计算机断层扫描(Computed Tomography,CT)技术是用于早期诊断癌症的关键手段。肺部计算机辅助诊断(Computer Aided Detection,CAD)系统集成机器学习和医学图像处理等方法,旨在从CT上快速、准确地检测结节并识别肺结节的良恶性,从而提供高效的辅助诊疗方案。许多机器学习算法被应用于肺CAD系统中,主要分为两大类:其一为传统机器学习方法,其二为深度学习。传统机器学习方法和深度学习均有其特点,前者具备强大的理论基础,而深度学习算法拥有更卓越的处理性能,对于特定的问题需要提出特定的方案。针对肺CAD系统中特征提取与识别模块的关键技术,设计并构建了基于深度融合特征及群体智能优化的多核学习支持向量机(Multiple Kernel Learning Support Vector Machine,MKL-SVM)算法对肺结节进行识别。将深度学习算法与改进的传统算法结合,发挥二者的优势,提高结节识别的准确率,并且减少产生假阳性及假阴性,主要包括:1.采用经典的深度学习网络VGG16进行肺CAD中候选结节感兴趣区域(Region of Interests,ROI)的深度特征提取,并将深度特征与手工特征相结合作为最终特征向量,以兼顾结节更全面的特征信息。一方面克服了单一手工特征无法获得结节潜在信息的缺点,另一方面,弥补了深度特征缺乏可解释性的问题。2.针对特定的问题为支持向量机(SupVE-822体内实验剂量port Vector Machine,SVM)设计合适的核函数仍是难点。因此,对于肺结节准确识别问题,提出了改进的MKL-SVM算法。通过线性加权形式构造多核函数,其内核选取为泛化能力较优的多项式核以及拟合能力较优的感知机核,避免模型在训练阶段出现过拟合,减少其泛化误差。3.为了进一步防止结节漏检及兼顾整体识别准确度,将准确度和敏感度引入统计学中调和平均数的概念,采用一种新的得分函数F-new作为后续识别结果的评价标准,对其进行了可行性分析,并作为后续的参数寻优算法的适应度函数。F-new函数与以单一的准确度或敏感度作为适应度函数相比,可以兼顾肺结节的检出率与整体识别效果的提升,实现多目标优化。4.为克服网格搜索法训练时间较长及搜索过程较繁琐,采用群体智能优化进行寻参,以缩短模型训autoimmune uveitis练时长。同时,针对局部性优化的粒子群优化(Particle Swarm Optimization,PSO)算法在迭代早期粒子易缺乏多样性的问题,提出采用混合群体智能优化策略。通过引入全局性优化的模拟退火(Simulated Annealing,SA)算法,增强粒子活性,辅助其跳出局部最优,从而搜索全局性最优解。将SA与PSO混合的SAPSO优化算法作为MKLRP56976生产商-SVM的参数寻优方法,以提高模型识别肺结节的准确率,减少漏检。