基于MFOA-SVM算法的乳腺肿瘤识别

针对乳腺肿瘤良恶性二值分类的特点,提出了一种基于修正的果蝇优化算法和支持向量机(MFOASVM)的乳腺肿瘤识别方法.为提高SVM分类器的泛化性能,将MFOA算法引入SVM,进而优化SVM中的惩罚参数和核函数参数.为了综合评估提出算法的有效性,在威斯康新诊断乳腺癌(Wisconsin diagnostic breast cancer,WDBC)数据集进行了实验对比分析.实验结果表明:MFOA-SVM与BP,LVQ及PSO-SVM 3种方法相比,其分类准确性和稳定性显著提高.

TA2NN:一种基于自编码的B超乳腺肿瘤识别神经网络模型

B超是临床常用于检测乳腺的诊断方式之一,但由于本身自带斑纹噪声以及图像对比度低等造影缺陷,医生难以准确地判断肿瘤的良恶性。基于单幅B超图像的乳腺肿瘤良恶性识别能在临床上辅助医生进行诊断。传统方法从原始灰度图中手工提取出灰度、形态及纹理特征,并采用SVM等浅层学习分类器进行识别。在自然图像处理中取得很好效果的VGG16、Inception v3等已有的卷积神经网络模型难以适用于具备小样本特性的医学图像。其次,多次卷积及下采样操作,使得原始图像中的低维特征丢失,降低了识别准确率。因此,提出一种新的神经网络模型TA2NN。TA2NN将B超图像的单一输入转化为2个输入分流,分别为包含肿瘤内部信息的中心窗口图像的输入流以及一副进行2倍下采样的原始图像输入流,并采用预训练的降噪自编码器从输入图像中提取低维与高维特征。经过实验表明,该神经网络能有效提升识别准确率,并且对带有较大噪声的样本具有一定的鲁棒性。