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。
,