Generalized Multiscale RBF Networks and the DCT for Breast Cancer Detection乳腺癌检测的MSRBF网络和DCT

原文名称：Generalized Multiscale RBF Networks and the DCT for Breast Cancer Detection

论文地址：Generalized Multiscale RBF Networks and the DCT for Breast Cancer Detection

一、摘要：

（1）背景：

首次提出将MSRBF（multiscale generalized radial basis function, 广义多尺度径向基函数）网络应用于图像处理技术，该网络具有简单灵活的体系结构，此前已成功应用于输入输出非线性系统的预测和模型结构预测。其中，径向基函数属于单隐层网络，在估算连续函数时的效率很高，可独立于线性度测量。RBF神经网络是加权线性结构，在求解算法中会简化训练、舍弃复杂的非线性流程，但仍可有效解决非线性系统识别问题。

非线性分析在研究真实系统中非常重要，与数字图像处理的相关性也不断提升。图像处理的非线性分析，杜宇图像的排他性线性程序可能在边缘、非高斯噪音及其他随机畸变中得到的效果较差，尤其需要高准确度分析时，某些重要因素的有效性可能明显降低。

RBF在建模及解决问题上具有简洁性的优势，在构建高度动态及迅速变化的系统时，其产生的逼近可能缺乏灵活性。

可替代RBF、突破这一灵活性局限的是广义多尺度RBF网络，该网络的特点是不仅能保持RBF网络建模的简洁性，还能兼具复杂网络最佳逼近的优势。可以从图像中提取高质量信息，完成图像分类任务，该论文提出采用MSRBF网络，结合DCT（Discerte cosine transform, DCT）。

 （2）MSRBF框架简述

MSRBF 网络是用于乳腺癌检测的集成计算机辅助诊断 (CAD) 框架的一部分，可分为三个部分：针对图像数据的输入输出模型 （DIO层）==>高层次图像特征提取（FE层）==>分类模型来预测乳腺癌（CP层）。

在DIO层，图像数据被转化成一个多输入单输出系统，另外为了改善网络表征性能，1）引入带有外源的非线性自回归模型（NARX），以非线性方式重新排列可用的输入-输出数据；2）通过将系统作为模型结构检测问题进行求解并找到NARX-MSRBF网络的输出层权重，并引入前向回归正交最小二乘法（FROLS）进行处理。

在FE层，通过模拟刺激输入来产生输出信号（采用离散余弦变换DCT进行压缩）来进行特征提取；

在CP层，对提取到的特征使用聚类算法来分类，并集成于乳腺癌检测的CAD系统。

（3）测试数据集及结果：三个不同、知名、公开图像数据库

the mini-MIAS and the MMSD for mammography, and the BreaKHis for histopathology images。在不同的数据库分区之间也进行比较，来了解乳房X射线照片对乳腺密度的影响。分类的结果是：93.5%，93.99%，86.7%。所以，MSRBF网络结合DCT，可以个性化简化图像模型，从黑白图像和彩色输入图像中，提取高质量的特征。        

，