基干遗传算法―BP神经网络乳腺肿瘤辅助诊断模型.docVIP

基于遗传算法―BP神经网络的乳腺肿瘤辅助诊断模型 　　摘 要：针对BP神经网络在辅助诊断建模过程中因输入特征的多维性而造成模型精度低、建模时间长等问题，提出基于遗传算法―BP神经网络的乳腺肿瘤计算机辅助诊断模型。首先提取乳腺肿瘤感兴趣区域的几何特征、形状特征、灰度特征、纹理特征、频率特征和边缘特征共79维；其次，用遗传算法（GA）对提取的特征进行约简，去掉一些冗余特征，选择最能体现肿瘤良恶性的特征组合17维；最后采用BP神经网络对17维特征进行乳腺肿瘤辅助诊断研究。实验结果表明，基于GA-BP的模型在乳腺肿瘤识别中取得了良好效果 关键词：遗传算法；BP神经网络；乳腺肿瘤；计算机辅助诊断 DOIDOI：10.11907/rjdk.161973 中图分类号：TP319 文献标识码：A 文章编号文章编号2016）011014404 0 引言 乳腺癌作为全球女性中最为频发的恶性肿瘤疾病和癌症死亡的首要原因，严重危害女性身心健康。近年来，我国乳腺癌的发病率和死亡率逐年上升，且呈明显的年轻化趋势。乳腺癌在初期常无明显临床症状，或仅表征为轻微的乳房疼痛[1]。迄今为止，乳腺癌发病的确切原因还未找到，尽管环境、遗传因素和生活方式是造成乳腺癌的主要因素，但60%以上的乳腺癌患者身上并不存在这些明显的危险因素[2]。因此，早发现、早诊断仍是当前提高乳腺癌治愈率和降低死亡率最有效的途径[3] 肿瘤作为乳腺癌的直接病理征象和主要诊断依据，大约90%的乳腺癌患者在X影像上有清晰的肿瘤征象。由于X线是一种无创、微辐射的检查方法，检查费用低，而且对肿瘤与钙化比较敏感，因此X线乳腺图像已经成为检测乳腺癌的黄金标准，通过它来检测乳腺异常是预防乳腺癌的重要方法之一[4]。随着医学影像学和计算机辅助诊断技术的发展，基于X线乳腺图像的CAD系统得到了广泛应用，但是不同CAD系统的诊断效果也由系统自身决定[5]。2013年，Marc Lobbes比较了两个CAD系统（Second Look 和 AccuDetect Galileo）的病灶检测能力，并分析了326份病例，结果显示，AccuDetect Galileo在检测肿瘤与微钙化（尤其是针对致密性乳腺）时效果更佳[6]。目前，针对X线图像的乳腺肿瘤辅助诊断算法主要分为图像增强、肿瘤分割、特征提取和优化，以及良恶性肿瘤识别4部分 近年来，随着BP神经网络理论的完善和成熟，在计算机辅助诊断领域得到了广泛应用。由于BP神经网络具有强大的非线性映射能力，在使用乳腺肿瘤病灶组织图像时，建立基于神经网络的乳腺肿瘤辅助诊断方法模型，不仅能够提高乳腺癌的诊断准确率，而且可以为临床医生提供帮助。但是BP神经网络在进行辅助诊断建模时，会因其输入特征的多维性而造成模型精度低、建模时间长等问题。所以，本文提出了基于遗传算法―BP神经网络的乳腺肿瘤CAD方法。首先，提取乳腺肿瘤ROI的几何特征、形状特征、灰度特征、纹理特征、频率特征和边缘特征79维；然后用遗传算法（GA）对提取的特征进行约简，去除冗余特征后选择最能体现肿瘤良恶性的特征组合17维；最后基于GA-BP神经网络模型进行乳腺肿瘤良恶性分类，探讨GA-BP模型在乳腺肿瘤分类识别中的性能 1 基础知识 1.1 遗传算法 遗传算法（Genetic Algorithm，GA）是模拟达尔文生物进化论的自然淘汰与遗传选择生物进化过程的一种计算模型。其核心思想源于适者生存的自然选择规律，具有“生存+检测”的迭代过程。它将所要解决的问题解空间映射到遗传空间，再对解空间进行编码。一般用一串“1、0”数字串表示每个可能的解，并将该解称为一个染色体，解的每一个分量称为一个基因。在算法开始时，先随机选择一群染色体作为候选解，用预先设定好的评价指标计算每个染色体的适应值，并淘汰适应度较低的染色体，保留适应度高的优良染色体，然后对这些染色体进行选择复制、交叉和变异等操作，如此进行一代一代的“进化”，直到找到算法的最优解 遗传算法相对于一些传统的优化算法，优点表现在：①遗传算法在搜索过程中不易陷入局部最优，能以很大概率找到整体最优解，具有良好的适应性与鲁棒性，是一种经典的全局最优化算法；②遗传算法具有隐含并行性，运算效率高，适用于大规模的并行计算机。然而，遗传算法的缺点表现在易早熟、局部收敛性差等 1.2 BP神经网络 BP网络[7]的拓扑结构由输入层、隐含层和输出层组成。图1为一个典型的三层BP神经网络结构图，层与层之间采用全连接方式，同一层之间不存在相互连接，隐含层包括一层或多层 2 本文算法 本文首先对乳腺肿瘤图像进行分割，提取ROI区域，其次提取几何特征、形状特征、灰度特征、纹理特征、频率特征和边缘特征