Lung cancer is one of the most deadly cancer in both men and women. Accurate and early diagnosis of pulmonary lung nodules is critical. This study presents an accurate computer-aided diagnosis (CADx) system for risk stratification of pulmonary nodules in computed tomography (CT) lung images by fusing shape and texture-based features in a machine-learning (ML) based paradigm. A database with 114 (28 high-risk) patients acquired from Lung Image Database Consortium (LIDC) is used in this study. After nodule segmentation using K-means clustering, features based on shape and texture attributes are extracted. Seven different filter and wrapper-based feature selection techniques are used for dominant feature selection. Lastly, the classification of nodules is performed by a support vector machine using six different kernel functions. The classification results are evaluated using 10-fold cross-validation and hold-out data division protocols. The performance of the proposed system is evaluated using accuracy, sensitivity, specificity, and the area under receiver operating characteristics (AUC). Using 30 dominant features from the pool of shape and texture-based features, the proposed system achieves the highest classification accuracy and AUC of 89% and 0.92, respectively. The proposed ML-based system showed an improvement in risk stratification accuracy by fusing shape and texture-based features.

中文翻译：

---

通过融合机器学习范式中的形状和纹理特征，改进计算机断层扫描图像中的肺肺结节风险分层

肺癌是男性和女性中最致命的癌症之一。准确和早期诊断肺肺结节至关重要。本研究提出了一种准确的计算机辅助诊断 (CADx) 系统，通过在基于机器学习 (ML) 的范式中融合基于形状和纹理的特征，对计算机断层扫描 (CT) 肺图像中的肺结节进行风险分层。本研究使用了从肺影像数据库联盟 (LIDC) 获得的 114 名（28 名高危）患者的数据库。在使用 K-means 聚类进行结节分割后，提取基于形状和纹理属性的特征。七种不同的基于过滤器和包装器的特征选择技术用于主导特征选择。最后，结节的分类由支持向量机使用六个不同的核函数执行。使用 10 折交叉验证和保留数据划分协议评估分类结果。使用准确性、灵敏度、特异性和接收器操作特性下的面积 (AUC) 来评估所提出系统的性能。使用来自形状和基于纹理的特征池中的 30 个主要特征，所提出的系统实现了最高的分类准确率和 AUC，分别为 89% 和 0.92。所提出的基于 ML 的系统通过融合基于形状和纹理的特征，提高了风险分层的准确性。使用来自形状和基于纹理的特征池中的 30 个主要特征，所提出的系统实现了最高的分类准确率和 AUC，分别为 89% 和 0.92。所提出的基于 ML 的系统通过融合基于形状和纹理的特征，提高了风险分层的准确性。使用来自形状和基于纹理的特征池中的 30 个主要特征，所提出的系统实现了最高的分类准确率和 AUC，分别为 89% 和 0.92。所提出的基于 ML 的系统通过融合基于形状和纹理的特征，提高了风险分层的准确性。