0 引言

    乳腺腫瘤是女性病發(fā)率極高的一種腫瘤疾病，但也是一種可以通過早期確診，提早治療，從而降低病死率的一種疾病。現(xiàn)有乳腺檢查運用的手段是以鉬靶、超聲為主，其識別率普遍低于75%,這種檢查方法都有自己的局部優(yōu)勢，但也受到了一定局限^[1-4]，如：鉬靶對鈣化敏感，但對東方女性的腺體型乳腺層次分辨不夠，有射線，屬有創(chuàng)檢查，不宜做體檢篩查使用。超聲對囊性和實性的占位反映敏感，但對醫(yī)生技術(shù)水平要求較高，檢查速度較慢，不宜大規(guī)模體檢篩查使用。核磁共振(MRI)檢查方式雖然準確度可以達到90%以上^[5]，但其成本高，設(shè)備復雜，農(nóng)村醫(yī)院及一些小型醫(yī)院沒有配備。近年來，基于紅外圖像的乳腺腫瘤診斷逐漸成為學者研究的熱點^[6-8]。

    本文提出基于紅外成像技術(shù)，通過灰度共生矩陣提取乳腺等灰度曲線圖像的紋理特征，通過BP神經(jīng)網(wǎng)絡(luò)進行分類，實現(xiàn)乳腺腫瘤計算機診斷識別的算法。具體過程為：首先通過紅外乳腺透像儀獲取乳腺紅外圖像，然后將乳腺圖像均勻分塊，并劃分為病變區(qū)域和正常區(qū)域，通過分析不同的紋理特征，并找出能有效區(qū)分出病變區(qū)域和正常區(qū)域的特征值，統(tǒng)計好數(shù)據(jù)作為樣本數(shù)據(jù)，然后通過將訓練樣本數(shù)據(jù)導入BP神經(jīng)網(wǎng)絡(luò)之中進行訓練，使該BP神經(jīng)網(wǎng)絡(luò)具有組織分類的功能，能有效地將病變區(qū)域識別出來。

1 乳腺圖像預處理

    乳腺紅外圖像的預處理包括圖像平滑、等灰度曲線處理、圖像增強等操作。

1.1 高斯平滑

    高斯濾波是對圖像進行去噪處理的有效方法。從圖1中可以看出，經(jīng)過高斯平滑處理后的乳腺圖像，明顯較之前柔和，沒有明顯的噪點，突出圖像的邊緣效果，消除噪聲的干擾影響。 

1.2 灰度曲線處理

    由于乳腺腫瘤組織呈浸潤性生長，在發(fā)生病變的乳腺中，腫瘤以及周邊血管的紋理包絡(luò)都會呈現(xiàn)不規(guī)則的狀態(tài)，并反映了病變區(qū)的邊緣特征。為了突出病變區(qū)域的包絡(luò)紋理特征，需將近紅外圖像轉(zhuǎn)化為等灰度曲線圖像，這一轉(zhuǎn)變可以通過Sobel算子與圖像的每一個點進行卷積實現(xiàn)^[8-10]。

    Sobel算子包括兩組3×3的矩陣，A₁表示垂直，A₂表示水平。將它和原圖像作平面卷積，即可分別得出垂直及水平的亮度差分近似值。

    圖2(b)是利用上述方法將近紅外乳腺圖像轉(zhuǎn)化而成的等灰度曲線圖像，可以看出病變區(qū)域灰度曲線包絡(luò)紋理不均勻，為病變部位。

1.3 圖像增強

    在圖像處理中，為了突出目標區(qū)域，需要對圖像進行圖像增強。直方圖均衡化是圖像處理領(lǐng)域中利用圖像直方圖對對比度進行調(diào)整的方法。這種方法通常用來增加許多圖像的局部對比度，尤其是當圖像的有用數(shù)據(jù)的對比度相當接近的時候。通過這種方法，亮度可以更好地在直方圖上分布。

    由于乳房邊緣區(qū)域的包絡(luò)紋理會對實驗造成誤判的影響，在此只截取乳腺圖像較為中心的區(qū)域作為研究。圖像增強處理如圖3所示。

    經(jīng)過圖像增強后的等灰度曲線圖像紋理更加清晰明顯，病變區(qū)域的邊緣包絡(luò)紋理也更為突出。

2 建立灰度共生矩陣提取紋理特征

2.1 建立灰度共生矩陣原理

    紋理是組成圖像的色調(diào)基元空間匯總相互作用的一種依賴于尺度效應的現(xiàn)象，它反映了圖像灰度值分布的某種規(guī)律?；叶裙采仃?CLCM)因為其簡單有效的優(yōu)點被廣泛應用于紋理特征提取研究^[11-13]。本文中選取了能量、對比度、相關(guān)性、熵、逆差距共5個參數(shù)作為乳腺圖像的特征值^[11]。

2.2 灰度級量化

    由于灰度共生矩陣反映了兩個不同位置的像素的聯(lián)合概率分布，當原圖像灰度級為0~255時，灰度共生矩陣的大小為256×256，計算時間比較長，實際應用中，將圖像灰度等級降為16級，對應灰度共生矩陣的灰度級設(shè)為16，并對等灰度曲線圖像進行直方圖均衡化處理。

2.3 提取特征數(shù)據(jù)

    在對乳腺腫瘤樣本圖像提取紋理特征之后，得到了關(guān)于能量、對比度、相關(guān)性、熵、逆差距這5個特征值的大量數(shù)據(jù)，對這些數(shù)據(jù)進行分析，研究它們的變化趨勢。以圖4病變?nèi)橄賵D像為例進行特征提取。

    圖4的圖像中分割為16個圖像子塊，并按從左到右、從上到下順序命名為m1~m16。利用文獻[11]的式(3-6)~式(3-8)以及式(3-10)、式(3-12)計算出每個圖像子塊對應的能量、對比度、相關(guān)性、熵、逆差距5個特征值的均值(如表1所示)和特征值的標準差(如表2所示)。類別有2個取值，其中1表示正常區(qū)域，2表示病變區(qū)域。

2.4 特征值數(shù)據(jù)分析

    通過以上數(shù)據(jù)可以觀察到：病變區(qū)域的能量值均值總體偏小，標準差總體偏小，反映的是病變區(qū)域灰度共生矩陣元素不集中，紋理較粗；病變區(qū)域的熵均值總體偏大，標準差總體偏小，反映的是病變區(qū)域灰度共生矩陣元素分散分布；病變區(qū)域的對比度均值總體偏小，標準差總體偏小，反映的是病變區(qū)域效果模糊，灰度差小；病變區(qū)域的相關(guān)性均值總體偏大，標準差總體偏小，反映的是病變區(qū)域灰度共生矩陣元素值相差大；病變區(qū)域的逆差矩均值總體偏小，標準差總體偏小，反映的是病變區(qū)域變化多，局部不均勻。

    上述規(guī)律表明灰度共生矩陣提取出的紋理特征值可以作為區(qū)分乳腺病變區(qū)域和正常區(qū)域的依據(jù)。

3 建立BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)

    BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)。圖5為BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)圖。

    一般BP神經(jīng)網(wǎng)絡(luò)會抽取具有某種變化規(guī)律的樣本特征參數(shù)，通過樣本訓練建立對樣本的記憶信息，然后將未知樣本作為BP神經(jīng)網(wǎng)絡(luò)的輸出，通過BP神經(jīng)網(wǎng)絡(luò)識別該樣本所屬類別^[14-17]。

    通過不斷調(diào)整權(quán)值和閾值，可以使BP神經(jīng)網(wǎng)絡(luò)越來越逼近理想模型。

3.2 確定BP神經(jīng)網(wǎng)絡(luò)參數(shù)

    BP神經(jīng)網(wǎng)絡(luò)的輸入層個數(shù)由樣本數(shù)據(jù)種類確定，輸出層個數(shù)由分類的個數(shù)確定。紅外乳腺腫瘤BP神經(jīng)網(wǎng)絡(luò)采用了能量、對比度、相關(guān)性、熵、逆差距這5個特征值4個方向的平均值和方差作為輸入，其輸入層節(jié)點數(shù)應該為10個；輸出層節(jié)點數(shù)確定為2個：病變區(qū)域、正常區(qū)域。隱藏層節(jié)點數(shù)，則由試湊法得出。最終確定的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖6所示。

3.3 BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建

    在提取了等灰度曲線圖像的5個特征值后，就可以創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)。圖7為BP神經(jīng)網(wǎng)絡(luò)算法流程示意圖。

    本文建立的BP神經(jīng)網(wǎng)絡(luò)是一個10輸入、2輸出的神經(jīng)網(wǎng)絡(luò)，其中輸出1表示該區(qū)域為正常區(qū)域或干擾區(qū)域，輸出2表示該區(qū)域為病變區(qū)域。根據(jù)訓練樣本數(shù)據(jù)和訓練樣本輸出送入BP神經(jīng)網(wǎng)絡(luò)中訓練，不斷地調(diào)整輸入層和隱藏層之間的權(quán)值，隱藏層和輸出層之間的閾值，使BP神經(jīng)網(wǎng)絡(luò)的模型不斷逼近最優(yōu)解。

3.4 BP神經(jīng)網(wǎng)絡(luò)的訓練

    在MATLAB中，神經(jīng)網(wǎng)絡(luò)進行訓練的步驟為：

    (1)設(shè)置生成的網(wǎng)絡(luò)對象；

    (2)調(diào)用train函數(shù)對網(wǎng)絡(luò)進行訓練：

    ①從訓練集中取出訓練樣本，將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)中；

    ②通過各節(jié)點的連接情況正向逐層處理后，得到神經(jīng)網(wǎng)絡(luò)的實際輸出；

    ③計算網(wǎng)絡(luò)實際輸出與期望輸出的誤差；

    ④將誤差逐層反向回傳至之前各層，并按一定原則將誤差信號加載到連接權(quán)上，使整個神經(jīng)網(wǎng)絡(luò)的連接權(quán)值向誤差減少的方向轉(zhuǎn)化；

    ⑤對訓練集中每一個輸入輸出樣本對重復以上步驟，直到整個訓練集的誤差減小到符合要求位置。

3.5 BP神經(jīng)網(wǎng)絡(luò)的測試

    在完成BP網(wǎng)絡(luò)訓練之后，將待測圖片的紋理特征數(shù)據(jù)以矩陣形式讀入MATLAB中，BP神經(jīng)網(wǎng)絡(luò)就能根據(jù)訓練好的映射關(guān)系給出每一個子塊相應的輸出，輸出1為正常區(qū)域，輸出2為病變區(qū)域，具體流程如圖8所示。

    由于每一個BP神經(jīng)網(wǎng)絡(luò)都要結(jié)合自身的實際，特別是輸入層和輸出層，輸入層的個數(shù)主要是由特征值的個數(shù)決定的，輸出層個數(shù)則由需要分類的個數(shù)決定。將等灰度曲線圖像中提取出來的5個紋理特征值的均值以及標準差作為輸入，輸出則定義了一個輸出層，如果輸出為1，則為正常區(qū)域；輸出如果為2，則為病變區(qū)域。

4 實驗結(jié)果與分析

4.1 實驗方案

    假設(shè)C_n為訓練樣本正常圖片數(shù)，C_c為訓練樣本腫瘤圖片數(shù)，T_n為測試樣本正常圖片數(shù)，T_c為測試樣本腫瘤圖片數(shù)。實驗步驟如下：

    (1)準備200張乳腺紅外圖像作為實驗樣本圖像，其中正常乳腺的紅外圖像為100張，患者乳腺的紅外圖像為100張，實驗時，根據(jù)需要將所有圖像按不同比例分為訓練樣本集和測試樣本集，如表3所示，每種樣本比例重復訓練和測試20次。

    (2)對樣本圖像進行分塊，并分別提取其對應的能量、對比度、相關(guān)性、熵、逆差距5個特征值的均值和特征值的標準差，保存為特征數(shù)據(jù)庫文件，并對每個分塊的類別進行標注，正常塊（區(qū)域）標注為1，病變塊（區(qū)域）標注為2。

    (3)抽取不同比例的圖像對應的特征數(shù)據(jù)作為訓練樣本數(shù)據(jù)集，導入到已經(jīng)創(chuàng)建好的BP神經(jīng)網(wǎng)絡(luò)進行訓練。

    (4)除測試樣本集以外的其他圖像作為測試樣本，將測試樣本集對應的特征數(shù)據(jù)導入到經(jīng)過訓練后的BP神經(jīng)網(wǎng)絡(luò)進行測試。

    (5)記錄BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，每種樣本比例重復測試30次，實驗結(jié)果如圖9所示，不同訓練樣本比例條件下的平均識別率記錄在表3中。

4.2 結(jié)果分析

    從圖9和表3的數(shù)據(jù)分析，不同樣本比例條件下，乳腺腫瘤的正確識別率有所差別，其中第4、5、6組對應的樣本比例訓練效果較好，識別率可達80%以上。本方法具有成本低、便攜的特點。

5 結(jié)論

    實驗結(jié)果表明，本文所采用的灰度共生矩陣結(jié)合BP神經(jīng)網(wǎng)絡(luò)的乳腺腫瘤圖像識別方法對乳腺腫瘤病變區(qū)域具有較為良好的識別效果，可提高乳腺腫瘤早期的診斷率。

參考文獻

[1] 陳麗君，黃崇權(quán).不同影像學方法對乳腺癌診斷價值的比較[J].中國婦幼健康研究，2018，29(8)：1031-1035.

[2] 杜睿，薛玉.超聲造影及彈性成像技術(shù)在乳腺腫瘤診斷的現(xiàn)狀與進展[J].醫(yī)學研究生學報，2013，26(4)：435-437.

[3] Wang Cong，Yang Guang，Wang Hui.Diagnostic accuracy of real-time tissue elastography for breast cancer:a metaanalysis[J].Oncology and Translational Medicine，2016，2(1)：21-25.

[4] 林其忠，余建國，趙暖，等.乳腺腫瘤超聲圖像的特征分析[J].儀器儀表學報，2006(S1)：744-746，752.

[5] 鄭樺，符孔.MRI擴散峰度成像對乳腺病變性質(zhì)的鑒別診斷[J].青島大學學報(醫(yī)學版)，2018，54(6)：652-655.

[6] 薛雯，楊柳茵，范麗，等.超微血管成像技術(shù)鑒別乳腺良惡性病變[J].中國醫(yī)學影像技術(shù)，2019，35(1)：77-81.

[7] 朱曉娟，趙華，徐祎，等.乳腺纖維瘤病臨床病理分析[J].臨床與實驗病理學雜志，2019(1)：93-95.

[8] 王亞麗，王金星，陳龍舟，等.三算子及血氧功能成像系統(tǒng)在乳腺癌診斷中的應用[J].中國微創(chuàng)外科雜志，2014(5)：417-419.

[9] 胡徐怡，王超，厲丹.基于改進Sobel算子的邊緣檢測算法研究[J].福建電腦，2018，34(9)：13-15.

[10] 凌軍，宋啟祥，房愛東，等.基于局部熵的邊緣檢測算子選擇算法[J].南京理工大學學報，2018，42(4)：424-429.

[11] 謝菲.圖像紋理特征的提取和圖像分類系統(tǒng)研究及實現(xiàn)[D].成都：電子科技大學，2009.

[12] 汪友明，張菡玫，湯少杰.數(shù)字乳腺層析圖像紋理特征聯(lián)合提取與識別[J].西安郵電大學學報，2018，23(3)：65-68.

[13] 焦蓬蓬，郭依正.灰度共生矩陣紋理特征提取的Matlab實現(xiàn)[J].計算機技術(shù)與發(fā)展，2012，22(11)：169-171，175.

[14] 趙景波，趙德安，蔣春彬.基于神經(jīng)網(wǎng)絡(luò)的電子鼻肺癌早期診斷系統(tǒng)[J].電子技術(shù)應用，2006，32(7)：8-10.

[15] 劉標，周曉軍.解讀2012年WHO乳腺腫瘤分類[J].臨床與實驗病理學雜志，2012，28(11)：1185-1187.

[16] 周進凡，張榮芬，馬治楠，等.基于深度學習的胸部X光影像分析系統(tǒng)[J].電子技術(shù)應用，2018，44(11)：29-32.

[17] 王波，杜曉昕，金梅.LVQ神經(jīng)網(wǎng)絡(luò)在乳腺腫瘤診斷中的應用[J].計算機仿真，2012，29(8)：171-174.

作者信息:

聶  雄1，2，陳  華1，2，伍思霖1

(1.廣西大學 計算機與電子信息學院，廣西 南寧530004；2.廣西多媒體通信與網(wǎng)絡(luò)技術(shù)重點實驗室，廣西 南寧530004)