本發(fā)明屬于計算機輔助診斷技術(shù)領(lǐng)域，具體涉及一種基于SS-ELM的肺結(jié)節(jié)患病風險預測系統(tǒng)及方法。

背景技術(shù)：

目前，肺癌已成為死亡率最高的惡性腫瘤，主要是因為早期難發(fā)現(xiàn)，晚期難治愈。肺癌的早期表現(xiàn)形式是肺結(jié)節(jié)，對肺結(jié)節(jié)早發(fā)現(xiàn)，早診斷，早治療的意義很大。臨床上，肺結(jié)節(jié)的診斷方法中最常用的是電子計算機斷層掃描CT的影像學診斷方法。但是隨著CT成像技術(shù)的發(fā)展，所能檢測到的肺結(jié)節(jié)越來越多，僅靠影像科醫(yī)生的視覺觀察來發(fā)現(xiàn)并診斷肺結(jié)節(jié)很困難。因此關(guān)于肺結(jié)節(jié)的患病風險預測系統(tǒng)具有很大的研究價值。

判別肺結(jié)節(jié)患病風險的關(guān)鍵在于找到合適的機器學習方法來實現(xiàn)肺結(jié)節(jié)圖像的良惡性分類并得到肺結(jié)節(jié)性質(zhì)表現(xiàn)為惡性的風險概率。同時，紋理特征能反映肺結(jié)節(jié)內(nèi)部結(jié)構(gòu)信息。傳統(tǒng)肺結(jié)節(jié)良惡性分類載體使用基于有監(jiān)督的分類算法，需要對有標記的肺結(jié)節(jié)數(shù)據(jù)所包含的信息進行學習，得出分類模型后對無標記數(shù)據(jù)進行分類，但是獲取標記數(shù)據(jù)時需要耗費一定的人力和物力資源，則大量標記數(shù)據(jù)的獲取通常比較困難，然而隨著信息技術(shù)的飛速發(fā)展，收集大量未標記數(shù)據(jù)則相當容易。因此，如何利用大量的無標記肺結(jié)節(jié)數(shù)據(jù)和少量的有標記肺結(jié)節(jié)數(shù)據(jù)來快速精準的實現(xiàn)肺結(jié)節(jié)的良惡性分類成為了技術(shù)難點。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于SS-ELM的肺結(jié)節(jié)患病風險預測系統(tǒng)及方法。

本發(fā)明的技術(shù)方案是：

一種基于SS-ELM的肺結(jié)節(jié)患病風險預測系統(tǒng)，包括肺結(jié)節(jié)圖像處理單元、灰度共生矩陣構(gòu)造單元、Haralick特征參數(shù)計算單元、Haralick特征集合構(gòu)成單元和肺結(jié)節(jié)患病風險預測單元；

所述肺結(jié)節(jié)圖像處理單元，用于將獲取的有標簽肺結(jié)節(jié)圖像、無標簽肺結(jié)節(jié)圖像和待診斷肺結(jié)節(jié)圖像作為目標圖像，得到目標圖像集，并將目標圖像進行灰度處理，對灰度處理后的目標圖像的灰度級進行壓縮；

所述灰度共生矩陣構(gòu)造單元，用于將灰度處理后的目標圖像在0°、45°、90°和135°四個方向上分別生成灰度共生矩陣，并計算灰度共生矩陣中各灰度值組合在目標圖像上的概率，確定目標圖像在0°、45°、90°和135°四個方向上的關(guān)于X的邊緣概率密度矩陣、關(guān)于Y的邊緣概率密度矩陣以及聯(lián)合概率分布密度函數(shù)；

所述Haralick特征參數(shù)計算單元，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率、關(guān)于X的邊緣概率密度矩陣、關(guān)于Y的邊緣概率密度矩陣以及聯(lián)合概率分布密度函數(shù)，確定目標圖像在0°、45°、90°和135°四個方向上的Haralick特征參數(shù)，即目標圖像在0°、45°、90°和135°四個方向上的角二階矩值、灰度值的對比度值、相關(guān)性值、灰度值方差、逆差矩、均和值、熵和、方差和、熵、差值的方差、差熵、第一相關(guān)性信息測度、第二相關(guān)性信息測度；

所述Haralick特征集合構(gòu)成單元，用于計算目標圖像在0°、45°、90°和135°四個方向上的各個Haralick特征參數(shù)的特征均值和特征方差，得到目標圖像的13個特征均值和目標圖像的13個特征方差，組成目標圖像的Haralick特征集合；

所述肺結(jié)節(jié)患病風險預測單元，用于將有標簽肺結(jié)節(jié)圖像的Haralick特征集合和無標簽肺結(jié)節(jié)圖像的Haralick特征集合作為SS-ELM學習機的輸入數(shù)據(jù)，得到SS-ELM學習機的學習參數(shù)，從而得到訓練后的SS-ELM學習機，將待診斷肺結(jié)節(jié)圖像的Haralick特征集合輸入到訓練后的SS-ELM學習機中，得到待診斷肺結(jié)節(jié)圖像性質(zhì)表現(xiàn)為惡性的風險概率。

可選地，所述肺結(jié)節(jié)圖像處理單元，包括灰度圖像生成器和圖像灰度級壓縮器；

所述灰度圖像生成器，用于將獲取的有標簽肺結(jié)節(jié)圖像、無標簽肺結(jié)節(jié)圖像和待診斷肺結(jié)節(jié)圖像作為目標圖像，得到目標圖像集，并將目標圖像進行灰度處理，得到灰度處理后的目標圖像；

所述圖像灰度級壓縮器，用于對灰度處理后的目標圖像的灰度級進行壓縮，將每個像素點的灰度值映射到1～N_g的整數(shù)范圍內(nèi)，其中N_g為設定灰度級。

可選地，所述灰度共生矩陣構(gòu)造單元，包括灰度共生矩陣生成器和概率參數(shù)計算器；

所述灰度共生矩陣生成器，用于將灰度處理后的目標圖像在0°、45°、90°和135°四個方向上分別生成灰度共生矩陣；所述各個方向上的灰度共生矩陣為：中心像素點的灰度值i與在該方向上與中心像素點距離1個像素點單位的鄰域像素點的灰度值j的灰度值組合(i，j)在目標圖像上出現(xiàn)的次數(shù)作為元素的矩陣；

所述概率參數(shù)計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的灰度共生矩陣計算各灰度值組合(i，j)在目標圖像上的概率，確定目標圖像在四個方向上的關(guān)于X的邊緣概率密度矩陣、關(guān)于Y的邊緣概率密度矩陣以及聯(lián)合概率分布密度函數(shù)。

可選地，所述Haralick特征參數(shù)計算單元包括：角二階矩計算器、對比度計算器、相關(guān)性計算器、方差計算器、逆差矩計算器、均值和計算器、熵和計算器、方差和計算器、熵計算器、差值的方差計算器、差熵計算器、第一相關(guān)性信息測度計算器、第二相關(guān)性信息測度計算器；

所述角二階矩計算器，用于根根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率確定目標圖像在0°、45°、90°和135°四個方向上的角二階矩值；

所述對比度計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率確定目標圖像在0°、45°、90°和135°四個方向上的灰度值的對比度值；

所述相關(guān)性計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的關(guān)于X的邊緣概率密度矩陣和關(guān)于Y的邊緣概率密度矩陣確定目標圖像在0°、45°、90°和135°四個方向上的相關(guān)性值；

所述方差計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率、關(guān)于X的邊緣概率密度矩陣和關(guān)于Y的邊緣概率密度矩陣確定目標圖像在0°、45°、90°和135°四個方向上的灰度值方差；

所述逆差矩計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率確定目標圖像在0°、45°、90°和135°四個方向上的逆差矩；

所述均值和計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的聯(lián)合概率分布密度函數(shù)確定目標圖像在0°、45°、90°和135°四個方向上的均和值；

所述熵和計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的聯(lián)合概率分布密度函數(shù)確定目標圖像在0°、45°、90°和135°四個方向上的熵和；

所述方差和計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的聯(lián)合概率分布密度函數(shù)以及熵和來確定目標圖像在0°、45°、90°和135°四個方向上的方差和；

所述熵計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率確定目標圖像在0°、45°、90°和135°四個方向上的熵；

所述差值的方差計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的聯(lián)合概率分布密度函數(shù)確定目標圖像在0°、45°、90°和135°四個方向上的差值的方差；

所述差熵計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的聯(lián)合概率分布密度函數(shù)確定目標圖像在0°、45°、90°和135°四個方向上的差熵；

所述第一相關(guān)性信息測度計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率、關(guān)于X的邊緣概率密度矩陣、關(guān)于Y的邊緣概率密度矩陣以及熵確定目標圖像在0°、45°、90°和135°四個方向上的第一相關(guān)性信息測度；

所述第二相關(guān)性信息測度計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的關(guān)于X的邊緣概率密度矩陣和關(guān)于Y的邊緣概率密度矩陣確定目標圖像在0°、45°、90°和135°四個方向上的第二相關(guān)性信息測度。

可選地，所述Haralick特征集合構(gòu)成單元，包括特征均值計算器、特征方差計算器和Haralick特征集合生成器；

所述特征均值計算器，用于計算目標圖像在0°、45°、90°和135°四個方向上的各個Haralick特征參數(shù)的均值，得到目標圖像的13個特征均值；

所述特征方差計算器，用于計算目標圖像在0°、45°、90°和135°四個方向上的各個Haralick特征參數(shù)的方差，得到目標圖像的13個特征方差；

所述Haralick特征集合生成器，用于將目標圖像的13個特征均值和目標圖像的13個特征方差組成目標圖像的Haralick特征集合。

可選地，所述肺結(jié)節(jié)患病風險預測單元，包括SS-ELM訓練器和SS-ELM診斷器；

所述SS-ELM訓練器，用于將有標簽肺結(jié)節(jié)圖像的Haralick特征集合和無標簽肺結(jié)節(jié)圖像的Haralick特征集合作為SS-ELM學習機的輸入數(shù)據(jù)，得到SS-ELM學習機的學習參數(shù)，從而得到訓練后的SS-ELM學習機；

所述SS-ELM診斷器，用于將待診斷肺結(jié)節(jié)圖像的Haralick特征集合輸入到訓練后的SS-ELM學習機中，得到待診斷肺結(jié)節(jié)圖像性質(zhì)表現(xiàn)為惡性的風險概率。

采用基于SS-ELM的肺結(jié)節(jié)患病風險預測系統(tǒng)進行肺結(jié)節(jié)患病風險預測的方法，包括以下步驟：

步驟1：獲取有標簽肺結(jié)節(jié)圖像、無標簽肺結(jié)節(jié)圖像和待診斷肺結(jié)節(jié)圖像；

步驟2：將獲取的有標簽肺結(jié)節(jié)圖像、無標簽肺結(jié)節(jié)圖像和待診斷肺結(jié)節(jié)圖像作為目標圖像，得到目標圖像集；

步驟3：將目標圖像進行灰度處理，對灰度處理后的目標圖像的灰度級進行壓縮；

步驟4：將灰度處理后的目標圖像在0°、45°、90°和135°四個方向上分別生成灰度共生矩陣；

步驟5：根據(jù)目標圖像在0°、45°、90°和135°四個方向上的灰度共生矩陣計算各灰度值組合(i，j)在目標圖像上的概率，確定目標圖像在四個方向上的關(guān)于X的邊緣概率密度矩陣、關(guān)于Y的邊緣概率密度矩陣以及聯(lián)合概率分布密度函數(shù)；

步驟6：根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率、關(guān)于X的邊緣概率密度矩陣、關(guān)于Y的邊緣概率密度矩陣以及聯(lián)合概率分布密度函數(shù)，確定目標圖像在0°、45°、90°和135°四個方向上的Haralick特征參數(shù)；

步驟7：計算目標圖像在0°、45°、90°和135°四個方向上的各個Haralick特征參數(shù)的特征均值和特征方差，得到目標圖像的13個特征均值和目標圖像的13個特征方差，組成目標圖像的Haralick特征集合；

步驟8：將有標簽肺結(jié)節(jié)圖像的Haralick特征集合和無標簽肺結(jié)節(jié)圖像的Haralick特征集合作為SS-ELM訓練器的輸入數(shù)據(jù)，得到SS-ELM訓練器的學習參數(shù)，從而得到訓練后的SS-ELM診斷器；

步驟9：將待診斷肺結(jié)節(jié)圖像的Haralick特征集合輸入到訓練后的SS-ELM診斷器中，得到待診斷肺結(jié)節(jié)圖像性質(zhì)表現(xiàn)為惡性的風險概率。

本發(fā)明的有益效果：

本發(fā)明提出一種基于SS-ELM的肺結(jié)節(jié)患病風險預測系統(tǒng)及方法，有別于傳統(tǒng)的基于監(jiān)督學習的肺結(jié)節(jié)患病風險預測方法，不僅能夠有效地改善肺結(jié)節(jié)患病風險預測的性能，而且解決了無標簽肺結(jié)節(jié)數(shù)據(jù)的訓練學習問題。

附圖說明

圖1為本發(fā)明實施方式中基于SS-ELM的肺結(jié)節(jié)患病風險預測系統(tǒng)的結(jié)構(gòu)框圖；

圖2為本發(fā)明實施方式中有標簽肺結(jié)節(jié)圖像；

圖3為本發(fā)明實施方式中無標簽肺結(jié)節(jié)圖像；

圖4為本發(fā)明實施方式中待診斷肺結(jié)節(jié)圖像；

圖5為本發(fā)明實施方式中基于SS-ELM的肺結(jié)節(jié)患病風險預測方法的流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明具體實施方式加以詳細的說明。

一種基于SS-ELM的肺結(jié)節(jié)患病風險預測系統(tǒng)，如圖1所示，包括肺結(jié)節(jié)圖像處理單元、灰度共生矩陣構(gòu)造單元、Haralick特征參數(shù)計算單元、Haralick特征集合構(gòu)成單元和肺結(jié)節(jié)患病風險預測單元。

肺結(jié)節(jié)圖像處理單元，用于將獲取的有標簽肺結(jié)節(jié)圖像、無標簽肺結(jié)節(jié)圖像和待診斷肺結(jié)節(jié)圖像作為目標圖像，得到目標圖像集，并將目標圖像進行灰度處理，對灰度處理后的目標圖像的灰度級進行壓縮。

本實施方式中，得到的有標簽肺結(jié)節(jié)圖像如圖2所示，無標簽肺結(jié)節(jié)圖像如圖3所示，待診斷肺結(jié)節(jié)圖像如圖4所示。

本實施方式中，肺結(jié)節(jié)圖像處理單元，包括灰度圖像生成器和圖像灰度級壓縮器。

灰度圖像生成器，用于將獲取的有標簽肺結(jié)節(jié)圖像、無標簽肺結(jié)節(jié)圖像和待診斷肺結(jié)節(jié)圖像作為目標圖像，得到目標圖像集，并將目標圖像進行灰度處理，得到灰度處理后的目標圖像。

本實施方式中，由于肺結(jié)節(jié)CT圖像以DICOM格式存儲，因此將目標圖像進行灰度處理，得到灰度處理后的目標圖像。

圖像灰度級壓縮器，用于對灰度處理后的目標圖像的灰度級進行壓縮，將每個像素點的灰度值映射到1～N_g的整數(shù)范圍內(nèi)，其中N_g為設定灰度級。

本實施方式中，N_g取值為32。

灰度共生矩陣構(gòu)造單元，用于將灰度處理后的目標圖像在0°、45°、90°和135°四個方向上分別生成灰度共生矩陣，并計算灰度共生矩陣中各灰度值組合在目標圖像上的概率，確定目標圖像在0°、45°、90°和135°四個方向上的關(guān)于X的邊緣概率密度矩陣、關(guān)于Y的邊緣概率密度矩陣以及聯(lián)合概率分布密度函數(shù)。

本實施方式中，灰度共生矩陣構(gòu)造單元，包括灰度共生矩陣生成器和概率參數(shù)計算器。

灰度共生矩陣生成器，用于將灰度處理后的目標圖像在0°、45°、90°和135°四個方向上分別生成灰度共生矩陣；各個方向上的灰度共生矩陣為：中心像素點的灰度值i與在該方向上與中心像素點距離1個像素點單位的鄰域像素點的灰度值j的灰度值組合(i，j)在目標圖像上出現(xiàn)的次數(shù)作為元素的矩陣。

概率參數(shù)計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的灰度共生矩陣計算各灰度值組合(i，j)在目標圖像上的概率，確定目標圖像在四個方向上的關(guān)于X的邊緣概率密度矩陣、關(guān)于Y的邊緣概率密度矩陣以及聯(lián)合概率分布密度函數(shù)。

本實施方式中，各灰度值組合(i，j)在目標圖像上的概率p(i，j)的計算公式如式(1)所示：

p(i，j)＝P(i，j)/R (1)

其中，戶(i，j)為灰度值組合(i，j)在整幅目標圖像區(qū)域中出現(xiàn)的次數(shù)，R為所有灰度值組合出現(xiàn)的次數(shù)之和。

關(guān)于X的邊緣概率密度矩陣的第i個輸入元素p_x(i)如式(2)所示：

$p_x\left(i\right)=\underset{j=1}{\overset{N_g}{\Σ}}p(i,j)---\left(2\right)$

關(guān)于Y的邊緣概率密度矩陣的第j個輸入元素p_y(j)如式(3)所示：

$p_y\left(j\right)=\underset{i=1}{\overset{N_g}{\Σ}}p(i,j)---\left(3\right)$

兩個聯(lián)合概率分布密度函數(shù)p_x+y(k)和p_x-y(k)如式(4)和式(5)所示：

$p_{x+y}\left(k\right)=\underset{i+j=k}{\overset{N_g}{\underset{i=1}{\Σ}}}\underset{j=1}{\overset{N_g}{\Σ}}p(i,j)---\left(4\right)$

其中，k取值為2，3，…，2N_g。

$p_{x-y}\left(k\right)=\underset{|i-j|=k}{\overset{N_g}{\underset{i=1}{\Σ}}}\underset{j=1}{\overset{N_g}{\Σ}}p(i,j)---\left(5\right)$

其中，k取值為0，1，…，N_g-1。

Haralick特征參數(shù)計算單元，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率、關(guān)于X的邊緣概率密度矩陣、關(guān)于Y的邊緣概率密度矩陣以及聯(lián)合概率分布密度函數(shù)，確定目標圖像在0°、45°、90°和135°四個方向上的Haralick特征參數(shù)，即目標圖像在0°、45°、90°和135°四個方向上的角二階矩值、灰度值的對比度值、相關(guān)性值、灰度值方差、逆差矩、均和值、熵和、方差和、熵、差值的方差、差熵、第一相關(guān)性信息測度、第二相關(guān)性信息測度。

本實施方式中，Haralick特征參數(shù)計算單元包括：角二階矩計算器、對比度計算器、相關(guān)性計算器、方差計算器、逆差矩計算器、均值和計算器、熵和計算器、方差和計算器、熵計算器、差值的方差計算器、差熵計算器、第一相關(guān)性信息測度計算器、第二相關(guān)性信息測度計算器。

角二階矩計算器，用于根根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率確定目標圖像在0°、45°、90°和135°四個方向上的角二階矩值。

本實施方式中，角二階矩計算器f₁的計算公式如式(6)所示：

$f_1=\underset{i=1}{\overset{N_g}{\Σ}}\underset{j=1}{\overset{N_g}{\Σ}}{\left\{p(i,j)\right\}}^2---\left(6\right)$

對比度計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率確定目標圖像在0°、45°、90°和135°四個方向上的灰度值的對比度值。

本實施方式中，對比度計算器f₂的計算公式如式(7)所示：

$f_2=\underset{n=0}{\overset{N_g-1}{\Σ}}{n}^2\left\{\underset{|i-j|=n}{\overset{N_g}{\underset{i=1}{\Σ}}}\underset{j=1}{\overset{N_g}{\Σ}}p(i,j)\right\}---\left(7\right)$

相關(guān)性計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的關(guān)于X的邊緣概率密度矩陣和關(guān)于Y的邊緣概率密度矩陣確定目標圖像在0°、45°、90°和135°四個方向上的相關(guān)性值。

本實施方式中，相關(guān)性計算器f₃的計算公式如式(8)所示：

$f_3=\frac{\underset{i=1}{\overset{N_g}{\Σ}}\underset{j=1}{\overset{N_g}{\Σ}}\left(ij\right)p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(8\right)$

其中，μ_x為p_x的均值，μ_y為p_y的均值，σ_x為p_x的標準差，σ_y為p_y的標準差。

方差計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率、關(guān)于X的邊緣概率密度矩陣和關(guān)于Y的邊緣概率密度矩陣確定目標圖像在0°、45°、90°和135°四個方向上的灰度值方差。

本實施方式中，方差計算器f₄的計算公式如式(9)所示：

$f_4=\underset{i=1}{\overset{N_g}{\Σ}}\underset{j=1}{\overset{N_g}{\Σ}}(i-{\mathrm{\μ}}_x)(j-{\mathrm{\μ}}_y)p(i,j)---\left(9\right)$

逆差矩計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率確定目標圖像在0°、45°、90°和135°四個方向上的逆差矩。

本實施方式中，逆差矩計算器f的計算公式如式(10)所示：

$f_5=\underset{i=1}{\overset{N_g}{\Σ}}\underset{j=1}{\overset{N_g}{\Σ}}\frac{1}{1+{(i-j)}^2}p(i,j)---\left(10\right)$

均值和計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的聯(lián)合概率分布密度函數(shù)確定目標圖像在0°、45°、90°和135°四個方向上的均和值。

本實施方式中，均值和計算器f₆的計算公式如式(11)所示：

$f_6=\underset{i=2}{\overset{2N_g}{\Σ}}{\mathrm{ip}}_{x+y}\left(i\right)---\left(11\right)$

熵和計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的聯(lián)合概率分布密度函數(shù)確定目標圖像在0°、45°、90°和135°四個方向上的熵和。

本實施方式中，熵和計算器f₇的計算公式如式(12)所示：

$f_7=-\underset{i=2}{\overset{2N_g}{\Σ}}{p}_{x+y}\left(i\right)\log \left\{p_{x+y}\left(i\right)\right\}---\left(12\right)$

方差和計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的聯(lián)合概率分布密度函數(shù)以及熵和來確定目標圖像在0°、45°、90°和135°四個方向上的方差和。

本實施方式中，方差和計算器f₈的計算公式如式(13)所示：

$f_8=\underset{i=2}{\overset{2N_g}{\Σ}}{(i-f_7)}^2{p}_{x+y}\left(i\right)---\left(13\right)$

熵計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率確定目標圖像在0°、45°、90°和135°四個方向上的熵。

本實施方式中，熵計算器f₉的計算公式如式(14)所示：

$f_9=-\underset{i=1}{\overset{N_g}{\Σ}}\underset{j=1}{\overset{N_g}{\Σ}}p(i,j)log\left(p\right(i,j\left)\right)---\left(14\right)$

差值的方差計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的聯(lián)合概率分布密度函數(shù)確定目標圖像在0°、45°、90°和135°四個方向上的差值的方差。

本實施方式中，差值的方差計算器f₁₀的計算公式如式(15)所示：

f₁₀＝p_x-y的方差 (15)

差熵計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的聯(lián)合概率分布密度函數(shù)確定目標圖像在0°、45°、90°和135°四個方向上的差熵。

本實施方式中，差熵計算器f₁₁的計算公式如式(16)所示：

$f_{11}=\underset{i=0}{\overset{N_g-1}{\Σ}}{p}_{x-y}\left(i\right)log\left\{p_{x-y}\left(i\right)\right\}---\left(16\right)$

第一相關(guān)性信息測度計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率、關(guān)于X的邊緣概率密度矩陣、關(guān)于Y的邊緣概率密度矩陣以及熵確定目標圖像在0°、45°、90°和135°四個方向上的第一相關(guān)性信息測度。

本實施方式中，第一相關(guān)性信息測度計算器f₁₂的計算公式如式(17)所示：

$f_2=\frac{HXY-HXY1}{max\{HX,HY\}}---\left(17\right)$

其中，HXY＝f₉，

第二相關(guān)性信息測度計算器，用于根據(jù)目標圖像在0°、45°、90°和135°四個方向上的關(guān)于X的邊緣概率密度矩陣和關(guān)于Y的邊緣概率密度矩陣確定目標圖像在0°、45°、90°和135°四個方向上的第二相關(guān)性信息測度。

本實施方式中，第二相關(guān)性信息測度計算器f₁₃的計算公式如式(18)所示：

f₁₃＝(1-exp[-2.0(HXY2-HXY)])^1/2 (18)

其中，

Haralick特征集合構(gòu)成單元，用于計算目標圖像在0°、45°、90°和135°四個方向上的各個Haralick特征參數(shù)的特征均值和特征方差，得到目標圖像的13個特征均值和目標圖像的13個特征方差，組成目標圖像的Haralick特征集合。

本實施方式中，Haralick特征集合構(gòu)成單元，包括特征均值計算器、特征方差計算器和Haralick特征集合生成器。

特征均值計算器，用于計算目標圖像在0°、45°、90°和135°四個方向上的各個Haralick特征參數(shù)的均值，得到目標圖像的13個特征均值。

特征方差計算器，用于計算目標圖像在0°、45°、90°和135°四個方向上的各個Haralick特征參數(shù)的方差，得到目標圖像的13個特征方差。

Haralick特征集合生成器，用于將目標圖像的13個特征均值和目標圖像的13個特征方差組成目標圖像的Haralick特征集合。

肺結(jié)節(jié)患病風險預測單元，用于將有標簽肺結(jié)節(jié)圖像的Haralick特征集合和無標簽肺結(jié)節(jié)圖像的Haralick特征集合作為SS-ELM學習機的輸入數(shù)據(jù)，得到SS-ELM學習機的學習參數(shù)，從而得到訓練后的SS-ELM學習機，將待診斷肺結(jié)節(jié)圖像的Haralick特征集合輸入到訓練后的SS-ELM學習機中，得到待診斷肺結(jié)節(jié)圖像性質(zhì)表現(xiàn)為惡性的風險概率。

本實施方式中，肺結(jié)節(jié)患病風險預測單元，包括SS-ELM訓練器和SS-ELM診斷器。

SS-ELM訓練器，用于將有標簽肺結(jié)節(jié)圖像的Haralick特征集合和無標簽肺結(jié)節(jié)圖像的Haralick特征集合作為SS-ELM學習機的輸入數(shù)據(jù)，得到SS-ELM學習機的學習參數(shù)，從而得到訓練后的SS-ELM學習機。

SS-ELM診斷器，用于將待診斷肺結(jié)節(jié)圖像的Haralick特征集合輸入到訓練后的SS-ELM學習機中，得到待診斷肺結(jié)節(jié)圖像性質(zhì)表現(xiàn)為惡性的風險概率。

采用基于SS-ELM的肺結(jié)節(jié)患病風險預測系統(tǒng)進行肺結(jié)節(jié)患病風險預測的方法，如圖5所示，包括以下步驟：

步驟1：獲取有標簽肺結(jié)節(jié)圖像、無標簽肺結(jié)節(jié)圖像和待診斷肺結(jié)節(jié)圖像。

步驟2：將獲取的有標簽肺結(jié)節(jié)圖像、無標簽肺結(jié)節(jié)圖像和待診斷肺結(jié)節(jié)圖像作為目標圖像，得到目標圖像集。

步驟3：將目標圖像進行灰度處理，對灰度處理后的目標圖像的灰度級進行壓縮。

步驟4：將灰度處理后的目標圖像在0°、45°、90°和135°四個方向上分別生成灰度共生矩陣；。

步驟5：根據(jù)目標圖像在0°、45°、90°和135°四個方向上的灰度共生矩陣計算各灰度值組合(i，j)在目標圖像上的概率，確定目標圖像在四個方向上的關(guān)于X的邊緣概率密度矩陣、關(guān)于Y的邊緣概率密度矩陣以及聯(lián)合概率分布密度函數(shù)。

步驟6：根據(jù)目標圖像在0°、45°、90°和135°四個方向上的各灰度值組合在目標圖像上的概率、關(guān)于X的邊緣概率密度矩陣、關(guān)于Y的邊緣概率密度矩陣以及聯(lián)合概率分布密度函數(shù)，確定目標圖像在0°、45°、90°和135°四個方向上的Haralick特征參數(shù)。

步驟7：計算目標圖像在0°、45°、90°和135°四個方向上的各個Haralick特征參數(shù)的特征均值和特征方差，得到目標圖像的13個特征均值和目標圖像的13個特征方差，組成目標圖像的Haralick特征集合。

本實施方式中，得到v個有標簽肺結(jié)節(jié)圖像的Haralick特征集合H_L如式(19)所示：

其中，公式(19)第一列為標簽，1表示惡性肺結(jié)節(jié)標簽，0表示良性肺結(jié)節(jié)標簽。

得到例個無標簽肺結(jié)節(jié)的Haralick特征集合H_U如式(20)所示：

待診斷肺結(jié)節(jié)的Haralick特征集合H_W如式(21)所示：

H_W＝[0.112919…0.015359]_1×26 (21)

步驟8：將有標簽肺結(jié)節(jié)圖像的Haralick特征集合和無標簽肺結(jié)節(jié)圖像的Haralick特征集合作為SS-ELM訓練器的輸入數(shù)據(jù)，得到SS-ELM訓練器的學習參數(shù)，從而得到訓練后的SS-ELM診斷器。

步驟9：將待診斷肺結(jié)節(jié)圖像的Haralick特征集合輸入到訓練后的SS-ELM診斷器中，得到待診斷肺結(jié)節(jié)圖像性質(zhì)表現(xiàn)為惡性的風險概率。