没有合适的资源?快使用搜索试试~ 我知道了~
医学信息学解锁26(2021)100756基于普适信息集纹理特征的Hanman变换分类器的犹豫性乳腺图像多类分类JyotiDabass a,*,M. Hanmandlu b、Rekha Vig caEECE Deptt,The Northcap University,Sector 23-A,Gurugram,122017,India bCSE Deptt,MVSR Engineering College,Nadergul,Hyderabad,501510,India cCSE Deptt,The Northcap University,Sector23-A,Gurugram,122017,IndiaA R T I C L EI N FO保留字:小波变换基于信息集的纹理特征基于犹豫的汉曼变换分类器普适信息集纹理特征基于结构函数的汉曼变换特征A B S T R A C T为了提高乳腺癌患者的生存率,本文将Gabor、小波和基于结构的信息集特征扩展为普适信息集特征,以提高乳腺癌诊断的准确性。普适信息集的概念源于将信息集扩展为包含直觉模糊集。建议的功能的有效性进行评估,从新德里的Superspecialty癌症医院获得的注释的私人数据集,和公共数据集,包括数字数据库筛选乳腺X线摄影,INbreast数据库,和乳腺X线摄影图像分析学会数据库,以验证其功效的多类分类的乳腺X线摄影采用犹豫基于汉曼变换分类。该分类器不仅体现了训练和测试特征之间误差的不确定性,而且还体现了隶属函数建模中的不足。方差分析检验的结果证实,所提出的功能是统计学相关的,由专家放射科医生验证的实验结果验证了所提出的工作的临床意义。所提出的方法抑制“非数据饥饿”方面给出了100%的准确性,多类分类的公共和私人数据集,这是高于现有的最先进的方法在文献中获得的。这些结果将有助于放射科医师在乳腺癌的早期诊断1. 介绍乳腺癌发生在乳腺细胞中,由于负责调节细胞健康生长的基因的异常变化或突变。41,760人死于乳腺癌[1]。乳房X光筛查被广泛用于早期检测乳腺癌,因为它价格实惠,效果明显更好,操作简便[2]。乳房X线照片提供的有关乳房密度、乳房形状和疑似病变(如钙化和肿块)的信息有助于放射科医生早期发现乳腺癌。实际上,在早期阶段区分癌细胞组织与乳腺组织是有问题的。主要问题是一些医院缺乏训练有素的医生来诊断乳房X线照片,因此需要计算机辅助诊断(CAD)系统[3]。在过去的几十年里,进行了一些工作,以提高乳腺X线照片的分类准确性。然而,它仍然被认为是一个具有挑战性的研究领域,由于各种形式,密度和形状的乳房X线照片。这些异常通常表现为乳房中的高强度区域。另外,正常乳腺X线照片包括各种纹理和高强度组织。因此,放射科医师用肉眼区分异常组织和正常组织成为问题。值得注意的是,被识别为良性的组织后来被检测为恶性。因此,需要一种有效的方法来准确地对乳房X线照片进行分类,以降低较高的错误检测率[4]。医学从业者倾向于CAD系统以减轻在通过其乳房X线照片分析乳房中的异常时的上述问题。乳房X线照片的缺点之一是,如果乳腺癌肿块具有非常致密的乳腺组织,则很难检测到。基于乳腺X线照片的特点以及医生的地面真理,本工作的目的是发展的方法,以提高乳腺X线照片的分类精度。所提出的方法需要从数据集和类标签没有注释的感兴趣的区域(ROI)的患者的乳房X线照片的可用性,以提供最先进的分类。 该方法不需要人工操作,易于应用* 通讯作者。电子邮件地址:jyotidabas91@gmail.com(J.Dabass)。https://doi.org/10.1016/j.imu.2021.100756接收日期:2021年8月8日;接收日期:2021年10月4日;接受日期:2021年10月9日2021年10月13日网上发售2352-9148/©2021的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页:www.elsevier.com/locate/imuJ. Dabass等人医学信息学解锁26(2021)1007562注释。为了验证工作的实际意义,还在包括从医院获取的真实乳房X线照片的私人数据集上实施所提出的工作,其揭示了用于乳房X线照片分类的所提出的工作2. 相关工作在过去的几十年里,提出了几种方法来分类乳房X线照片,提高了准确性。本节将讨论其中一些方法。文献[4]提出了一种改进的CAD系统。它使用BDWPT(基于块的离散小波包变换),PCA(主成分分析),KELM(核极端学习机)和WC-SSA(加权混沌salp群算法)将乳腺X线照片分类为正常或异常,并进一步将异常乳腺X线照片分类为良性或恶性乳腺X线照片。参考文献[5]中使用Hough变换和SVM(支持向量机)对异常乳腺X线照片进行分类。Dense Net II在参考文献[6]中用作分类器,将乳房X线照片分类为良性和恶性类别。在参考文献[7]中采用BORN(蝙蝠优化运行长度网络)对DDSM(用于筛查乳腺X射线摄影的数字数据库)和具有不同学习内核的mini-MIAS(乳腺X射线摄影图像分析协会)数据集进行分类。参考文献[8]中使用参数优化的内核极端学习机将DDSM和mini-MIAS数据集分类为良性、正常或恶性类别。在这方面,基于块的CDTM(交叉对角纹理矩阵)被用来提取Haralick的特征。同时,KELM利用草蜢优化的概念确定KELM参数的理想值。将DDSM数据集的乳腺肿块分类为异常和正常和进一步异常分为良性和恶性类别,在参考文献[9]中提出了蛾焰优化和极端学习机的组合。该方法采用小波变换进行特征提取,结合PCA的 LDA(线性判别分析)进行特征约简。在参考文献[10]中提出了一种改进的CNN(卷积神经网络),其集成了SE-注意力(挤压和激励),以将基于BIRADS(乳腺成像和报告数据系统)的数据分为纤维腺体、脂肪、极密集和非均匀密集类。基于小波和微调的CNN用于将乳房X线照片分类为非均匀密集和分散的密度类别,参见参考文献。[11].一个名为ANNFIS的神经模糊分类器(基于自适应神经网络的模糊规则干扰系统)被应用于提取的特征,这些特征在参考文献[12]中通过LDA和PCA的组合来减少。 将乳房X光片分为恶性和良性。参考文献[13]中使用BIRADS对乳腺密度进行分类。这是在五个步骤中完成的,包括提取感兴趣的区域,基于纹理的密度图生成,密度分类分离,以及识别,然后对BCDR(乳腺癌数字库)数据集进行表征和分类。在参考文献[14]中采用GMDH(组方法数据处理)神经网络分类器,使用逻辑回归将所选特征分类为良性和恶性类别。2.1. 研究差距和挑战大多数研究工作集中在展示他们的方法在一个数据集上的性能。这可能是特征提取和分类算法无法推广到所使用的数据集之外。因此,需要通过创建能够处理多个数据集的更强大的算法来缓解这一差距。这种算法的制定将减轻放射科医生的负担,成为乳房X线照片诊断的帮手。研究发现,存在类不平衡问题的INbreast和mini-MIAS数据集受到研究人员的青睐。此外,大多数分类技术仍然相信人工定位的群众,而不是群众的自动检测常规纹理分析方法在检测质量时不是非常有效为了弥补上述研究的不足,本文将传统的纹理表示方法,如Gabor、小波、结构函数和基于信息集的方法相结合。拟议的工作不限于任何数据集,并由放射科专家验证结果,以避免观察者之间和观察者内的差异。此外,所提出的工作使用平衡的数据集来训练乳房X线照片,这使得分类偏差较小。2.2. 动机从文献综述中可以注意到,使用基于深度学习的特征来表示乳房X线照片的问题会导致过拟合,而传统的纹理特征在恶性肿瘤检测方面缺乏精度。这是因为乳房X线照片的癌组织和正常组织的纹理很难区分。需要大量数据进行训练的深度神经网络被认为是手动特征的一种有前途的替代方案,手动特征具有低准确率和维数灾难的缺点。由于大多数公开可用的数据集都很小,因此大多数深度学习方法都需要数据增强和迁移学习,这增加了计算复杂度。通过学习,深度学习方法失去了在训练数据之外进行泛化的能力。特定深度学习网络的选择及其架构的组成需要大量的实验。此外,文献中可用的方法考虑像素的邻域(纹理分析方法)或整个图像(深度学习方法),而基于信息集的纹理特征捕获子图像中的确定性,即,因此这些局部区域更有效。在我们以前的工作[15]中,信息集特征是恶魔-被证明是成功的乳房X线照片的分类。受此成功的鼓舞,我们有动机在信息集理论的框架下研究传统的纹理特征,如Gabor,小波和结构功能特征,如参考文献[1]中详细描述的[16 ]第10段。另一个动机是利用进化学习模型,通过将信息集合并到参考文献[ 17 ]中提出的直觉模糊集的模型中,将纹理特征转换为普适信息类型。为了进一步兑现普适信息的概念,我们将设计一个基于犹豫的汉曼变换分类器。这项工作的主要目的是提取尽可能多的局部和全局信息,以区分两个相当相似的纹理组织。该方法将信息集理论和普适信息相结合,扩展了纹理特征的应用范围,提高了乳腺癌早期诊断的准确率。它是全自动的,不需要大型训练集,即使在小数据集上也能很好地工作,而不需要数据增强。它具有更好的泛化能力,不会出现过拟合问题。这突出了所提出的工作相对于深度学习方法的优势,这是“非数据饥饿方面”。与现有的工作相比,拟议的工作提供了更高的分类准确率之间的两个难以区分的乳腺癌类别,这是由放射科医生常规评估,由于其有效的确定性示范,错误向量与其他现有技术相比,这项工作的独特之处在于使用基于信息集和基于普适信息集的Gabor,小波和结构-功能特征的纹理的确定性表示,以及使用基于Hesi- tancy的Hanman变换分类器的分类,这两者都是由可能性Hanman-Anirban熵及其自适应形式辅助的。证明了隶属函数的汉曼变换导致了犹豫度的计算这项工作的特点是计算的可能性certainty的纹理表示的自适应汉曼Anirban熵函数,不可行的经典熵函数和其他国家的最先进的技术。Gabor的转换J. Dabass等人医学信息学解锁26(2021)1007563()下一页=()+()=-()+()W一n2xyxyBavg(k)=w*wx=1y=1小波和结构函数到信息集域,然后到普适信息集域是本文的一个重要成就,如乳腺X线照片的多类分类证明。这项工作的发现对于乳腺癌诊断至关重要,因为它们同时解决了过度拟合和医学标记数据不足的问题,同时与基于深度学习的架构竞争。3. 拟议工作在本文中,我们感兴趣的是制定的信息集为基础的纹理特征和普适信息集纹理特征和这些特征的分类成两个类,三个类,六个类,和七类类别采用基于Hesitancy的汉曼变换分类器。这些特征包含了乳房X线摄影内部结构的不确定性。结果在私有数据集和公开可用的DDSM [18],mini-MIAS [19]和INbreast [20]数据库上进行了验证。图1显示了所提出的方法的工作流程,并使用不同的定量措施评估了其在这些数据库上的性能。方差分析(ANOVA)测试进行建议的功能,使他们在统计上显着。可行的模糊集理论阐述参考。[16 ]第10段。4.1. Gabor信息集特征由Dennis Gabor提出的Gabor滤波器是方向敏感的,具有在正弦平面中的特定方向和由高斯包络调制的频率。它们在频域和空间域都具有最佳的局部化特性,并进行局部傅里叶分析。在这个离散傅里叶变换应用和二项式窗口用于获得具有有限尺寸的窗口信号。为了了解Gabor滤波器对乳房X线照片的相关性,我们注意到,在不同方向和尺度下,感兴趣区域的质量中存在微图案。此外,Gabor滤波器是一种生物学激励的卷积核,可以使用不同的尺度和方向进行调整,以表示感兴趣区域中的多方向和多尺度纹理微图案[23]。具有不同取向和频率的若干二维Gabor滤波器(Gbxy)的Gabor滤波器组用于通过将输入乳房X线照片与Gabor滤波器卷积来获得Gabor图像,其具有由下式给出的形式斜面此外,结果由放射科专家验证,1[-1(θx2Gb=expxyθy2)]临床相关。本文的结构是一个试验。第1节熟悉主题,2π。σx。σy)2σx2+σy2cos(2πγθx)(3)第2节介绍了相关的工作以及研究差距,动机第3节提供了拟议的工作,第4节提供了基于信息集的Gabor,小波和结构-功能纹理特征的制定。第5节提出了普适纹理信息集特征,然后是第6节中基于Hesitancy的Han-man变换分类器。结果解释见第7节,结论见第8节。4. 基于信息集的纹理特征提取可以注意到,由于纹理特征是在信息集理论的框架中导出的,因此在这个时刻,信息集概念的简要概念将是有帮助的。信息集的概念源于使用Hanman-Anirban熵函数[21]概述模糊集属性中的确定性/不确定性,其非归一化形式给出为:其中θxX. cos θy. sin θ和θyx。sin θy. cosθ这里,γ表示正弦平面波的频率,θ表示Gabor滤波器的方向。沿y和x方向的高斯包络偏差以及相应的标准偏差σ y和σ x被视为可以改变的尺度。在本研究中,σx和σy均固定为6。卷积后的每个Gabor滤波器与乳房X线照片图像{Ixy}一起,对于θ,γ对的固定值,产生Gabor图像{bxy(θ,γ)}。Gabor图像的(X,y)位置表示为:bxy(θ,γ)=Ixy.Gbxy(θ,γ)( 4)利用涉及四个方向和五个频率的二十个Gabor滤波器的滤波器组生成Gabor图像。使用等式(3)和等式(4)组合Gabor滤波器组的结果图像以获得来自不同窗口大小的聚合的Gabor图像Bxy。一种从纹理图像中H1∑ ∑n {Ie32}(1)接下来给出了Gabor图像[24a=n2x=1y=1xy-(a. Ixy+b. Ixy+c.Ixy+d)4.1.1. Gabor信息集特征通过适当选择未知实参数a、b、c和d的均值和方差方面的统计参数公式(1)中的“信息”展开为属性值与它们的高斯隶属函数值的乘积,称为信息值[22],并给出如下:步骤1将乳房X线照片划分为尺寸为wX w的非重叠窗口。步骤2利用以下公式估计第k个窗口中乳房X线照片图像的平均或平均强度BavgnnH=1∑ ∑μIx=1y=1(二)1∑ ∑信息值构成信息集{μxyIxy},其中μxy是高斯隶属函数。 在这里, 递送属性值的确定性是由信息值表征的指定概念,不像等式(1),等式(1)给出Ixy值的不确定性,因为其值不是由数学函数建模的。根据上下文灵活地使用确定性或不确定性是信息集理论的标志,其中BXy表示坐标(X,y)处的像素强度。由w× w表示的窗口大小是变化的,直到获得最佳性能。在等式(5)中,坐标x对应于宽度,y坐标表示高度。图1.一、拟议办法的工作流程。nWBXY(J. Dabass等人医学信息学解锁26(2021)1007564∑̃H∑̃=∑∑()()()()∑ ∑μxy()()()̃=.)(十五)Wx=1Wy=1Bxy-b (Ref)2步骤3从下式确定第k个窗口中每个pixel()2∞D2J-1F(x)=G(2 x-K)A2J F(K)其中J = 0,-1,-2,....K=-∞gxy=e-Bxy-b(参考)102fh(六)∞(十)其中,b(Ref)=Bavg,模糊化因子f2(Ref)由下式计算:A2J-1F(x)=H(2 x-K)A2J F(K),其中J = 0,-1,-2,....K=-∞∑W ∑WH=.Bxy-b(Ref))4(七)(十一)f2(参考)=X 1y1 .)由于高斯隶属函数值在0-步骤4基于质心方法计算表示第k个窗口的乳房X线照片纹理的Gabor特征,使用:∑ ∑Bxygxy符合细节和近似图像的子带 因此,在任何分解中,细节图像D2J-1Fx包括分解图像的垂直分量Vd、对角分量Gd和水平分量Hd。在这项工作中,Haar小波被用来分解乳房X线三个时间尺度的图像。为了得到合成图像,来自三个分解(d)的这些分量图像如下叠加:Iμ(k)=∑ ∑gxy(8)Dd(x,y)=Hd(x,y)+Vd(x,y)+Gd(x,y),d=1,2,3(12)小波信息集特征提取方法其中,分子被定义为Gabor图像与互补隶属函数的乘积。对乳房X线照片图像的上述Gabor信息集特征进行归一化,然后计算测试集和训练集特征之间的绝对误差。这些被输入到基于Hesitance的Hanman变换分类器,以从Hanman-Anirban熵函数导出。4.2. 小波信息集特征离散小波变换(DWT)利用另一个基从空间域向小波域绘制图像,所述另一个基由如下给出的特殊矩阵定义:T=B。中文(简体)其中B表示小波基函数,W表示小波图像比来自合成细节图像的图像更有效,因此丢弃后一特征。在图像I上应用小波变换产生细节图像,D2J-1F(x),表示为Ddx,y和近似图像A2J-1Fx(记为Adx,y),在稍后构建普遍的基于小波的信息集特征时考虑这些特征。4.2.1. 小波信息集特征提取步骤1步骤4使用等式(6)计算第k个窗口的近似图像中的像素强度的隶属函数值。步骤5使用以下公式从近似图像的第k个窗口计算系数 这种变换是可逆的和正交的,依赖于一个图像。Ak=∑ ∑Axyμxy(十三)一 可以 定义 多维2评价一个-其中Axy=Ad(x,y)表示近似图像[24]。通过投影到L2(R)的正交子空间V2J中,以2I的分辨率,得到了二维信号F(x)εL(R)。在此分辨率下的近似信号A2JF(x)包含的信息比在2J+1分辨率下的近似信号A2J+1F(x)包含的信息少。用D2JF(x)表示的分辨率为2I的F(x)的细节信号是A2J+1F(x)和A2JF(x)之间的差,它在V2J+1中的补充向量空间V2J上的正交推进之外上升。根据多分辨率信号分解的概念,存在唯一的小波函数εL2(R)和唯一的相应的4.3. 基于结构函数的汉曼变换特征表面纹理的变化是由一个结构函数,这是相关的分形参数测量。结构函数由一维剖面或二维剖面上由位移τ横向分离的点的差构成。因此,具有位移τ(1τ,M)的1-D结构函数可以表示为:<标度函数φ(x)εL2(R),其中<$2J(x)=2J<$2Jx)和φ2J(x)=τ∑M-τ|I x-I xτ|(十四)2Jφ( 2Jx)。 设GhHl是高通和低通滤波器,S()=x=1+M-τ表示为G(x)=k-1(x),k(x-K)>H(K)=φ-1(x),φ(x-K)>.其次,具有脉冲响应H(-K)的Gh是G h的镜像滤波器。同样,Hl 与冲激具有灰度级Ixy以及分别在y和x方向上的移位τy和τx的感兴趣图像区域的2-D结构函数由下式给出:表达式如下:响应H(-K)是H1的镜像滤波器。F(x)的定义.)∑w-τx∑w-τy<$I-I<$分辨率为2J,见图2[25]。细节和近似信号表示为:Sτx,τyx=1y=1xy x+τ,y+τ(w-τx)w-τy结构函数S(τx,τy)是由移位对(τx,τy)分离的像素值之间的绝对差的平均值。我们可以图二. 信号的小波分解。A2J+1 F我们现在讨论2-D(二维)DWT在数字乳腺X线照片上的应用。在分解的第一级,它在四个方面起作用J. Dabass等人医学信息学解锁26(2021)1007565W-1τMτM()下一页τM图像表面的不同值的位移。分形参数和结构函数的关联如下:x=1y=1(w-τ)(w-τ)n2x= 1在直觉模糊集中定义的函数为:n2x= 1XXnx=1{xx}我认为它概述了由y和x方向上的移位分离的pixels中的灰度差异,因此它概括了第3步评估τx=τy=τ的结构函数值,使用∑w-τ∑w-τIxy-Ix+τ,y+τS(τ)=Λ2D-2τ2(2-D)(16)为了计算每个窗口的结构函数,将乳房X线照片划分为不重叠的窗口。通过对两者取对数步骤4计算窗口结构函数的汉曼变换,在等式(16)的两边,最佳拟合线的表达式被获得为:∑τ- (S(τ)*ττ)MlogS(τ)=(2D-2)log(Λ)+2(2-D)log(τ)(17)结构-功能的对数与分形维数DHstr=τ=1 τMe(二十四)其决定了自相似性和拓扑结构Λ,拓扑结构Λ测量纹理化对象中的纹理元素的随机性,纹理化对象对应于乳房X线照片的组织。上述等式可以解释为:logS(τ)=截距+斜率*log(τ)(18)在这种形式中,很容易找到由拓扑Λ和分形测度D组成的分形参数,拓扑Λ是对数图的截距,分形测度D是直线的斜率包括来自每个窗口的分形参数的特征向量被示出在织物中的缺陷的检测中是有效的[26]。我们将直接使用结构函数来表示乳房X光片中的组织纹理,而不是从乳房X光片的每个窗口中提取这些为此,我们调用汉曼变换给出结构-功能中的可能性不确定性的更高形式可以注意到,结构函数在捕获图像的变化窗口的灰度级中的空间梯度的平均值时是有用的,而汉曼变换根据其如何使用来表征更高级别的汉曼变换是可能性域中的自适应汉曼Anirban熵函数的结果[16],被划分为步骤5从每个窗口获得的Hstr值构建特征向量[17]。到目前为止,我们已经讨论了从乳房X线照片中计算纹理特征的不同方法。现在,我们将使用这些特征进行乳房X线照片的分类,为此我们将开发基于Hesitancy的Hanman变换分类器。5. 普适纹理信息集特征在上文中,我们讨论了用于表示纹理的Gabor、小波和基于结构的信息集特征。虽然这些特征被发现是有前途的表征乳房X线照片的纹理,我们想设计更高级别的信息集特征,称为普适信息集纹理特征演变的普适信息集的概念,在参考。[27].普适信息集概念:这一概念源于对模糊集的信息集进行编码,以包含直觉模糊集。为此,非隶属函数vx和nn个 隶属函数μx被组合以形成普适成员-Ha=1∑∑{Ixye-(a()Ix3y+b()Ix2y+c()Ixy+d())}(19)船函数(μx+vx),从1减去时给出犹豫方程(19)中的参数现在是变量,而不是如方程(1)中的常数。术语的替换,即a(.)=b(.)=d(.)= 0和c(.)=μxy提供了汉曼变换的公式,由下式给出hx=1- (μx+vx)(25)通过将犹豫度定义为成员函数和非成员函数的幂,犹豫函数可以修改如下:nnHt=1∑∑{Ix ye-(μx yaxy)}(20)k. hx=1-。μk+vk)(26)在1-D的情况下,上述变为然后,变量普适隶属函数被定义为:nMk=μk+vk(二十七)Ht=1∑Ix e-(μxIx)(21)无处不在的信息集只是 a Mk。我们将以汉曼变换的形式表示结构函数,取Ix=τ和μx=S(τ),得到:普适信息集的定义:这涵盖了作为信息源值和普适隶属函数值的乘积的信息值。普遍的会员制是一个整体,τ)修改的隶属函数和非隶属函数的作用,H∑W-1τe-(S(τ)*τMτM(二十二)不仅消除了信息源str=τ=1个值,但也要注意成员的错误选择功能协调发展的这里τM表示τ的最大值;τ在0和1之间变化按照信息集合论的术语,它被设想为信息源值; 被分配了隶属函数,使得它们的乘积(S(τ)τ)表示S(τ)对于τ=1,2女-1(2y=1y=1XXXJ. Dabass等人医学信息学解锁26(2021)1007566G信息价值4.3.1. 基于结构函数的汉曼变换特征提取步骤1将数字乳房X线照片图像划分为尺寸为wX w的窗口步骤2为每个窗口重述。实际意义:普适信息集的概念具有在医学诊断中有很多实际意义。例如,家庭医生对患者的分析是源自隶属函数的信息,而采取专家观点是在外部检测的情况下从非隶属函数发出的信息。家庭医生和专家对疾病性质的看法可能一致,也可能不同。它们不同的情况是我们感兴趣的,因为我们希望成员和非成员职能发挥不同的作用。然而,很难评估非因此,我们利用Sugeno补体(1-μg)/( 1+sμg)或Yager补码(1-μs)1/s。 在这些补语中,s是音阶J. Dabass等人医学信息学解锁26(2021)1007567=()()()()CGzUJ()下一页XY=P-1GMGG+GGμA()+v D()τMx()+vx()普适隶属函数的特征。UJ=UJ-JLτ步骤1评估 的 绝对误差 矢量amid 培训用于获得vg的参数。通过改变s的值,μg可以具有不同的非隶属函数分布。在所提出的工作中,Sugeno补被选择为s 0.5,以实现非隶属函数的apt值。5.1. 基于普适Gabor函数的信息集回想一下Gabor图像{G xy},为了以函数形式表示它,我们取它的直方图,其中p G g vs。其中g是灰度级,并且pG g是灰度级g的概率。如果我们选择一个隶属函数μGg和一个非隶属函数vGg,则很容易表示基于普适Gabor函数的信息集的特征在于:iii) 如果一个隶属函数不能拟合一个特定的分布,那么我们就应该使用非隶属函数。iv) 如果普适信息特征表现出退化的性能,则应丢弃非隶属函数v) 普适隶属度函数只满足并和交性质,不满足补性质。6. 基于Hesitancy的Hanman变换分类器纹理特征向量包括Gabor信息集特征、小波信息集特征、基于结构函数的汉曼变换、普适Gabor、普适小波和基于结构函数的普适信息集特征。特征向量PG ∑g(μpG(g)(g))(28)分为训练集和测试集。可以注意到,分类器被配置用于包含较少训练样本的小数据集。首先,测试一个不熟悉的这里pG(g)作为犹豫度。5.2. 普适小波信息集对乳腺X线片进行分解后,得到两种图像--近似细节图像和合成细节图像。可以注意到,近似细节图像和合成细节图像在频率内容方面不同,因为近似图像包含低频,而合成细节图像包含高频。基于这一事实,我们将隶属函数即μa与近似x的灰度级相关联,而将非隶属函数即vc与合成细节图像相关联。在直方图表示的情况下,我们还可以得到相应图像中灰度级的概率。让pA g和pD g分别是近似图像和细节图像的概率,并且这些被认为是乳房X线照片的类别和已知类别的训练特征向量被认为是可用的。由于该分类器中没有训练,我们直接使用的特征向量,通过归一化,然后计算测试特征向量和训练特征向量之间的绝对误差向量的每一类。因此,这些误差向量包含分类所需的必要信息在分类器的开发中,有五个步骤;首先是在一对绝对误差向量上应用t-范数以获得t-范数误差向量[15],其次是计算其隶属函数向量,第三是利用其旧值的汉曼变换对隶属函数向量和补充隶属函数向量进行升级,第四是使用更新的隶属函数向量和非隶属函数向量计算犹豫函数向量,以及第五是t赋范误差向量和更新的犹豫函数向量的Hanman变换。现在详细解释上述五个步骤。 考虑到t-犹豫 归一化灰度g 考虑两个误差向量的信息范数元素GMp第一步中的g向量。赋t-范的隶属函数向量信息源价值。普适隶属函数为(μaAg()+vpD(g))。使用此,可以如下error预测错误向量与概念的关联程度,比如第二步中的类。用Hanman变换∑g(p gp(g)G在第三步中修改它们的值。 这相当于将(二犹豫的程度作为这些功能的力量的更新值AG CGGM非隶属函数和隶属函数都可以帮助我们计算第四步中的犹豫函数值t-范误差向量5.3. 普适结构-功能信息集由于S(τ)是一个作为τ的函数工作的图,因此被视为一个概率图,其中,属于一个类的所有t-赋范向量中的汉曼变换的最小值被创造为该类的支持向量,因为该向量在边界上,并且所有其他向量在边界内。τM级。 两个类之间的差距是垂直距离当τM是一个独立变量时,源,其值与隶属函数拟合,并创建非隶属函数。给定该假设,基于渗透结构-功能的信息集特征被获得为:在它们的一致支持向量之间我们现在将介绍一个al-在实现分类器时使用了租金∑τ(μSττSτ)(30)6.1. 一种基于犹豫度的汉曼变换分类器其中S第l类的特征向量和测试特征向量,(τ)作为犹豫度。中国(31)普适隶属函数的一些性质或特征如下:其中,U = 1,2. e. 特征向量的数目和J = 1,2,N(i.e. 特征向量的大小)。 另外,g z表示U th培训功能i) 一个信息集包括所有其中的成员函数显示关联的属性值,而普适信息集允许内部和外部代理在属性值中发挥作用ii) 如果信息值被归一化并落在区间第z类的向量。步骤2通过以下步骤从U,M对误差向量中选择第z个0到1,则普适隶属函数包含Ez(J)=T.ez,ez);U=scinM(32)嗯多 信息作为 的 信息 源 价值观的UJMJ是μP ≤Ixy。GPW=PS=J. Dabass等人医学信息学解锁26(2021)1007568其中(x,y)=logP(1+(Px-1)(PY-1)),其中P跨越Frank空间J. Dabass等人医学信息学解锁26(2021)1007569嗯嗯×嗯z()下一页∑E(z)=q-Ez×嗯嗯嗯嗯嗯嗯嗯嗯嗯嗯嗯嗯T范数通常被认为是P= 2。1∑E嗯/的。 )嗯嗯步骤3评估T-范误差向量的隶属函数采用指数函数作为k=1-Nq=1z(q)μz(q)对数μz(q)(四十一)μz(J)=ez(J)(三十三)然后,非隶属函数的新值由下式计算:z (q)new=[kz(q)]k(42)步骤4使用以下命令更新隶属函数和非隶属函数7. 结果和讨论μzq)new=μz (q)e-Ez(q)μz(q)(34)为了评价基于Hesitance的Hanman trans-Um(拉斯嗯嗯z-Ez嗯(q)阿塞拜疆(q)基于信息集纹理特征和普适信息集纹理特征的形式分类器,UM(q)new=UM(q)eUM UM(三十五)使用MIAS数据库[19] 。该数据集包含真实161名患者的内外侧斜(MLO)乳房X线摄影图像。地面实况 由放射科专家给出分类所需的数据集的步骤5使用上述更新值计算犹豫函数:以及数据集。它有两个图像,每个病人保留1024 1024像素与8位灰度级分辨率。此外,拟议工作的成果得到了在以下地区工作的放射科专家团队的验证:z(q)new = 1-μz(q)-甲磺酸(q)(36)超级专科肿瘤医院,帮助我们验证了工作的实际意义。该数据集有208个正常,61个良性和53个恶性乳房X线照片。良性、正常和恶性乳腺X线照片的典型例子如图所示 。3.第三章。步骤6评估T UM z 使用汉曼变换为每个类uti-镀锌N首先,使用基于信息集和普适信息集的纹理特征对322张乳腺X线照片中的276张进行分类,将其分为正常和异常两类。它是通过划分TUMzUMq=1()eUM(J)hz(q)(37)训练与测试的比例为2:1。为了进一步将异常乳房X线照片分类为恶性和良性乳房X线照片,其中Uscin=M,U,M=1,2... R,z = 1,2 C.............................................。步骤7观察每个z的最小值TUM(z),并称之为T(z)。步骤8确定l={T(z)}的下确界,然后将未知类的测试特征标记为第z个用户。6.2. 犹豫度与非隶属函数设k为犹豫度,以k为幂,从旧的犹豫度中因此,我们有:将114个异常乳房X线照片的纹理特征分成2:1的训练与测试比例每个窗口的大小取为6363在试验不同的窗口大小以产生长度为256的特征向量之后。表1提供了基于犹豫的汉曼变换分类器对纹理特征的两类分类所达到的准确度。Gabor信息集特征(Gabor)、小波信息集特征(小波)和基于结构-函数的汉曼变换(结构-函数)特征的分类准确率分别达到98.91%、97.82%和98.91%,而普适结构-函数、普适Gabor和普适小波特征的分类准确率分别达到98.91%、97.82%和98.91 信息 设置 特征 实现 百分百 98.91%,z z98.91% 精度 分别 为 的 异常 和 正常上课z(q)new=[μz(q)]k=μz(q)e-EUM(q)μUM(q)(38)然而,对于异常的进一步子分类,两边取对数,重新排列各项,我们得到log. μz (q))(k-1)=-Ez(q)μz (q)(39)将乳腺图像分为良、恶性两类,小波信息集特征的准确率为97.36%,其他五种特征的准确率为100%。很容易从(39)中计算k:k=1-Ez(q)μz (q)/log g. μz (q))(40)表2同化了所提出的工作与前馈反向传播神经网络[28]的比较,在纹理特征上产生93.90%的准确度,而SVM [29]在纹理特征上产生83.87%的准确度。如果我们想要一个k的平均值,上面的公式可以修改为:形状和纹理特征。与这些方法相比,基于Hesitance的Hanman变换分类器在基于结构-功能的信息集特征上实现了100%的准确率。表3提供了分类N-EϑH嗯μJ. Dabass等人医学信息学解锁26(2021)10075610图三. 具有腺体背景组织的正常乳房X线照片(mini-MIAS数据库,mdb 007)脂肪背景组织上的肿块c)恶性乳腺X线摄影(mdb058),在致密背景组织上存在边界不清的肿块[19]。J. Dabass等人表1医学信息学解锁26(2021)10075611==()===基于Hesitance的Hanman变换分类器在纹理特征上实现的两类分类准确率(百分比)。正常/异常良性/恶性Gabor小波结构-普遍普遍普遍Gabor小波结构普遍普遍普遍功能结构-Gabor小波功能结构-Gabor小波功能功能98.9197.8298.9110098.9198.9110097.36100100100100表2两类分类(正常与异常)的分类准确性的比较评估。表3两类分类(良性与恶性)分类准确性的比较评估。S.参考文献使用的技术S.参考文献使用的技术1 Setiawan AS,Elysia,2015 [28]纹理特征分类使用两层前馈反向传播网络。百分之九十三点九1Rabidas R,Midya A,Chakraborty J.,2018年[30]Fisher百分之九十四点五七2SoulamiKB ,SaidiMN,TamtaouiA. ,2018年[29]基于支持向量机的形状和纹理特征分类。百分之八十三点八七2焦Z,高X, 2017 [31]寄生度量学习网络基于CNN的人工神经百分之九十六点七3基于Hesitance的Hanman变换分类器测试普遍的结构-功能为基础的信息集功能。百分百3 Abdelsamea MM,MohamedMH,Bamatraf M.,2019年[32]特征神经网络在纹理特征中的应用百分之九十五点二在将异常乳房X线照片分类为良性和恶性类别方面达到的准确性。Fisher4Boudraa , Sawsen ,Ahlem Melouah和HFM,2020 [33]基于统计纹理特征的百分之九十六点七二进制模式(LBP)特征和基于邻域结构相似性的特征[30]。寄生度量学习网络和基于人工神经网络的分类器在卷积神经网络特征上的准确率为96.7%[31]。神经网络分类器给出95.2%5基于Hesitancy的 Hanman变换用于基于结构函数的汉曼变换特征分类的百分百关于纹理特征[32]。一个简单的逻辑分类器测试统计纹理为基础的功能提供96.7%的分类准确率[33]。与这些方法相比,基于Hesitance的Hanman变换分类器的性能更好,基于结构函数的Hanman变换特征的准确率为100%。其次,基于信息集和普适信息集的纹理特征被分为良性、正常和恶性。对于这三类分类,将176张乳腺X线照片按3:1的比例分为训练和测试。表4显示了使用基于Hesitancy的Hanman变换分类器对三类分类的纹理特征获得的分类精度。如表4所示,所提出的分类器在Gabor上给出100%的分类准确度,精度准确度被计算为真正标记的类与所有类的集合的比例。灵敏度被认为是正确检测到的阳性类别(TP)与测试阳性类别的分数,而特异性是准确检测到的阴性类别(TN)与健康类别的分数。精确度被测量为真阳性与包括假阳性和真阳性的所有阳性的分数,而召回率量化了数据集中可用的所有阳性类别中正确预测的类别。F-Measure是查准率和查全率的调和平均值。这些性能指标[34]计算如下:普遍 嘉宝, 普遍 结构功能 基于, 和普遍基于结构函数的Hanma
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)