基于自动多目标的分类特征选择
计算机视觉与模式识别
2019-02-14 v4 医学物理
摘要
目的：准确分类筛查扫描中检测到的病灶的良恶性对降低假阳性至关重要。放射组学通过提取和分析大量定量图像特征，在区分恶性与良性肿瘤方面具有巨大潜力。由于并非所有放射组学特征都有助于有效的分类模型，选择最优特征子集至关重要。方法：本工作提出一种新的基于多目标的特征选择（MO-FS）算法，在特征选择过程中同时将灵敏度和特异性作为目标函数。针对MO-FS，我们开发了基于修正熵的终止准则（METC），使算法自动停止，而非依赖预设的迭代代数。我们还设计了用于多目标学习的解选择方法，利用证据推理方法（SMOLER）从帕累托最优集中自动选择最优解。此外，我们开发了自适应变异操作，以在MO-FS中自动生成变异概率。结果：我们评估了MO-FS在低剂量CT中肺结节良恶性分类和数字乳腺断层合成中乳腺病灶良恶性分类上的表现。结论：实验结果表明，由MO-FS选择的特征集取得了优于其他常用方法所选特征的分类性能。意义：所提方法是一种通用且更有效的放射组学特征选择策略。
引用
@article{arxiv.1807.03236,
title = {Automatic multi-objective based feature selection for classification},
author = {Zhiguo Zhou and Shulong Li and Genggeng Qin and Michael Folkert and Steve Jiang and Jing Wang},
journal= {arXiv preprint arXiv:1807.03236},
year = {2019}
}