第5期 姜婷，等：基于分布先验的半监督FCM的肺结节分类 .733· 表1不同方法的准确率对比 Tablel Comparison of the accuracy of different methods 号 标记样本：未标记样本FCM算法部分监督FCM算法 SS-FCM算法 改进半监督FCM算法本文提出的算法 43:307 73.4 74.3 75.5 72.6 78.2 65:307 73.4 73.2 75.7 72.8 78.4 90:307 73.4 75.1 78.1 77.1 80.1 144:307 73.4 78.7 79.4 77.6 79.3 由表1可知，随着标记样本数量的增加，半监督 nodules in CT images[J].Journal of data acquisition and FCM框架下的肺结节分类的准确率大致是逐渐提 processing,2016,31(5):868-881. 高的。与其他的半监督FCM方法相比较，本文提出 [3]LEE S L A,KOUZANI A Z.HU E J.Automated detection 的算法效果更好。因为本文引入了样本的先验分 of lung nodules in computed tomography images:a review 布信息，能够强化标记信息对聚类的指导作用，从 [J].Machine vision and applications,2012,23 (1): 151-163. 而能够提高分类效果。但是根据表1中数据我们可 [4]VALENTE I R S,CORTEZ P C,NETO E C,et al. 以看出，标记样本为90时的分类准确率要比标记样 Automatic 3D pulmonary nodule detection in CT images:A 本为144时的分类准确率高，这是因为随着标记样 survey[J].Computer methods and programs in biomedicine, 本的增加，当标记样本和未标记样本的数量越来越 2016,124(C):91-107. 接近时，公式中引人的标记样本和未标记样本的权 [5]HAN F,WANG H,ZHANG G,et al.Texture feature 重也就越来越相近，那么式(17)中的系数就可以约 analysis for computer-aided diagnosis on pulmonary nodules 掉，本文的算法退化为传统的半监督模糊C均值算 [J].Journal of digital imaging,2015,28(1):99. 法，从而使得准确率降低。这也是下一步工作的 [6]HADY M F A,SCHWENKER F.Semi-supervised learning 重点。 []Intelligent systems reference library,2010,49(2): 215-239. 4结束语 [7]BENSAID A M,HALL L O,BEZDEK J C,et al.Partially supervised clustering for image segmentation[].Pattern 为了解决半监督聚类算法中标记样本数量少 recognition,1996,29(5):859-871. 导致标记信息在聚类过程中作用弱化的问题，本文 [8]张慧哲，王坚.基于初始聚类中心选取的改进FCM聚类 提出了一种基于先验分布的半监督FCM算法。引 算法[J].计算机科学，2009,36(6)：206-209. 入样本的分布先验信息，自适应调节样本的权重， ZHANG Huizhe,WANG Jian.Improved fuzzy C means 强化标记样本在聚类过程中的指导作用，提高半监 clustering algorithm based on selecting initial clustering 督FCM算法在少量标记样本情况下的性能。在本 centers[J].Computer science,2009,36(6):206-209. 文的实验中，通过与传统的半监督聚类算法对比， [9]李春芳，庞雅静，钱丽璞，等.半监督FCM聚类算法目 证明提出的方法能够取得更高的聚类正确率。 标函数研究[J].计算机工程与应用，2009,45(14)： 128-132 但是当标记样本数量非常小的时候，给其赋以 LI Chunfang,PANG Yajing,QIAN Lipu,et al.Objective 过大的权重会出现分类结果偏离实际的情况。这 function of semi-supervised FCM clustering algorithm[J]. 也是在未来的工作中进一步研究的问题。 Computer engineering and application,2009,45(14): 参考文献： 128-132. [10]WU K L.Analysis of parameter selections for fuzzy C- [1 MCGUIRE S.World Cancer Report 2014.Geneva, means[J].Pattern recognition,2012,45(1):407-415. Switzerland:World Health Organization,International [11]侯薇，董红斌，印桂生.一种基于隶属度优化的演化聚 Agency for Research on Cancer,WHO Press,2015[R] 类算法[J].计算机研究与发展，2013,50(3)： Advances in nutrition,2016,7(2):418-419. 548-558. [2]伍长荣，接标，叶明全.CT图像肺结节计算机辅助检测 HOU Wei,DONG Hongbin,YIN Guisheng.A membership 与诊断技术研究综述[J].数据采集与处理，2016,31 degree refinement-based evolutionary clustering algorithm (5):868-881. [J].Journal of computer research and development,2013, WU Changrong,JIE Biao,YE Mingquan.Reviews on 50(3):548-558. computer-aided detection and diagnosis of pulmonary [12]李斌，狄岚，王少华，等.基于改进核模糊C均值类间表 １ 不同方法的准确率对比 Ｔａｂｌｅ１ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｄｉｆｆｅｒｅｎｔ ｍｅｔｈｏｄｓ ％ 标记样本：未标记样本 ＦＣＭ 算法 部分监督 ＦＣＭ 算法 ＳＳ⁃ＦＣＭ 算法 改进半监督 ＦＣＭ 算法 本文提出的算法 ４３：３０７ ７３．４ ７４．３ ７５．５ ７２．６ ７８．２ ６５：３０７ ７３．４ ７３．２ ７５．７ ７２．８ ７８．４ ９０：３０７ ７３．４ ７５．１ ７８．１ ７７．１ ８０．１ １４４：３０７ ７３．４ ７８．７ ７９．４ ７７．６ ７９．３ 由表 １ 可知，随着标记样本数量的增加，半监督 ＦＣＭ 框架下的肺结节分类的准确率大致是逐渐提 高的。 与其他的半监督 ＦＣＭ 方法相比较，本文提出 的算法效果更好。 因为本文引入了样本的先验分 布信息，能够强化标记信息对聚类的指导作用，从 而能够提高分类效果。 但是根据表 １ 中数据我们可 以看出，标记样本为 ９０ 时的分类准确率要比标记样 本为 １４４ 时的分类准确率高，这是因为随着标记样 本的增加，当标记样本和未标记样本的数量越来越 接近时，公式中引入的标记样本和未标记样本的权 重也就越来越相近，那么式（１７）中的系数就可以约 掉，本文的算法退化为传统的半监督模糊 Ｃ 均值算 法，从而使得准确率降低。 这也是下一步工作的 重点。 ４ 结束语 为了解决半监督聚类算法中标记样本数量少 导致标记信息在聚类过程中作用弱化的问题，本文 提出了一种基于先验分布的半监督 ＦＣＭ 算法。 引 入样本的分布先验信息，自适应调节样本的权重， 强化标记样本在聚类过程中的指导作用，提高半监 督 ＦＣＭ 算法在少量标记样本情况下的性能。 在本 文的实验中，通过与传统的半监督聚类算法对比， 证明提出的方法能够取得更高的聚类正确率。 但是当标记样本数量非常小的时候，给其赋以 过大的权重会出现分类结果偏离实际的情况。 这 也是在未来的工作中进一步研究的问题。 参考文献： ［ １ ］ ＭＣＧＵＩＲＥ Ｓ． Ｗｏｒｌｄ Ｃａｎｃｅｒ Ｒｅｐｏｒｔ ２０１４． Ｇｅｎｅｖａ， Ｓｗｉｔｚｅｒｌａｎｄ： Ｗｏｒｌｄ Ｈｅａｌｔｈ Ｏｒｇａｎｉｚａｔｉｏｎ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ａｇｅｎｃｙ ｆｏｒ Ｒｅｓｅａｒｃｈ ｏｎ Ｃａｎｃｅｒ， ＷＨＯ Ｐｒｅｓｓ， ２０１５［Ｒ］． Ａｄｖａｎｃｅｓ ｉｎ ｎｕｔｒｉｔｉｏｎ， ２０１６， ７（２）： ４１８－４１９． ［２］伍长荣， 接标， 叶明全． ＣＴ 图像肺结节计算机辅助检测 与诊断技术研究综述［ Ｊ］． 数据采集与处理， ２０１６， ３１ （５）： ８６８－８８１． ＷＵ Ｃｈａｎｇｒｏｎｇ， ＪＩＥ Ｂｉａｏ， ＹＥ Ｍｉｎｇｑｕａｎ． Ｒｅｖｉｅｗｓ ｏｎ ｃｏｍｐｕｔｅｒ⁃ａｉｄｅｄ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｄｉａｇｎｏｓｉｓ ｏｆ ｐｕｌｍｏｎａｒｙ ｎｏｄｕｌｅｓ ｉｎ ＣＴ ｉｍａｇｅｓ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ａｎｄ ｐｒｏｃｅｓｓｉｎｇ， ２０１６， ３１（５）： ８６８－８８１． ［３］ＬＥＥ Ｓ Ｌ Ａ， ＫＯＵＺＡＮＩ Ａ Ｚ， ＨＵ Ｅ Ｊ． Ａｕｔｏｍａｔｅｄ ｄｅｔｅｃｔｉｏｎ ｏｆ ｌｕｎｇ ｎｏｄｕｌｅｓ ｉｎ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ ｉｍａｇｅｓ： ａ ｒｅｖｉｅｗ ［Ｊ ］． Ｍａｃｈｉｎｅ ｖｉｓｉｏｎ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ， ２０１２， ２３ （ １ ）： １５１－１６３． ［４］ ＶＡＬＥＮＴＥ Ｉ Ｒ Ｓ， ＣＯＲＴＥＺ Ｐ Ｃ， ＮＥＴＯ Ｅ Ｃ， ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ ３Ｄ ｐｕｌｍｏｎａｒｙ ｎｏｄｕｌｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ＣＴ ｉｍａｇｅｓ： Ａ ｓｕｒｖｅｙ［Ｊ］． Ｃｏｍｐｕｔｅｒ ｍｅｔｈｏｄｓ ａｎｄ ｐｒｏｇｒａｍｓ ｉｎ ｂｉｏｍｅｄｉｃｉｎｅ， ２０１６， １２４（Ｃ）： ９１－１０７． ［５］ ＨＡＮ Ｆ， ＷＡＮＧ Ｈ， ＺＨＡＮＧ Ｇ， ｅｔ ａｌ． Ｔｅｘｔｕｒｅ ｆｅａｔｕｒｅ ａｎａｌｙｓｉｓ ｆｏｒ ｃｏｍｐｕｔｅｒ⁃ａｉｄｅｄ ｄｉａｇｎｏｓｉｓ ｏｎ ｐｕｌｍｏｎａｒｙ ｎｏｄｕｌｅｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｄｉｇｉｔａｌ ｉｍａｇｉｎｇ， ２０１５， ２８（１）： ９９． ［６］ＨＡＤＹ Ｍ Ｆ Ａ， ＳＣＨＷＥＮＫＥＲ Ｆ． Ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ ［Ｊ］． Ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ ｒｅｆｅｒｅｎｃｅ ｌｉｂｒａｒｙ， ２０１０， ４９ （ ２）： ２１５－２３９． ［７］ＢＥＮＳＡＩＤ Ａ Ｍ， ＨＡＬＬ Ｌ Ｏ， ＢＥＺＤＥＫ Ｊ Ｃ， ｅｔ ａｌ． Ｐａｒｔｉａｌｌｙ ｓｕｐｅｒｖｉｓｅｄ ｃｌｕｓｔｅｒｉｎｇ ｆｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ［ Ｊ］． Ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ， １９９６， ２９（５）： ８５９－８７１． ［８］张慧哲， 王坚． 基于初始聚类中心选取的改进 ＦＣＭ 聚类 算法［Ｊ］． 计算机科学， ２００９， ３６（６）： ２０６－２０９． ＺＨＡＮＧ Ｈｕｉｚｈｅ， ＷＡＮＧ Ｊｉａｎ． Ｉｍｐｒｏｖｅｄ ｆｕｚｚｙ Ｃ ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｓｅｌｅｃｔｉｎｇ ｉｎｉｔｉａｌ ｃｌｕｓｔｅｒｉｎｇ ｃｅｎｔｅｒｓ［Ｊ］． Ｃｏｍｐｕｔｅｒ ｓｃｉｅｎｃｅ， ２００９， ３６（６）： ２０６－２０９． ［９］李春芳， 庞雅静， 钱丽璞，等． 半监督 ＦＣＭ 聚类算法目 标函数研究［ Ｊ］． 计算机工程与应用， ２００９， ４５ （ １４）： １２８－１３２． ＬＩ Ｃｈｕｎｆａｎｇ， ＰＡＮＧ Ｙａｊｉｎｇ， ＱＩＡＮ Ｌｉｐｕ， ｅｔ ａｌ． Ｏｂｊｅｃｔｉｖｅ ｆｕｎｃｔｉｏｎ ｏｆ ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ＦＣＭ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ［ Ｊ］． Ｃｏｍｐｕｔｅｒ ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ， ２００９， ４５ （ １４ ）： １２８－１３２． ［１０］ ＷＵ Ｋ Ｌ． Ａｎａｌｙｓｉｓ ｏｆ ｐａｒａｍｅｔｅｒ ｓｅｌｅｃｔｉｏｎｓ ｆｏｒ ｆｕｚｚｙ Ｃ⁃ ｍｅａｎｓ［Ｊ］． Ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ， ２０１２， ４５（１）： ４０７－４１５． ［１１］侯薇， 董红斌， 印桂生． 一种基于隶属度优化的演化聚 类算 法 ［ Ｊ ］． 计 算 机 研 究 与 发 展， ２０１３， ５０ （ ３ ）： ５４８－５５８． ＨＯＵ Ｗｅｉ， ＤＯＮＧ Ｈｏｎｇｂｉｎ， ＹＩＮ Ｇｕｉｓｈｅｎｇ． Ａ ｍｅｍｂｅｒｓｈｉｐ ｄｅｇｒｅｅ ｒｅｆｉｎｅｍｅｎｔ⁃ｂａｓｅｄ ｅｖｏｌｕｔｉｏｎａｒｙ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔｅｒ ｒｅｓｅａｒｃｈ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ， ２０１３， ５０（３）： ５４８－５５８． ［１２］李斌， 狄岚， 王少华，等． 基于改进核模糊 Ｃ 均值类间 第 ５ 期 姜婷，等：基于分布先验的半监督 ＦＣＭ 的肺结节分类 ·７３３·