一种基于SS‑ELM的肺结节患病风险预测系统及方法与流程

本发明属于计算机辅助诊断技术领域，具体涉及一种基于SS-ELM的肺结节患病风险预测系统及方法。

背景技术：

目前，肺癌已成为死亡率最高的恶性肿瘤，主要是因为早期难发现，晚期难治愈。肺癌的早期表现形式是肺结节，对肺结节早发现，早诊断，早治疗的意义很大。临床上，肺结节的诊断方法中最常用的是电子计算机断层扫描CT的影像学诊断方法。但是随着CT成像技术的发展，所能检测到的肺结节越来越多，仅靠影像科医生的视觉观察来发现并诊断肺结节很困难。因此关于肺结节的患病风险预测系统具有很大的研究价值。

判别肺结节患病风险的关键在于找到合适的机器学习方法来实现肺结节图像的良恶性分类并得到肺结节性质表现为恶性的风险概率。同时，纹理特征能反映肺结节内部结构信息。传统肺结节良恶性分类载体使用基于有监督的分类算法，需要对有标记的肺结节数据所包含的信息进行学习，得出分类模型后对无标记数据进行分类，但是获取标记数据时需要耗费一定的人力和物力资源，则大量标记数据的获取通常比较困难，然而随着信息技术的飞速发展，收集大量未标记数据则相当容易。因此，如何利用大量的无标记肺结节数据和少量的有标记肺结节数据来快速精准的实现肺结节的良恶性分类成为了技术难点。

技术实现要素：

针对现有技术的不足，本发明提出一种基于SS-ELM的肺结节患病风险预测系统及方法。

本发明的技术方案是：

一种基于SS-ELM的肺结节患病风险预测系统，包括肺结节图像处理单元、灰度共生矩阵构造单元、Haralick特征参数计算单元、Haralick特征集合构成单元和肺结节患病风险预测单元；

所述肺结节图像处理单元，用于将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像，得到目标图像集，并将目标图像进行灰度处理，对灰度处理后的目标图像的灰度级进行压缩；

所述灰度共生矩阵构造单元，用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵，并计算灰度共生矩阵中各灰度值组合在目标图像上的概率，确定目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数；

所述Haralick特征参数计算单元，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数，确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数，即目标图像在0°、45°、90°和135°四个方向上的角二阶矩值、灰度值的对比度值、相关性值、灰度值方差、逆差矩、均和值、熵和、方差和、熵、差值的方差、差熵、第一相关性信息测度、第二相关性信息测度；

所述Haralick特征集合构成单元，用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差，得到目标图像的13个特征均值和目标图像的13个特征方差，组成目标图像的Haralick特征集合；

所述肺结节患病风险预测单元，用于将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM学习机的输入数据，得到SS-ELM学习机的学习参数，从而得到训练后的SS-ELM学习机，将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM学习机中，得到待诊断肺结节图像性质表现为恶性的风险概率。

可选地，所述肺结节图像处理单元，包括灰度图像生成器和图像灰度级压缩器；

所述灰度图像生成器，用于将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像，得到目标图像集，并将目标图像进行灰度处理，得到灰度处理后的目标图像；

所述图像灰度级压缩器，用于对灰度处理后的目标图像的灰度级进行压缩，将每个像素点的灰度值映射到1～N_g的整数范围内，其中N_g为设定灰度级。

可选地，所述灰度共生矩阵构造单元，包括灰度共生矩阵生成器和概率参数计算器；

所述灰度共生矩阵生成器，用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵；所述各个方向上的灰度共生矩阵为：中心像素点的灰度值i与在该方向上与中心像素点距离1个像素点单位的邻域像素点的灰度值j的灰度值组合(i，j)在目标图像上出现的次数作为元素的矩阵；

所述概率参数计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i，j)在目标图像上的概率，确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数。

可选地，所述Haralick特征参数计算单元包括：角二阶矩计算器、对比度计算器、相关性计算器、方差计算器、逆差矩计算器、均值和计算器、熵和计算器、方差和计算器、熵计算器、差值的方差计算器、差熵计算器、第一相关性信息测度计算器、第二相关性信息测度计算器；

所述角二阶矩计算器，用于根根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的角二阶矩值；

所述对比度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的灰度值的对比度值；

所述相关性计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的相关性值；

所述方差计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的灰度值方差；

所述逆差矩计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的逆差矩；

所述均值和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的均和值；

所述熵和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的熵和；

所述方差和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数以及熵和来确定目标图像在0°、45°、90°和135°四个方向上的方差和；

所述熵计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的熵；

所述差值的方差计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差值的方差；

所述差熵计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差熵；

所述第一相关性信息测度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及熵确定目标图像在0°、45°、90°和135°四个方向上的第一相关性信息测度；

所述第二相关性信息测度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的第二相关性信息测度。

可选地，所述Haralick特征集合构成单元，包括特征均值计算器、特征方差计算器和Haralick特征集合生成器；

所述特征均值计算器，用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的均值，得到目标图像的13个特征均值；

所述特征方差计算器，用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的方差，得到目标图像的13个特征方差；

所述Haralick特征集合生成器，用于将目标图像的13个特征均值和目标图像的13个特征方差组成目标图像的Haralick特征集合。

可选地，所述肺结节患病风险预测单元，包括SS-ELM训练器和SS-ELM诊断器；

所述SS-ELM训练器，用于将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM学习机的输入数据，得到SS-ELM学习机的学习参数，从而得到训练后的SS-ELM学习机；

所述SS-ELM诊断器，用于将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM学习机中，得到待诊断肺结节图像性质表现为恶性的风险概率。

采用基于SS-ELM的肺结节患病风险预测系统进行肺结节患病风险预测的方法，包括以下步骤：

步骤1：获取有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像；

步骤2：将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像，得到目标图像集；

步骤3：将目标图像进行灰度处理，对灰度处理后的目标图像的灰度级进行压缩；

步骤4：将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵；

步骤5：根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i，j)在目标图像上的概率，确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数；

步骤6：根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数，确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数；

步骤7：计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差，得到目标图像的13个特征均值和目标图像的13个特征方差，组成目标图像的Haralick特征集合；

步骤8：将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM训练器的输入数据，得到SS-ELM训练器的学习参数，从而得到训练后的SS-ELM诊断器；

步骤9：将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM诊断器中，得到待诊断肺结节图像性质表现为恶性的风险概率。

本发明的有益效果：

本发明提出一种基于SS-ELM的肺结节患病风险预测系统及方法，有别于传统的基于监督学习的肺结节患病风险预测方法，不仅能够有效地改善肺结节患病风险预测的性能，而且解决了无标签肺结节数据的训练学习问题。

附图说明

图1为本发明实施方式中基于SS-ELM的肺结节患病风险预测系统的结构框图；

图2为本发明实施方式中有标签肺结节图像；

图3为本发明实施方式中无标签肺结节图像；

图4为本发明实施方式中待诊断肺结节图像；

图5为本发明实施方式中基于SS-ELM的肺结节患病风险预测方法的流程图。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

一种基于SS-ELM的肺结节患病风险预测系统，如图1所示，包括肺结节图像处理单元、灰度共生矩阵构造单元、Haralick特征参数计算单元、Haralick特征集合构成单元和肺结节患病风险预测单元。

肺结节图像处理单元，用于将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像，得到目标图像集，并将目标图像进行灰度处理，对灰度处理后的目标图像的灰度级进行压缩。

本实施方式中，得到的有标签肺结节图像如图2所示，无标签肺结节图像如图3所示，待诊断肺结节图像如图4所示。

本实施方式中，肺结节图像处理单元，包括灰度图像生成器和图像灰度级压缩器。

灰度图像生成器，用于将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像，得到目标图像集，并将目标图像进行灰度处理，得到灰度处理后的目标图像。

本实施方式中，由于肺结节CT图像以DICOM格式存储，因此将目标图像进行灰度处理，得到灰度处理后的目标图像。

图像灰度级压缩器，用于对灰度处理后的目标图像的灰度级进行压缩，将每个像素点的灰度值映射到1～N_g的整数范围内，其中N_g为设定灰度级。

本实施方式中，N_g取值为32。

灰度共生矩阵构造单元，用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵，并计算灰度共生矩阵中各灰度值组合在目标图像上的概率，确定目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数。

本实施方式中，灰度共生矩阵构造单元，包括灰度共生矩阵生成器和概率参数计算器。

灰度共生矩阵生成器，用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵；各个方向上的灰度共生矩阵为：中心像素点的灰度值i与在该方向上与中心像素点距离1个像素点单位的邻域像素点的灰度值j的灰度值组合(i，j)在目标图像上出现的次数作为元素的矩阵。

概率参数计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i，j)在目标图像上的概率，确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数。

本实施方式中，各灰度值组合(i，j)在目标图像上的概率p(i，j)的计算公式如式(1)所示：

p(i，j)＝P(i，j)/R (1)

其中，户(i，j)为灰度值组合(i，j)在整幅目标图像区域中出现的次数，R为所有灰度值组合出现的次数之和。

关于X的边缘概率密度矩阵的第i个输入元素p_x(i)如式(2)所示：

$p_x\left(i\right)=\underset{j=1}{\overset{N_g}{\Σ}}p(i,j)---\left(2\right)$

关于Y的边缘概率密度矩阵的第j个输入元素p_y(j)如式(3)所示：

$p_y\left(j\right)=\underset{i=1}{\overset{N_g}{\Σ}}p(i,j)---\left(3\right)$

两个联合概率分布密度函数p_x+y(k)和p_x-y(k)如式(4)和式(5)所示：

$p_{x+y}\left(k\right)=\underset{i+j=k}{\overset{N_g}{\underset{i=1}{\Σ}}}\underset{j=1}{\overset{N_g}{\Σ}}p(i,j)---\left(4\right)$

其中，k取值为2，3，…，2N_g。

$p_{x-y}\left(k\right)=\underset{|i-j|=k}{\overset{N_g}{\underset{i=1}{\Σ}}}\underset{j=1}{\overset{N_g}{\Σ}}p(i,j)---\left(5\right)$

其中，k取值为0，1，…，N_g-1。

Haralick特征参数计算单元，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数，确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数，即目标图像在0°、45°、90°和135°四个方向上的角二阶矩值、灰度值的对比度值、相关性值、灰度值方差、逆差矩、均和值、熵和、方差和、熵、差值的方差、差熵、第一相关性信息测度、第二相关性信息测度。

本实施方式中，Haralick特征参数计算单元包括：角二阶矩计算器、对比度计算器、相关性计算器、方差计算器、逆差矩计算器、均值和计算器、熵和计算器、方差和计算器、熵计算器、差值的方差计算器、差熵计算器、第一相关性信息测度计算器、第二相关性信息测度计算器。

角二阶矩计算器，用于根根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的角二阶矩值。

本实施方式中，角二阶矩计算器f₁的计算公式如式(6)所示：

$f_1=\underset{i=1}{\overset{N_g}{\Σ}}\underset{j=1}{\overset{N_g}{\Σ}}{\left\{p(i,j)\right\}}^2---\left(6\right)$

对比度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的灰度值的对比度值。

本实施方式中，对比度计算器f₂的计算公式如式(7)所示：

$f_2=\underset{n=0}{\overset{N_g-1}{\Σ}}{n}^2\left\{\underset{|i-j|=n}{\overset{N_g}{\underset{i=1}{\Σ}}}\underset{j=1}{\overset{N_g}{\Σ}}p(i,j)\right\}---\left(7\right)$

相关性计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的相关性值。

本实施方式中，相关性计算器f₃的计算公式如式(8)所示：

$f_3=\frac{\underset{i=1}{\overset{N_g}{\Σ}}\underset{j=1}{\overset{N_g}{\Σ}}\left(ij\right)p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(8\right)$

其中，μ_x为p_x的均值，μ_y为p_y的均值，σ_x为p_x的标准差，σ_y为p_y的标准差。

方差计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的灰度值方差。

本实施方式中，方差计算器f₄的计算公式如式(9)所示：

$f_4=\underset{i=1}{\overset{N_g}{\Σ}}\underset{j=1}{\overset{N_g}{\Σ}}(i-{\mathrm{\μ}}_x)(j-{\mathrm{\μ}}_y)p(i,j)---\left(9\right)$

逆差矩计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的逆差矩。

本实施方式中，逆差矩计算器f的计算公式如式(10)所示：

$f_5=\underset{i=1}{\overset{N_g}{\Σ}}\underset{j=1}{\overset{N_g}{\Σ}}\frac{1}{1+{(i-j)}^2}p(i,j)---\left(10\right)$

均值和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的均和值。

本实施方式中，均值和计算器f₆的计算公式如式(11)所示：

$f_6=\underset{i=2}{\overset{2N_g}{\Σ}}{\mathrm{ip}}_{x+y}\left(i\right)---\left(11\right)$

熵和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的熵和。

本实施方式中，熵和计算器f₇的计算公式如式(12)所示：

$f_7=-\underset{i=2}{\overset{2N_g}{\Σ}}{p}_{x+y}\left(i\right)\log \left\{p_{x+y}\left(i\right)\right\}---\left(12\right)$

方差和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数以及熵和来确定目标图像在0°、45°、90°和135°四个方向上的方差和。

本实施方式中，方差和计算器f₈的计算公式如式(13)所示：

$f_8=\underset{i=2}{\overset{2N_g}{\Σ}}{(i-f_7)}^2{p}_{x+y}\left(i\right)---\left(13\right)$

熵计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的熵。

本实施方式中，熵计算器f₉的计算公式如式(14)所示：

$f_9=-\underset{i=1}{\overset{N_g}{\Σ}}\underset{j=1}{\overset{N_g}{\Σ}}p(i,j)log\left(p\right(i,j\left)\right)---\left(14\right)$

差值的方差计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差值的方差。

本实施方式中，差值的方差计算器f₁₀的计算公式如式(15)所示：

f₁₀＝p_x-y的方差 (15)

差熵计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差熵。

本实施方式中，差熵计算器f₁₁的计算公式如式(16)所示：

$f_{11}=\underset{i=0}{\overset{N_g-1}{\Σ}}{p}_{x-y}\left(i\right)log\left\{p_{x-y}\left(i\right)\right\}---\left(16\right)$

第一相关性信息测度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及熵确定目标图像在0°、45°、90°和135°四个方向上的第一相关性信息测度。

本实施方式中，第一相关性信息测度计算器f₁₂的计算公式如式(17)所示：

$f_2=\frac{HXY-HXY1}{max\{HX,HY\}}---\left(17\right)$

其中，HXY＝f₉，

第二相关性信息测度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的第二相关性信息测度。

本实施方式中，第二相关性信息测度计算器f₁₃的计算公式如式(18)所示：

f₁₃＝(1-exp[-2.0(HXY2-HXY)])^1/2 (18)

其中，

Haralick特征集合构成单元，用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差，得到目标图像的13个特征均值和目标图像的13个特征方差，组成目标图像的Haralick特征集合。

本实施方式中，Haralick特征集合构成单元，包括特征均值计算器、特征方差计算器和Haralick特征集合生成器。

特征均值计算器，用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的均值，得到目标图像的13个特征均值。

特征方差计算器，用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的方差，得到目标图像的13个特征方差。

Haralick特征集合生成器，用于将目标图像的13个特征均值和目标图像的13个特征方差组成目标图像的Haralick特征集合。

肺结节患病风险预测单元，用于将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM学习机的输入数据，得到SS-ELM学习机的学习参数，从而得到训练后的SS-ELM学习机，将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM学习机中，得到待诊断肺结节图像性质表现为恶性的风险概率。

本实施方式中，肺结节患病风险预测单元，包括SS-ELM训练器和SS-ELM诊断器。

SS-ELM训练器，用于将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM学习机的输入数据，得到SS-ELM学习机的学习参数，从而得到训练后的SS-ELM学习机。

SS-ELM诊断器，用于将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM学习机中，得到待诊断肺结节图像性质表现为恶性的风险概率。

采用基于SS-ELM的肺结节患病风险预测系统进行肺结节患病风险预测的方法，如图5所示，包括以下步骤：

步骤1：获取有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像。

步骤2：将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像，得到目标图像集。

步骤3：将目标图像进行灰度处理，对灰度处理后的目标图像的灰度级进行压缩。

步骤4：将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵；。

步骤5：根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i，j)在目标图像上的概率，确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数。

步骤6：根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数，确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数。

步骤7：计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差，得到目标图像的13个特征均值和目标图像的13个特征方差，组成目标图像的Haralick特征集合。

本实施方式中，得到v个有标签肺结节图像的Haralick特征集合H_L如式(19)所示：

其中，公式(19)第一列为标签，1表示恶性肺结节标签，0表示良性肺结节标签。

得到例个无标签肺结节的Haralick特征集合H_U如式(20)所示：

待诊断肺结节的Haralick特征集合H_W如式(21)所示：

H_W＝[0.112919…0.015359]_1×26 (21)

步骤8：将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM训练器的输入数据，得到SS-ELM训练器的学习参数，从而得到训练后的SS-ELM诊断器。

步骤9：将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM诊断器中，得到待诊断肺结节图像性质表现为恶性的风险概率。