文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.190314
中文引用格式： 聶雄，陳華，伍思霖. 基于灰度共生矩陣和BP神經(jīng)網(wǎng)絡(luò)的乳腺腫瘤識(shí)別[J].電子技術(shù)應(yīng)用，2019，45(7)：97-101，116.
英文引用格式： Nie Xiong，Chen Hua，Wu Silin. Recognition of breast tumor based on gray level co-occurrence matrix and BP neural network[J]. Application of Electronic Technique，2019，45(7)：97-101，116.
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(guò)早期確診，提早治療，從而降低病死率的一種疾病?，F(xiàn)有乳腺檢查運(yùn)用的手段是以鉬靶、超聲為主，其識(shí)別率普遍低于75%,這種檢查方法都有自己的局部?jī)?yōu)勢(shì)，但也受到了一定局限[1-4]，如：鉬靶對(duì)鈣化敏感，但對(duì)東方女性的腺體型乳腺層次分辨不夠，有射線(xiàn)，屬有創(chuàng)檢查，不宜做體檢篩查使用。超聲對(duì)囊性和實(shí)性的占位反映敏感，但對(duì)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(zhǔn)確度可以達(dá)到90%以上[5]，但其成本高，設(shè)備復(fù)雜，農(nóng)村醫(yī)院及一些小型醫(yī)院沒(méi)有配備。近年來(lái)，基于紅外圖像的乳腺腫瘤診斷逐漸成為學(xué)者研究的熱點(diǎn)[6-8]。
本文提出基于紅外成像技術(shù)，通過(guò)灰度共生矩陣提取乳腺等灰度曲線(xiàn)圖像的紋理特征，通過(guò)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)，實(shí)現(xiàn)乳腺腫瘤計(jì)算機(jī)診斷識(shí)別的算法。具體過(guò)程為：首先通過(guò)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(guò)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(jì)好數(shù)據(jù)作為樣本數(shù)據(jù)，然后通過(guò)將訓(xùn)練樣本數(shù)據(jù)導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)之中進(jìn)行訓(xùn)練，使該BP神經(jīng)網(wǎng)絡(luò)具有組織分類(lèi)的功能，能有效地將病變區(qū)域識(shí)別出來(lái)。
1 乳腺圖像預(yù)處理
乳腺紅外圖像的預(yù)處理包括圖像平滑、等灰度曲線(xiàn)處理、圖像增強(qiáng)等操作。
1.1 高斯平滑
高斯濾波是對(duì)圖像進(jìn)行去噪處理的有效方法。從圖1中可以看出，經(jīng)過(guò)高斯平滑處理后的乳腺圖像，明顯較之前柔和，沒(méi)有明顯的噪點(diǎn)，突出圖像的邊緣效果，消除噪聲的干擾影響。
1.2 灰度曲線(xiàn)處理
由于乳腺腫瘤組織呈浸潤(rùn)性生長(zhǎng)，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(huì)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(xiàn)圖像，這一轉(zhuǎn)變可以通過(guò)Sobel算子與圖像的每一個(gè)點(diǎn)進(jìn)行卷積實(shí)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(xiàn)圖像，可以看出病變區(qū)域灰度曲線(xiàn)包絡(luò)紋理不均勻，為病變部位。
1.3 圖像增強(qiáng)
在圖像處理中，為了突出目標(biāo)區(qū)域，需要對(duì)圖像進(jìn)行圖像增強(qiáng)。直方圖均衡化是圖像處理領(lǐng)域中利用圖像直方圖對(duì)對(duì)比度進(jìn)行調(diào)整的方法。這種方法通常用來(lái)增加許多圖像的局部對(duì)比度，尤其是當(dāng)圖像的有用數(shù)據(jù)的對(duì)比度相當(dāng)接近的時(shí)候。通過(guò)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(huì)對(duì)實(shí)驗(yàn)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(qiáng)處理如圖3所示。
經(jīng)過(guò)圖像增強(qiáng)后的等灰度曲線(xiàn)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(lài)于尺度效應(yīng)的現(xiàn)象，它反映了圖像灰度值分布的某種規(guī)律。灰度共生矩陣(CLCM)因?yàn)槠浜?jiǎn)單有效的優(yōu)點(diǎn)被廣泛應(yīng)用于紋理特征提取研究[11-13]。本文中選取了能量、對(duì)比度、相關(guān)性、熵、逆差距共5個(gè)參數(shù)作為乳腺圖像的特征值[11]。
2.2 灰度級(jí)量化
由于灰度共生矩陣反映了兩個(gè)不同位置的像素的聯(lián)合概率分布，當(dāng)原圖像灰度級(jí)為0~255時(shí)，灰度共生矩陣的大小為256×256，計(jì)算時(shí)間比較長(zhǎng)，實(shí)際應(yīng)用中，將圖像灰度等級(jí)降為16級(jí)，對(duì)應(yīng)灰度共生矩陣的灰度級(jí)設(shè)為16，并對(duì)等灰度曲線(xiàn)圖像進(jìn)行直方圖均衡化處理。
2.3 提取特征數(shù)據(jù)
在對(duì)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(duì)比度、相關(guān)性、熵、逆差距這5個(gè)特征值的大量數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行分析，研究它們的變化趨勢(shì)。以圖4病變?nèi)橄賵D像為例進(jìn)行特征提取。
圖4的圖像中分割為16個(gè)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(xiàn)[11]的式(3-6)~式(3-8)以及式(3-10)、式(3-12)計(jì)算出每個(gè)圖像子塊對(duì)應(yīng)的能量、對(duì)比度、相關(guān)性、熵、逆差距5個(gè)特征值的均值(如表1所示)和特征值的標(biāo)準(zhǔn)差(如表2所示)。類(lèi)別有2個(gè)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(guò)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(biāo)準(zhǔn)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(biāo)準(zhǔn)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(duì)比度均值總體偏小，標(biāo)準(zhǔn)差總體偏小，反映的是病變區(qū)域效果模糊，灰度差??；病變區(qū)域的相關(guān)性均值總體偏大，標(biāo)準(zhǔn)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(biāo)準(zhǔn)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?xùn)練的多層前饋網(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(huì)抽取具有某種變化規(guī)律的樣本特征參數(shù)，通過(guò)樣本訓(xùn)練建立對(duì)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(guò)BP神經(jīng)網(wǎng)絡(luò)識(shí)別該樣本所屬類(lèi)別[14-17]。
通過(guò)不斷調(diào)整權(quán)值和閾值，可以使BP神經(jīng)網(wǎng)絡(luò)越來(lái)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(gè)數(shù)由樣本數(shù)據(jù)種類(lèi)確定，輸出層個(gè)數(shù)由分類(lèi)的個(gè)數(shù)確定。紅外乳腺腫瘤BP神經(jīng)網(wǎng)絡(luò)采用了能量、對(duì)比度、相關(guān)性、熵、逆差距這5個(gè)特征值4個(gè)方向的平均值和方差作為輸入，其輸入層節(jié)點(diǎn)數(shù)應(yīng)該為10個(gè)；輸出層節(jié)點(diǎn)數(shù)確定為2個(gè)：病變區(qū)域、正常區(qū)域。隱藏層節(jié)點(diǎn)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(xiàn)圖像的5個(gè)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(gè)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?yàn)檎^(qū)域或干擾區(qū)域，輸出2表示該區(qū)域?yàn)椴∽儏^(qū)域。根據(jù)訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本輸出送入BP神經(jīng)網(wǎng)絡(luò)中訓(xùn)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(xùn)練
在MATLAB中，神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟為：
(1)設(shè)置生成的網(wǎng)絡(luò)對(duì)象；
(2)調(diào)用train函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練：
①?gòu)挠?xùn)練集中取出訓(xùn)練樣本，將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)中；
②通過(guò)各節(jié)點(diǎn)的連接情況正向逐層處理后，得到神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；
③計(jì)算網(wǎng)絡(luò)實(shí)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(hào)加載到連接權(quán)上，使整個(gè)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(duì)訓(xùn)練集中每一個(gè)輸入輸出樣本對(duì)重復(fù)以上步驟，直到整個(gè)訓(xùn)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(cè)試
在完成BP網(wǎng)絡(luò)訓(xùn)練之后，將待測(cè)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(xùn)練好的映射關(guān)系給出每一個(gè)子塊相應(yīng)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(gè)BP神經(jīng)網(wǎng)絡(luò)都要結(jié)合自身的實(shí)際，特別是輸入層和輸出層，輸入層的個(gè)數(shù)主要是由特征值的個(gè)數(shù)決定的，輸出層個(gè)數(shù)則由需要分類(lèi)的個(gè)數(shù)決定。將等灰度曲線(xiàn)圖像中提取出來(lái)的5個(gè)紋理特征值的均值以及標(biāo)準(zhǔn)差作為輸入，輸出則定義了一個(gè)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(shí)驗(yàn)結(jié)果與分析
4.1 實(shí)驗(yàn)方案
假設(shè)Cn為訓(xùn)練樣本正常圖片數(shù)，Cc為訓(xùn)練樣本腫瘤圖片數(shù)，Tn為測(cè)試樣本正常圖片數(shù)，Tc為測(cè)試樣本腫瘤圖片數(shù)。實(shí)驗(yàn)步驟如下：
(1)準(zhǔn)備200張乳腺紅外圖像作為實(shí)驗(yàn)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(shí)驗(yàn)時(shí)，根據(jù)需要將所有圖像按不同比例分為訓(xùn)練樣本集和測(cè)試樣本集，如表3所示，每種樣本比例重復(fù)訓(xùn)練和測(cè)試20次。
(2)對(duì)樣本圖像進(jìn)行分塊，并分別提取其對(duì)應(yīng)的能量、對(duì)比度、相關(guān)性、熵、逆差距5個(gè)特征值的均值和特征值的標(biāo)準(zhǔn)差，保存為特征數(shù)據(jù)庫(kù)文件，并對(duì)每個(gè)分塊的類(lèi)別進(jìn)行標(biāo)注，正常塊（區(qū)域）標(biāo)注為1，病變塊（區(qū)域）標(biāo)注為2。
(3)抽取不同比例的圖像對(duì)應(yīng)的特征數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)集，導(dǎo)入到已經(jīng)創(chuàng)建好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
(4)除測(cè)試樣本集以外的其他圖像作為測(cè)試樣本，將測(cè)試樣本集對(duì)應(yīng)的特征數(shù)據(jù)導(dǎo)入到經(jīng)過(guò)訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)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(fù)測(cè)試30次，實(shí)驗(yàn)結(jié)果如圖9所示，不同訓(xùn)練樣本比例條件下的平均識(shí)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(shí)別率有所差別，其中第4、5、6組對(duì)應(yīng)的樣本比例訓(xùn)練效果較好，識(shí)別率可達(dá)80%以上。本方法具有成本低、便攜的特點(diǎn)。
5 結(jié)論
實(shí)驗(yàn)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(shí)別方法對(duì)乳腺腫瘤病變區(qū)域具有較為良好的識(shí)別效果，可提高乳腺腫瘤早期的診斷率。
參考文獻(xiàn)
[1] 陳麗君，黃崇權(quán).不同影像學(xué)方法對(duì)乳腺癌診斷價(jià)值的比較[J].中國(guó)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(jìn)展[J].醫(yī)學(xué)研究生學(xué)報(bào)，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(guó)，趙暖，等.乳腺腫瘤超聲圖像的特征分析[J].儀器儀表學(xué)報(bào)，2006(S1)：744-746，752.
[5] 鄭樺，符孔.MRI擴(kuò)散峰度成像對(duì)乳腺病變性質(zhì)的鑒別診斷[J].青島大學(xué)學(xué)報(bào)(醫(yī)學(xué)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(guó)醫(yī)學(xué)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(shí)驗(yàn)病理學(xué)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(yīng)用[J].中國(guó)微創(chuàng)外科雜志，2014(5)：417-419.
[9] 胡徐怡，王超，厲丹.基于改進(jìn)Sobel算子的邊緣檢測(cè)算法研究[J].福建電腦，2018，34(9)：13-15.
[10] 凌軍，宋啟祥，房愛(ài)東，等.基于局部熵的邊緣檢測(cè)算子選擇算法[J].南京理工大學(xué)學(xué)報(bào)，2018，42(4)：424-429.
[11] 謝菲.圖像紋理特征的提取和圖像分類(lèi)系統(tǒng)研究及實(shí)現(xiàn)[D].成都：電子科技大學(xué)，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(shí)別[J].西安郵電大學(xué)學(xué)報(bào)，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(shí)現(xiàn)[J].計(jì)算機(jī)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(yīng)用，2006，32(7)：8-10.
[15] 劉標(biāo)，周曉軍.解讀2012年WHO乳腺腫瘤分類(lèi)[J].臨床與實(shí)驗(yàn)病理學(xué)雜志，2012，28(11)：1185-1187.
[16] 周進(jìn)凡，張榮芬，馬治楠，等.基于深度學(xué)習(xí)的胸部X光影像分析系統(tǒng)[J].電子技術(shù)應(yīng)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(yīng)用[J].計(jì)算機(jī)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(xué) 計(jì)算機(jī)與電子信息學(xué)院，廣西 南寧530004；2.廣西多媒體通信與網(wǎng)絡(luò)技術(shù)重點(diǎn)實(shí)驗(yàn)室，廣西 南寧530004)