基于紋理特征的超聲圖像乳腺腫塊識(shí)別

李梓龍，呂 勇，譚國平，嚴(yán) 勤

(1.河海大學(xué)計(jì)算機(jī)與信息學(xué)院，江蘇 南京 211100; 2.河海大學(xué)無線通信與智能系統(tǒng)研究所，江蘇 南京 211100)

0 引 言

目前，乳腺癌已經(jīng)成為全世界婦女中常見的疾病[1]。事實(shí)上，正常乳腺如果出現(xiàn)腫塊、鈣化和結(jié)構(gòu)扭曲等狀況，會(huì)有癌變的可能。盡管現(xiàn)在科技很發(fā)達(dá)，有很多疾病可以被治愈，但是乳腺癌的病因還不是很清楚，發(fā)病機(jī)制也非常復(fù)雜，因此，早期發(fā)現(xiàn)乳腺癌對(duì)于提高生存率是非常重要的。近年來，各種成像技術(shù)如超聲成像、X線檢查、MRI等手段用于對(duì)乳腺進(jìn)行早期的檢查[2]。在許多成像技術(shù)中，超聲成像由于成本低、不使用電離輻射以及能夠從多個(gè)平面以高分辨率評(píng)估等優(yōu)點(diǎn)，多年來在乳腺癌檢測(cè)中發(fā)揮著基礎(chǔ)性作用。然而這項(xiàng)技術(shù)在很大程度上依賴于醫(yī)生的臨床經(jīng)驗(yàn)，導(dǎo)致許多普通患者常常需做一些不必要的深入檢查[3]。因此，使用計(jì)算機(jī)輔助檢測(cè)乳腺癌成為研究的熱門[4]。這種輔助檢測(cè)一般用于大規(guī)模篩查，為放射科醫(yī)生預(yù)判影像性質(zhì)提供一個(gè)依據(jù)。目前，有許多研究提出了乳腺超聲圖像中病變?cè)錾b別診斷的方法[5-16]。一方面，一些研究嘗試提取圖像的紋理特征以及乳腺的生物特征，然后使用神經(jīng)網(wǎng)絡(luò)等進(jìn)行識(shí)別分類；另一方面，一些研究使用深度學(xué)習(xí)，將特征提取和識(shí)別分類都交給深度神經(jīng)網(wǎng)絡(luò)，但由于大量的乳腺超聲圖像難以獲得，所以這方面研究較少且以遷移學(xué)習(xí)為主?？偠灾?，這些研究都是在超聲圖像存在乳腺腫塊的基礎(chǔ)上判別其是否癌變。事實(shí)上，大部分的乳腺超聲圖像是不存在乳腺腫塊的，因此單獨(dú)對(duì)乳腺腫塊存在與否進(jìn)行識(shí)別是必要的。近期，Acharya等人[17]設(shè)計(jì)了一種專門判別乳腺腫塊存在與否的方法，使得研究識(shí)別乳腺腫塊的方法具有較高的可行性。本文針對(duì)乳腺超聲圖像小樣本數(shù)據(jù)集，使用人工神經(jīng)網(wǎng)絡(luò)對(duì)提取的圖像紋理特征進(jìn)行乳腺腫塊識(shí)別，實(shí)驗(yàn)效果良好。

1 方 法

本文提出的算法流程如圖1所示。首先對(duì)輸入的原始圖像采用最大響應(yīng)濾波進(jìn)行去噪處理，去除超聲圖像中特有的斑點(diǎn)等噪聲干擾；然后將輸出得到的濾波圖像進(jìn)行特征提取，從而得到其灰度直方圖特征和灰度共生矩陣特征的統(tǒng)計(jì)量；最后將得到的統(tǒng)計(jì)量特征作為輸入訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，并利用此模型完成對(duì)未知乳腺的識(shí)別分類。

圖1 乳腺腫塊識(shí)別方法流程圖

1.1 圖像的預(yù)處理

由于超聲圖像的成像特性，原始乳腺超聲圖像存在許多噪聲干擾如斑點(diǎn)噪聲和混響偽影等[18]，如圖2所示。因此，為了更加準(zhǔn)確地提取出圖像目標(biāo)區(qū)域的紋理特征，需要對(duì)其進(jìn)行進(jìn)一步的去噪增強(qiáng)處理。

圖2 未經(jīng)濾波處理的乳腺圖像目標(biāo)區(qū)域

本文采用最大響應(yīng)濾波器[19]對(duì)所得到的乳腺圖像目標(biāo)區(qū)域進(jìn)行濾波去噪處理。這種濾波器具有旋轉(zhuǎn)不變性且在不同的方向和尺度上提供最大的濾波器響應(yīng)。本文分別對(duì)圖像進(jìn)行了高斯濾波、拉普拉斯濾波和各向異性高斯濾波，在每個(gè)像素點(diǎn)上進(jìn)行比較，取最大響應(yīng)作為此點(diǎn)濾波后的結(jié)果，從而最終得到了整個(gè)圖像的最大濾波響應(yīng)。這樣做的好處是去除了部分噪聲，并且在一定程度上保持了邊緣組織結(jié)構(gòu)的完整性，如圖3所示。

圖3 使用最大響應(yīng)濾波處理后的乳腺圖像目標(biāo)區(qū)域

1.2 圖像的紋理特征提取

在對(duì)目標(biāo)區(qū)域進(jìn)行了濾波處理后，就需要對(duì)所得的濾波圖像進(jìn)行特征提取。本文主要提取圖像的一階、二階紋理特征即圖像的灰度直方圖統(tǒng)計(jì)特征和灰度共生矩陣特征。

圖像的灰度直方圖統(tǒng)計(jì)是對(duì)圖像中灰度級(jí)分布的統(tǒng)計(jì)，將數(shù)字圖像中的所有像素，按照灰度值的大小統(tǒng)計(jì)其出現(xiàn)的頻率，反映了圖像中某種灰度出現(xiàn)的頻率。這種特征主要描述了圖像整體的紋理分布特性。圖像的灰度共生矩陣是由具有某種空間位置關(guān)系的2個(gè)像素聯(lián)合分布構(gòu)成，具體可以看成2個(gè)像素灰度對(duì)的聯(lián)合直方圖。這種特征可以較好地反映局部紋理結(jié)構(gòu)變化。

考慮到本文實(shí)際使用的圖像樣本規(guī)模較小，如果直接將直方圖和灰度共生矩陣組合作為圖像特征，其維數(shù)太多，容易造成過擬合問題。有研究表明灰度共生矩陣的對(duì)比度、相關(guān)性、能量、逆差矩這4個(gè)統(tǒng)計(jì)量互不相關(guān)，便于計(jì)算且能給出較高的分類精度[20]。其中，對(duì)比度主要度量圖像局部亮度變化，反映了圖像的清晰度和局部紋理的溝紋深淺；能量主要度量圖像紋理灰度變化穩(wěn)定程度，反映了圖像灰度分布均勻程度和紋理粗細(xì)度；逆差矩主要度量圖像局部紋理變化，反映了圖像紋理局部變化的大??；相關(guān)性主要度量圖像灰度級(jí)在行或列方向上相似程度，反映了局部灰度相關(guān)性。因此，對(duì)照著灰度共生矩陣，本文從不同的角度選取直方圖的4個(gè)統(tǒng)計(jì)量：均值、標(biāo)準(zhǔn)差、熵、平滑度。其中，均值主要反映圖像整體紋理的亮暗程度；標(biāo)準(zhǔn)差主要反映圖像整體紋理的平均對(duì)比度；熵主要反映圖像紋理所含信息量的大??；平滑度主要反映圖像整體紋理的一致程度。具體而言，本文首先求得圖像的灰度直方圖和灰度共生矩陣，然后分別提取上述這2個(gè)特征的統(tǒng)計(jì)量共計(jì)8個(gè)，最后將這8個(gè)統(tǒng)計(jì)量組合形成一個(gè)8維特征向量，作為圖像最后的總特征。通過提取圖像一階、二階特征代表性較強(qiáng)的統(tǒng)計(jì)量作為圖像總特征，在考慮圖像局部紋理特征的基礎(chǔ)上增加全局的紋理特征，并大大減少了總特征維數(shù)，從而在保證圖像特征信息損失較小的同時(shí)極大程度上降低了過擬合風(fēng)險(xiǎn)。

1.3 圖像的識(shí)別分類

通過上述步驟，本文提取到了乳腺超聲圖像的一階、二階紋理特征共計(jì)8個(gè)，并將它們組合起來，作為圖像的一個(gè)8維特征向量。然后，將此作為輸入訓(xùn)練一個(gè)基于誤差反向傳播(Error Back Propagation)算法的人工神經(jīng)網(wǎng)絡(luò)。本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)是一種由輸入層、隱藏層、輸出層組成的3層前饋網(wǎng)絡(luò)，訓(xùn)練時(shí)通過不斷的誤差反向傳播調(diào)整層內(nèi)參數(shù)，以期使網(wǎng)絡(luò)的實(shí)際輸出值最大程度上逼近期望輸出值。最后通過訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)未知乳腺超聲圖像進(jìn)行識(shí)別分類。具體而言，本文在輸入層中對(duì)紋理特征進(jìn)行歸一化處理，即將特征數(shù)據(jù)歸一到[-1,1]之間，這樣做的好處是可以減少計(jì)算量且加快神經(jīng)網(wǎng)絡(luò)的收斂。在隱藏層中，將歸一后的特征通過全連接的方式連接到隱藏層中的每個(gè)神經(jīng)元，并通過激活函數(shù)得到更深層次的特征值。本文考慮到所提取的各個(gè)特征相差較大，因此選擇效果較好的雙曲正切函數(shù)作為隱藏層的激活函數(shù)，而神經(jīng)元個(gè)數(shù)的選取主要依照公式(1)[21]。

(1)

其中，m是隱藏層的神經(jīng)元數(shù)目，n是輸入的特征向量維數(shù)，l是輸出的個(gè)數(shù)，α是1～10的常數(shù)。

在輸出層中，將隱藏層所得到的特征值通過全連接的方式連接到輸出層的每個(gè)神經(jīng)元中，由于本文的目標(biāo)是識(shí)別出乳腺中存在的腫塊，可以看成將乳腺超聲圖像分類成含腫塊和不含腫塊的二分類問題，因此將輸出層的神經(jīng)元數(shù)定為2個(gè)，分別作為最終圖像可能屬于的類別，并通過softmax函數(shù)將這種結(jié)果映射成概率形式，從而方便判斷。此外，在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型時(shí)對(duì)于模型內(nèi)部參數(shù)的調(diào)整本文采用了trianlm，這種訓(xùn)練算法對(duì)于本文較小規(guī)模的神經(jīng)網(wǎng)絡(luò)來說訓(xùn)練速度最快且模型收斂效果較好。

2 實(shí)驗(yàn)結(jié)果

2.1 實(shí)驗(yàn)樣本

與普通的圖像相比，真實(shí)的帶標(biāo)記超聲圖像一般無法從醫(yī)院大量獲取，因此本文的樣本集規(guī)模較小。具體而言，數(shù)據(jù)樣本集由133幅乳腺超聲圖像組成，其中包括2種不同類型：84幅含腫塊乳腺圖像和49幅正常乳腺圖像。

醫(yī)學(xué)圖像識(shí)別最大的限制在于訓(xùn)練數(shù)據(jù)集的數(shù)量級(jí)很難達(dá)到萬級(jí)。因此，對(duì)于小樣本的訓(xùn)練效果測(cè)試是有必要的。對(duì)于訓(xùn)練樣本與測(cè)試樣本數(shù)量比例的劃分，本文剛開始按照一般訓(xùn)練的規(guī)則：訓(xùn)練集與驗(yàn)證集的比例為3∶1，雖然識(shí)別效果很好(測(cè)試總識(shí)別率可以達(dá)到90%)，但由于總的樣本較小，導(dǎo)致測(cè)試樣本數(shù)量太少，結(jié)論普適性較差。所以嘗試增大測(cè)試樣本比例，在盡可能降低過擬合風(fēng)險(xiǎn)的同時(shí)最大程度保證測(cè)試結(jié)果的普適性，結(jié)果發(fā)現(xiàn)當(dāng)訓(xùn)練集與驗(yàn)證集的比例為1∶1時(shí)，測(cè)試樣本的數(shù)量級(jí)與訓(xùn)練樣本持平，一定程度上提高了結(jié)果的普適性。而且為了防止過擬合現(xiàn)象的發(fā)生，通過不斷地調(diào)參，特征維數(shù)為8、神經(jīng)元數(shù)目為3且神經(jīng)網(wǎng)絡(luò)層數(shù)為3時(shí)識(shí)別效果最好(達(dá)到86.7%)，三者增大或減小識(shí)別效果均會(huì)下降；當(dāng)訓(xùn)練集與驗(yàn)證集的比例為1∶2時(shí)，為了防止過擬合的發(fā)生，一般需要減少訓(xùn)練參數(shù)，但在減少參數(shù)數(shù)目的過程中，識(shí)別結(jié)果都較差(最高只達(dá)到75.5%)。所以這種情況下，雖然測(cè)試樣本比例較大，結(jié)論有更好的普適性，但不管怎樣調(diào)整特征維數(shù)及訓(xùn)練參數(shù)數(shù)目識(shí)別效果都較差，只能通過增大訓(xùn)練樣本提升識(shí)別效果，所以存在過擬合現(xiàn)象。總的來說，使訓(xùn)練集與驗(yàn)證集比例為1∶1，是可以將訓(xùn)練參數(shù)數(shù)目調(diào)整到與特征維數(shù)和訓(xùn)練樣本數(shù)目相匹配，達(dá)到較好的識(shí)別效果，從而避免過擬合現(xiàn)象的，而且也增大了測(cè)試樣本比例，提升了結(jié)論的普適性。具體而言，選取了73個(gè)作為訓(xùn)練樣本(正常乳腺29個(gè)，含腫塊乳腺44個(gè))，剩余60個(gè)作為測(cè)試樣本(正常乳腺20個(gè)，含腫塊乳腺40個(gè))，在此基礎(chǔ)上與使用其他濾波處理和分類器進(jìn)行性能對(duì)比分析。

2.2 實(shí)驗(yàn)結(jié)果對(duì)比與分析

所有測(cè)試過程均在Matlab R2018a平臺(tái)上實(shí)現(xiàn)。測(cè)試過程中，在濾波處理方面，主要選取了巴特沃斯高通濾波器[22]、巴特沃斯低通濾波器[22]、加權(quán)核范數(shù)最小化濾波器[23]與本方案的最大響應(yīng)濾波器進(jìn)行對(duì)比測(cè)試；在紋理特征方面，測(cè)試不同維數(shù)特征向量(從一階、二階紋理特征統(tǒng)計(jì)量選取)的影響；在分類器的使用上，主要選取了高斯混合模型、支持向量機(jī)與人工神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行對(duì)比測(cè)試。

表1、表2分別展示了最大響應(yīng)濾波處理前后人工神經(jīng)網(wǎng)絡(luò)隱藏層的神經(jīng)元數(shù)目對(duì)識(shí)別率的影響。表中的神經(jīng)元個(gè)數(shù)均依照公式(1)選取，8維特征為一階、二階特征的8個(gè)統(tǒng)計(jì)量，4維特征為一階特征的4個(gè)統(tǒng)計(jì)量，識(shí)別率均為60個(gè)測(cè)試樣本中識(shí)別的正確率?？梢钥闯?，在不進(jìn)行任何去噪增強(qiáng)處理情況下，人工神經(jīng)網(wǎng)絡(luò)分類在8維特征、4神經(jīng)元時(shí)效果最好，之后由于過擬合問題其識(shí)別率隨著神經(jīng)元數(shù)目的增大而下降，并且對(duì)于特征方面來說，一階、二階紋理特征組合的識(shí)別率高于一階紋理特征，說明增加這種反映局部紋理差異的特征對(duì)人工神經(jīng)網(wǎng)絡(luò)的分類性能有一定的提升；在使用最大響應(yīng)濾波處理后，人工神經(jīng)網(wǎng)絡(luò)在8維特征、3神經(jīng)元時(shí)識(shí)別率最高，較之濾波前神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)有所減少，在節(jié)約了一定的網(wǎng)絡(luò)訓(xùn)練時(shí)間的同時(shí)改善了識(shí)別效果，而4維特征時(shí)的識(shí)別率較之濾波前有明顯的下降，說明對(duì)于人工神經(jīng)網(wǎng)絡(luò)而言最大響應(yīng)濾波處理更傾向于改善具有更多種類特征的識(shí)別效果?？傮w而言，本文使用濾波處理后對(duì)于人工神經(jīng)網(wǎng)絡(luò)識(shí)別乳腺腫塊效果有一定的改善。

表1 不使用任何濾波處理的不同特征維數(shù)下人工神經(jīng)網(wǎng)絡(luò)分類識(shí)別率與隱藏層神經(jīng)元數(shù)目關(guān)系 單位：%

表2 使用最大響應(yīng)濾波器的不同特征維數(shù)下人工神經(jīng)網(wǎng)絡(luò)分類識(shí)別率與隱藏層神經(jīng)元數(shù)目關(guān)系 單位：%

表3、表4展示了在進(jìn)行最大響應(yīng)濾波處理下高斯混合模型與支持向量機(jī)各自主要參數(shù)對(duì)識(shí)別率的影響。表中的2維特征為一階特征的熵和二階特征的逆差矩，4維特征為一階特征的熵、平滑度和二階特征的逆差矩、相關(guān)性，6維特征為一階特征的標(biāo)準(zhǔn)差、熵、平滑度和二階特征的能量、逆差矩、相關(guān)性，8維特征為一階、二階特征的8個(gè)統(tǒng)計(jì)量。可以看出，高斯混合模型在8維特征、3高斯混合數(shù)時(shí)識(shí)別率最高，然后由于過擬合問題識(shí)別率隨著混合數(shù)的增加而降低，并且隨著特征種類的減少識(shí)別率整體上呈下降趨勢(shì)；支持向量機(jī)在使用sigmoid核函數(shù)時(shí)2、4、6特征維數(shù)的識(shí)別率均達(dá)到最高，但整體上較之人工神經(jīng)網(wǎng)絡(luò)和高斯混合模型識(shí)別率有一定的降低。分析上述實(shí)驗(yàn)結(jié)果可知，相較于支持向量機(jī)這種通過尋找最優(yōu)線平面來分類的分類器，人工神經(jīng)網(wǎng)絡(luò)和高斯混合模型這種通過深度訓(xùn)練多層參數(shù)來逼近正確類別的分類器對(duì)于將一階、二階紋理特征統(tǒng)計(jì)量作為乳腺腫塊特征的小規(guī)模乳腺超聲圖像數(shù)據(jù)集有著更好的識(shí)別效果，且對(duì)于后者，一階、二階紋理特征統(tǒng)計(jì)量的結(jié)合整體上對(duì)于乳腺腫塊的識(shí)別效果有一定的改善。

表3 使用最大響應(yīng)濾波器的不同特征維數(shù)下高斯混合模型分類識(shí)別率與高斯混合數(shù)目關(guān)系 單位：%

表4 使用最大響應(yīng)濾波器的不同特征維數(shù)下支持向量機(jī)分類識(shí)別率與不同核函數(shù)關(guān)系 單位：%

表5進(jìn)一步展示了使用最大響應(yīng)濾波器后人工神經(jīng)網(wǎng)絡(luò)、高斯混合模型與支持向量機(jī)分類器能達(dá)到的最好識(shí)別性能指標(biāo)。其中，敏感度為對(duì)于測(cè)試樣本中含腫塊乳腺識(shí)別的正確率，反映了方法對(duì)于乳腺腫塊的識(shí)別效果；特異度為對(duì)于測(cè)試樣本中正常乳腺識(shí)別的正確率，反映了方法對(duì)于正常腫塊的識(shí)別效果?？梢钥闯?，對(duì)于識(shí)別率，人工神經(jīng)網(wǎng)絡(luò)分類器效果最好，達(dá)到86.7%；對(duì)于敏感度，高斯混合模型分類器效果最好，達(dá)到97.5%；對(duì)于特異度，人工神經(jīng)網(wǎng)絡(luò)分類器效果最好，達(dá)到80%。綜合來看，在分類器方面，本文使用人工神經(jīng)網(wǎng)絡(luò)對(duì)乳腺腫塊的整體識(shí)別性能有一定的提升。

表5 使用最大響應(yīng)濾波器下各分類器最高識(shí)別性能對(duì)比

根據(jù)上述得到的實(shí)驗(yàn)結(jié)果與分析，可知在加入濾波預(yù)處理操作后，提取乳腺超聲圖像的8維一階、二階紋理特征且使用人工神經(jīng)網(wǎng)絡(luò)分類器對(duì)于乳腺腫塊識(shí)別效果較好，且較之預(yù)處理前有一定的提升。因此，本文在提取圖像8維紋理特征并使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分類的前提下，嘗試不同濾波器進(jìn)行預(yù)處理，并對(duì)其識(shí)別效果進(jìn)行對(duì)比。對(duì)于進(jìn)行對(duì)比的濾波器選取，本文主要依據(jù)濾波目的的2個(gè)方面：去除噪聲和邊緣結(jié)構(gòu)增強(qiáng)，且這2方面是相互制約的。在實(shí)驗(yàn)中，主要使用峰值信噪比(Peak Signal-to-noise Ratio, PSNR)和結(jié)構(gòu)相似性(Structural Similarity Index, SSIM)[24]這2個(gè)評(píng)判指標(biāo)分別對(duì)所選濾波器的去除噪聲和邊緣結(jié)構(gòu)增強(qiáng)能力進(jìn)行量化對(duì)比。其中，PSNR值越大，說明濾波器去噪能力越強(qiáng)；SSIM值越大，說明濾波器保存的組織結(jié)構(gòu)信息越完整，具體公式如下：

(2)

其中，X、Y為濾波前、后的2幅M×N的圖像，xij和yij分別為圖像X和Y中第i行、第j列的像素值。

(3)

其中，x、y為濾波前、后2幅圖像中分割的圖像塊，μx、μy分別為x、y的均值，σx、σy分別為x、y的標(biāo)準(zhǔn)差，σxy為x、y的協(xié)方差，c1和c2是避免分母為0的2個(gè)常數(shù)。

對(duì)于完整的圖像X、Y，一般用Mean Structural Similarity Index(MSSIM)值評(píng)價(jià)圖像整體的結(jié)構(gòu)相似性。一般來說，MSSIM值的范圍在[-1,1]之間，當(dāng)值為0時(shí)，說明2幅圖的結(jié)構(gòu)沒有任何聯(lián)系；當(dāng)值越趨于1，說明2幅圖的結(jié)構(gòu)越相似，具體公式如下：

(4)

其中，X、Y是濾波前、后的2幅圖像，num是圖像的總圖像塊數(shù)，SSIM(xi，yi)是第i塊圖像塊的SSIM值。

本文用巴特沃斯低通濾波器濾除圖像中的高斯白噪聲，用巴特沃斯高通濾波器增強(qiáng)圖像的邊緣和區(qū)域間對(duì)比度。此外，本文還選擇了與最大響應(yīng)濾波器目的相同的加權(quán)核范數(shù)最小化濾波器，即犧牲一定噪聲抑制能力而保持邊緣組織結(jié)構(gòu)。表6、表7分別展示了所選濾波器去噪增強(qiáng)能力的量化值及使用后的識(shí)別性能?？梢钥闯?，就單純地去噪或邊緣結(jié)構(gòu)增強(qiáng)而言，兩者對(duì)增生乳腺超聲圖像的識(shí)別效果差異很小，而在處理時(shí)對(duì)這兩者進(jìn)行一個(gè)均衡能使識(shí)別效果得到進(jìn)一步的提升。在識(shí)別性能上，加權(quán)核范數(shù)最小化濾波器相較于本文所使用的最大響應(yīng)濾波器有一定的提升，但其處理的時(shí)間卻遠(yuǎn)遠(yuǎn)高于最大響應(yīng)濾波器。一般來說，對(duì)于處理一張乳腺超聲圖像，最大響應(yīng)濾波器的時(shí)間復(fù)雜度為O(n)，加權(quán)核范數(shù)最小化濾波器的時(shí)間復(fù)雜度為O(n4)。在實(shí)際的測(cè)試中，最大響應(yīng)濾波器平均處理每張圖需要花費(fèi)1 s，而加權(quán)核范數(shù)最小化濾波器則需要4 min。

根據(jù)上述一系列的對(duì)比試驗(yàn)可知，本文使用最大響應(yīng)濾波器進(jìn)行預(yù)處理，然后提取圖像8維特征向量，最后使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類，在節(jié)約了大量識(shí)別時(shí)間的同時(shí)提升了乳腺腫塊的識(shí)別性能。

表6 各濾波器去噪增強(qiáng)能力指標(biāo)比較

表7 進(jìn)行不同濾波處理的識(shí)別性能

3 結(jié)束語

本文提出了一種基于紋理特征提取的乳腺腫塊超聲圖像識(shí)別方法。從處理整體圖像的角度出發(fā)，不用考慮結(jié)節(jié)分割技術(shù)，從而減少了算法的復(fù)雜度。濾波處理方面，使用最大響應(yīng)濾波器，將總的識(shí)別率提升到86.7%，敏感度可達(dá)到90%，特異度達(dá)到80%，增加了分類的精度,且較之效果更好的濾波方法，算法時(shí)間復(fù)雜度從O(n4)降為O(n)。測(cè)試時(shí)，為了適應(yīng)乳腺超聲圖像難以大規(guī)模獲得的特點(diǎn)，將訓(xùn)練樣本和測(cè)試樣本數(shù)量比例調(diào)為1∶1，并做了一系列的橫向、縱向?qū)嶒?yàn)對(duì)比，以測(cè)試所提方法對(duì)于較小規(guī)模樣本識(shí)別的效果。實(shí)驗(yàn)結(jié)果表明：1)對(duì)于較小規(guī)模樣本的訓(xùn)練識(shí)別，在提取圖像簡(jiǎn)單的一階、二階紋理特征統(tǒng)計(jì)量并使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別前，如果能對(duì)目標(biāo)圖像進(jìn)行很好的增強(qiáng)去噪處理，其識(shí)別性能得到較好的提升；2)對(duì)乳腺超聲圖像做是否有腫塊的識(shí)別是可行且效果良好的，能夠?yàn)槿橄侔┳儥z測(cè)算法提供一個(gè)前提的數(shù)據(jù)篩選參考。