刘俊志 朱昆仑 宋笑涵

摘要：乳腺癌是导致女性癌症死亡的首要原因，严重危害广大女性的身体健康，早期的诊断和治疗是防治的关键。针对当前乳腺X线图像人工标注工作量大、数据不易获取、图像特征提取耗时且难度大等问题，现以稀疏自编码网络为基础，训练具有两个隐含层的神经网络以对图像进行有无病变分类。首先，使用自编码器以无监督方式单独训练各隐含层。然后训练最终Softmax层，并将这些层连接在一起形成堆叠网络，该网络最后以有监督方式进行训练。医生可通过系统得出的结果对患者是否患有乳腺病变进行诊断。

关键词：乳腺X线图像;稀疏自编码器;深度学习;病变检测;MATLAB

1. 前言

目前国内外学者先后提出了多种乳腺病变检测系统。Christoyiarni等人提出在肿块疑似区域上利用独立元分析方法提取特征辨别肿块与正常组织，再利用神经网络方法分类训练肿块，能达到较高检测率同时能区分肿块的良恶性[1]。尽管特征提取确实得到很大提升，但是CAD系统中的分类器在分类病变图像的准确度上仍然存在很大缺陷。近年来，深度学习在诸多领域能够同时进行特征学习和分类，深度学习技术中的无监督特征学习技术已经成功地被应用于计算机视觉领域。因其不需要依赖于先验知识，可以自适应地构建有效的特征描述，所以灵活性和普遍性较传统特征提取方法更具有优越性[2]。自编码器（Auto-encoder，AE）就是深度学习中最流行的代表性学习方法中的一种，该学习方法能实现良好的性能，并具有较少的调节参数和低的迭代次数等优点，在图像特征表达中得到广泛的运用[3]。……