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...

本文介绍了通过红外成像技术提取乳腺肿瘤图像纹理特征,利用灰度共生矩阵和BP神经网络进行乳腺肿瘤识别的算法。通过对图像进行预处理、建立灰度共生矩阵并提取特征,训练BP神经网络以实现病变区域的自动识别,实验结果显示该方法具有较高的识别率。
摘要由CSDN通过智能技术生成

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。

f17665c5d03445be4e0f8e9144dea038.gif

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。

9e9ceb06334dee91dbad3245be5d4b0c.gif

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。

f295212901545f52e328f3cd2db8f6e2.gif

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值