matlab bp神经网络随机训练集测试集_基于灰度共生矩阵和BP神经网络的乳腺肿瘤识别...

乳腺肿瘤是女性病发率极高的一种肿瘤疾病，但也是一种可以通过早期确诊，提早治疗，从而降低病死率的一种疾病。现有乳腺检查运用的手段是以钼靶、超声为主，其识别率普遍低于75%,这种检查方法都有自己的局部优势，但也受到了一定局限^[1-4]，如：钼靶对钙化敏感，但对东方女性的腺体型乳腺层次分辨不够，有射线，属有创检查，不宜做体检筛查使用。超声对囊性和实性的占位反映敏感，但对医生技术水平要求较高，检查速度较慢，不宜大规模体检筛查使用。核磁共振(MRI)检查方式虽然准确度可以达到90%以上^[5]，但其成本高，设备复杂，农村医院及一些小型医院没有配备。近年来，基于红外图像的乳腺肿瘤诊断逐渐成为学者研究的热点^[6-8]。

本文提出基于红外成像技术，通过提取乳腺等灰度曲线图像的纹理特征，通过进行分类，实现乳腺肿瘤计算机诊断识别的算法。具体过程为：首先通过红外乳腺透像仪获取乳腺红外图像，然后将乳腺图像均匀分块，并划分为病变区域和正常区域，通过分析不同的纹理特征，并找出能有效区分出病变区域和正常区域的特征值，统计好数据作为样本数据，然后通过将训练样本数据导入BP神经网络之中进行训练，使该BP神经网络具有组织分类的功能，能有效地将病变区域识别出来。

1 乳腺图像预处理

乳腺红外图像的预处理包括图像平滑、等灰度曲线处理、图像增强等操作。

1.1 高斯平滑

高斯滤波是对图像进行去噪处理的有效方法。从图1中可以看出，经过高斯平滑处理后的乳腺图像，明显较之前柔和，没有明显的噪点，突出图像的边缘效果，消除噪声的干扰影响。

1.2 灰度曲线处理

由于乳腺肿瘤组织呈浸润性生长，在发生病变的乳腺中，肿瘤以及周边血管的纹理包络都会呈现不规则的状态，并反映了病变区的边缘特征。为了突出病变区域的包络纹理特征，需将近红外图像转化为等灰度曲线图像，这一转变可以通过Sobel算子与图像的每一个点进行卷积实现^[8-10]。

Sobel算子包括两组3×3的矩阵，A₁表示垂直，A₂表示水平。将它和原图像作平面卷积，即可分别得出垂直及水平的亮度差分近似值。

图2(b)是利用上述方法将近红外乳腺图像转化而成的等灰度曲线图像，可以看出病变区域灰度曲线包络纹理不均匀，为病变部位。