APP下载

CNN多层特征融合与ELM的乳腺疾病诊断方法

2020-02-18赵京霞钱育蓉南方哲行艳妮

计算机工程与应用 2020年4期
关键词:特征实验

赵京霞,钱育蓉,南方哲,张 晗,行艳妮

新疆大学 软件学院,乌鲁木齐830046

1 引言

乳腺癌是全世界妇女中发病率最高的一种恶性肿瘤,严重影响女性的身体健康。根据世界卫生组织报道,早期发现乳腺癌极大地增加了制定成功治疗计划和延长生命的机会[1]。当前医学图像的诊断主要依赖人工阅片完成,然而医学图像的急剧增加给人工阅片带来了极大挑战。计算机辅助诊断主要是对乳腺癌进行早期监测,更加快速、准确地进行乳腺癌的诊断,对乳腺癌的治疗具有重要的意义。

目前国内外学者已经在乳腺疾病诊断方面做了大量研究。文献[2]利用灰度共生矩阵从乳腺X光照片中提取了大量纹理特征,并结合支持向量机(Support Vector Machine,SVM)进行诊断。Ponraj等人分别使用LBP(Local Binary Pattern)和LDP(Local Directional Pattern)特征来表达乳腺图像特征,并结合SVM进行乳腺疾病诊断。以上研究方法高度依赖人工特征选择,获取的特征往往是浅层的,不能有效地描述样本的结构信息,难以区分高维特征间的关系,导致辅助诊断的准确度较低[3]。随着深度学习的兴起,在计算机辅助乳腺诊断领域越来越多的研究者青睐于卷积神经网络(Convolutional Neural Networks,CNN)[4]。Arevalo等人将CNN和SVM分别作为特征提取器和分类器来对乳腺肿块进行诊断,可达到86%的准确率,但在分类时仅考虑了最后一层的特征图,没有充分挖掘CNN不同层特征的多样性和区分性[5]。Jiao等人分别用CNN中提取的中层特征和深层特征训练两个SVM分类器,然后根据两个分类结果的相似性来确定诊断结果[6],其仅仅是针对良恶二分类问题取得了不错的效果,但乳腺疾病诊断通常分为正常、良性以及恶性三大类。……

登录APP查看全文

猜你喜欢

特征实验
记一次有趣的实验
如何表达“特征”
做个怪怪长实验
不忠诚的四个特征
NO与NO2相互转化实验的改进
实践十号上的19项实验
线性代数的应用特征
《实验流体力学》征稿简则