【二维AR和二维ARMA参数估计】用于乳腺癌检测和分类的二维ARMA建模（Matlab代码实现）-CSDN博客

本文链接：https://blog.csdn.net/weixin_46039719/article/details/148130752

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、文章下载

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议粉丝按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

摘要——计算机辅助诊断（CAD）范式鉴别恶性病变和良性病变的货币在超声乳房图像中。但即使是最老练的调查人员通常依赖于一维表示图像的扫描线。这样的向量表示由于一维时间序列的数学可处理性，它们很方便。然而，他们没有考虑到像素之间的空间相关性，这是至关重要的在乳腺图像的肿瘤检测和分类中。在这个在论文中，我们提出了一个用于肿瘤检测和诊断的CAD系统超声乳腺图像中的分类（癌性vs.良性）基于二维自回归移动平均模型乳房图像的ARMA模型。首先，我们使用沃尔德分解定理，即超声乳房图像可以通过二维ARMA随机场精确建模。与1D情况一样，2D ARMA参数估计问题为由于估计2D移动平均（MA）参数的非线性，比其2D AR对应物难得多。我们建议使用以下公式来估计2D ARMA参数两阶段Yule-Walker最小二乘算法。估计然后，参数被用作统计推断的基础乳房图像的生物物理解释。我们评估了二维ARMA矢量特征在真实超声中的性能使用k-means分类器的图像。我们的结果表明基于二维ARMA模型的拟议CAD系统导致能够准确分割超声的参数乳腺图像分为三个区域：健康组织、良性肿瘤、，以及癌性肿瘤。此外，特异性和敏感性拟议的二维CAD系统的性能优于其一维同源物。
关键词—乳腺癌，二维ARMA模型，k-means算法

乳腺癌仍然是一个重大的公共卫生问题美国的问题：它是第二大女性死亡率，令人不安的是，每八个女性中就有一个美国将在她被诊断出患有乳腺癌生命周期。在完全了解这种疾病的原因之前，早期发现仍然是改善乳腺癌的唯一希望预后和治疗。乳腺癌筛查方式主要基于临床检查、乳房X线摄影、，超声成像、磁共振成像（MRI）和核心活检。乳房X线摄影（乳房X射线成像）是迄今为止最快和最便宜的乳腺癌筛查测试。不幸的是，它也是放射学中最难治疗的疾病之一要解释的图像：乳房X线照片对比度低指示乳房疾病的特征通常非常小。许多研究表明，超声波和MRI成像这些技术可以通过检测来帮助补充乳房X线摄影乳房X线摄影可能无法发现的小型乳腺癌。然而，这些技术往往无法确定检测到的肿瘤是癌性的还是良性的，可能需要活检推荐。因此，许多不必要的活组织检查由于高假阳性率，经常进行。计算机辅助诊断（CAD）范例最近在病变检测和鉴别方面受到广泛关注在X射线和超声乳房X线照片中[1]-[4]。这个临床中遇到大量阴性活检如果可以使用计算机系统，则可以减少练习帮助放射科医生筛查乳房图像。从广义上讲文献中提出的CAD系统可分为四大类：几何[1]、人工智能[2]、金字塔（或多分辨率）[3]和基于模型的技术[4]、[5]。几何方法采用形态学以及其他分割技术，以提取小斑点乳腺图像中被称为微钙化的钙[1]。然而，该程序通常需要先验知识肿瘤的形态特征。此外，这些技术也倾向于依靠许多阶段的启发式尝试以消除假阳性。人工智能技术包括神经网络和模糊逻辑方法。这些系统的性能与架构紧密相关网络和训练数据的数量。乳腺癌是一种异质性疾病，包括几种亚型预后明显。特别是，与以下因素相关的可变性乳腺癌的出现，从相对罕见到相对常见明亮条纹和斑点复杂图案的均匀性[2]使得ANN需要大量的训练数据集来确保一定程度的可靠性。金字塔或多分辨率技术主要指小波变换[3]，它可以从信号分解的角度来看。具体而言，信号被分解到一组基本小波函数上。小波分析的一个非常吸引人的特征是为所有比例提供统一的分辨率。然而受基本小波函数大小的限制，下行均匀分辨率的缺点是分辨率均匀较差。基于模型的方法包括线性、非线性和有限元建立乳房精确模型的方法[4]，[5]。这个该模型随后用于图像匹配、检测和分类[5]。详细文章下载。

📚2 运行结果

部分代码：

%arma2Ddemo
DISPLAYFLAG = 0;

% define poles for simulated signals
% along rows
Alpha1 = [0.1-0.4*1i 0.1+0.4*1i];
p1 = length(Alpha1);
% along columns
Alpha2 = [-0.25-0.1*1i -0.25+0.1*1i];
p2 = length(Alpha2);

% AR coeffs
[A p] = poles2coeff(Alpha1,Alpha2);

% define zeroes for simulated signals
% along rows
Beta1 = [0.035];
q1 = length(Beta1);
% along columns
Beta2 = [0.5];
q2 = length(Beta2);

% AR coeffs
[B q] = poles2coeff(Beta1,Beta2);

%% AR 2D process simulation
A_ar = A;

N1 = 512;
N2 = 512;
sigma2 = 1;