没有合适的资源?快使用搜索试试~ 我知道了~
埃及信息学杂志(2016)17,11开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com全长文章基于MLFFBP-ANN和SVM的钙化点分类Baljit Singh Khehraa,*, Amar Partap Singh Pharwahab,1a计算机科学工程系,Baba Banda Singh Bahadur工程学院,Fatehgarh Sahib 140407,印度旁遮普邦bSant Longowal工程技术学院电子与通信工程系Longowal 148106,Sangrur,Punjab,印度接收日期:2015年3月26日;修订日期:2015年7月26日;接受日期:2015年8月16日2015年9月14日在线发布摘要分类器是计算机辅助诊断(CAD)系统的最后一个阶段,其目的是对钙化灶进行分类。分类器将MCC分为两类。一类是良性的,另一类是恶性的。这种分类是基于从增强的乳房X线照片中提取的一些有意义的特征来完成的已经为CAD系统提出了许多分类器来将MCC分类为良性或恶性。最近,研究人员已经将人工神经网络(ANN)用作许多应用的分类器多层前馈反向传播(MLFFB)是最重要的人工神经网络,已被研究人员成功地用于解决各种问题。同样,支持向量机(SVM)属于另一类分类器,研究人员最近给予了相当大的关注。因此,为了探索用于MCC分类问题的MLFFB和SVM分类器,本文使用Levenberg-Marquardt多层前馈反向传播神经网络(LM-MLFFB-ANN)和基于顺序最小优化(SMO)的SVM(SMO-SVM)对MCC进行分类因此,研究了LM-MLFFBP-ANN和SMO-SVM的相对性能的比较评估,以将MCC分类为良性或恶性。对于这种比较评估,首先从DDSM数据库的乳房X线照片图像中提取合适的特征在此之后,使用粒子群优化(PSO)选择合适的功能最后,基于所选择的特征,使用LM-MLFFBP-ANN和SMO-SVM分类器对MCC进行分类混淆矩阵和ROC分析用于*通讯作者。联系电话:+91 9463446505。电子邮件地址:baljitkhehra@rediffmail.com(B.S.Khehra),amarpartapsingh@yahoo.com(A.P.S. Pharwaha)。1联系电话:+91 9463122255。开罗大学计算机和信息系负责同行审查制作和主办:Elsevierhttp://dx.doi.org/10.1016/j.eij.2015.08.0011110-8665© 2015由Elsevier B. V.代表开罗大学计算机与信息学院制作和主办。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词计算机辅助诊断;钙化灶;LM-MLFFBP-ANN;SMO-SVM;混淆矩阵和ROC分析12B.S. Khehra,A.P.S.法尔瓦哈z inj<$bj测量LM-MLFFBP-ANN和SMO-SVM分类器的性能。实验结果表明,SMO-SVM的性能优于LM-MLFFBP-ANN。©2015由Elsevier B.V.代表开罗大学计算机与信息学院制作和主办。 这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍乳腺癌发生在发达国家和发展中国家的妇女中,是最危险的疾病之一。预防是困难的,但早期发现是降低死亡率的关键。乳腺X线摄影是早期发现乳腺癌最有效的成像技术之一[1]。微钙化簇(MCC)、肿块病变、乳房结构扭曲和乳房之间的不对称是各种类型的乳房异常,可部分从乳房X线照片中检测到。微钙化簇(MCCs)是导管原位癌(DCIS)最常见的症状. DCIS是多种类型的乳腺癌之一[2]。尽管乳腺X线摄影术在发达国家和发展中国家都被频繁地用于乳腺癌的检测,但不正确地读取乳腺X线摄影术是一个问题。这种类型的问题是由于人为错误而发生的。不正确的乳房X光片读数被称为乳房X光片的假阳性和假阴性读数。由于假阳性检测,需要进行不必要的活检,而由于假阴性检测,实际的肿瘤仍然未被检测到。因此,乳腺X线片的假阳性和假阴性读数是导致不必要活检和错过最佳治疗时间的主要原因。事实上,发展计算机辅助诊断(CAD)系统以提高早期乳腺癌的诊断准确率,避免不必要的活检,避免错过最佳治疗时机,已是当务之急。分类器是CAD系统的最后一个阶段,旨在将MCC分类为良性或恶性。为此,首先增强乳房X线照片图像。在此之后,从增强的乳房X线照片中提取特征。 然后,从提取的特征中搜索合适的特征集。 最后,分类器基于合适的特征集对MCC进行分类。近年来,许多研究者应用CAD系统的各种分类器将MCC分类为良性或恶性。Kramer和Aghdasi[3]使用多尺度统计纹理有限元分析,在DDSM数据库的乳房X线照片图像上进行实验[17]。2. 人工神经网络人工神经网络是一种计算模型,通常用于知识没有正确定义并且需要解决非线性复杂问题的情况。用反向传播算法训练的多层前馈神经网络广泛用于非线性分类 问 题 [18] 。 多 层 前 馈 反 向 传 播 人 工 神 经 网 络(MLFFBP-ANN)被视为一个嵌套的S型格式。因此,以下等式用于表示ANN的输出函数[19]:FxiFNW NωFN-1.. . F2W2ωF1W1ωx1B1200万 . . Þ þBN-1Þ þBNÞð1Þ其中N是人工神经网络的总层数;B1,B2,.. . ,B N是偏置向量; W1,W2,. . ,W,N是权重向量,并且F1,F2,. . ,F,N是层的激活传递函数。事实上,对ANN[20,21]的研究已经强调,最常用的ANN架构是采用反向传播学习算法围绕多层拓扑设计的前馈网络。在前馈ANN中,神经元通过称为激活函数的函数将数据传输到下一层的神经元,该函数可以是S形或线性函数[22]。当使用sigmoid激活函数时,第j个神经元的输出计算为1zj1e-rzinj22其中,z inj是从前一层的神经元接收的第j个神经元的输入,计算如下:Xn1/1在数字化乳腺X线照片中使用K-最近邻(KNN)分类器。Bruce和Adhami[4]使用线性判别分析(LDA)分类器将乳腺摄影肿块分为星状、结节状和圆形。Bottema和Slavotinek[5]使用决策树对数字乳腺X线照片中的小叶和DCIS(小细胞)MC进行分类。2007年,Nicandro等人使用贝叶斯网络分类器[6]诊断乳腺癌。Hassanien[1]将模糊粗糙集混合方案用于乳腺癌检测。为了将MC分类为良性或恶性,神经网络(ANN)已被广泛使用[7多层前馈反向传播(MLFFB)是最重要的人工神经网络,已成功应用于解决许多问题[10支持向量机(SVM)最近也被用来解决许多问题[2,13SVM是基于统计学习理论的。在所提出的研究工作中,LM-MLFFBP-ANN和SMO-SVM被探索用于将MCC分类为良性或恶性。其中xi是前一层的第i个神经元的输出;n是前一层中神经元的总数;w_ij是前一层的第j个神经元与第i个神经元的连接权重;b_ij是第j个神经元偏置,而r定义了S形激活函数的陡度。在学习阶段,使用以下等式[23]更新wij和bj值:wij新的,wij旧的,bjDwij¼adjxi 6Dbjadj其中a是学习速率,d是校正因子。ANN的性能通过均方误差(MSE)进行评估,MSE定义为:xi wij钙化的分类13KKXX-2毫微克JJ我我1MSE¼XLXm2中文(简体)voj新vojðoldÞþDvojð13ÞLJ Jk1j 1其中L是训练对的数量;m是输出层中神经元的数量;yk和tk是实际和目标Dvojadj14wjk新wjk旧Dwjk 15在第j个神经元输出第k个训练对。2.1. MLFFBP-ANN用于MCC分类将MCC分类为良性或恶性类别是两类模式分类问题。 设Xj2½x1;x2;x3;.. . ;xi;... ; xn]是从乳房X线照片中提取的一组特征,Dwjk¼adkzj 16wok新 w ok旧Dwok 17Dwok¼adk18其中dk是用于更新权重wjk的因子,并且dj是a作 为 MLFFBP-ANN 的 输 入 向 量 , 并 且 Y[21/20;1] 是MLFFBP-ANN的 输出 向 量。 “0” 表 示 良 性 MCC ,“1”表示恶性MCC。设Mj是一个训练L个样本的集合,即M1/2Xj;Yj];j1;2;3;. . . L.J用于更新权重vij的因子。使用等式(8)、MSE对于所提出的模型,计算为1XLLj¼1输入层中的神经元数量(n)取决于输入矢量和隐层神经元的数目(p)是实验性地选择的输出中的神经元数量取决于输出向量。特征被用作输入层神经元的输入。因此,n是从MCC提取的特征的数量MCC的分类是一个两类模式分类问题。因此,输出层只有一个神经元来表示二进制输出. 神经元之间相互连接,每个连接被分配一个为了将MCC分类为良性或恶性,这里尝试实现基于MLFFBP-ANN的分类器以将MCC分类为良性或恶性。用MATLAB编程编写了算法。实现神经模型包括S形神经元的隐藏层,其接收特征的数值并将输出值广播到线性神经元层,其最终计算网络输出。使用等式(2)计算模型隐层第j个神经元的输出,在训练过程中,一组对应于MCC类别的MCC特征的数值被用来更新神经元的权重和偏置,以最小化输出神经元误差。然而,最好的ANN结构事先并不知道[18]。最佳的神经网络结构取决于隐层的数目、每一隐层中的神经元数目、激活函数、学习算法和训练参数。为了训练MLFFBP-ANN,可以使用各种训练算法[24]。在所提出的研究工作中,Levenberg-Marquardt训练算法被认为是训练MLFFBP-ANN用于将MCC表征为良性或恶性。3. 支持向量机SVM是由Vapnik开发的两类分类器[25]。支持向量机的学习是基于统计学习理论的监督学习。SVM的基本原理是结构风险最小化,zj=tansign.我的n1/1xivij!ð9Þ亚胺化。结构风险最小化意味着在未知数据集(训练数据集之外)上获得低错误率。对于非线性分类问题,基于其中,n是输入层中的神经元的总数;v〇 j是隐藏层的第j个神经元的偏置;vij是输入层的第i个神经元与隐藏层的第j个神经元之间的权重,并且tansig(s_)是超正切S形激活传递函数。所提出的MLFFBP-ANN模型的输出计算为使用SVM。核函数通过将输入特征空间映射到高维特征空间,将非线性分类问题转化为线性分类问题。在此基础上,利用最优分离超平面将两类模式分类问题中的两类进行为了将MCC分类为良性或恶性,一组L考虑训练数据样本。 这样的集合表示为FANN NN NXJPurelin。wokpj1zjwjk!ð10ÞfxXj;Yj=1;2;.. . 其中,Xj是属于类别Yj2f∈1-1g的输入数据样本。 输入数据样本由向量X2 fx; i^1; 2;. 其中fx; i 1; 2;. ;ng其中p是隐藏层中神经元的总数; w_ok是输出层的第k个神经元的偏置(在所提出的模型中,k=1,因为输出层只有一个神经元); w_jk是隐藏层的第j个神经元和输出层的第k个神经元之间的权重; purelin(s_)是线性激活传递函数。建议MLFFBP-ANN模型更新的权重和偏置值的自适应过程,最大限度地减少输出神经元的错误使用Eqs。(4)vij新 v ij旧Dvij 11Dvij¼adjxi 12是MC集群的n个特征的集合,并且输出表示为Y 1; 1,其中“+1”用于MC的恶性集群,并且“1”用于MC的良性集群。为了分离正类和负类,使用分离超平面。分离超平面对于正类和负类的正确分类应该是最优的。从上面的讨论中,找到最佳分离超平面的优化问题的公式可以表述为:wT w目标:最小化2约束:Yj wTXjbP1 for8j2MSE¼1/2Yj-FANNXj]1914B.S. Khehra,A.P.S.法尔瓦哈2XXXPXJj1JJJ@bJJJ我J我J我12Lj/1j2j1L的分解D 以及约束的满足i1j我 J我J我j/1jj¼aωYj XT Xj<$26bω½Y-aωY K<$X;X<$$> 34<$X. X!其中w是超平面的范数;jbj是垂线kw k从原点到超平面的距离。其中,非零拉格朗日乘数,aωj;j^l;2;. . Ls,表示它们对应的支持向量S2<$X;Y<$. 因此,在本发明中,因此,主要目标是找到最小化的w和b下面的等式用于将测试示例Z分类为:的wTw以及约束的满足。最优值w*和b*用于将测试示例Z分类为Z类符号Ls aωYj XT Z<$bωð27Þ如下所示:Z类符号wωTZbω20上述问题属于带线性约束的二次需要上述问题的拉格朗日公式[26]来解决它。在拉格朗日公式中,目标函数定义为J Jj13.1. Karush–Kuhn–Tucker该问题(LP)的拉格朗日形式是一个凸的最小QP优化问题.凸极小化问题的性质如下:如果局部极小值存在,则它是全局极小值[27]。LP¼1 wT w2Lj1ajYjwT XjbLj1aj21当目标函数是凸的且解空间也是凸的时,根据这个条件,拉格朗日问题的目标函数的梯度w.r.tw和b目标:最小化LPw.r.tw,b制约因素:并且对于所有大于或等于零的拉格朗日乘数,每个拉格朗日乘数与相应约束的乘积也为零[29,30]。(a) LP的导数关于所有的aj为零@LL<$0)w< $aYXð28Þ(b) ajP0@w上述原始问题的对偶公式被写为:JJ我j1目标:最大化L制约因素:(a) LPw.r.tw和b的梯度为零(b) ajP0当LPw.r.tw和b的梯度消失时,则出现以下条件:XL@LP<$0)XaY<$029j1ajYjwT Xjb-10008j30ajP08j2031年上述方程用于获得w*和b*。w¼j1LajYj Xj 223.2. 非线性SVM分类器对于解决非线性分类问题,非线性ajYj<$023j1从Eqs。(21)SVM分类器通过核函数使用。核函数使用变换运算符/k·k将输入空间R d的训练输入数据映射到更高维的特征空间H。这样做是为了将训练数据点分为两个LLD¼一个j-1XLXL2ajaiYj Yi XT Xi[29]第29话Dj1联系我们/:R! H32因此,得到问题的新表述为目标:制约因素:(a) PLajYj0核函数K(Xj,Xi)与映射算子/k·k[31]之间的关系如下所示:KX;X/XT/X8X;X2Rd3 3因此,问题的对偶形式可以表述为:(b) ajP0因此,主要的目标是找到一个1,一个2,. . 对于非零aωj;j/1;2;. . ;Ls,w*的最佳值和b*如下获得如下所示:找到本发明公开了一种复合材料,本发明公开了一种复合材料,.. . 一个这样的使用LPL a aY YKX;X最大化,(a) PLaY0¼PLa-1PL关于我们Lsj¼1aωjYjXj<$25<$XLsJJj1(b) 06aj6C为8aj对于非零aωj;j<$1;2;. . ;Ls,w*由Eq.(25),b*如下获得XLsJJJJJj1XPDbω½Yj--钙化的分类15因此,测试示例Z被分类为:4. 分类器准确性Z类符号Lsj¼1aωjYjK<$Xj;Z< $ < $bω!ð35Þ混淆矩阵[35]和ROC分析[36]是通常用于发现分类器将MCC分类为良性和恶性的准确性的两种混淆矩阵SVM[32,33]中最常用的核函数是线性的,定义如下:Kx;y xTy 363.3.支持向量机的序贯最小优化序列最小优化(SMO)[34]将SVM-QP问题分解为QP子问题。在每一步中,选择最小可能的优化问题进行求解。为此,在每一步,SMO选择两个拉格朗日乘数。这样做是为了找到拉格朗日乘数的最佳值,并且更新SVM以反映新的最佳值。首先,选择违反优化问题 的 Karush-Kuhn-Tucker 条 件 [28] 的 拉 格 朗 日 乘 子(α1)在此之后,选择第二拉格朗日乘子(a2)并优化该对(a2,a2)。重复该过程以实现收敛。SMO的主要优点是两个拉格朗日乘子解析求解,而不是完全数值QP优化。此外,根本不需要额外的矩阵用于存储。基于分类器完成的实际分类和预测分类来评估分类器的准确性。对于一个分类器和一个实例,可能的结果有四种:真阳性、真阴性、假阳性和假阴性。真阳性是分类器对恶性MCs簇的正确判断,而真阴性是分类器对良性MCs簇类似地,假阳性是分类器关于MC的良性簇的错误分类器的这些可能结果如表1所示。这种表称为混淆矩阵。ROC分析是用于发现与医疗决策相关的分类器的准确性的另一种度量。在ROC分析中,绘制ROC曲线来衡量分类器的准确性为了绘制ROC曲线,沿x轴获取1-特异性,而沿y轴获取灵敏度,并且在各种阈值设置下,通过绘制灵敏度对1-特异性的曲线来生成曲线。1-特异性的含义是假阳性率,而灵敏度是真阳性率。在混淆矩阵的情况下,分类器的准确性通过使用以下等式来确定:真阳性率和假阳性率定义为:TPs真阳性率>灵敏度>TPs>FNFPSð37Þ假阳性率≥ 1-特异性≥1/4TNs≥FPs≥ 38%其中,TP是分类器做出的真肯定决策的数量;TN是做出表2LM-MLFFBP在10次随机实验中对MCC进行分类的性能试验编号混乱矩阵混淆矩阵ROC曲线下面积(AZ)灵敏度特异性198100.84660.90030.83760.8611196229490.83070.90270.80340.875023633106280.79370.83830.90600.61111144498180.80420.83710.83760.750019545104210.82010.83700.88890.708313516101100.86240.90980.86320.86111662799170.81480.87820.84620.763918558108120.88890.90820.92310.83339609104240.80420.88000.88890.6667134810101160.83070.84600.86320.77781656平均––0.82960.87380.86580.7708标准偏差––0.02940.03130.03630.0893.X表1混淆矩阵。目标积极分类器决策负阳性真阳性假阳性阴性假阴性真阴性¼图1 LM-MLFFBP分类器用于MCCs良性和恶性分类的第1和第10次随机实验试验的ROC曲线。16学士Khehra,A.P.S.法尔瓦哈图2 LM-MLFFBP分类器用于将MCC分类为良性和恶性的第1次和第10次随机实验试验的混淆矩阵FN是分类器做出的假阴性决策的数量,FP是分类器做出的假阳性决策的数量。在混淆矩阵的情况下,分类器的准确性通过使用以下等式来确定:根据Hosmer和Lemeshow[38],分类器根据准确性分为以下四类:如果0.56准确度0.6,则分类器称为失败分类器<准确度TPsTPsFPs TNsFNsð39Þ如果0.66准确度0.7,则分类器被称为差分类器<● 如果0.76准确度 0.8,则分类器被称为公平<在ROC分析中,ROC曲线下面积(AZ)用于衡量分类器的准确性[37]。Z是在0.0和1.0之间的范围内。 因此,AZ介于0.0和1.0之间。对于100%准确度,AZ应为1.0。梯形法则或辛普森分类器如果0.86精度0.9,则分类器称为好分类器<如果0.96精度6 1.0,则分类器称为优秀分类器●●●●钙化的分类175. 实验结果与讨论为了探索LM-MLFFBP-ANN和SMO-SVM将MCC分类为良性或恶性,对从DDSM数据库的乳房X线照片图像中提取的数据进行了实验[17]。对于比较评估,混淆矩阵图3 LM-MLFFBP分类器用于MCCs分类为良性和恶性的10个随机实验的共同ROC曲线。ROC分析。采用MATLAB7.7软件进行仿真。5.1. LM-MLFFBP-ANN的结果为了发现LM-MLFFBP用于将MCC分类为良性或恶性的性能,从用于筛查乳腺X线摄影术(DDSM)的标准基准数字数据库中获取不同类型的乳腺X线摄影图像[17]。从DDSM数据库的乳腺X线图像中,共选择了380个可疑区域其中恶性肿瘤235例,良性肿瘤145例.从可疑区域提取了一组50个特征[39]。在此之后,粒子群优化算法(PSO)是用来选择一个最佳的子集23个最合适的50提取的功能。在LM-MLFFBP中使用这种特征的最佳子集在LM-MLFFBP的结构中,一个隐藏层具有15个隐藏单元。输入层和隐层之间的激活函数是S型的,而隐层和输出层之间的激活函数根据MATLAB7.7环境设置不同参数的默认值。为了训练目的,从380个样本中选择191个样本,并且剩余的样本(189个)用于测试目的。为了发现分类器对MCC进行良恶性分类的性能,进行了10次随机实验。混淆矩阵和ROC分析被用来衡量训练的分类器的分类性能的集群MC。LM-MLFFBP用于将MCC分类为良性或恶性的10个随机实验性试验的表格结果以从混淆矩阵和ROC分析计算的准确性的形式示于表2中。图1显示了第一次和最后一次随机试验的ROC曲线,而图2显示了第一次和最后一次随机试验的ROC曲线。图2示出了第一次和最后一次随机试验的混淆矩阵。表4线性核函数的SMO-SVM在10个随机实验中对MCC分类的性能。试验编号混乱矩阵混淆矩阵ROC曲线下面积(AZ)灵敏度特异性1107140.87300.86860.91450.805610582110130.89420.89410.94020.81947593106150.86240.85710.90600.791711574108160.86770.86630.92310.77789565105110.87830.87040.89740.847212616107140.87300.86860.91450.805610587111190.86770.87610.94870.7361656810480.88890.87990.88890.888913649107120.88360.87820.91450.833310601010790.89950.89270.91450.87501063平均––0.87880.87520.91620.8181标准偏差––0.01240.01160.01790.0456表3平均精度的LM-MLFFBP方面的混淆矩阵和ROC分析。平均准确度从矩阵ROC曲线的混淆准确度0.8296 0.8738精度从通用ROC曲线0.8918整体精度0.865118B.S. Khehra,A.P.S.法尔瓦哈从混淆矩阵中观察到,平均准确度为0.8296,而从ROC分析(ROC曲线下所有面积的平均值)中观察到,平均准确度为0.8738。在ROC分析中,采用Simpson用对数函数法绘制了10个随机试验的ROC曲线.常见的ROC曲线 如 图 所 示 。 3.第 三 章 。 普 通 ROC 曲 线 的 准 确 度 为0.8918。LM-MLFFBP的总体准确度通过三个准确度指标(来自混淆矩阵的平均准确度、来自ROC曲线的平均准确度和来自共同ROC曲线的准确度)的平均值来计算。因此,LM-MLFFBP的总体准确度为0.8651,如表3所示。5.2. SMO-SVM结果其次,为了探索SMO-SVM分类MCC为良性或恶性的性能,相同的same-考虑了已用于LM-MLFFBP的样本。 使用的相同23个特征是从PSO为LM-MLFFBP提供的50个功能。本文考虑线性核函数。以与LM-MLFFBP中使用的相同方式,与LM-MLFFBP中使用的相同的191个样本用于训练,并且相同的189个样本用于测试目的。类似地,如在LM-MLFFBP中,进行10次随机实验试验。10个随机试验的混淆矩阵和ROC曲线下面积结果见表4。图4用于显示第一次和最后一次随机实验试验的ROC曲线,而图5示出了第一次和最后一次实验试验的混淆矩阵。从混淆矩阵来看, SMO-SVM分类器对MCs聚类的平均准确 率为0.8788,而从ROC曲线来看,SMO-SVM分类器对MCs聚类的平均准确率为0.8752。图6示出了从10个随机实验试验获得的共同ROC曲线图4采用线性核函数分类器的SMO-SVM对MCC进行良恶性分类的第1次和第10次随机实验的ROC曲线。图5具有线性核函数分类器的SMO-SVM用于将MCC分类为良性和恶性的第1次和第10次随机实验试验的混淆矩阵。钙化的分类19表5线性核在混淆矩阵和ROC分析方面的功能。平均准确度从矩阵ROC曲线的混淆准确度0.8788 0.8752精度从通用ROC曲线0.9509整体精度0.9016用于放射科医师在乳房X光片中表征MC簇。上述分类器的结果是令人鼓舞的,并在实验误差范围内显示出良好的准确性但是,在未来达到91%以上的整体准确率,元启发式方法也可以用来找到最佳超平面以及SVM中的不同核函数。引用图6线性核函数的SMO-SVM用于将MCC分类为良性和恶性的10个随机实验试验的共同ROC曲线。SMO-SVM从 ROC曲线 的ROC曲线 下面 积的准 确率 为0.9509。因此,具有线性核函数和SMO超平面发现方法的SVM用于将MCC分类为良性或恶性的总体准确度为0.9016,如表5所示。6. 结论和今后的工作在本文中,尝试比较MLFFB-ANN和SVM分类器分类MCC为良性或恶性。为此,本文研究了MLFFB神经网络的Levenberg-Marquardt训练算法为了这项调查,10个随机实验试验进行LM-MLFFBP-ANN和SMO-SVM分类器分类为良性或恶性的MCC。从这些实验结果可以 看 出 , LM-MLFFBP- ANN 分 类 器 属 于 Hosmer 和Lemeshow本研究的结果对于选择合适的分类器将MCC分类为良性或恶性是相当有希望的基于模拟研究和实验结果,在这项研究中,它的结论是,线性核函数与SMO方法为基础的支持向量机分类器可以作为一个分类器,分类为良性或恶性的MCC,以达到最高的准确性。这项研究工作很有用[1] Hassanien AE.模糊粗糙集混合方法在乳腺癌检测中的应用。Image Vis Comput2007;25(2):172-83.[2] 傅俊成,李世光,黄圣,叶智英,王亚,胡康凯。乳腺微钙化点图像分割特征选择与模式分类。计算机医学图像图2005;29(6):419-29.[3] Kramer D,Aghdasi F.使用多尺度统计纹理分析对数字化乳腺X线照片中的微钙化点进行分类。南非通信和信号处理专题讨论会论文集,9月7日至8日,南非Rondebosch; 1998. p. 121 -6[4] BruceLM,Adhami RR. 用小波变换模极大值法对乳腺肿块形状进行分类。IEEETrans Med Imag 1999;18(12):1170-7.[5] Bottema MJ,Slavotinek JP.数字乳腺X线照片中小叶和DCIS(小 细胞)微 钙化的检 测和分类 。 Pattern Geneva Lett2000;21(13-14):1209-14.[6] NicandroC-R,Hector GA-M,Humberto C-C,Luis AN-F,RocioEB-M. 使用贝叶斯网络诊断乳腺癌:案例研究。计算机生物医学2007;37(11):1553-64。[7] Christoyianni I,Koutras A,Dermatas E,Kokkinakis G.数字化钼靶X线片计算机辅助诊断乳腺癌。计算机医学影像图2002;26(5):309-19.[8] 张文辉,王文辉,王文辉.使用数学形态学和神经网络自动检测数字乳腺X线照片中的簇状微钙化点。信号处理2007;87():1559-68.[9] Mazurowski MA,Habas PA,Mendada JM,Lo JY,BakerJA,Tourassi GD.训练用于医疗决策的神经网络分类器:不平衡数据集对分类性能的影响。神经网络2008;21(2-3):427-36.[10] 放大图片Delen D,Walker D.预测乳腺癌生存率:三种数据挖掘方法的比较。Artif IntellMed 2005;34(2):113-27。[11] Singh AP,Kamal TS,Kumar S.用于传感器静态响应特性估计的虚拟曲线描绘器。 测量2005;38(2):166-75.[12] Varela C,Tahoces PG,Mendez AJ,Souto M,Vidal JJ. 数字化乳腺X线照片中乳腺肿块的计算机检测。计算机生物医学2007;37(2):214-26。[13] Arodz T,Kurdavin M,Sevre EOD,Yuen DA.模式识别技术用于自动检测可疑的乳房X线照片中的异常。计算方法程序生物医学2005;79(2):135-49。[14] El-Naqa I , Yang Y , Wernick MN , Galatsanos NP ,NishikawaRM.微钙化点检测的支持向量机方法。 IEEE TransMed Imag 2002;21(12):1552-63.[15] MavroforakisME , Georgiou HE , Dimitropoulos N ,Cavouras D,Theodoros S. 使用线性、神经和支持向量机分类器基于局部纹理和数据集分形分析的乳腺摄影肿块表征。Artif Intell Med2006;37():145-62。[16] Wei L,Yang Y,Nishikawa RM.基于内容的图像检索辅助微钙化分类用于乳腺癌诊断。Pattern Geneva2009;42(6):1126-32.[17] http://marathon.csee.usf.edu/Mammography/Database.html网站。20B.S. Khehra,A.P.S.法尔瓦哈[18] Widrow B,Lehr MA.自适应神经网络30年:感知器,机器和反向传播。Proc IEEE 1990;78():1415-42.[19] Haykin S.神经网络:全面的基础。第2版印度德里:皮尔逊教育公司; 2004年,p. 202.[20] Bhowmick B,BennNR,BennS,Patel SK,Das J.用神经网络检测微钙化。4月22-23日在巴基斯坦伊斯兰堡举行的IEEE智能系统工程国际会议论文集2006. p. 281-6[21] 作者:Cheng HD,Cui M.用模糊神经网络检测肿块。Pattern Reynolds2004;37(6):1189-200.[22] Haykin S.神经网络和学习机器。NewDelhi:PHI; 2010,p.691.[23] 福塞特湖,加-地神经网络基础:架构、算法与应用。Englewood Cliffs(NJ,USA):Prentice-Hall,Inc.; 1994年,p. 289.[24] 放大图片作者:Hagan MT,Demuth HB,Beale M.神经网络设计美国:Thomson Learning; 1996,p. 2比11[25] 瓦普尼克统计学习理论的本质。2nd ed. NY(USA):Springer-Verlag; 2000,p. 131.[26] 拉丁河运筹学中的最优化。第2版,德里,印度:皮尔逊教育公司; 1999,p. 810[27] 黛布·K工程设计优化:算法与实例。New Delhi,India:PHI; 2003,p. 77个。[28] 塔哈哈。运筹学导论。第7版,印度新德里:皮尔逊教育公司; 2006年,p. 七六五[29] 伯吉斯刑事司法委员会支持向量机在模式识别中的应用Data Min Knowl Disc1998;2(2):121-67.[30] 弗莱彻河实用的优化方法。第2版,NY(美国):JohnWiley& Sons,Inc.; 1987年,p. 219.[31] Ayat NE,Cheriet M,Suen CY. SVM核优化的自动模型选择.PatternRecogn 2005;38(10):1733-45.[32] 作者:J.A,J. D. 支持向量机在R.统计软件杂志2006;15(9):1-28.[33] MalonC,Uchida S,Suzuki M. 基于支持向量机的数学符号识别。Pattern Lett 2008;29():1326-32.[34] 普拉特JC。使用序列最小优化的支持向量机快速训练。In : Scholkopf Bernhard , BurgesChristopher JC , SmolaAlexander J,editors.核方法的进展:支持向量学习。Cambridge(MA,USA):MITPress; 1999. p. 185-208.[35] KohaviR,Provost F. 术语表 《马赫学习-规范问题应用马赫学习知识发现过程》1998;30(2-3):271-4.[36] 福塞特T 介绍ROC分析。 Pattern Lett2006;27(8):861-74.[37] Karnan M,Thangavel K.利用遗传算法自动检测数字乳腺X线照片上的乳腺边界和乳头位置,以检测微钙化的不对称方法。 计算方法程序生物医学2007;87(1):12-20。[38] Hosmer DW , Lemeshow S. 应 用 Logistic 回 归 。 第 2 版 NJ(USA):John Wiley& Sons,Inc.; 1999年,p. 164.[39] Khehra BS,Pharwaha APS.最小二乘支持向量机用于微钙化点 聚 类 的 特 征 化 。 World Acad Sci , Eng Technol Int JComput,Inform Sci Eng2013;7(12):932-41.
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- RTL8188FU-Linux-v5.7.4.2-36687.20200602.tar(20765).gz
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
- SPC统计方法基础知识.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功