英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料

---

本科生毕业论文(设计)

外文翻译

原文题目_Artificial Neural Networks in Image Processing for

Early Detection of Breast Cancer

作 者 _M. M. Mehdy, 1 P. Y. Ng, 1 E. F. Shair, 2 N. I. Md Saleh, 3 and C. Gomes 2

Hindawi出版

医学计算和数学方法2017年，文章ID 2610628,15页https://doi.org/10.1155/2017/2610628

评论文章

人工神经网络在乳腺癌早期诊断中的应用

M. M. Mehdy，1 P. Y. Ng，1 E. F. Shair，2 N. I. Md Saleh，3和C. Gomes2

1马来西亚Putra大学计算机与通信系统工程系，Serdang，马来西亚雪兰莪

2马来西亚Putra大学电气与电子工程系，Serdang，雪兰莪，马来西亚

3D马来西亚Putra大学化学与环境工程系，Serdang，雪兰莪，马来西亚

通讯应发给C. Gomes; chandima.gomes@gmail.com

2017年1月15日收到; 2017年3月9日接受; 2017年4月3日发布

学术编辑：Po-Hsiang Tsui

版权所有copy;2017 M. M. Mehdy等。这是一份根据知识共享署名许可分发的开放获取文章，允许在任何媒体中不受限制地使用，分发和复制，前提是原始作品被正确引用。

医学成像技术已广泛用于乳腺癌的诊断和检测。应用这些技术的缺点是专业放射科医师在手动诊断每个图像模式时耗费大量时间。通过自动区分良性和恶性模式，自动分类器可以在准确性和时间要求方面大大提升诊断过程。神经网络（NN）在这方面起着重要作用，特别是在乳腺癌检测的应用中。尽管有大量出版物描述了NN在各种医学技术中的应用，但只有少数评论可用于指导这些算法的开发，以增强特异性和灵敏度方面的检测技术。本综述的目的是分析最近出版的文献的内容，特别关注医学成像中NN的技术和现状。我们讨论了NN在四种不同医学成像应用中的用法，以表明NN不仅限于少数医学领域。已经审查了所使用的NN的类型以及各种类型的饲喂数据。我们还讨论了乳腺癌检测中的混合NN适应。

引言

乳腺癌是女性死亡的主要原因之一，也是女性最常诊断的非皮肤癌[1]。当乳房的细胞组织变得异常并且不受控制地分裂时，发生乳腺癌。这些异常细胞形成大块组织，从而成为肿瘤[2]。如果早期发现这些疾病，可以成功治疗。因此，具有筛选乳腺癌最早征兆的适当方法是重要的。

微钙化和肿块是乳腺癌的最早迹象，只能通过现代技术检测出来。微钙化是钙沉积物簇，其尺寸非常小并且存在于软性乳房组织内[2]。一般来说，与微钙化的检测相比，检测乳腺组织中的肿块更具挑战性，这不仅是因为尺寸和形状的巨大变化，而且因为质量通常表现出较差的图像对比度当使用乳房X线照相术时[3]。良性和恶性微钙化的分类困难也导致医学图像处理中的重大问题。

自动分类器可用于放射科医师区分良性和恶性模式。因此，在本文中，研究了可以用作自动分类器的人工神经网络（ANN）。在医学图像处理中，人工神经网络已经应用于各种数据分类和模式识别任务，并成为乳腺癌中有前途的分类工具[4]。本文综述了人工神经网络在乳腺X线摄影，超声，MRI和红外成像等早期检测乳腺癌中的应用。

图像特征可以在许多方面区分，例如纹理，颜色，形状和空间关系。它们可以在很多程度上反映出微妙的变化。因此，不同的图像特征选择将导致不同的分类决策。这些分类可以分为三种类型：第一种是基于统计的方法，例如支持向量

机;第二，基于规则的方法，如决策树和粗糙集;第三，人工神经网络[5]。

在20世纪80年代早期，神经网络在图像和信号处理领域的使用有所增加。主要的好处是由于神经网络的并行分布处理行为而减少了操作时间[6]。然后，网络已广泛用于常见的图像处理方法，如矢量量化，特征向量提取，2D脉冲编码调制或2D滤波[7]。人工神经网络类似于生物神经元的功能，它由不同层的神经元组成，这些神经元通过数字权重相互连接;由于网络的学习行为接近最佳结果，这些权重可以改变。通常在图像处理应用中，神经元的数量与输入图像中的像素数量直接相关[8]，并且层数取决于处理步骤。

对于癌症检测和分类，图像分割已被广泛使用。许多图像分割方法，基于直方图特征，边缘检测，区域增长或像素分类，已经使用人工神经网络[9]进行了训练。

尽管在过去几年中与ANN在乳腺癌检测中相关的技术迅速发展，但是关于该主题的关键文献综述缺乏，这是该技术的进一步发展的明显缺点。本文试图在乳腺癌的早期检测中实现图像处理领域的真空。

人工神经网络的应用

2.1乳房X光检查。乳房X光检查是医院和诊所用于早期发现乳腺癌的最有效方法之一。已经证明有效降低死亡率高达30％[3]。筛查乳房X线照相术的主要目的是早期发现癌性肿瘤并在转移灶建立之前将其切除[3,10,11]。乳腺癌的早期征兆是肿块和微钙化，但由于其微妙的外观和模糊的边缘，异常和正常的乳房组织通常难以区分[3]。在乳房X线照片期间，只有约3％的所需信息被揭示，其中可疑区域的一部分被血管和正常组织覆盖。这种情况可能导致放射科医师难以识别癌性肿瘤。因此，已经开发出计算机辅助诊断（CAD）来克服乳房X线照片的限制并且帮助放射科医师更好地读取乳房X线照片[10]。人工神经网络模型是CAD中最常用于乳腺X线摄影解释和活检决策的模型。人工神经网络中有两种方法可以帮助进行乳房X线照相术解释：首先，将分类器直接应用于感兴趣区域（ROI）图像数据;其次，根据从预处理图像信号中提取的特征来理解情况[12]。图1显示了具有多功能输入数据和多隐藏层的ANN结构示例[12]。

微钙化是在软乳房组织中沉积钙。它们的数量和大小都很小。它存在于圆形/线条的簇或模式中，以及乳房区域中的额外细胞活动[2]。许多研究人员开发了使用人工神经网络检测微钙化的CAD系统。在90年代早期，Dhawan等人进行的研究。 [13]使用二阶灰度统计定义了图像结构特征。该分类基于实施基于感知器的3层神经网络，并且该网络在训练中使用反向传播算法，该算法已成功用于许多模式识别和分类应用[13,14]。熵特征对分类具有显着的区分能力[13]。研究小组进一步扩展了他们的研究，以研究使用二阶直方图纹理特征与恶性肿瘤相关的潜力。提出了几种神经网络结构来分析从分段钙化中提取的特征，并且它表明神经网络使用所选择的一组用于将乳腺摄影微钙化的难以诊断的病例分类为良性和恶性类别的良好结果。功能[15]。

图像分割是一种用于图像处理的技术。基本上，在原始图像上执行分割以检测小的，局部的和亮点。 Kevin等人的研究。 [16]引起了人们对使用的分割过程和神经网络的极大关注。在分割过程之后，执行ANN以将被称为候选者的分割对象区分为微钙化或非微钙化。通过具有一组用于确定真阳性（TP）和假阳性（FP）检测率的标记测试图像来测试ANN的准确性。该ANN使用级联相关（CC）进行模式分类。它是一种自组织的ANN，运行有监督的学习算法。 CC ANN方法显示出检测微钙化的有希望的结果[16]。

不仅图像分割而且图像配准技术可以用于乳腺癌检测，其中进行ANN以增强癌症检测的有效性。在Saini和Vijay [17]中，灰度级共生矩阵（GLCM）特征被提取并用作训练基于人工神经网络的乳腺癌检测系统的输入。之后，使用前馈反向传播和级联前向反向传播ANN比较已知和未知乳房X线照片图像的提取特征，以区分恶性和良性图像。前馈反向传播网络与Cascade前向反向传播网络相比具有87.5％的高精度，在优化神经元数量和层数后具有67.8％[17]。

在90年代后期，人工神经网络在CAD乳腺摄影中的应用被发现在数据过度拟合方面存在局限性。因此，将贝叶斯信念网络（BBN）与ANN分类方法进行比较，以基于CAD中的一组计算特征来识别正质量区域。在ANN和BNN中使用相同的数据库，使用遗传算法（GA）进行拓扑优化，以测试ANN和BBN的性能和稳健性。但是，结果表明两者之间没有显着差异

输入层（患者数据）

隐藏的图层

输出层（恶性概率）

图1：用于乳腺X线摄影中乳腺肿瘤分类的典型ANN的结构[12]。

sum;

隐藏层3

神经元3

权重

转换功能

输入节点1：

计算。分配

权重

转换功能

输入节点2：

计算。分配

sum;

隐藏层1

神经元1

权重

sum;

隐藏层K.

神经元1

转换功能

输入节点3：

计算。数

sum;

隐藏层2

神经元2

输入节点4：

质量密度

输入节点5：

质量边际

输入节点R：

年龄

输出（恶性概率）

sum;

隐藏层K.

神经元2

sum;

隐藏层K.

神经元T.

sum;

隐藏层3

神经元R.

···

如果网络得到适当优化，使用ANN并在CAD中使用BBN进行质量检测[18]。在Alayliogh和Aghdasi [11]中，基于小波的图像增强技术已被用于改进乳腺癌的检测。在神经网络分类器中采用包含空间和光谱图像的输入特征向量。已经研究了微钙化检测方案和小波图像增强。微钙化检测已经通过使用包括图像分割和模式识别的多级算法来对微钙化进行分类，而双正交样条小波已经用于图像增强以将图像分离成频带而不影响空间局部性。结果表明，空间和光谱特征是检测微钙化的有希望的方法[11]。

···

···

除微钙化外，肿块是最重要的症状，难以被发现和准确区分。一种基于两个人工神经网络的新算法

（人工神经网络）被提出来自动检测这些质量。 ANFIS和多层感知器（MLP）分级器已用于调整和过滤。应采用合适的方法和参数以获得高检测精度和低假阳性（FP）[10]。该算法对检测过程进行了很好的调整和改进，最终的诊断结果表明，即使处理特殊质量，CAD方案也能同时达到比较高的检测精度和低误报率[10]。

在配备CAD系统的乳房X线照相术中，出现的主要问题是不一致和分类准确性低。通过引入一种新颖的智能分类器可以提高准确性，该分类器使用纹理信息作为乳房X线照片中正常和异常组织分类的输入。 Dheeba等人。 [3]使用中性网络作为组织分类的新型人工智能技术。基于优化小波神经网络的CAD系统

• • 1. （公元前）

图2：结果（来自（a） - （c））：原始图像，NN处理的第一阶段后的图像，以及使用Gabor小波作为乳房X线照片图像的输入的NN处理的第二阶段的图像[20]。

使用粒子群优化方法（PSOWNN）设计和评估。使用启发式算法进行优化以在训练过程中找到适当的隐藏神经元，动量常数和学习速率。因此，它将通过降低错误分类率来提高乳腺癌检测的分类准确性[3]。张等人。 [19]，反向传播神经网络（BPNN）被引入用于良性和恶性的分类。数字化乳房X线照片采用模糊检测算法检测微钙化和可疑区域。 BPNN给出了非常有希望的结果，分类为83.3％[19]。

从乳房X线照片获得的乳房图像中的任何缺陷都非常有利于自动检测。在Lashkari [20]中，Gabor小波和ANN用于对正常和异常组织进行分类，这可以提高准确性并节省放射科医师的时间（图2）。 Gabor小波变换在图像处理和计算机视觉方面具有良好的属性。结果表明，这种神经网络组合具有良好的潜力，在未知病例中具有97％的准确性[20]。

2.2超声。神经网络（NN）也在检测乳腺癌的超声图像中发挥作用。我们将首先研究NN在确定和识别可以发现恶性和良性病变的区域中的能力。 Buller [21]是最早使用神经网络进行乳腺癌检测的超声图像之一。在他的工作中，他将良性和恶性病例的训练过程分开，只给第一个系统喂食含有良性病变的图像，另一个系统仅含有恶性病变的图像。他还介绍了“蜘蛛网”拓扑结构，它能够生成两个在分类过程中

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[20705]，资料为PDF文档或Word文档，PDF文档可免费转换为Word