关键字 |
乳腺癌,乳房x线照相术,遗传算法和自适应神经模糊推理系统 |
介绍 |
乳腺癌是全球40岁以上女性死亡的主要原因。其早期发现可显著提高患者[2]的生存率。它可以通过分析微钙化物来检测,即位于乳房组织上的小物体。放射科医生可以在数字乳房x线照片上看到这些。根据这些元素的大小和类型,放射科医生可以诊断肿瘤是否恶性,而不需要外科手术。可以用来区分肿瘤类型的一个微钙化特征是它的边界是光滑的还是粗糙的。定义微钙化边界的性质可以帮助放射科医生将这些元素分类为定义为[3]的类型。 |
这将有助于放射科医生进一步对所分析的肿瘤进行分类。微钙化是数字图像上的高频成分。一种处理频率分量的变换可以用来检测乳房图像上的这些物体。我们使用小波变换对所提出的工作来检测这些元素,并对其边界的性质进行分类,是光滑的还是粗糙的。小波变换是一种数学工具,用于分析和处理输入信号中有关频率成分的信息。它使用了两个分析函数:尺度函数和小波函数。这些函数通过拉伸和平移操作[7]应用于信号。如果输入信号是一幅图像,这个操作的结果由四幅图像组成:一幅由输入图像的低频组成,另外三幅包含原始图像的高频——一幅水平,一幅垂直,最后一幅带有对角线细节。由于微钙化在数字乳房x线照片中是高频成分,因此对其进行小波变换检测和分类。一些研究人员介绍了对乳房x线照片进行分类的不同方法。在[10]中提出了一种基于直方图相交的图像分类方法。 Initially they used the bag-of-words model for image classification for capturing the texture information. A normalized histogram intersection with theK-nearest neighbourhood classifier was applied. The classification accuracy depends on the normalization of the histogram. |
参考文献[11]介绍了基于粗糙集理论和统计特征提取技术的乳房x线照片分类。从灰度共现矩阵中得到特征,对这些特征进行归一化处理,并根据属性向量生成粗糙集依赖规则。生成的规则被传递给分类器进行分类。 |
参考文献[12]提出了一种用于实质模式分类的新方法,其中纹理模型用于捕获乳房区域内的乳房x光照片外观。实质密度模式被建模为聚类的统计分布,不变的滤波器响应在低维空间。分形可以用来对不同类型的细胞进行分类和区分。分形对象的形状在不断放大或缩小的情况下保持不变。因此,分形几何可以用来克服纹理的尺度问题。分形维数可以结合真实世界的数据来定义,并且可以测量。曲线、曲面和体积是复杂的物体,由于它们的物理性质,普通测量变得有限。人们提出了不同的技术来衡量复杂程度,方法是评估长度、表面或体积在越来越小的尺度上增加的速度。 |
三次图像插值 |
双三次插值比双线性插值产生更少的边缘模糊和其他失真,但对计算的要求更高。双三次插值涉及拟合一系列三次多项式到包含在计算地址周围的4 × 4像素数组中的亮度值。三次卷积插值核由定义在子区间(- 2,- l), (- 1,0), (0, l)和(1,2)上的分段三次多项式组成。在区间(- 2,2)之外,插值核为零。由于这种情况,用于评估插值函数的数据样本数量减少到4个。插值核必须是对称的。加上前面的条件,这意味着k1必须具有这种形式 |
![方程](//www.cheescube.com/articles-images/IJAREEIE-64-e001.gif) |
其中α是自由参数。该函数是通过寻找一个分段三次多项式,在整数处具有结点,要求是对称的,C1连续的,并且支持在−2
|
对比有限自适应直方图均衡化(clahe) |
每次获取图像时,必须调整窗口和水平参数,以最大限度地提高对比度和结构可视性。这必须在图像以采集软件的通用格式以外的任何其他格式保存之前完成。目前,在图像采集后,除了窗口级别外,很少有后处理应用于图像。这部分是由于未经处理的图像质量很好,但也因为我们处理16位图像的经验和工具很短。 |
CLAHE似乎是一种很好的算法,可以直接从原始的医院信息系统(HIS)图像中获得好看的图像,不需要窗口和水平调整。这是一种无需用户干预就能自动显示图像的方法。对这种方法的进一步研究是必要的。CLAHE最初是为医学成像开发的,并已被证明成功地用于增强低对比度图像,如门脉片。CLAHE算法将图像划分为上下文区域,并对每个区域应用直方图均衡化。这使使用的灰色值的分布均匀,从而使图像的隐藏特征更明显。用全灰度谱来表示图像。对比有限自适应直方图均衡化,CLAHE,是AHE或自适应直方图均衡化的改进版本。 |
两者都克服了标准直方图均衡化的局限性。提供了多种自适应对比限制直方图均衡化技术(CLAHE)。锐利的场边缘可以通过在场边界内的选择性增强来保持。选择性增强是通过首先检测门户图像中的场边缘,然后仅处理图像中位于场边缘内的那些区域来完成的。通过结合CLAHE、中值滤波和边缘锐化,可以在保持图像高空间频率含量的同时降低噪声。这种被称为顺序处理的技术可以记录到用户宏中,以便在任何时候重复应用。还可以应用一种称为自适应直方图剪辑(AHC)的对比度限制技术。AHC自动调整剪辑水平和适度门户图像的背景区域的增强。 |
自适应神经模糊推理系统 |
自适应神经模糊推理系统结合了神经网络的学习能力和模糊推理算法的近似推理能力。ANFIS采用混合学习算法识别Sugeno型模糊推理系统的隶属函数参数。目的是开发基于anfi的学习模型,从乳房x线图像中分类正常和异常图像,以检测乳腺癌。自适应神经网络是一种由五层和若干节点通过定向链路连接而成的网络结构。第一层执行模糊化过程,第二层执行模糊规则前部分的模糊与,第三层归一化模糊隶属函数,第四层执行模糊规则的后续部分,最后一层通过对第四层的输出[6]求和来计算模糊系统的输出。每个节点由一个具有固定或可调参数的节点函数来表征。神经网络的学习或训练阶段是确定参数值以充分拟合训练数据的过程。 |
在此基础上,本文采用混合学习规则,将梯度下降法和最小二乘法相结合,寻找一组可行的前后参数。为了获得一组规则并避免基于网格划分的聚类技术固有的问题,应用了减法聚类技术。该算法允许分散的输入输出空间划分,是一种通过训练数据估计聚类数量和聚类中心的一种算法。 |
离散haar小波变换与特征提取 |
Haar函数的一个突出的性质是,除了函数Haar (0, t), i-thHaar函数可以通过限制(j−1)-th函数是它不等于0的区间的一半,通过与p2相乘并在区间[0,1]上缩放来生成。这些性质使Haarfunction具有相当大的兴趣,因为它们与小波理论密切相关。在此设置中,前两个Haar函数称为全局函数,而所有其他Haar函数都表示为局部函数。因此,作为奇矩形脉冲对的Haar函数是最简单、最古老的小波。使用离散小波变换的动机是通过在时频平面的不同部分提供不同的分辨率来获得更具鉴别性的信息。小波变换允许将时频域划分为与信号的时谱内容相关的非均匀瓦片。小波方法与Haar函数的经典基密切相关;基小波的缩放和膨胀可以生成基Haar函数。令Ã【±;R】R,由公式定义Haar小波函数 |
![方程](//www.cheescube.com/articles-images/IJAREEIE-64-e002.gif) |
特征提取步骤的目的是为分类器提供必须选择的相关特征,以最大化类间方差。选择合适的特征空间通常取决于问题,因此表1中的特征通常适用于图像内容。例如,乳房x线照片图像可以用离散haar小波变换的频率分析来描述。 |
实验结果 |
表1显示了该特征从乳房x线照片中提取的值。它由来自MIAS数据库[8]的10张乳腺x线照片样本的GLCM特征(1)自相关性(2)相关性(3)同质性(4)最大概率(5)差异方差(6)逆差分矩归一化)组成。 |
上图由x轴20张图像和y轴2张输出(正常和异常)组成。两个符号、训练数据和模糊推理系统的重合表明了数据的准确分类。该神经模糊系统的训练和测试平均误差分别为0.000102828和0.00025222。 |
结论 |
本文介绍了ANFIS在乳腺癌分类中的新应用。该模型结合了神经网络自适应能力和模糊逻辑定性方法。通过对ANFIS的分析,得出了一些特征对乳腺癌分类的显著性的结论。用分类结果和统计方法对ANFIS进行评价,在对10张图像样本的系统进行评价时,表2的平均时间复杂度似乎小于0.5秒。因此,我们得出结论,考虑到分类率,提出的ANFIS模型可以用于乳腺癌的分类。在未来,它将考虑其他统计模型进行特征提取,以提高分类率。 |
表格一览 |
![Click Here 表的图标](//www.cheescube.com/articles-images/table-icon.gif) |
![Click Here 表的图标](//www.cheescube.com/articles-images/table-icon.gif) |
表1 |
表2 |
|
数字一览 |
|
参考文献 |
- jh - shing Roger Jang,”ANFIS:基于自适应网络的模糊推理系统,《IEEE系统、人与控制论汇刊》,第23卷,no。1993年6月3日。
- c·b·r·费雷拉和d·l·博尔赫斯,《分析》使用小波变换分解的乳房x线照片分类,“PatternRecognit。列托人。第24卷,no。7, pp. 973-982, 2003。
- T. Arodz '、M. Kurdziel、T. J. Popiela、E. O. D. Sevre和D. A. Yuen,”在小视野数字乳房x线摄影中检测聚集微钙化,“compput。方法:生物程序。,第81卷,no。1,页56-65,2006。
- Le Gall先生,G. Chavanne和D. Pellier "微钙化诊断方法乳房x线照相术,牛。癌症,第71卷,no。1,第57-64页,1984。
- Haarlick.R.M。”纹理的统计和结构方法”,机械工程学报,vol.67, pp.786-804,1979。
- 张世荣,孙志涛,水谷e, "神经模糊和软计算:学习和机器智能的方法,“伦敦:prentice-Hall国际第八卷第8期1997
- P.艾迪生。”图解小波变换手册”,布里斯托尔,英国:IOP出版, 2002年。
- “MIAS微型乳房x线摄影数据库”,http://skye.icr.ac.uk/miasdb/miasdb.html
- 乔治·沃尔伯格。数字图像翘曲。IEEE计算机协会出版社,美国加州洛斯阿拉米托斯, 1994年。
- 尔康,c., x.年化,l.海滨,p. r.巴基奇,a.d.a .少女n t, v.巨大的ikonomo u。使用直方图交叉的乳房x线摄影图像分类。-见:IEEE Proc. ISBI ' 10, 2010, 197-200
- 哈萨宁,E. A., M. H.贾法尔·阿里。乳腺癌乳房x光图像的粗糙集分类方法。—In: Int。中国计算机工程学报,2003,24(2):344 - 344。
- 佩德罗迪,S.卡迪尔,M.布雷迪。乳房x线照片实质图案的自动分类:统计方法。—In: IEEEProc。中国生物医学工程学报,2003,29(4):497 - 497。
|