基于遗传算法的胎儿超声诊断及预后智能验证系统.

埃及信息学杂志20（2019）55全文基于遗传算法的模糊神经网络胎儿生长超声诊断及预后智能验证系统Prabhpreet Kaur，Gurvinder Singh，Parminder Kaur计算机工程技术系，计算机科学系，Guru Nanak Dev大学，印度旁遮普邦阿姆利则阿提奇莱因福奥文章历史记录：2018年1月21日收到2018年9月2日修订2018年10月7日接受在线发售2018年保留字：超声（US）人工神经网络计算机辅助诊断小波正常收缩分类学习器A B S T R A C T在超声（US）检查期间，标准平面的采集是生物计量测量和诊断的先决条件。在分析现有胎儿发育自动测量算法的基础上，提出了一种基于遗传算法的神经模糊算法。首先，利用法线收缩同态技术对胎儿超声基准图像进行自动预处理。其次，利用灰度共生矩阵（GLCM）、灰度游程矩阵（GLRLM）、灰度直方图（IH）和旋转不变矩（IM）提取特征。第三，利用遗传算法的模糊神经网络对胎儿发育异常和正常进行判别。使用基准和实时数据集的实验结果表明，所开发的方法实现了97%的准确率相比，最先进的方法的参数，如灵敏度，特异性，召回率，F-测量精度率。采用特征接收器下面积（AUC）和混淆矩阵（confusion matrix）作为评价指标，通过多种分类方法的交叉验证，获得支持向量机（SVM）的最佳准确率即98.7%，与其他分类方法相比，如KNN，Entrance方法，线性判别分析（LDA）和决策树，而ROC曲线覆盖0.9992 SVM。©2019 Elsevier B.V.制作和托管代表开罗计算机和信息学院大学这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在超声成像分析方面有着重大的进步，现在将现代机器学习应用于医学图像分析领域，这对研究人员来说更具挑战性[1]。计算机辅助诊断（CAD）已成为医学影像学和放射诊断学的主要研究课题之一。本文介绍了早期开发CAD的动机和思想，以及CAD的现状和未来潜力。提出了研究的总体框架，以进一步研究和发展。该框架受到了道路标志检测的启发，正在得到推广和应用*通讯作者。电子邮件地址：prabhpreet. gndu.ac.in（P。Kaur）。开罗大学计算机和信息系负责同行审查。这对肝癌的诊断和进展起作用。超声成像模式是非常流行和最广泛使用的模式，用于可视化和研究任何疾病的医学图像，而不会给患者造成任何疼痛或不适[2，21，23]。与其他成像模式相比，超声成像由于成本较低和非持久性而被广泛使用。根据图像特征（如回声反射性、军团形状和回声纹理）对各种疾病进行诊断[3]。准确的基于超声的胎儿生物特征测量对于提供高质量的产科保健非常重要常见的测量包括：双顶径（BDP）、头围（HC）、腹围（AC）、股骨长度（FL）、肱骨长度（HL）和冠臀长度（CRL）。美国医学超声研究所（AIUM）发布了测量这些值的指南这些值有助于诊断胎儿病理，包括生长受限、小头畸形和巨大儿。此外，这些被用于估计胎儿的胎龄（GA）（即，以周和天为单位的妊娠期长度准确估计GA对于确定预期分娩日期、评估胎儿大小和监测胎儿生长非常重要，如图1所示[4，45https://doi.org/10.1016/j.eij.2018.10.0021110-8665/©2019制作和主办由Elsevier B. V.代表开罗大学计算机和信息学院这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.com56P. Kaur et al./Egyptian Informatics Journal 20（2019）55-87Fig. 1. 胎仔超声图像（a）头部，（b）股骨，（c）腹部，（d）13周龄的整个胎仔。该研究将胎儿超声图像分割解释为半自动系统，以更好地估计胎儿体重（EFW）[5]。该系统测量了四个均匀的胎儿参数：腹围，腹围，胸围、头围和双顶径。用于评价EFW、头和腹测量值的不同分类算法有支持向量机、回归分析和神经网络。最基本的目标是得到一个表1基于数据挖掘技术的医学超声图像去噪的相关工作年份参考编号重大贡献应用程序域G/GL/IFS重量GA傅安DTSVMAC2008年[17]基于灰度共生矩阵肝脏超声是的没有 是的是的没有 没有没有没有 没有是的2012年[18]特征提取算法对纹理、形状、图像颜色肝脏超声没有是的 没有没有没有 没有没有没有 是的没有详细的医学知识2012年[13]基于高阶灰度共生矩阵的故障诊断与特征识别肝脏超声是的没有 没有没有没有 没有没有没有 没有是的2012年[19]检测超声图像中的解剖特征超声图像没有没有 是的是的没有 没有没有没有 没有没有2013年[8]使用统计特征和降噪的自动分割肝脏超声没有没有 是的没有没有 没有没有没有 没有是的2013年[11]基于GLCM、GLRLM、IH的肾脏超声是的没有 没有没有没有 没有没有没有 没有是的2013年科学直接[12]基于LDA的肝脏超声是的是的是的没有没有 没有没有没有 没有是的2013年[9]Contourlet和Fuzzy变换在分类中的应用卵巢超声没有没有 没有没有没有 是的没有没有 没有是的2014年[10]基于灰度共生矩阵的图像提取方法灰度图像是的没有 是的没有没有 没有没有没有 没有没有2014年[2]肝脏超声中的癌症进展和预测肝脏超声（克罗斯豪斯医院基尔马诺克联合医院没有是的是的没有没有 没有没有没有是的是的王国）2014年[3]人工神经网络在肝脏超声疾病诊断中的应用肝脏超声（Jaslok医院和研究中心，孟买）是的是的是的没有没有 没有没有没有 没有没有2015年[14]模块化神经网络的最优结构与模糊引力搜索心脏病没有没有 没有没有没有 是的是的没有 没有没有用于模式识别应用的算法2016年[15]‘‘Hybrid approach combining traditionaltexture analysis methods with for theautomatic胎儿超声（GE Healthcare，USA）是的没有 没有没有没有 没有是的没有 没有没有提出标杆管理的诊断与预防Philips超声图像是的是的是的是的是的是的是的是的是的是的系统图像和实时数据集使用分类的（基准）和民用医院Jalandher超声胎儿发育（实时数据集）P. Kaur等人 /Egyptian Informatics Journal 20（2019）55-8757周期精通基于形态学的计算，以感知胎儿超声图像中的股骨形状，为编程长度估计细化其形状，并以这种方式实现估计的精度和再现性[6]。从水下采集的图片最初是利用形态管理员从图片中排除基础来准备的从那时起，为了细化股骨的状态，利用形态管理器对图片进行转换，直到可以以最具时间功能的方式访问股骨的单个像素以股骨终末病灶为股骨终末指标，以股骨终末病灶间距为股骨长度，评价胎龄。所提出的计算已经在真实的临床图像上进行了尝试并证明了所提出的策略所做的估计是可靠的，并且与用于估计的手动技术具有很大的一致性。[7]中讨论了两种策略的研究，一种是区域开发，另一种是胎儿超声图像分割分组的分裂和合并计算的变化。他们描绘了一个直观的框架，可以快速处理和部分的自我主张的数量高灯。UI是使用Tcl/Tk工具箱组装的，该工具箱可通过计算机访问。该框架的最大缺点是缺乏能够评估划分准确性的强制性措施。它同样要求程序，更宽容的骚动和古董，因为地区发展的计算是深刻的敏感附近的邻居。图二.从左至右增加Y轴上的自动图像分析以及X轴上的超声检测方案的超声胎儿发育的文献综述基线。58P. Kaur et al./Egyptian Informatics Journal 20（2019）55-87图三. 提议的框架。另一种可能性是利用二进制空间划分树（BSP）来描述极限。[8]提出了完全程序化分割和利用事实亮点识别普通和超声肿瘤肝脏图像。利用峰谷法分离超声图像中的散斑噪声，对图像进行平滑处理，再加入一个瞬时组织通道，以增加噪声通道，增强图像的自然性。峰谷通道说明了一个有趣的交换中间通道牢记最终目标，以提高效率。利用轮廓波变化去除卵巢超声图像斑点，动态形式无边缘分割策略和蓬松的表征原理如[9]所示。利用卵巢超声图像进行了实验，并对实验结果进行了对比，得出了基于过渡分类器的推断结果和专家推断结果。[10]中说明了利用具有内部模块的建筑模型指示的独特计算提取的图片突出显示。在这一新的基于FPGA的工程，实现了灰度共生矩阵四个亮点的连续提取。 拍摄128 * 128大小的暗水平图片用于包括提取。利用可测量的二次请求技术提取数字图像的高光。利用这种可测量的技术，我们实现了暗尺度水平检测中的图像提取。在该检查中，超声肾脏图像的许多重要亮点已经被分离，例如，强度 直 方 图 （ IH ） 包 括 不 变 分 钟 （ IM ） 、 灰 度 级 共 事 件 网 格（GLCM）、灰度级游程长度网络（GLRLM），总共确定了每张照片的48个亮点。合并后的元素在准备数据集时达到了100%的正确率。它有效地从94次事件中整理了94个例子。在测试数据集上，它准确地排序了40个中的35个，准确率为87.5%。由此可见，组合元素的使用，威力也是不小的。实验了一种根据表面检查排列肝脏超声图像的技术方案[12]。 它利用了具有高分辨力的七个表面高光的排列，放射科医生可以利用这些表面高光来表征见图4。 小波去噪P. Kaur等人 /Egyptian Informatics Journal 20（2019）55-8759肝脏 高光提取是利用伴随的表面模型：空间灰度级共事件矩阵，灰度级差分统计，第一请求统计，傅立叶功率谱，统计特征矩阵，法律的纹理能量措施和分形特征。 根据线性判别分析（LDA）的后效应，箱形图检验和皮尔逊相关系数，从35个亮点中选出7个最佳亮点。这些选择的亮点，然后融合利用直接分类器。根据从超声图像采集的数据，提出的目标是建立一种现代化的非侵入性策略，用于HCC的程序化结论[13]。分析了当前普遍要求的最好的空间关系之间的像素，煽动最迫切的显示，为第三，第五和第七的需求较好的请求GLCM亮点驱动比确认率安排在81%以上。利用多层感知器（MLP）（一种伪神经系统）对从肝脏超声图像中提取的不同表面亮点进行类似的研究，以考虑感染条件的接近度[3]。所有组件分类器的一般执行的相关性假定它证明了训练数据集的惊人速率准确性灰度游程长度矩阵（GLRLM）包括表明当网络针对未知数据进行测试时，结果更好。GLRLM和混合能力列表都表明了准备和测试的巨大准确性[14]提出的原理测试，定位模块化神经系统的理想设计，这意味着发现神经系统的模块、层和中枢的理想数目，以模糊重力扫描计算为例，验证了第一种重力方法。利用蓬松原理的重力搜索计算沿着作为结果，计算逐渐应用替代G值，同时对操作者的重力功率产生影响，最后改变其增加的速度，给专家提供机会来研究搜索空间中的其他大的布置，并增强最后的结果。结合传统纹理分析方法和深度学习的混合方法，用于从[15]中讨论的二维胎儿超声图像中自动检测和测量腹部轮廓。将CNN的预报结果与斜率提升机（GBM）的预报结果结合，利用位置倾角直方图（HOG）进行预报，亮点.数据挖掘是知识发现过程中的一个步骤，它由数据挖掘算法组成，用于发现数据中的数据挖掘也可以被定义为一种分析过程，旨在探索大量数据，寻找变量之间的一致模式和系统关系，然后通过将检测到的模式应用于新的数据子集来验证发现分类是最常用的数据挖掘技术，它使用一组预先分类的示例来开发一个模型，该模型可以对大量记录进行分类。在分类技术中，基于训练数据建立模型并应用于测试数据。WEKA是一个开源的数据挖掘工具，其中包括数据挖掘算法的实现。 使用WEKA比较各种算法，即ADTree，Bayes网络，决策表，J48，Logistic，Naive Bayes，NB Tree，PART，RBF网络和SMO [16]。交互式CDS系统提出了自动实时图像增强，分割，疾病分类和进展，以便在早期阶段有效诊断癌症患者[2]。在分类器中，SVM的准确率达到95.29%，在机器学习算法中表现得更好。出于分析目的，将系统和分类器连接到200名患者的肝脏恶性肿瘤数据集。在这个数据集中，类循环是120有利和80有害的。表2不同过滤技术的比较[34]。过滤器优点缺点属性中值滤波器更强大，不建立任何不切实际的像素保留更多计算时间边缘而不模糊Lee滤波器斑点噪声减少更多计算时间乘性滤波器Kaun滤波器比Lee滤波器更有效边缘上仍存在噪声需要计算Wiener Filter Superior可同时去除噪声和平滑需要估计原始图像的功率谱逆滤波和噪声平滑之间的权衡见图7。ANN的分层工作60P. Kaur et al./Egyptian Informatics Journal 20（2019）55-87如今，医学文献中的数据挖掘和图像去噪是非常流行和具有挑战性的。在诊断超声图像中的胎儿发育时，强烈需要使用图像处理中的变换方法的各种类型的噪声和滤波技术，并且在那里用作使用机器学习的特征提取和选择中的输入。这种类型的诊断是作为表1中的已发表工作的比较分析来完成的。本文从主要贡献、应用领域、灰度共生矩阵（G）/灰度游程长度（GL）等11个重要指标对矩阵）/I（不变矩）、F（滤波）、S（斑点）、WT（小波变换）、GA（遗传算法）、Fu（模糊）、ANN（人工神经网络）、DT（决策树）、SVM（支持向量机）、Ac（精度）。为了将我们的工作放在感知中，图2示意性地总结了胎儿超声图像分析中的一些最先进的文献如何在解释和评估（使用分类算法）之间映射标准基线验证点。除了本节介绍的研究问题，并强调其实际意义，第2节提出了图五、 2DWT US胎儿图像的工作见图6。 图像预处理步骤的工作流程，（a）见图8。 提出了混合神经模糊遗传算法的工作原理。设遗传参数a) 总体模糊值b)将RMSE评估为适应度函数c)应用交叉，然后应用突变.ΣP. Kaur等人 /埃及信息学杂志20（2019）55-8761建议的框架，并提供有关每个业务阶段的细节。第3节提供了获得的实验结果以及对结果的分析，这些结果导致了第4节中提供的结论和未来范围。2. 拟议方法所提出的方法是Kalyan[11]给出的算法的扩展，包括更广泛的评估以及详细的特征分析。该方法包括四个阶段：A）预处理B）特征提取和选择C）混合方法模糊神经遗传和D）验证结果（见图 3）。2.1. 预处理有各种各样的滤波器来消除斑点噪声。每个过滤器都有自己的统计值。不同的滤镜会对不同的图像产生不同的效果。研究人员正在分析几种最先进的去噪滤波技术，即Wiener、Median、Lee和Kuan，以提高这些滤波器在质量、减少运行时间和更多因素方面的性能[26，33，34]。2.1.1. 斑点噪声抑制滤波技术2.1.1.1. 中值滤波器中值滤波器是一种非线性技术，最适合脉冲噪声（椒盐噪声），同时保留图像中的锐利边缘。此过滤器在窗口窗格中使用有序集合输入包围像素值，并将定义窗口窗格中的中心像素替换为集合中的中间值[34]斑点噪声降低了图像的对比度，bix;yn= 2Sxy中位数fjs;tg1图像边缘的环形伪影因此，它降低了人类区分图像的粗细节和细细节的能力[26，33，34]。表3参数说明。{其中，2.1.1.2. 李过滤器Lee滤波器基于该方法，即区域上的方差。如果方差为低，则将执行平滑。但如果方差在边缘附近为高，则不会执行此操作[32，34，61]。图像可以近似如下所示yjk神经元j从k层的输出bjk层中神经元j的偏置权重wijk链接权重激活传递函数Img i;j ImWω Cp- Im2{其中是的是迄今为止最好的没有不满足停止标准遇到返回使用自适应神经权重测试的返回解决方案更新当前最佳解决方案加载预处理的超声图像应用“梯形"和”钟形“进行模糊化图第九章分类学习器的训练、测试和预测工作.ΣXX1/4=NðXiÞ¼ ð-u=我的天þu我“#62P. Kaur et al./Egyptian Informatics Journal 20（2019）55-87加权函数如下：W<$r2=r2<$q2<$3<$其中，2.1.1.3. 考恩过滤器。Kuan滤波器被认为比Lee滤波器更优越。它不对滤波器窗口内的噪声变化进行近似。它简单地将乘性噪声（即斑点噪声）建模为加性线性形式，但它依赖于来自图像的等效噪声外观（ENL）来确定差异。ferent weighted ‘W’ to perform the filtering2N-121/4{其中索引“i”和“q2”处的滤波器窗口W 1 C C1 C 6加权函数根据图像的估计噪声变化系数图为[34]：Cu<$p1=ENLð7Þq21/4“1=MY2#N-1我1/4ð5Þ并且C/S= Ið8Þ{其中{其中一测培训将帧分类为以下三类之一预测BB.1训练子样本定位胎儿图像（B.1）并以准确度对序列进行分类（B.2）确定开发是否正确存在Rð4ÞMP. Kaur等人 /埃及信息学杂志20（2019）55-8763见图10。 SVM最佳情况图。见图11。 SVM过拟合情况[41]。2.1.1.4. 维纳滤波器。 维纳滤波器是一种低通滤波器，它是一个强度图像，它被规则的功率加性噪声退化。Wiener 2运行在逐像素自适应Wiener方法上，该方法基于来自每个像素的局部区域邻域的统计信息估计[8]。M = Wiener 2（N，[i，j]，noise）对图像进行滤波，其中“i”和“j”的默认值加性噪声被假定为高斯白噪声。[M，noise]= Wiener2（N，[i，j]）还在进行滤波之前估计加性噪声功率Wiener2以噪声的形式返回该估计。Wiener 2函数可以自适应地应用于图像的Wiener滤波器（一种线性滤波器），使其自身适应于邻域图像方差。如果变化较大，Wiener 2执行很少的平滑，否则Wiener 2执行更多的平滑[34]（见表2）。2.1.2. 小波去噪解释医学US胎儿图像的基于小波的去噪的步骤如图4所示[60]：a) 对噪声数据进行适当的小波变换;（小波基可根据各种因素b) 执行小波系数的软阈值处理，其中阈值取决于噪声方差;（当如步骤1中选择小波基时，阈值处理消除噪声的影响，而不消除信号的影响c) 然后用零填充从“步骤b”获得的系数2.1.3. 二维小波变换离散小波变换等同于分层子带系统，其中子带在频率上按几何学间隔开并且表示倍频程带分解。通过应用DWT，图像实际上被划分，即，分解成四个子带和严格的子采样，如图所示。第五章：表4混淆矩阵。实际类负正包括计算负担和压缩能力把信号的L2能量转化成非常少，非常大的预测类负真阴性率（TN）假阴性率（FN）系数）。阳性真阳性率（TP）假阳性率（FP）RBY64P. Kaur et al./Egyptian Informatics Journal 20（2019）55-87标记为LH1、HL1和HH1的这些子带表示最精细尺度小波系数，即，细节图像而子带LL 1对应于粗略级别系数即，近似图像为了获得小波系数的下一个粗略级别，单独的子带LL 1被进一步分解并且使用2) 利用小波变换对受高斯噪声污染的图像进行多尺度分解。3) 使用以下公式从子带HH 1估计噪声方差0r02烟草;jYijj2类似的滤波器组。rb2¼0：6745;0Y 0ij2子带HH1分9秒2.1.4. 基于小波变换的同态法向收缩技术在同态技术中，小波滤波被应用于图像-对数，然后是指数运算。宗4) 对于每个级别，使用以下公式计算比例参数等人提出了一种同态小波收缩技术，用于从原始图像中分离斑点噪声[26，35，67，68]。NormalShrink是一种基于子带系数的广义高斯分布（GGD）模型的小波域自适应阈值估计图像去噪方法由于估计阈值所需的参数取决于子带数据，因此它在计算上更有效且自适应。法线收缩图像去噪的步骤如下：1) 对斑点图像进行对数变换我不知道。ffiffiffiffiLffiffikffiffiΣffiffi ffi5) 对于每个子带（低通残差除外）：a)计算标准差b)使用公式计算阈值TNTN¼brbc)对噪声系数应用软阈值。ð10Þð11Þ图12个。基准和实时超声胎儿发育数据集。J2图14个。与NormalShrink相比，不同过滤机制的基准图像P. Kaur等人 /埃及信息学杂志20（2019）55-87656) 逆多尺度分解重构去噪图像。7) 取步骤6中获得的重建图像的指数[26，35]。图6分析了图像预处理工作流程，包括原始基准图像、ROI（感兴趣区域）以及基于增强的法线收缩小波的裁剪滤波图像。2.2. 特征提取与选择特征提取用于发现有效的措施，以呈现医学图像中出现的异常。后图13岁与NormalShrink相比，不同过滤机制的基准图像图十六岁与NormalShrink相比，不同过滤机制的基准图像66P. Kaur et al./Egyptian Informatics Journal 20（2019）55-87图像的预处理表示数据清理阶段，使用如下所述的技术从清理后的图像中获取与分类相关的属性[522.2.1. 强度直方图（IH）特征强度直方图纹理测量往往是通过原始图像值计算的，它属于一阶统计。他们邻域像素。使用这种策略获得的特征与它们的方程一起在[35，36]中列出。2.2.2. 灰度共生矩阵GLCM也被称为“空间依赖性”。它是从图像中提取纹理信息的最常用的数学工具之一。这种技术总是concen-carton的像素强度水平的相邻像素。GLCM图15个。与NormalShrink相比，不同过滤机制的基准图像图18. 与NormalShrink相比，不同过滤机制的实时数据集图像P. Kaur等人 /Egyptian Informatics Journal 20（2019）55-8767总是说明像素相对于其它像素的特定位置。这是一个简单的，它指示了像素亮度值的不同组合在医学图像中形成的频率[352.2.3. 灰度游程矩阵它是一个矩阵，通过它可以提取与纹理分析相关的特征。对于任何给定的2D图像，GLRLM基本上是2D矩阵，在该2D矩阵内，分量图十七岁与NormalShrink相比，不同过滤机制的实时数据集图像图19. 与NormalShrink相比，不同过滤机制的实时数据集图像68P. Kaur et al./Egyptian Informatics Journal 20（2019）55-87在灰度级“k”处的长度“l”的召唤操作。这里，“M”表示最大游程长度（游程长度被认为是在特定方向上具有相同灰度级强度的相邻像素的数量）。在[35，39]中解释了由GLRLM提取的特征的表示。2.2.4. 旋转不变矩（IM）利用形状识别内的时刻的概念变得流行1962年左右，当胡利用代数不变量Hu因此，它解释了图像，无论其位置，大小以及旋转。矩变量通常是归一化矩的指定矩[41，65]。2.2.5. 特征选择所有的特征都是从图像中提取出来的，得到的数据包含许多冗余或不相关的特征。采用特征选择技术去除冗余和不相关的特征，找出重要特征，为进一步分析提供依据。使用版本3.6.9的WEKA[42]WEKA与“.arff”数据文件兼容并仅识别“.arff”数据文件。因此，生成了“.arff”文件，其中包含提取的特征值（包括正常和异常）。在特征提取过程中，从每幅图像中总共提取了16个特征，但由于特征数量较多，不能将所有这些特征提供给神经网络。虽然每个特征在分类中是重要的，但是这些特征中只有少数在疾病状况的分类和识别中是非常重要的因此而不是使用所有这些特征作为输入，只选择那些具有高重要性的特征[35]。2.3. 分类器在CAD系统中，分类是不同领域间必不可少的工作，其性能取决于不同特征的有效性和分类器的选择。机器学习技术在医学影像学、计算机视觉、模式识别等领域得到了广泛的应用。人工神经网络已被用于胎儿发育的诊断，并取得了很好的分类精度。但我们认为人工神经网络并没有显示出它的优越性，因此在我们的工作中，我们用模糊逻辑增强了人工神经网络，并将其分类结果与人工神经网络进行了比较。2.3.1. 安人工神经网络由生物神经系统驱动，由简单的元素组成。ANN的结构由一个“输入”层，多个“隐藏”层和一个“输出”层形成，使用有向图连接ANN的结构，其中节点被称为神经元。多层感知器（MLP）网络，最实用的ANN架构，其中每个神经元与其多个相邻神经元相关联，以及不同的权重，象征着几个神经元对其他神经元的建议的特定相对影响，如图7所示[42，49，66]。测量的加权求和与输入可以传递到隐藏的神经元，正是在那里它实际上是修改采用激活函数。随后，具有隐藏神经元的结果正好作为输出神经元的输入图20. 基准图像的图形表示P. Kaur等人 /Egyptian Informatics Journal 20（2019）55-8769表5空间滤波器与同态滤波器的比较。过滤器PSNR SNR S/MSE EPI CoCUS_Orig.jpg中值滤波器28.3459 4.2805 4.2805-0.068695 0.797066Wiener滤波器29.2877 5.22234 5.22234 0.232257 0.840967Kuan过滤器28.0519 3.98648 3.98648 0.126449 0.764639正常收缩率30.9585 6.89313 6.89313 0.589181 0.941745Us1.jpg中值滤波器31.0319 5.41095 5.41095 0.0560177 0.949826Wiener滤波器32.0089 6.38791 6.38791 0.153288 0.972189Kuan过滤器31.4114 5.79046 5.79046 0.0817777 0.950076正常收缩率34.6508 9.02986 9.02986 0.441993 0.986621US2.tiff中值滤波器32.2703 5.03807 5.03807 0.148425 0.978875Wiener滤波器33.0217 5.78945 5.78945 0.226896 0.991976Kuan过滤器33.224 5.99178 5.99178 0.278649 0.98501正常收缩率34.7356 7.50337 7.50337 0.515596 0.991587US3.jpg中值滤波器30.5513 5.6013 5.6013-0.107844 0.921417Wiener滤波器31.763 6.81303 6.81303 0.195956 0.954831Kuan过滤器30.6194 5.66935 5.66935 0.0842285 0.922236正常收缩率34.3485 9.39854 9.39854 0.575885 0.9838051.jpg中值滤波器28.6272 4.54401 4.54401-0.0867276 0.84789Wiener滤波器29.5494 5.46615 5.46615 0.256514 0.856176Kuan过滤器28.2915 4.2083 4.2083 0.104104 0.801264正常收缩率31.1244 7.04117 7.04117 0.558952 0.9410732.jpg中值滤波器29.5463 5.45948 5.45948-0.101541 0.890979Wiener滤波器30.8996 6.81279 6.81279 0.322695 0.905894Kuan过滤器29.2986 5.21177 5.21177 0.125384 0.85967标准收缩率32.9776 8.89079 8.89079 0.633292 0.9711893.jpg中值滤波器28.9064 4.8403 4.8403-0.12006 0.881449Wiener滤波器29.9107 5.84462 5.84462 0.243092 0.894937Kuan过滤器28.4418 4.37578 4.37578 0.0504628 0.832113正常收缩率31.9488 7.88275 7.88275 0.58338 0.971514图21. 基准图像的图形表示.X←70P. Kaur et al./Egyptian Informatics Journal 20（2019）55-87在那里他们再经历一次转变。多层感知器神经网络的输出可以描述如下[35]（见表3）：必须说明设计以及学习算法。与这些方法相关的缺点似乎是互补的，因此，考虑开发一个集成系统是显而易见的这两种技术的结合虽然学习能力是一种yjk¼/kNk-11/1我的天啊！ð12Þ人工神经网络的优点是语言规则的产生。神经模糊杂交产生了一个混合智能系统，它通过将模糊系统的人类推理形式与学习和连接相结合来协同这两种方法伪代码：函数多层感知器返回权重插入训练数据作为输入加权值和学习率的目标Localvariables：权重：节点Wt初始化权重直到终止条件不满足为止，对于m←1到例数，forn← 0 to number of features doWt[m]←Wt[n]+ rate<$（Target- Sum[m][m]n[m][n]End达到终止条件，然后返回重量结束结束2.3.2. 神经模糊人工神经网络与模糊推理系统的集成越来越受到科学和工程领域研究人员的关注，因为越来越多的智能系统来解决现实生活中的问题。人工神经网络通过简单地改变层之间的互连来从头开始学习如果我们在语言规则中传递了知识，则很容易构造FIS，或者在情况下指示模糊算子、模糊集以及知识库。同样，对于为应用程序构建ANN，这 是神 经 网络 的 架构 。 模 糊神 经 网络 （ FNN ） 或神 经 模糊 系 统（NFS）。NFS包括利用模糊集的模糊系统的类人推理形式和由一个IF-THEN模糊规则神经模糊系统的关键力量是具有请求可解释的IF-THEN规则的能力的通用近似质量。神经模糊系统的有效性包括模糊建模中两个相互矛盾的需求：可解释性与准确性，其中只有一个占主导地位。模糊建模研究学科中的神经模糊分为两个领域：Mamdani模型，这是一个以可解释性为中心的语言模糊模型，以及Takagi-Sugeno-Kang（TSK）模型，这是一个以准确性为中心的精确模糊模型。2.3.3. 混合神经模糊遗传算法图8[22]中所示为神经模糊与遗传方法的混合方法的超声图像分类步骤：2.3.4. 混合方法的培训和测试WEKA工具被用作数据挖掘过程，对数据进行预测。神经模糊遗传算法用于分类正常和异常的胎儿特征，并确定哪种特征分类器是最好的分类。图9确定分类学习器的训练、测试和预测阶段，并且在下一阶段中使用“混淆矩阵”和“接收器操作特征（ROC）曲线分析”来验证性能图23岁基准图像的图形表示P. Kaur等人 /埃及信息学杂志20（2019）55-87712.3.4.1. 预测算法。2.3.4.1.1. 决策树。决策树是机器学习、数据挖掘和统计学中使用它是一种监督学习算法，也就是说，该算法由一个结果变量组成，该变量将从给定的变量集进行预测。使用这些变量，我们生成一个函数，并将输入映射到所需的输出。该算法利用重要属性自变量将种群划分为两个或多个同质集合，尽可能地在决策树中，叶节点表示目标变量和输入变量[2019- 05- 15][2019 - 05]数据挖掘中使用的决策树有两种主要类型：1) 分类树当数据属于被预测为结果。让我们考虑一个医学测试的例子，假设有两个类，第一个是血液测试，第二个是癌症测试，由各种自变量组成如果血液检查结果是阳性，那么癌症被检测到，因此图22号。基准图像的图形表示图25. LIVE数据集的图形表示。72P. Kaur et al./Egyptian Informatics Journal 20（2019）55-87在这里，我们预测一类结果为正的所有变量[1]。2) 回归树当预测结果是单个值或实数时，它被称为回归树。让我们考虑一个酒店的例子使用这种算法，计算机将根据房间的数量来预测房屋的成本，因此这里预测的是一个值而不是一个类[1]。涉及上述两个过程的术语称为分类和回归树分析。优点：1. 主要的关键因素是数据准备。决策树所需的数据查询对用户来说很容易，只需要很少的努力。如果我们有一个以百万为单位衡量成本，以年为单位衡量贷款年龄的数据集，那么在我们应用和实现回归模型并解释相关性之前，它将需要某种标准化或缩放。在决策树中，即使没有发生转换，树结构也保持不变。因此，这种变换在该算法中是不必要的[43]。2. 此外，当对训练数据集应用决策树算法时，树的顶部几个节点本质上是最多的图24. LIVE数据集的图形表示。P. Kaur等人 /Egyptian Informatics Journal 20（2019）55-8773图26. LIVE数据集的图形表示。表6GLCM参数结果。GLCM参数正确地“不正确地卡帕“意思是‘‘Root''相对‘‘Root‘‘Coverage''意思是可靠的。区域分类分类统计”绝对平方绝对平方误差例（0.95大小（0.95级）””错误”错误”错误”水平）”‘‘Total Number of Instances: 75(Standard)Us_orig.jpg7050.90.05980.207513.4615%44.0212%93.3333%33.3333%原纸93.3333%6.6667%提出7230.940.04040.15589.0981%33.0592%97.333%百分之三十六百分之九十六百分之四Us1.jpg7050.90.059813.4615%44.0212%93.3333%33.3333%原纸93.3333%6.6667%0.2075提出7230.940.04040.15589.0981%33.0592%97.333%百分之三十六百分之九十六百分之四Us2.jpg64110.780.11110.3072百分之二十五65.158%85.3333%33.3333%原纸85.3333%14.6667%提出6870.860.06910.197115.5412%41.8012%百分百39.5556%90.6667%9.3333%Us3.jpg7050.90.05980.207513.4615%44.0212%93.3333%33.3333%原纸93.3333%6.6667%提出7230.940.04040.15589.0981%33.0592%97.333%百分之三十六百分之九十六百分之四1.jpg65100.80.10260.292923.0769%62.1365%86.6667%33.3333%原纸86.6667%13.3333%提出6870.860.07250.192516.3143%40.8428%98.6667%41.7778%90.6667%9.3333%2.jpg7050.90.05980.207513.4615%44.0212%93.3333%33.3333%原纸93.3333%6.6667%提出7230.940.04040.15589.0981%33.0592%97.333%百分之三十六百分之九十六百分之四3.jpg7050.90.05980.207513.4615%44.0212%93.3333%33.3333%原纸93.3333%6.6667%提出7230.940.04040.15589.0981%33.0592%97.333%百分之三十六百分之九十六百分之四数据集中的重要变量和特征选择是完全自动化的，因此决策树隐式地执行特征选择[43]。3. 另一个优点是树