基于LVQ神经网络的微钙化分类方法_敏感度.docVIP

基于LVQ神经网络的微钙化分类方法_敏感度 论文导读:：数字化的乳腺X光片仍然是乳腺癌检测的可靠工具，X光片中出现的微钙化点是癌症的主要标志。本文提出了一个基于自适应的学习矢量量化神经网路（LVQ）的乳腺癌良恶性分类方法，该方法在提取特征向量的基础上对CC和MLO两种视图的良性和恶性数字化乳腺X光片图像进行训练和测试，分类结果使用最佳分类率和平均分类率来说明。实验结果表明本文方法对CC视图的图象的平均测试分类率为92.6%，而对MLO视图是93.18%。在微钙化分类系统中采用逻辑或的方式用于合并两种不同的视图下的网络，合并后的网络可以获得的最佳分类性能是94.8%。 论文关键词：微钙化点良恶性分类，肿瘤模式识别，学习矢量量化神经网络，敏感度，特异度 1 引言 随着早期检测的重视，近年来乳腺癌的死亡率有降低的趋势，但仅是在欧美国家，比如美国癌症协会ACS建议40-50岁之间的妇女每隔一年就做一次X光片的早期检查，而对50岁以上的则要求一年一次[1]。在过去的十年里中国的乳腺癌诊断病例以每年3%的比例在增长，这个比例已高于西方国家[2]，并且呈年轻化的趋势，这可能归结于环境的变化、饮食结构等改变。 本文的主要工作是提出将微钙化簇分类为良性或恶性的分类算法。分类算法包括4个步骤：（1）从DDSM数据库中获取研究对象，并修改图像格式和尺寸；（2）从数据库相关说明文件中提取病灶区域；（3）提取有效的特征向量；（4）对CC和MLO两种视图的图像使用LVQ神经网络分别训练和测试获得最佳的分类率；（5）使用逻辑或操作计算最后的分类结果，即如果认为任何一个视图下的图像是恶性的，那该病人的病灶性质就是恶性的。 2 图像预处理及特征提取 2.1 图像数据库和预处理 本文采用的试验数据库是南佛罗里达州立大学提供的乳腺癌诊断图DDSM数据库，该数据库可以在该大学的网站上免费下载[3]，该数据库中每个病人有四张图像，分别是cc和mlo视图下的左右乳腺组织图像，所有的图像都是使用LJPEG格式进行压缩，这样保证了不丢失任何图像细节敏感度，但因此图像尺寸也非常大，而CAD系统要能快速检测并具备高准确度，对一个模式识别系统来说，低分辨率图像是高效和可行的[4]。所以，要对图像的尺寸进行修改，同时尽可能地保留图像的细节。下面是图像预处理的步骤：（1）先将LJPEG格式图像进行解压缩，将DDSM中的LJPEG格式的图像转换成12位的TIFF格式的图像，使得其可以在MATLAB中进行后续处理[5]；（2）将它转换成8位格式图像；（3）人工去除黑色背景，提取乳腺区域；（4）选择在使用双线性插值算法进行图像映射，修改图像尺寸为300*200像素，这样在减小图像的尺寸的同时避免图像失真。 使用双线性插值算法，修改图像尺寸为300*200像素大小 图1 图像预处理与分割流程 2.2 提取病灶区域 DDSM数据库的每个病人案例都附带了相关信息，用于标注可疑的病灶区域，这些病灶区域的信息标注是基于像素级的地表实况，每个可疑区域的边界通过在每个图像案例中的.overlay文件中的联结点值来标注。使用这些边界信息，就可以获取了每个可疑区域的边界坐标，从而提取出病灶区域。 2.3 特征提取 有效的特征提取可以大大简化分类系统的设计，好的特征的选取是处理过程中一个关键的步骤，因为接下来的步骤只是关注这些特征并在这些特征上进行运算。我们采用统计学方法计算病灶区域的第一类特征，即以下17个灰度特征：平均灰度、平均边界灰度、平均强度、平均对比度、差分、能量、修正能量、熵、修正熵、标准差、修正标准差、倾斜、修正倾斜、微钙化簇的半径、团簇中微钙化的数目、团簇中微钙化的分布、团簇的面积。本文取的第二类特征即四个bi-rads特征是密度，肿块形状、肿块边缘和异常风险评估。最后一个特征是病人的年龄特征。后面两类特征在数据库说明文件中都可以获得具体的值论文开题报告范例。这样就组成了22维的特征向量，使用这些特征向量对神经网络进行训练和测试。 3 LVQ神经网络的分类算法 本文在LVQ 改进算法的基础上采用自适应学习速率调整的技术，来提高竞争神经元的利用率、微钙化识别率和缩短训练速度。 基于LVQ神经网络方法的微钙化分类算法过程如图2所示： 图2 基于LVQ神经网络方法的微钙化分类算法过程 接下来在DDSM数据库中选择240个良恶性案例进行训练和测试，先前面提到的算法将图像预处理成300*200像素。 假定LVQ网络输入层的输入向量为，其中，M为输入神经元的数目；输入层和竞争层之间的连接权值矩阵为。中，i=1,2,,P;j=1,2,，M表示输入层