金海彬， 呂志賢， 侯木舟， 曹 聰

(中南大學 數(shù)學與統(tǒng)計學院， 湖南 長沙 410083)

0 引 言

據(jù)國家衛(wèi)生健康委員會統(tǒng)計[1]， 消化系統(tǒng)疾病患病率在我國兩周患病率和慢性病患病率統(tǒng)計中分別排第五位和第四位， 且消化系統(tǒng)疾病住院率位居第三， 嚴重危害著人們的身體健康。 消化系統(tǒng)疾病通常癥狀突出而體征不明顯， 隨著醫(yī)療技術的發(fā)展， 擁有許多優(yōu)點的內(nèi)窺鏡， 在消化系統(tǒng)病的醫(yī)療診斷中的使用日益增加[2]。 內(nèi)窺鏡的平均拍攝速率大約為2 幀/s， 在歷時6 h～8 h的檢測過程中， 獲取的圖像數(shù)量高達數(shù)萬張， 通過醫(yī)生逐張診斷的方式將耗費大量的時間， 容易造成醫(yī)生視覺疲勞和錯失有用信息， 而僅依靠人工診斷也無法應對逐年增長的患者數(shù)量[3]。 因此， 通過計算機輔助， 使用有效的內(nèi)鏡圖像分類算法， 能夠為醫(yī)護人員節(jié)省寶貴的時間， 對消化系統(tǒng)疾病患者更是具有重大意義。

遺傳算法借鑒生物界中適者生存、 優(yōu)勝劣汰等進化規(guī)律， 模擬一個人工種群在若干代后達到最優(yōu)解[4-5]， 是一種隨機化搜索優(yōu)化方法， 在求解較為復雜的組合優(yōu)化問題時， 通常會比傳統(tǒng)的優(yōu)化算法更快獲取到較好的結果。 遺傳算法在1975年由Holland提出， 其可以直接操作結構對象， 而不需要考慮連續(xù)函數(shù)的限定條件， 也不受求導的限制。 同時， 遺傳算法有著從原理上對并行運算的友好性， 因此帶來了更好的全局尋優(yōu)能力。 另一方面， 遺傳算法也是一種概率化尋優(yōu)方法， 但其搜索空間與搜索方向總是能夠自動適應， 而不需要人為添加過多的規(guī)則和干預。 大自然中的生物遺傳主要由自然選擇、 基因重組、 基因突變構成， 由此設計的遺傳算法也是由選擇、 交叉、 變異等過程構成。 遺傳算法擁有的優(yōu)良性質， 使其被應用于神經(jīng)網(wǎng)絡超參數(shù)尋優(yōu)、 機器人AI算法設計等領域， 是現(xiàn)代智能計算中的重要技術之一。 目前， 遺傳算法與特征融合技術主要應用在語音分割[6]、 情感識別[7]、 紅外和可見光圖像融合[8]、 高效自動圖像注釋[9]等領域， 這為基于遺傳算法的改進多特征融合方法的設計提供了一種新思路。

支持向量機是一種廣泛應用于機器學習領域的統(tǒng)計學習方法。 2010年， Surangsrirat等[10]提出了將內(nèi)鏡圖像非線性失真校正后的原始像素的強度值作為支持向量機的輸入特征。 2012年， 李凱旋等[11]提出了基于模糊紋理譜的膠囊內(nèi)窺鏡圖像識別方法， 引入圖像各分量上的模糊紋理譜， 分別提取特征向量， 并利用BP人工神經(jīng)網(wǎng)絡訓練與識別， 對不同分量圖像采用投票原則確定了最終識別結果。 2013年， 王曉云[12]通過引入群智能算法來優(yōu)化核參數(shù)， 改善了支持向量機在構造核函數(shù)和選擇核參數(shù)時， 大多依靠經(jīng)驗選取或者大范圍網(wǎng)絡搜索耗時等問題。 2016年， Xue等[13]提出了一種專用于食管癌圖像分類的網(wǎng)絡NBI-Net， 并使用支持向量機代替softmax分類。 同年， 鄧江洪等[14]采用混沌粒子群算法確定特征權值， 提出了一種多特征篩選和支持向量機的圖像分類模型， 實驗表明， 該方法可以降低圖像分類開銷， 提升圖像分類性能。 2017年， 孟金龍等[15]提出了一種使用圖像的梯度直方圖(HOG)特征的支持向量機分類方法， 該方法能夠有效地進行圖像分類。 同年， Li等[16]采用了對病變圖像進行數(shù)據(jù)增強， 遷移Inception-v3 網(wǎng)絡并在網(wǎng)絡最后添加全連接層的方法進行圖像分類， 但分類的準確度有待提高。 2018年， 徐婷婷等[17]提出了基于顏色和紋理特征的膠囊內(nèi)鏡圖像分類方法， 結合顏色矩和小波變換計算共生矩陣特征值， 進一步提升了準確率。 2021年， 梁立媛等[18]將經(jīng)過遷移學習的卷積神經(jīng)網(wǎng)絡提取的圖像特征作為支持向量機的輸入特征。 同年， 曹燕珍等[19]提出了一種CNN-OVA-SVM模型， 該模型使用Resnet-50卷積神經(jīng)網(wǎng)絡提取圖像特征， 將支持向量機作為子分類器， 使用一對多集成分類器進行圖像分類， 對于不同分化類型的結直腸腺癌的鑒別具有一定的臨床價值。

目前， 大多數(shù)基于支持向量機的內(nèi)鏡圖像分類算法都采用傳統(tǒng)的特征融合方法， 這種方法的缺點是特征數(shù)量大、 冗余度大,且受主觀因素的影響較大。 采用卷積神經(jīng)網(wǎng)絡對內(nèi)鏡圖像進行分類， 比傳統(tǒng)分類方法擁有更強的自動學習特征的能力， 但設計一個有良好分類效果的卷積神經(jīng)網(wǎng)絡需要大量的數(shù)據(jù)來優(yōu)化網(wǎng)絡中的參數(shù)。 針對內(nèi)鏡圖像數(shù)據(jù)量少的問題， 本文采用基于遺傳算法的改進多特征融合方法， 首先對數(shù)據(jù)進行預處理以及數(shù)據(jù)增強， 從原始特征向量中選擇多種分類性能優(yōu)良的組合， 再將這些組合作為支持向量機的輸入， 得到多個分類模型， 最終將多種分類模型的分類結果通過投票集成， 構建最終的內(nèi)鏡圖像分類模型。

1 基于改進遺傳算法的多特征融合方法

特征融合是指利用現(xiàn)有的多個特征集生成新的融合特征， 通?？梢垣@取不同特征集之間最具差異的信息。 由于融合特征信息量總是不少于原始的任何單一特征集， 故使用融合特征進行分類的效果通常也優(yōu)于使用原始的任何單一特征集。 因此， 本文提出一種基于遺傳算法的改進多特征融合方法， 使用支持向量機作為分類器的內(nèi)窺鏡圖像分類算法。 構建原始的初代個體作為主種群， 計算初代個體的適應度， 從中自然選擇出父本個體， 通過基因重組生成子代個體， 對每個子代個體產(chǎn)生基因突變， 同時加入最優(yōu)秀的父本個體共同構建下一代。 每一代主種群自然選擇時， 若種群數(shù)量較少， 選擇一部分次優(yōu)個體構建新種群， 與主種群并行迭代， 否則這部分次優(yōu)個體隨機均勻分配到各個旁支種群中。 最終各個種群均獲取到分類性能較好的個體， 這些個體共同構建一個投票模型。 基于遺傳算法的改進多特征融合算法流程圖見圖1。

圖1 基于遺傳算法的改進多特征融合算法流程圖

1.1 基于改進遺傳算法的特征選擇

對于大量的圖像特征， 需要找到一種特征組合， 使得在低維度特征空間下也能有較好的分類性能。 由于特征組合之間很難找到一種有效的定量分析方法， 因此使用啟發(fā)式搜索的遺傳算法就很有必要。

1.1.1 遺傳因子與自然選擇

如果將經(jīng)過過濾的特征全體作為基因組， 對每一個特征使用特征在特征集中的位置下標來唯一表示， 那么對于每一個個體， 規(guī)定其遺傳物質為一個下標集合， 該集合中的每一個值都對應著基因組中的一個特征， 所對應的特征集合為基因組的子集。 序列集合的長度即個體的遺傳因子長度， 為了之后的遺傳過程能夠順利進行， 要求每個個體的遺傳因子長度相等。 對于某一代的全體個體， 基于適應度函數(shù)從中選擇評價較高的部分個體作為下一代的父本個體， 并淘汰其他個體。 鑒于適應度函數(shù)對遺傳物質的微小變化過于敏感， 同時為獲取整個遺傳過程中最優(yōu)秀的個體， 并將優(yōu)秀個體的基因保留下來表達其在遺傳過程中的重要程度， 在每次自然選擇結束后， 選擇父本個體中部分較優(yōu)秀的個體， 加入到下一代中， 使得每一代的最好個體的評價指標總是不小于前一代。

1.1.2 兩種基因重組策略

為分析不同特征組合對最終分類性能的影響， 考慮兩種不同情況： 1) 單個含有較多信息的特征能對分類性能產(chǎn)生較大影響； 2) 特定的特征組合能對分類性能產(chǎn)生較大影響。 針對以上兩種情況， 需要設置不同的基因重組策略來進行具體分析。

第一種情況， 首先需要找到對提高分類性能有作用的有效特征， 并假設遺傳物質中含有較多有效特征的個體， 其適應度也相應較高。 此時， 采用基因池策略， 即將全體父本個體包含的所有特征合并作為基因池， 通過在基因池中隨機選擇子集生成下一代個體。 該方法保證每個子代個體都有均等的機會從每個父本個體中獲得遺傳物質， 但當子代數(shù)量較多時， 容易繁殖出含有更多有效特征的子代個體。 考慮到父本個體之間可能含有相同的特征， 這些特征在合并后可能同時遺傳給下一代， 導致下一代的遺傳物質中包含了兩個或多個相同的特征， 因此在特征合并后， 可以先對基因池進行去重操作， 以避免這種情況的發(fā)生。 基因池策略示意圖如圖2 所示。

圖2 基因池策略示意圖

第二種情況， 需要找到對提高分類性能有作用的特征組合， 同樣對于適應度較高的個體， 其遺傳物質的特征組合較好， 此時如果同樣使用基因池重組策略， 將完全打亂父本個體的特征組合， 無法有效保留父本較好的特征組合， 因此需要采用另外的重組策略。 從自然界的染色體交叉互換得到靈感， 采用交叉互換策略， 即對于任意兩個父本個體， 通過交換少量特征生成子代個體， 這種基因重組策略能夠在子代個體基本保留父本個體特征組合的情況下， 產(chǎn)生多樣化的子代個體。 交叉互換策略示意圖如圖3 所示。

圖3 交叉互換策略示意圖

1.1.3 基因突變與動態(tài)變異度

基因突變在遺傳算法中起到引入和維持多樣性的作用。 如果僅以自然選擇和基因重組獲取子代個體， 則最終子代個體的特征組合是初代個體特征并集的子集， 導致得到的最終結果只是局部最優(yōu)解， 無法反映整個特征空間的作用。 因此， 對于每次基因重組后產(chǎn)生的每個子代個體， 均要用部分基因組中的特征替換遺傳因子中的部分特征， 以保證最終結果是在整個基因組下的滿意最優(yōu)解。 其中， 突變基因占總遺傳物質長度的比例被稱為變異度。 基因突變示意圖如圖4 所示。

圖4 基因突變示意圖

如果種群中個體的遺傳物質都基本相似， 那么基因重組對提高個體多樣性的幫助將非常有限。 為了增強遺傳算法的搜索能力， 通過增大變異度來增加基因突變的搜索范圍， 為此引入動態(tài)變異度的概念。 為了描述種群的遺傳物質多樣性， 定義如下：

(1)

(2)

式中：α為種群遺傳物質多樣性系數(shù)，α=0表示種群中的所有個體的遺傳物質均相同； φ為種群變異度； φ0為最大變異度； L為單個個體的遺傳物質長度； N為全體種群不同的特征總數(shù)。

1.1.4 種群分裂與種群融合

在傳統(tǒng)遺傳算法中， 對于適應度不高的個體， 通常的處理方式是丟棄， 或是降低它繁殖的概率。 但在這類個體中， 可能也存在部分優(yōu)秀基因， 若能提取出這部分優(yōu)秀基因， 也能避免遺傳算法陷入收斂局部最優(yōu)解的情況。 主要的迭代種群稱為主種群， 對于迭代過程中適應度低一級的部分個體， 單獨剝離出來加入旁支種群， 在旁支種群中作類似于主種群的迭代。 旁支種群的平均適應度通常低于主種群， 而為了增加旁支種群的搜索效率， 需設置更大的變異系數(shù)。 同時， 由于旁支種群總在吸收主種群淘汰的次等個體， 這可能導致旁支種群中充斥著主種群基因。 因此， 可以增加旁支種群的數(shù)量， 將主種群每次的淘汰個體均勻分給各個旁支種群， 而某個旁支種群不會吸收太多來自主種群的基因， 保證了自己的基因獨立性。

如果兩個種群基因重合度較高， 即種群中個體的特征組合高度相似， 可以預見兩個種群內(nèi)個體的平均適應度也將相近。 對于這樣的兩個種群， 仍將它們分開計算是沒有必要的， 而且分開計算還會增加計算機的性能開銷。 因此， 可以將兩個種群依照某種策略合并到一起計算。 一種策略是將兩個種群直接合并構建出一個大種群， 這種策略能夠完全保留原種群的遺傳物質信息， 但計算機性能開銷仍然較大； 另一種策略是選擇兩個種群中的優(yōu)良個體合并為新種群， 并淘汰掉其他個體， 這種策略的計算機性能開銷較小， 但也減少了基因信息。 因此， 在計算過程中需要綜合考慮計算性能等方面的因素來選擇不同的種群融合策略。

1.1.5 種群消亡與多種類投票制度

與自然界的生物進化狀況相同， 一個物種的進化并不能保證總是適應環(huán)境， 最終也會因為無法適應環(huán)境而消亡。 同樣， 旁支種群的進化過程并不總是有效的， 很可能在多次遺傳迭代后， 種群的平均適應度仍然較低， 而且也沒有產(chǎn)生適應度較好的個體， 此時， 認為這個種群的基因是較差的， 因此， 需要淘汰該種群以減少計算機性能開銷， 視為種群消亡。

對于任意一個個體， 由于其遺傳物質僅是基因組的極小一部分， 盡管他可能有較好的分類性能， 但無法改變其對整個圖像特征集合利用率不高的事實， 這個問題會導致由此獲取的分類模型泛化性能較低。 考慮到旁支種群在獨立進化過程中， 可能會獨立進化出有較高適應度的個體， 同時這些個體與主種群的基因重合度極低， 而在整個算法過程中， 可能最終得到多個這樣的旁支種群及其中的多個優(yōu)秀個體， 這些個體中的每一個都代表著一個支持向量機分類模型。 如果將這些分類模型通過投票的方式組合成一個集成模型， 一方面能夠提升模型的分類準確率， 另一方面也將緩解單個分類模型對特征利用率不高的問題， 還能提升模型的分類泛化性能。

1.2 改進遺傳算法在特征選擇中的應用

1.2.1 基因編碼與適應度函數(shù)的選擇

適應度函數(shù)表示種群個體對環(huán)境的適應能力， 也稱為評價函數(shù)。 對于某一代的全體個體， 基于適應度函數(shù)從中選擇評價較高的部分個體作為下一代的父本個體， 并淘汰掉其他個體。 本文的自然選擇方法使用精英主義選擇， 通過將種群中較優(yōu)的個體保留到下一代中來保證某些優(yōu)秀的個體不被變異破壞[20-21]。 在內(nèi)鏡圖像分類任務中， 由于很難找到一個簡單的數(shù)學方法去判別某一類特征組合的性能， 因此最直接的評價方式就是將這個特征組合輸入到支持向量機進行分類， 并以分類結果作為評價指標。 該方法的缺點是計算開銷較大。

1.2.2 初始種群的構建

實驗采用隨機生成的方式從基因組中獲取30個個體作為初始種群， 30個個體的基因總數(shù)約為基因組的3倍。 為了最大化基因組的利用率， 采用對每個基因隨機選擇3個個體的方式， 以保證基因分配有較高均勻度。

1.2.3 實驗流程

對于獲取的原始內(nèi)鏡圖像， 由于數(shù)據(jù)量較少， 首先要進行數(shù)據(jù)增強與數(shù)據(jù)預處理去噪， 再根據(jù)醫(yī)生標注的內(nèi)鏡圖像按照8∶2的比例分成訓練集與測試集， 最后采用基于遺傳算法改進的多特征融合算法迭代， 得到最終的正常與病變的二分類結果。 實驗設計流程圖如圖5 所示。

圖5 實驗設計流程圖

2 實驗數(shù)據(jù)與預處理

2.1 數(shù)據(jù)來源

本文使用了中南大學湘雅醫(yī)院消化內(nèi)科采集的實驗數(shù)據(jù)集。 排除包含玻璃、 設備和低分辨率的圖像， 該數(shù)據(jù)集包含152張內(nèi)鏡圖像， 其中， 正常圖像30張， 異常圖像122張。 所有受試者均已簽署知情同意書， 符合湘雅醫(yī)院醫(yī)學倫理委員會的倫理標準, 所有程序均根據(jù)批準的指導方針和法規(guī)執(zhí)行。

2.2 數(shù)據(jù)預處理和數(shù)據(jù)擴增

部分原始內(nèi)鏡圖像中包含一些冗余的文本數(shù)據(jù)或圖像縮略圖， 這些無關數(shù)據(jù)可能會作為噪音影響最終的模型分類性能， 因此需要先去除掉。 本文通過人工切割的方式進行無關數(shù)據(jù)去除。 圖6 為冗余數(shù)據(jù)剪裁前后的對比。

圖6 內(nèi)鏡圖像冗余部分裁剪前后對比圖

由于原始數(shù)據(jù)較少， 容易產(chǎn)生過擬合， 導致模型的泛化性能較差， 直觀表現(xiàn)在模型對訓練集的分類效果較好， 但對測試集的分類效果不理想。 為了緩解這個問題， 需要對數(shù)據(jù)進行擴增， 即通過鏡面對稱后對每張圖像分別旋轉90°， 180°， 270°，使圖像數(shù)量擴充至原始數(shù)量的 8 倍。 同時， 為了解決類別不平衡的問題， 對已有的正常類別的圖像進行上述操作， 而對于病變圖像僅進行鏡面對稱操作， 使圖像數(shù)量擴充至原始數(shù)量的 2 倍， 這樣使得兩類圖像均達到 240 張左右， 得以均衡。

內(nèi)鏡圖像含有一定的噪聲， 而支持向量機是一種對噪聲敏感的機器學習算法模型， 因此在獲取圖像特征之前， 首先使用高斯濾波去除噪聲。 高斯濾波函數(shù)是一種線性濾波函數(shù)， 能夠有效地去除圖像中的高斯噪聲。 另外， 由于人眼對藍色的敏感性大于紅色， 導致RGB(Red， Green， Blue)顏色空間是一種均勻性較差的顏色空間， 如果顏色的相似性直接用歐氏距離來度量， 其結果與人眼視覺會有較大的偏差。 對于某一種顏色， 很難推測出較為精確的3個分量數(shù)值來表示。 因此， RGB顏色空間并不適用于圖像處理， 需要在HSV(Hue， Saturation， Value)顏色空間下重構圖像。

圖像從RGB顏色空間轉換到HSV空間的算法如式(3)所示。

V=max(R,G,B),

(3)

VGG16模型對輸入圖像的尺寸要求為224×224， 而本文所使用的數(shù)據(jù)圖像尺寸大小不一， 因此需要調(diào)整尺寸到224×224。 使用按比例放縮的方式， 將原圖像長邊縮小至224像素， 短邊按相同比例縮小并補0值至224像素。

2.3 圖像特征提取

通過顏色矩、 灰度共生矩陣、 VGG16[22]、 Resnet-152[23]分別提取內(nèi)鏡圖像的顏色、 紋理和深層特征， 構成圖像的原始特征集。 將高斯濾波后的圖像從RGB顏色空間轉換到HSV顏色空間， 提取均值、 方差、 斜度每個分量上的3個低階矩， 構造9維顏色特征向量。 提取灰度共生矩陣前需先將原3通道圖像轉換為灰度圖像， 根據(jù)人眼對顏色的感知， 顏色轉換的公式為

Gray=0.299R+0.587G+0.114B。

(4)

使用經(jīng)過壓縮的灰度圖像可以獲得更好的效果， 因此將灰度級設置為16級。 同時， 為了獲取圖像中的精細紋理， 使用步長為1， 大小為7×7的滑動窗口， 取0°， 45°， 90°， 135° 四個方向獲取特征值。 原始正常內(nèi)鏡圖像及其經(jīng)過灰度處理的圖像見圖7， 原始的病變內(nèi)鏡圖像及其經(jīng)過灰度處理的圖像見圖8。

圖7 原始的正常內(nèi)鏡圖像和經(jīng)過灰度處理的正常圖像

圖8 原始的病變內(nèi)鏡圖像及經(jīng)過灰度處理的病變圖像

通過提取圖像的灰度共生矩陣， 計算出二次統(tǒng)計量對比度、 熵、 能量和均勻性， 構造出圖像的32維紋理特征向量。 使用預訓練的VGG16和Resnet-152卷積神經(jīng)網(wǎng)絡模型， 通過選擇其特征提取層部分構建的特征提取模型， 輸入尺寸為224×224的內(nèi)鏡圖像， 輸出大小為7×7×512的特征矩陣， 由此分別構建25 088維特征向量和2 048 維特征向量。

3 驗證實驗

3.1 實驗設置

本實驗在python環(huán)境下實現(xiàn)， 實驗設備為華碩TUF GAMING FX504GE_FX80GE， 硬件為Intel(R) Core(TM) i7-8750H處理器， 16 G內(nèi)存。 將尺寸大小不一的原始圖片調(diào)整為224×224， 不同尺寸的圖片只是分辨率有所不同， 在內(nèi)容上無特殊差別。 縮小尺寸可以讓各個特征提取模塊更好地處理圖像， 減少運算量， 加快運算速度。 為了避免偶然性， 在研究中隨機選取80%的圖像作為訓練集， 20%的圖像作為測試集測試模型的分類準確性及可靠性。 類似于交叉驗證， 對于每個種群， 將訓練集的20%作為驗證集。 訓練與測試數(shù)據(jù)之間互不交叉。

訓練支持向量機模型時， 采用網(wǎng)格搜索的方式獲取最佳參數(shù)設置， 設置懲罰因子C的候選參數(shù)為1， 5， 10， 15， 20， gamma值的候選參數(shù)為0.01， 0.001， 0.000 1， 核函數(shù)kernel的候選參數(shù)為高斯核、 線性核和多項式核。 遺傳算法中使用的各項參數(shù)為： 最大遺傳代際數(shù)量為100， 個體遺傳物質長度為2 048， 每代個體數(shù)量為30， 最大變異度為0.05， 自然選擇父本數(shù)量為6， 父本直接遺傳至下一代的數(shù)量為1， 最大種群數(shù)量為7。

為了對比不同實驗方法和參數(shù)對最終分類結果的影響， 本文進行了3組實驗。

實驗1： 為了驗證遺傳算法中兩種基因重組策略對遺傳算法的收斂速度及最終分類性能的影響， 基于兩種基因重組策略進行迭代， 并對比迭代結果。

實驗2： 為了驗證基于遺傳算法的特征選擇的有效性， 將遺傳算法迭代結果與將簡單特征融合作為支持向量機輸入訓練的模型對比。

實驗3： 為了對比在該實驗數(shù)據(jù)下， 對支持向量機分類模型應用不同的核函數(shù)對分類性能的影響， 使用不同核函數(shù)分別訓練模型并進行對比。

3.2 評價指標

對于本研究的分類問題， 根據(jù)樣本真實標簽與分類器預測標簽的組合分為真正例， 真反例， 假正例， 假反例四種， 研究中TP，TN，F(xiàn)P，F(xiàn)N分別代表對應的樣例數(shù)， 其中取標簽正常為正例， 標簽異常為反例。 另外， 本研究中采用典型的性能評價指標： 準確率Acc(Accuracy)、 精準度Pre(Precision)、 召回率Rec(Recall)、F1得分(F1-Score)、 特異度Spe(Specificity)。

(5)

(6)

(7)

(8)

(9)

3.3 實驗結果分析

3.3.1 基因重組策略對比

為了驗證兩種基因重組策略對遺傳算法迭代過程與最終獲取的分類器性能的影響， 基于兩種基因重組策略進行實驗對比分析。 預測的準確率對比見圖9。

(a) 每代父本個體

在基因池策略下， 種群父本個體在驗證集上的平均預測準確率在前10代中從80%左右上升到92%左右， 之后的變化情況呈振蕩式； 種群最優(yōu)個體在驗證集上的預測準確率緩慢上升， 最終達到99.03%。 在交叉互換策略下， 種群父本在驗證集上的平均預測準確率逐步上升， 最終收斂到100%， 說明所有父本個體在驗證集上都有100%的預測準確率； 種群最優(yōu)個體在驗證集上的預測準確率在14代左右也收斂到100%， 說明該策略下的遺傳算法有搜索到全局最優(yōu)情況的能力。

對比兩個基因重組策略下的結果， 相比于基因池策略， 交叉互換策略有更高的收斂速度和局部尋優(yōu)能力， 說明交叉互換策略更加適用于本實驗數(shù)據(jù)。 后續(xù)實驗都將基于交叉互換策略。

3.3.2 多種特征選擇方法對比

針對不同的特征選擇對支持向量機模型分類性能的影響進行對比實驗分析。 5種方法分別是基于顏色矩和灰度共生矩陣的顏色和紋理特征、 基于VGG16[22]卷積神經(jīng)網(wǎng)絡提取的特征、 基于Resnet-152[23]殘差網(wǎng)絡提取的特征、 基于上述3種方法的全體特征以及在全體特征基礎上經(jīng)過改進的多特征融合方法獲取的特征。

表1 展示了5種方法的實驗結果。 其中， 基于改進的多特征融合方法獲取的分類模型， 分類準確率達到93.39%， 精準度達到94.55%， 召回率達到92.86%，F(xiàn)1得分達到93.69， 特異度達到94.00%。 相比任何單一特征提取方法， 改進的多特征融合方法的分類性能均有較大的提升， 對于使用3種特征提取方法獲取的綜合特征， 除準確率和特異度外也有一定提升。

表1 不同特征融合方法對內(nèi)鏡圖像分類的結果比較

改進的多特征融合方法分類的混淆矩陣如圖10 所示， 從實驗結果看， 使用改進的多特征融合方法， 對于提升分類性能有一定幫助。

圖10 改進的多特征融合方法分類的混淆矩陣

將本文方法同其他的圖像分類方法進行對比， 結果如表2 所示。

表2 本文方法與其它方法的分類結果對比

鄧江洪等[14]是根據(jù)特征的平均影響值對提取的顏色矩和灰度共生矩陣特征進行篩選， 再用SVM進行分類。 Li等[16]采用只對病變圖像進行數(shù)據(jù)增強， 遷移Inception-v3網(wǎng)絡并在網(wǎng)絡最后添加全連接層的方法來分類圖像。 由表2 可知， 本文改進的多特征融合方法在敏感性、 準確率方面均高于其他2種方法， 由于數(shù)據(jù)的樣本少以及數(shù)據(jù)不平衡， 特異性略微低于Li等[16]的方法， 實驗結果驗證了本文方法的有效性。

3.3.3 不同核函數(shù)對分類性能的影響

實驗使用3種不同的核函數(shù)(線性核(linear)、 高斯核(rbf)、 多項式核(poly))分別訓練支持向量機分類模型。 表3 展示了在改進多特征融合方法下不同核函數(shù)對分類性能的影響。 實驗結果表明， 基于高斯核的支持向量機有更好的分類性能， 使用線性核則分類性能相對較低。 為了繼續(xù)探究核函數(shù)對分類性能的影響， 對經(jīng)典的特征融合方法進行同樣的研究， 結果見表4。

表3 改進多特征融合方法下不同核函數(shù)的支持向量機模型分類性能對比

由表4 可知， 在經(jīng)典特征融合方法下， 使用的核函數(shù)為線性核時分類性能最佳， 而使用的核函數(shù)為高斯核時分類性能一般。 實驗結果表明， 在經(jīng)典特征融合方法下， 圖像的高特征向量維數(shù)與實驗圖像樣本數(shù)量存在巨大的差異時， 采用線性核核函數(shù)時分割能力較為優(yōu)異， 而在特征向量維度較低的情況下， 采用高斯核核函數(shù)時分割能力較為優(yōu)異。

表4 經(jīng)典特征融合方法下不同核函數(shù)的支持向量機模型分類性能對比

綜上所述， 本研究提出的基于改進遺傳算法的多特征融合方法， 在支持向量機模型下對內(nèi)鏡圖像的分類性能優(yōu)于傳統(tǒng)的特征融合方法。

4 結 論

本文在傳統(tǒng)特征融合方法的基礎上， 提出了基于改進遺傳算法的多特征融合方法， 使用支持向量機作為分類器的內(nèi)窺鏡圖像分類算法。 該遺傳算法通過在迭代過程中保留最優(yōu)個體， 采用基因交叉互換和種群分裂、 融合、 消亡以及種群投票制度獲取優(yōu)質個體。 實驗結果表明， 該算法在本文所使用的數(shù)據(jù)集上結合支持向量機能夠較為有效地進行二分類， 分類準確率達到93.39%， 其余指標都較為優(yōu)異。 相比于經(jīng)典的特征融合方法， 分類性能有一定提升， 為內(nèi)鏡圖像輔助診療及相關算法研究提供了一種新思路。

在去除內(nèi)鏡圖像中的各種無效部分時， 由于尚未找到一個較好的自動化方法， 文中采用的方法都是人工去除， 這種方法在數(shù)據(jù)集較小時適用， 但面對較大數(shù)據(jù)集時將無能為力。 另外， 由于消化道內(nèi)各種組織液對光線的反射會在內(nèi)鏡圖像中形成高光等雜質， 本文未對這些特殊噪聲進行消除， 一定程度上來說降低了最終模型的分類性能。