肝脏CAD算法优化：特征提取与GPGPU应用提升

本篇论文主要探讨了肝脏计算机辅助诊断（CAD）分类器算法的改进以及其在图形处理器（GPGPU）应用中的研究。作者杨伟，专业为软件工程，学号为5060379078，由指导教师孙焱在软件学院指导下完成。论文针对肝癌早期诊断面临的挑战进行深入分析，强调了肝脏病变的特殊性，即其影像学表现缺乏固定形状和清晰边界，使得传统的形状先验知识在肝脏CAD中难以有效利用。 论文的核心内容聚焦于如何利用肝脏CT多期增强扫描（包括动脉期、门静脉期、延迟期和平扫期）的四期图像数据，通过对感兴趣区域的纹理特征和时序特征进行提取。作者采用的支持向量机（SVM）、k近邻（KNN）和神经网络等分类器是当前肝脏CAD研究的常用方法，通过三层二分的策略来提升分类性能。尽管已取得初步进展，如构建了完整的诊断流程、比较了不同分类器的效果，并提出了Scattergram分散图来提取时序特征，但论文也指出了现有方法在特征提取和分类器训练上的局限性。 样本特征值分布表现出一定的聚集性但又存在交叉，这意味着正常样本的特征值范围可能与病变样本重叠，这给正常类别的区分带来了挑战。尽管BP神经网络和进化神经网络能提供较好的训练结果，但它们的训练速度慢，BP神经网络易受初始权重影响且可能陷入局部最优，进化神经网络在编码规则上受限于精度，导致在大群体训练中效率低下。此外，这些模型的内在知识理解困难也是一个问题。 论文着重讨论了未来的研究方向，即寻找更高效、可解释性更强的特征选择和分类算法，同时利用GPGPU的优势，通过并行计算加速模型训练和推理过程，以期望在保持高准确度的同时，提高肝脏CAD系统的实时性和实用性。这不仅对改善肝癌早期诊断的准确性具有重要意义，也体现了作者对计算机视觉和并行计算在医学影像分析领域的前沿探索。