91精品人妻互换日韩精品久久影视|又粗又大的网站激情文学制服91|亚州A∨无码片中文字慕鲁丝片区|jizz中国无码91麻豆精品福利|午夜成人AA婷婷五月天精品|素人AV在线国产高清不卡片|尤物精品视频影院91日韩|亚洲精品18国产精品闷骚

論文導讀:：數(shù)字化的乳腺X光片仍然是乳腺癌檢測的可靠工具，X光片中出現(xiàn)的微鈣化點是癌癥的主要標志。本文提出了一個基于自適應的學習矢量量化神經(jīng)網(wǎng)路（LVQ）的乳腺癌良惡性分類方法，該方法在提取特征向量的基礎上對CC和MLO兩種視圖的良性和惡性數(shù)字化乳腺X光片圖像進行訓練和測試，分類結(jié)果使用最佳分類率和平均分類率來說明。實驗結(jié)果表明本文方法對CC視圖的圖象的平均測試分類率為92.6%，而對MLO視圖是93.18%。在微鈣化分類系統(tǒng)中采用邏輯或的方式用于合并兩種不同的視圖下的網(wǎng)絡，合并后的網(wǎng)絡可以獲得的最佳分類性能是94.8%。
論文關(guān)鍵詞：微鈣化點良惡性分類，腫瘤模式識別，學習矢量量化神經(jīng)網(wǎng)絡，敏感度，特異度

　　1 引言
　　隨著早期檢測的重視，近年來乳腺癌的死亡率有降低的趨勢，但僅是在歐美國家，比如美國癌癥協(xié)會ACS建議40-50歲之間的婦女每隔一年就做一次X光片的早期檢查，而對50歲以上的則要求一年一次[1]。在過去的十年里中國的乳腺癌診斷病例以每年3%的比例在增長，這個比例已高于西方國家[2]，并且呈年輕化的趨勢，這可能歸結(jié)于環(huán)境的變化、飲食結(jié)構(gòu)等改變。
　　本文的主要工作是提出將微鈣化簇分類為良性或惡性的分類算法。分類算法包括4個步驟：（1）從DDSM數(shù)據(jù)庫中獲取研究對象，并修改圖像格式和尺寸；（2）從數(shù)據(jù)庫相關(guān)說明文件中提取病灶區(qū)域；（3）提取有效的特征向量；（4）對CC和MLO兩種視圖的圖像使用LVQ神經(jīng)網(wǎng)絡分別訓練和測試獲得最佳的分類率；（5）使用邏輯或操作計算最后的分類結(jié)果，即如果認為任何一個視圖下的圖像是惡性的，那該病人的病灶性質(zhì)就是惡性的。
　　2 圖像預處理及特征提取
　　2.1 圖像數(shù)據(jù)庫和預處理
　　本文采用的試驗數(shù)據(jù)庫是南佛羅里達州立大學提供的乳腺癌診斷圖DDSM數(shù)據(jù)庫，該數(shù)據(jù)庫可以在該大學的網(wǎng)站上免費下載[3]，該數(shù)據(jù)庫中每個病人有四張圖像，分別是cc和mlo視圖下的左右乳腺組織圖像，所有的圖像都是使用LJPEG格式進行壓縮，這樣保證了不丟失任何圖像細節(jié)敏感度，但因此圖像尺寸也非常大，而CAD系統(tǒng)要能快速檢測并具備高準確度，對一個模式識別系統(tǒng)來說，低分辨率圖像是高效和可行的[4]。所以，要對圖像的尺寸進行修改，同時盡可能地保留圖像的細節(jié)。下面是圖像預處理的步驟：（1）先將LJPEG格式圖像進行解壓縮，將DDSM中的LJPEG格式的圖像轉(zhuǎn)換成12位的TIFF格式的圖像，使得其可以在MATLAB中進行后續(xù)處理[5]；（2）將它轉(zhuǎn)換成8位格式圖像；（3）人工去除黑色背景，提取乳腺區(qū)域；（4）選擇在使用雙線性插值算法進行圖像映射，修改圖像尺寸為300*200像素，這樣在減小圖像的尺寸的同時避免圖像失真。
　　

　　圖1 圖像預處理與分割流程
　　2.2 提取病灶區(qū)域
　　DDSM數(shù)據(jù)庫的每個病人案例都附帶了相關(guān)信息，用于標注可疑的病灶區(qū)域，這些病灶區(qū)域的信息標注是基于像素級的“地表實況”，每個可疑區(qū)域的邊界通過在每個圖像案例中的.overlay文件中的聯(lián)結(jié)點值來標注。使用這些邊界信息，就可以獲取了每個可疑區(qū)域的邊界坐標，從而提取出病灶區(qū)域。
　　2.3 特征提取
　　有效的特征提取可以大大簡化分類系統(tǒng)的設計，好的特征的選取是處理過程中一個關(guān)鍵的步驟，因為接下來的步驟只是關(guān)注這些特征并在這些特征上進行運算。我們采用統(tǒng)計學方法計算病灶區(qū)域的第一類特征，即以下17個灰度特征：平均灰度、平均邊界灰度、平均強度、平均對比度、差分、能量、修正能量、熵、修正熵、標準差、修正標準差、傾斜、修正傾斜、微鈣化簇的半徑、團簇中微鈣化的數(shù)目、團簇中微鈣化的分布、團簇的面積。本文取的第二類特征即四個bi-rads特征是密度，腫塊形狀、腫塊邊緣和異常風險評估。最后一個特征是病人的年齡特征。后面兩類特征在數(shù)據(jù)庫說明文件中都可以獲得具體的值論文開題報告范例。這樣就組成了22維的特征向量，使用這些特征向量對神經(jīng)網(wǎng)絡進行訓練和測試。
　　3 LVQ神經(jīng)網(wǎng)絡的分類算法
　　本文在LVQ 改進算法的基礎上采用自適應學習速率調(diào)整的技術(shù)，來提高競爭神經(jīng)元的利用率、微鈣化識別率和縮短訓練速度。
　　基于LVQ神經(jīng)網(wǎng)絡方法的微鈣化分類算法過程如圖2所示：
　　
　　圖2 基于LVQ神經(jīng)網(wǎng)絡方法的微鈣化分類算法過程
　　接下來在DDSM數(shù)據(jù)庫中選擇240個良惡性案例進行訓練和測試，先前面提到的算法將圖像預處理成300*200像素。
　　假定LVQ網(wǎng)絡輸入層的輸入向量為，其中，M為輸入神經(jīng)元的數(shù)目；輸入層和競爭層之間的連接權(quán)值矩陣為。中，i=1,2,…,P;j=1,2,…，M表示輸入層第i個神經(jīng)元和第j個神經(jīng)元之間的連接權(quán)值，P為競爭神經(jīng)元的數(shù)目，競爭層的輸出向量為，競爭層與輸出層神經(jīng)元之間的連接權(quán)值矩陣為，其中。中敏感度，k=1,2,…,N；r=1,2,…,p,表示競爭層第k個神經(jīng)元與輸出層第r個神經(jīng)元之間的鏈接權(quán)值，N為輸出層神經(jīng)元的數(shù)目。競爭層的每個神經(jīng)元通過學習原型向量，并對輸入空間進行分類。將競爭層學習得到的類稱為子類，將輸出層學習得到的類稱為目標類[6]。
　　LVQ學習算法步驟如下：
　　 第一步：設置變量和參量。
　�。�1）輸入向量和目標向量的設計。每幅圖像的原始尺寸為300*200，參與訓練的有X=240幅圖像，提取的輸入特征向量是22個。240張腫瘤圖像分為2類（良性和惡性），所以目標向量為240×2的向量,其中每一列中只有一個“1”,其余均為“0”。
　　為輸入向量，或稱訓練樣本。
　�。�2）設置權(quán)值向量和學習速率。為權(quán)值向量，i=1，2，…，M。t為迭代次數(shù)，T為迭代總次數(shù)，N是輸入層節(jié)點數(shù)，M是輸出層節(jié)點數(shù)。選擇學習速率的函數(shù)。
　　 第二步：初始化權(quán)值向量及學習速率。在初始狀態(tài)下，所有神經(jīng)元都擁有相同的權(quán)值，即為這些向量的中間值。學習速率反映了學習過程中連接權(quán)調(diào)整量的大小，初值設為0. 1，閾值。
　　 第三步：輸入訓練樣本，計算輸入向量與權(quán)值向量之間的距離，找到與輸入向量距離最小的權(quán)值向量，這里使用歐氏距離最小的標準，如公式（1），從而尋找獲勝神經(jīng)元c，從而實現(xiàn)了神經(jīng)元的競爭過程。
　　, i=1,2,…M(1)
　　 第四步：期望誤差的選取和網(wǎng)絡結(jié)構(gòu)的確定。期望誤差初始值設為0.1，學習函數(shù)用LVQ1，最大訓練步數(shù)設為1000，開始對網(wǎng)絡進行訓練。訓練經(jīng)過20次迭代就可達到誤差要求，為了進一步降低訓練誤差，要通過增加隱含層的節(jié)點，以及訓練時間來獲得。訓練好的網(wǎng)絡在選定的圖像集（選取良惡性圖像各50張，總共100張）上測試的結(jié)果是：當競爭層節(jié)點數(shù)小于10時敏感度，不能進行有效分類；當競爭層節(jié)點數(shù)為10-20時，分類率為80-86%左右；當競爭層節(jié)點數(shù)為20-30時，分類率為90%左右。競爭層節(jié)點數(shù)再增加，對識別結(jié)果影響不大。所以，根據(jù)實驗結(jié)果，我們采用隱藏層節(jié)點數(shù)為30的網(wǎng)絡結(jié)構(gòu)進行最終的測試和分類。
　　 第五步：判斷分類是否正確，根據(jù)如下規(guī)則調(diào)整獲勝神經(jīng)元的權(quán)值向量：
　　 　　如果，則
　　(2)
　　否則，當，有
　　(3)
　　對于其他神經(jīng)元，保持權(quán)值不變論文開題報告范例。
　　第六步：調(diào)整學習速率，LVQ 算法中學習速率是個很重要的參數(shù)，它影響算法的穩(wěn)定性和權(quán)值收斂的速度，是LVQ 神經(jīng)網(wǎng)絡訓練過程中需要重點考慮的參數(shù)。在定義學習速率的時候要貫徹快速穩(wěn)定的原則，這里我們采用自適應學習速率定義方法：一般來說，學習速率的選擇需要考慮的是，在迭代的初始時刻選擇較大的值，然后，隨著迭代的進行，線性或非線性地降到0。
　　在初始階段，通常取較大的值，表示算法迅速修正較大的誤分類權(quán)值，隨著時間的進行，越來越小，表明使用較小的學習系數(shù)(緩慢的自適應)來修正較小的誤分類權(quán)值，以至在學習完成后，誤分類的樣本數(shù)得到最少。使用自適應學習速率，神經(jīng)網(wǎng)絡的權(quán)值在剛開始快些收斂，結(jié)束時保證權(quán)值相對穩(wěn)定，因此它比定學習速率有較快的收斂速率和更高的穩(wěn)定性。
　　第七步：判斷迭代次數(shù)是否超過T，如果就轉(zhuǎn)到第三步，否則就結(jié)束迭代過程。
　　對40張cc和mlo視圖上的圖像（其中CC和MLO視圖上的圖像各20張敏感度，包括10張惡性，10張良性，并且左右視圖各對半即5張）進行訓練，獲得了最佳的學習模式。對另外200個案例（良惡性各100張），對不同兩種視圖分開來進行良惡性組織的分類的測試。為了降低漏掉真陽性案例的可能性，對兩種視圖下的神經(jīng)網(wǎng)絡分類效果使用邏輯或的方式進行處理，就是如果任何一種視圖（cc或mlo）網(wǎng)絡分類器將圖像病灶分類成是惡性的，那么就認為該病例是惡性的，否則，就認為是正常或良性的圖像。
　　4 實驗結(jié)果
　　使用MATLAB進行仿真計算，實驗結(jié)果表明完成的測試集在cc和mlo視圖上各自平均分類性能是92.6%和93.18%。整合的系統(tǒng)的平均分類性能略微的降低到91.84%（如表1），而最佳分類性能是94.8%。
　　表1 240個DDSM案例的神經(jīng)網(wǎng)絡訓練和測試結(jié)果
　　

4 結(jié)束語
　　本文提出了一個學習向量量化神經(jīng)網(wǎng)絡整合系統(tǒng)用于區(qū)分乳腺癌的良惡性病灶的方法。整合的神經(jīng)網(wǎng)絡擁有更強的學習技能，可以改善神經(jīng)系統(tǒng)學習的泛化能力。本文整合的神經(jīng)網(wǎng)絡分類系統(tǒng)使用了低分辨率的圖像，微鈣化使用自適應的學習向量量化網(wǎng)絡提取，這個網(wǎng)絡在cc和mlo視圖下使用良性和惡性的圖像進行訓練，整合的系統(tǒng)完成的最佳分類性能是94.8%。盡管如此，但整合后的系統(tǒng)的平均分類率有所下降，這是以后需要研究和改進的方向。

參考文獻
[1]McLelland, R.Screening for breast cancer: opportunities, status and challenges. In: Brunner,S., Langfeldt, B. (eds.) Advances in Breast Cancer Detection: Recent Results inCancer Research, vol. 119, Springer, pp 29-38, 1990.
[2]Li, S. L. Oncology of breast. Beijing: Science Technique LiteraturePublishing House, 2000. pp 210, 218-220.
[3]美國南佛羅里達大學.數(shù)字乳腺圖像數(shù)據(jù)庫（DDSM）[EB/OL].http://marathon.csee.usf. edu/Mammography/Database.html/
[4]LJPEG格式轉(zhuǎn)換到TIFF格式的詳細說明. http://hi.baidu.com/xs64/blog/item/ 656858034ea603eb08fa938e.html, 2009-1-4.
[5]Khuwaja, G. A. An adaptive combined classifier system for invariantface recognition. Digital Signal Processing, 2002, 12: 21-46.
[6]SANO K, MOMOSE S, TAKIZAWA H,et al.Efficient parallel processing ofcompetitive learning algorithms[J]. Parallel Computing, 2004, 30(12):1361-1383.