變動態(tài)權(quán)重的基礎(chǔ)上，討論了線性權(quán)重與非線性權(quán)重的異同，并得到了最優(yōu)的動態(tài)非線性權(quán)重形式。使得算法的平均適應度值更加快速、穩(wěn)定地接近最佳適應度值，且易得到全局最優(yōu)解。

附圖說明

為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實施例的一種基于mkl-svm-pso算法的肺結(jié)節(jié)圖像處理方法流程圖；

圖2是本發(fā)明實施例的mkl-svm-pso算法應用于肺結(jié)節(jié)識別的流程圖；

圖3是本發(fā)明實施例的mkl-svm-pso算法的適應度(準確率)曲線；

圖4是本發(fā)明實施例的式(16)的mkl-svm-pso算法的適應度(準確率)曲線；

圖5是本發(fā)明實施例的式(17)的mkl-svm-pso算法的適應度(準確率)曲線；

圖6是本發(fā)明實施例的式(18)的mkl-svm-pso算法的適應度(準確率)曲線；

圖7是本發(fā)明實施例的式(19)的mkl-svm-pso算法的適應度(準確率)曲線；

圖8是本發(fā)明實施例的式(20)的mkl-svm-pso算法的適應度(準確率)曲線；

圖9是本發(fā)明實施例的式(16)至式(20)所對應的5種動態(tài)權(quán)重隨迭代次數(shù)變化的曲線。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明實施方式作進一步地詳細描述。

本發(fā)明提供了一種基于mkl-svm-pso算法的肺結(jié)節(jié)圖像處理方法，參見圖1，包括：

s100：從肺結(jié)節(jié)圖像中提取感興趣區(qū)域，對所述感興趣區(qū)域進行特征選取，獲取數(shù)據(jù)樣本；

具體地，本實施例對感興趣區(qū)域(regionofinterest，roi)做了進一步說明：機器視覺、圖像處理中，從被處理的圖像以方框、圓、橢圓、不規(guī)則多邊形等方式勾勒出需要處理的區(qū)域，稱為感興趣區(qū)域，roi。在圖像處理領(lǐng)域，感興趣區(qū)域(roi)是從圖像中選擇的一個圖像區(qū)域，這個區(qū)域是圖像分析所關(guān)注的重點。圈定該區(qū)域以便進行進一步處理。使用roi圈定目標，可以減少處理時間，增加精度。本實施例中，所述感興趣區(qū)域中包括結(jié)節(jié)以及假陽。

其中，所述數(shù)據(jù)樣本包括：用于參數(shù)尋優(yōu)的訓練集及用于測試模型的測試集；所述訓練集與測試集均包含結(jié)節(jié)與非結(jié)節(jié)；所述數(shù)據(jù)樣本是對感興趣區(qū)域的13維特征提取，13維特征包括：7個形態(tài)特征，2個灰度特征，以及4個紋理特征。

s200：通過mkl-svm-pso算法對所述數(shù)據(jù)樣本的訓練集進行尋優(yōu)處理，獲取最優(yōu)參數(shù)組，建立mkl-svm的數(shù)學模型；

s300：將所述最優(yōu)參數(shù)組應用于所述mkl-svm的數(shù)學模型進行識別計算，得出肺結(jié)節(jié)的識別結(jié)果。

具體地，所述mkl-svm-pso算法具體為：將pso算法引入mkl-svm算法，得到了mkl-svm-pso算法，對訓練集進行訓練。所述mkl-svm-pso算法用于mkl-svm的參數(shù)尋優(yōu)，確定mkl-svm識別算法的數(shù)學模型，并將其用在測試集上對肺結(jié)節(jié)進行識別。

進一步的，參見圖2，所述通過mkl-svm-pso算法對所述數(shù)據(jù)樣本的訓練集進行尋優(yōu)處理，獲取最優(yōu)參數(shù)組，建立mkl-svm的數(shù)學模型；將所述最優(yōu)參數(shù)組應用于所述mkl-svm的數(shù)學模型進行識別計算，得出肺結(jié)節(jié)的識別結(jié)果的步驟具體包括：

1)將粒子和速度初始化；

2)計算粒子適應度值；

3)尋找個體極值和群體極值；

4)進行速度更新與位置更新；

5)根據(jù)更新后的速度與位置，計算粒子適應度值；

6)求得個體極值和群體極值更新；

7)對所述個體極值和群體極值是否滿足終止條件，滿足則結(jié)束計算，得到最優(yōu)參數(shù)組；不滿足繼續(xù)重復步驟4)。

8)用得到的最優(yōu)參數(shù)組在測試集上進行測試，得到測試集上的識別結(jié)果。

進一步的，所述計算粒子適應度值的步驟具體包括：

根據(jù)pso算法，將交叉驗證(crossvalidation，cv)意義下肺結(jié)節(jié)的識別準確率acc作為目標，并將其確定為pso的適應度函數(shù)值，acc定義見式

上式中，tp為檢測出的真陽性結(jié)節(jié)，即惡性病灶；fp為檢測出的假陽性；fn為檢測出的假陰性；tn是檢測出的真陰性，即非結(jié)節(jié)；acc衡量整體的識別準確率，sen則衡量肺結(jié)節(jié)的實際檢出率。

本實施例中，還提供了多核支持向量機(multiplekernellearningsupportvectormachine,mkl-svm)，其中，支持向量機(supportvectormachine，svm)是一種小樣本學習方法，通過結(jié)構(gòu)風險最小化來實現(xiàn)對未知樣本的預測或分類。將訓練樣本表示為

t＝{(xi,yi)},i＝1,2,…,l(1)

其中l(wèi)為訓練樣本個數(shù)；xi為svm的輸入向量，本實施例xi對應于提取到的n維感興趣區(qū)域(roi)的特征，xi∈rⁿ；yi∈{-1,+1}為類別標簽，本實施例中yi＝1對應于結(jié)節(jié)，而yi＝-1對應于非結(jié)節(jié)。

svm用于二分類問題時，其模型的原問題可表示為：

式中，w是權(quán)重向量，b為閾值，svm的目標就是使分類間隔2/||w||最大化，即||w||²最小化。c為正則化系數(shù)或稱為懲罰參數(shù)，描述了對錯分樣本的懲罰程度，c越大對錯誤分類的懲罰越明顯。當數(shù)據(jù)不能完全分開時，最大間隔將為負數(shù)，為此引入松弛變量ξi，可以衡量實際輸出yi與支持向量機輸出之間的距離。

在特征空間實現(xiàn)svm，將輸入數(shù)據(jù)(xi)通過非線性變換φ(x)映射至高維特征空間z，并在高維特征空間z中構(gòu)造最優(yōu)分類超平面，以實現(xiàn)svm。在空間z中構(gòu)造超平面時，訓練算法使用點積方式，并且使用核函數(shù)k(xi,xj)代表φ(xi)與φ(xj)的內(nèi)積，即可以找到一個函數(shù)k使得下式成立：

k(xi,xj)＝φ(xi)·φ(xj)(3)

這樣，無需對給定訓練樣本構(gòu)造并求解凸二次規(guī)劃問題，通過拉格朗日乘子將問題轉(zhuǎn)化如下：

式(2)中偏置b可通過式(5)求解：

構(gòu)造決策函數(shù)為：

f(x)＝sgn(g(x))(6)

其中

進一步的，mkl-svm中，不同的核函數(shù)具有不同的優(yōu)勢，提高支持向量機性能的關(guān)鍵之一，是設(shè)計適合給定問題的核函數(shù)。常用的基本核函數(shù)有多項式核函數(shù)與徑向基核函數(shù)(radialbasisfunction，rbf)，依次用kpoly、krbf表示：

kpoly(x,x′)＝(x^tx′+1)^d(8)

krbf(x,x′)＝exp(-||x-x′||²/2g²)

(9)

其中，參數(shù)d代表多項式核的階數(shù)，參數(shù)g代表rbf核寬度，d與g需要預先給定。

可以證明，核函數(shù)的凸組合形式，即式(10)仍然為核函數(shù)。

其中，kp為使用的第p種基本核函數(shù)，mp為對應于第p種基本核函數(shù)在混合核函數(shù)中所占的權(quán)重?；旌虾撕瘮?shù)共采用了u種基本核函數(shù)，且各種基本核函數(shù)的權(quán)重相加得1，以此限制各種基本核函數(shù)在多核函數(shù)中所占比重。

證明：任意給定rⁿ中l(wèi)個點組成的集合{x1，x2，…，xl}，只需證明式(10)的gram矩陣半正定即可。

令k1,k2,…,kp分別是k1(x,x′),k2(x,x′),…,kp(x,x′)關(guān)于{x1,x2,…,xl}的gram矩陣，對于任意α∈r^l，有

所以半正定，即kmix(x,x′)為核函數(shù)，問題得證。

經(jīng)驗證，式(10)表述的核函數(shù)滿足mercer條件，可以用于svm的訓練和分類。利用該多核svm，對樣本點進行非線性變換，將得到相應的核矩陣，將其用于svm分類器的訓練，可以得到相應的分類結(jié)果。

rbf核具有較強的學習能力，而多項式核具有較強的泛化能力，將二者結(jié)合，可以兼顧學習與泛化能力。若僅采用rbf核與多項式核兩種基本核函數(shù)，即取u＝2，k1＝kpoly，k2＝krbf，構(gòu)成式(12)的混合核函數(shù)。需要比單核函數(shù)多估計一組核參數(shù)及一個權(quán)重系數(shù)m。m可以自由地調(diào)節(jié)各個核函數(shù)在多核中的比重，靈活地調(diào)節(jié)多核的學習與推廣能力，使結(jié)果不偏重于某個指標的提升。

k(x,x′)＝mkpoly(x,x′)+(1-m)krbf(x,x′)(12)

采用了交叉驗證意義下的網(wǎng)格搜索(gridseach)算法來尋找最佳的正則化系數(shù)c，多項式核的階數(shù)d，rbf核的核寬度g以及多核的權(quán)重系數(shù)m。雖然采用網(wǎng)格搜索算法易于找到在交叉驗證意義下對應于最高分類準確率的最優(yōu)參數(shù)組，但因參數(shù)過多、循環(huán)嵌套的次數(shù)過大、以及網(wǎng)格的細化，從而導致計算量過大，運行時間過長的問題。采用啟發(fā)式算法可以不必遍歷網(wǎng)格內(nèi)所有參數(shù)點，也可以找到全局最優(yōu)解。

進一步的，基于pso的mkl-svm(mkl-svm-pso)算法具體為：粒子群優(yōu)化算法(particleswarmoptimization，pso)是一種基于群體智能的優(yōu)化算法，是典型的啟發(fā)式算法。與ga(genericalgorithm)相比，pso無需進行選擇、交叉、變異的操作，通過粒子在解空間追蹤最優(yōu)的粒子進行搜索。

假設(shè)在一個d維的搜索空間中，由n個粒子組成種群x＝(x1,x2,…,xn)，其中，xi表示第i個粒子在d維搜索空間的位置，也為問題的一個潛在解，記為一個d維的向量，即xi＝(xi1,xi2,…,xid)^t。根據(jù)目標函數(shù)即可計算出每個粒子位置xi對應的適應度值。第i個粒子的速度為vi＝(vi1,vi2,…,vid)^t，其個體極值為pi＝(pi1,pi2,…,pid)^t，種群的群體極值為pg＝(pg1,pg2,…,pgd)^t。每次迭代過程中，粒子通過個體極值和群體極值更新自身的速度和位置，更新后的表達式為：

上式中，ω為慣性權(quán)重；d＝1，2，…，d，d代表所需尋找的參數(shù)個數(shù)；k為當前迭代次數(shù)；vid為粒子的速度，c1和c2是加速度因子，為非負的常數(shù)，r1和r2是分布在[0，1]區(qū)間內(nèi)的隨機數(shù)。為防止粒子的盲目搜索，通常將其位置和速度分別限制在[-xmax,xmax]與[-vmax,vmax]區(qū)間內(nèi)。

將pso算法用于式(12)對應的mkl-svm算法。因為多項式核的階數(shù)定義為d≥2的正整數(shù)，且隨著d的增加，多項式核的泛化能力逐漸降低，故d僅取d＝2和d＝3兩個數(shù)值分別進行計算，而并不需要進行尋參。只需將粒子搜索空間的維數(shù)設(shè)置為d＝3即可，xi＝(xi1,xi2,xi3)^t代表了第i個粒子的解，其每一維xi1、xi2、xi3分別對應需要搜索的正則化系數(shù)c，rbf核寬度g以及多核權(quán)重m。

本實施例中，還提供了實驗選用數(shù)據(jù)及mkl-svm-pso算法結(jié)果分析：

實驗數(shù)據(jù)為20組病例共約700幅圖像，且每組病例均配有醫(yī)生的診斷標準。每幅ct圖像大小均為512×512，掃描層厚為5.0mm，從中共提取出270個roi，其中包括80個結(jié)節(jié)，190個假陽。經(jīng)過特征選取后，將數(shù)據(jù)樣本隨機分為兩組：170組訓練樣本及100組測試樣本。

實驗平臺采用matlab，利用libsvm工具箱進行仿真實驗。在模型的參數(shù)尋優(yōu)階段，使用5倍交叉驗證，得到了對應于最高acc的最優(yōu)參數(shù)組。在本mkl-svm-pso算法里，設(shè)置種群粒子數(shù)為n＝20，每個粒子的維數(shù)d＝3，算法的最大迭代次數(shù)為maxgen＝200，慣性權(quán)重取值為常數(shù)，即ω＝1。

得到的最優(yōu)個體適應度值如圖3所示，最優(yōu)的個體適應度值，即訓練集上進行5折交叉驗證的結(jié)節(jié)識別的準確度為94.1176％；對應的最優(yōu)粒子位置為c＝29.7267，g＝19.0653，d＝2，m＝0.8。在此種情況下，本實施例mkl-svm-pso算法的程序運行時間為303.8830s，而網(wǎng)格搜索算法則需2220s，比網(wǎng)格搜索算法的運行時間少了1916.117s，僅為網(wǎng)格搜索算法運行時間的13.69％。將其應用于測試集測試，得到的測試結(jié)果為acc達到91％，sen達到88.89％。

進一步的，引入不同慣性權(quán)重對肺結(jié)節(jié)識別結(jié)果的影響與比較，如下：

與網(wǎng)格搜索算法相比，mkl-svm-pso算法速度有所提高，但由圖3可見，隨著迭代次數(shù)的增加，每一代的平均適應度值振蕩幅度較為劇烈，距離最優(yōu)適應度值具有一定差距。

shi.y最先將慣性權(quán)重ω引入pso算法，指出較大的慣性權(quán)重值利于全局搜索，較小的慣性權(quán)重更加利于局部搜索，慣性權(quán)重ω體現(xiàn)了粒子繼承先前速度的能力。為更好地平衡算法的全局搜索能力與局部搜索能力，采用shi.y提出的線性遞減慣性權(quán)重法(lineardecreasinginertiaweight，ldiw)，將ω重新賦值為：

ω(k)＝ωstart(ωstart-ωend)(tmax-k)/tmax(16)

其中，ωstart為初始慣性權(quán)重，ωend為迭代至最大次數(shù)時的慣性權(quán)重；k為當前迭代的代數(shù)；tmax為最大迭代代數(shù)。為保證算法在迭代初期具有較強的全局搜索能力以及在迭代后期具有較強的局部搜索能力以獲得最優(yōu)解，通常選取ωstart＝0.9，ωend＝0.4，使得慣性權(quán)重由最初的0.9線性下降到0.4，這也是一種經(jīng)驗做法。得到的mkl-svm-pso算法尋找最優(yōu)參數(shù)組的適應度(準確率)曲線如圖4所示。

由圖4可見，采用式(16)的慣性權(quán)重比采用常數(shù)的慣性權(quán)重，減少了振蕩幅度，前期就已接近最優(yōu)解。常用的線性慣性權(quán)重還有式(17)，如下所示

由圖5可見，式(17)對應的慣性權(quán)重前期振蕩略大，但很快收斂到最佳個體適應度值。式(16)與式(17)所表征的線性慣性權(quán)重可以使平均適應度曲線趨于平穩(wěn)，但前期易陷入局部最優(yōu)。

為保證盡量獲得全局最優(yōu)解，本實施例還采用以下的三種非線性慣性權(quán)重來控制收斂精度與收斂速度，以使平均適應度值快速、平穩(wěn)地趨近最佳適應度值指標。

ω(k)＝ωstart-(ωstart-ωend)(k/tmax)²(18)

在上述3種非線性ω的取值方法下，均以肺結(jié)節(jié)的總體識別準確度為適應度函數(shù)，得到的曲線如圖6、7、8所示。

為比較不同類別的慣性權(quán)重對參數(shù)尋優(yōu)的影響，如圖9所示，描述了本實施例提出的式(16)至式(20)所對應的5種動態(tài)權(quán)重隨迭代次數(shù)變化的曲線。迭代初期，較大的慣性權(quán)重可以使算法保持較強的全局搜索能力，而迭代后期較小的慣性權(quán)重可以使算法進行精確的局部搜索。由幾種動態(tài)權(quán)重的變化曲線可見，式(18)前期的動態(tài)權(quán)重變化較慢，取值較大，維持了算法的全局搜素能力；后期動態(tài)權(quán)重變化較快，極大地提高了算法的局部尋優(yōu)能力，結(jié)合對應的適應度曲線，可見參數(shù)尋優(yōu)也取得了很好的求解效果，從而為最優(yōu)的動態(tài)權(quán)重方式。

綜上，權(quán)重不變的粒子群優(yōu)化算法收斂速度快，但后期易陷入局部最優(yōu)，求解精度低。采用式(16)和式(17)的線性慣性權(quán)重前期易陷入局部最優(yōu)。采用式(18)至式(20)的幾種動態(tài)的非線性慣性權(quán)重方法，算法初期收斂較慢，但后期局部搜索能力加強，利于算法跳出局部最優(yōu)而得到全局最優(yōu)解，可以提高算法的求解精度。其中，式(18)形式為最優(yōu)的非線性慣性權(quán)重。

進一步，比較幾種不同慣性權(quán)重對應的粒子群算法及采用網(wǎng)格搜索算法的參數(shù)尋優(yōu)時間及識別結(jié)果等指標，更加證明了粒子群算法的有效性，將結(jié)果列于表1中。

表1各種算法參數(shù)尋優(yōu)時間比較

表1的實驗結(jié)果進一步表明，網(wǎng)格搜索算法的參數(shù)搜索時間最長，幾乎為mkl-svm-pso算法的7倍，運行速度遠遠慢于mkl-svm-pso搜索算法。而慣性權(quán)重無論取常數(shù)值，還是線性的動態(tài)權(quán)重或者非線性的動態(tài)權(quán)重，參數(shù)尋優(yōu)的時間差異并不大。綜上，采用mkl-svm-pso算法，配以式(18)的動態(tài)非線性慣性權(quán)重，使得平均適應度值更加平穩(wěn)、快速地接近最優(yōu)適應度值，且結(jié)果趨于全局最優(yōu)。

本發(fā)明實施例提供的技術(shù)方案帶來的有益效果是：

本發(fā)明提出了基于mkl-svm-pso算法的肺結(jié)節(jié)圖像處理方法，可以快速、準確地尋找到多核支持向量機(mkl-svm)的最優(yōu)參數(shù)組，并將其應用于肺結(jié)節(jié)識別。將pso算法引入mkl-svm算法，并將其應用于肺結(jié)節(jié)的良惡性判別；在改變動態(tài)權(quán)重的基礎(chǔ)上，討論了線性權(quán)重與非線性權(quán)重的異同，并得到了最優(yōu)的動態(tài)非線性權(quán)重形式。使得算法的平均適應度值更加快速、穩(wěn)定地接近最佳適應度值，且易得到全局最優(yōu)解。

以上僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。