基于L1范数主成分分析网络的肝功能分级方法

针对肝功能分级方法主要基于患者血液学检查的生物化学指标,具有创伤性,且存在时效性不足等问题.考虑到肝脏CT图像与其病理组织具有一定的关联性,从肝脏CT图像入手,提出一种基于L1 范数主成分分析网络(L1-PCANet)的肝功能分级方法.首先,利用L1 范数主成分分析(L1-PCA)算法改进主成分分析网络(PCANet)模型中卷积核参数的学习方法,增强对离群数据和噪声的鲁棒性,进而提取出CT图像中肝脏感兴趣区域的深度层级特征,然后,在网络输出层引入等距特征映射(Isomap)算法对特征进行非线性降维,进一步去除冗余信息,最后,利用支持向量机对模型进行优化训练,实现肝功能分级.结果表明:改进模型的分级准确率、查准率、查全率、F1 值分别为 78.67%,78.10%,87.33%和 0.824 6,相比原始PCANet模型分别提高了 5.81%、2.73%、9.33%和 5.8%,有效地提高了肝功能分级的准确率.