基于LVQ神經(jīng)網(wǎng)絡(luò)的微鈣化分類方法

1、基于LVQ神經(jīng)網(wǎng)絡(luò)的微鈣化分類方法論文導讀:：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(yīng)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根底上對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)果使用最正確分類率和平均分類率來說明。實驗結(jié)果說明本文方法對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(luò)，合并后的網(wǎng)絡(luò)可以獲得的最正確分類性能是94.8%。論文關(guān)鍵詞：微鈣化點良惡性分類，腫瘤模

2、式識別，學習矢量量化神經(jīng)網(wǎng)絡(luò)，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，比方美國癌癥協(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歲以上的那么要求一年一次【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

3、MLO兩種視圖的圖像使用LVQ神經(jīng)網(wǎng)絡(luò)分別訓練和測試獲得最正確的分類率；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(yù)處理及特征提取2.1 圖像數(shù)據(jù)庫和預(yù)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，這樣保證了不喪失任何圖像細節(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

4、高效和可行的【4】。所以，要對圖像的尺寸進行修改，同時盡可能地保存圖像的細節(jié)。下面是圖像預(yù)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防止圖像失真。 使用雙線性插值算法，修改圖像尺寸為300*200像素大小 圖1 圖像預(yù)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

5、，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(shè)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、平均比照度、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

6、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(luò)進行訓練和測試。3 LVQ神經(jīng)網(wǎng)絡(luò)的分類算法本文在LVQ 改良算法的根底上采用自適應(yīng)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?；贚VQ神經(jīng)網(wǎng)絡(luò)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(luò)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(yù)處理成3

7、00*200像素。假定LVQ網(wǎng)絡(luò)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(shè)置變量和參量。1輸入向

8、量和目標向量的設(shè)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 x2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(shè)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(shè)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

9、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(luò)結(jié)構(gòu)確實定。期望誤差初始值設(shè)為0.1，學習函數(shù)用LVQ1，最大訓練步數(shù)設(shè)為1000，開始對網(wǎng)絡(luò)進行訓練。訓練經(jīng)過20次迭代就可到達誤差要求，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(luò)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-

10、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(luò)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)那么調(diào)整獲勝神經(jīng)元的權(quán)值向量：如果，那么(2)否那么，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(luò)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)定的原那么，這里我們采用自適應(yīng)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

11、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，說明使用較小的學習系數(shù)(緩慢的自適應(yīng))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(yīng)學習速率，神經(jīng)網(wǎng)絡(luò)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，否那么就結(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，獲得了最正確的學習模式。對另外200個案

12、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(luò)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(luò)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，否那么，就認為是正?；蛄夹缘膱D像。4 實驗結(jié)果使用MATLAB進行仿真計算，實驗結(jié)果說明完成的測試集在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，而最正確分類性能是94.8%。表1 240個DDSM案例的神經(jīng)網(wǎng)絡(luò)訓練和測試結(jié)果 CC視圖 MLO視圖 整合兩個視圖的網(wǎng)絡(luò) 訓練圖

13、像數(shù)=20 訓練圖像數(shù)=100 訓練圖像數(shù)=20 訓練圖像數(shù)=100 訓練圖像數(shù)=40 訓練圖像數(shù)=100 測試圖像數(shù)=100 測試圖像數(shù)=20 測試圖像數(shù)=100 測試圖像數(shù)=20 測試圖像數(shù)=200 測試圖像數(shù)=20 訓練集的分類率 最正確分類率 100 100 100 100 平均分類率 97.13 98.63 95.8 96.68 標準偏差 1.93 1.36 3.42 2.60 測試集的分類率 最正確分類率 93 100 94 100 94.8 100 平均分類率 92.6 92.38 93.18 94.75 91.84 93.75 標準偏差 0.46 2.16 0.447 1.82

14、 1.3865 2.1826 4 結(jié)束語本文提出了一個學習向量量化神經(jīng)網(wǎng)絡(luò)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(luò)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(luò)分類系統(tǒng)使用了低分辨率的圖像，微鈣化使用自適應(yīng)的學習向量量化網(wǎng)絡(luò)提取，這個網(wǎng)絡(luò)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)完成的最正確分類性能是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良的方向。參考文獻【1】McLelland, R.Screening for breast cancer: opportunities, status and c

15、hallenges. 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.【5】Khuwaja, G. A. An adaptive combined c