基于Stacking集成学习的CT图像质量分类

摘要

计算机断层扫描成像因低成本和高效性成为医学影像的一种重要形式，然而图像质量下降对诊断和预后造成严重干扰.针对单分类器性能有限，无法满足高精度CT(computed tomography)图像质量分类需求的问题，提出一种面向伪影识别的Stacking集成学习方法 .基于分类多样性和各分类器性能考虑，选取具有异构性能的随机森林（random forest,RF)、反向传播神经网络（back propagation neural network,BPNN）和Inception v3作为基分类器，采用极限梯度提升(eXtreme gradient boosting,XGBoost)作为元学习器.实验结果表明，该方法准确率达到99.2%，使得模型的分类效果有所保证，能够满足不均衡数据集条件下CT图像质量分类的高准确率需求.

关键词

CT图像 / 质量分类 / Stacking集成学习 / 不均衡数据集 / 复杂网络