文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.190314
中文引用格式： 聶雄，陳華，伍思霖. 基于灰度共生矩陣和BP神經網絡的乳腺腫瘤識別[J].電子技術應用，2019，45(7)：97-101，116.
英文引用格式： Nie Xiong，Chen Hua，Wu Silin. Recognition of breast tumor based on gray level co-occurrence matrix and BP neural network[J]. Application of Electronic Technique，2019，45(7)：97-101，116.
0 引言
乳腺腫瘤是女性病發率極高的一種腫瘤疾病，但也是一種可以通過早期確診，提早治療，從而降低病死率的一種疾病。現有乳腺檢查運用的手段是以鉬靶、超聲為主，其識別率普遍低于75%,這種檢查方法都有自己的局部優勢，但也受到了一定局限[1-4]，如：鉬靶對鈣化敏感，但對東方女性的腺體型乳腺層次分辨不夠，有射線，屬有創檢查，不宜做體檢篩查使用。超聲對囊性和實性的占位反映敏感，但對醫生技術水平要求較高，檢查速度較慢，不宜大規模體檢篩查使用。核磁共振(MRI)檢查方式雖然準確度可以達到90%以上[5]，但其成本高，設備復雜，農村醫院及一些小型醫院沒有配備。近年來，基于紅外圖像的乳腺腫瘤診斷逐漸成為學者研究的熱點[6-8]。
本文提出基于紅外成像技術，通過灰度共生矩陣提取乳腺等灰度曲線圖像的紋理特征，通過BP神經網絡進行分類，實現乳腺腫瘤計算機診斷識別的算法。具體過程為：首先通過紅外乳腺透像儀獲取乳腺紅外圖像，然后將乳腺圖像均勻分塊，并劃分為病變區域和正常區域，通過分析不同的紋理特征，并找出能有效區分出病變區域和正常區域的特征值，統計好數據作為樣本數據，然后通過將訓練樣本數據導入BP神經網絡之中進行訓練，使該BP神經網絡具有組織分類的功能，能有效地將病變區域識別出來。
1 乳腺圖像預處理
乳腺紅外圖像的預處理包括圖像平滑、等灰度曲線處理、圖像增強等操作。
1.1 高斯平滑
高斯濾波是對圖像進行去噪處理的有效方法。從圖1中可以看出，經過高斯平滑處理后的乳腺圖像，明顯較之前柔和，沒有明顯的噪點，突出圖像的邊緣效果，消除噪聲的干擾影響。
1.2 灰度曲線處理
由于乳腺腫瘤組織呈浸潤性生長，在發生病變的乳腺中，腫瘤以及周邊血管的紋理包絡都會呈現不規則的狀態，并反映了病變區的邊緣特征。為了突出病變區域的包絡紋理特征，需將近紅外圖像轉化為等灰度曲線圖像，這一轉變可以通過Sobel算子與圖像的每一個點進行卷積實現[8-10]。
Sobel算子包括兩組3×3的矩陣，A1表示垂直，A2表示水平。將它和原圖像作平面卷積，即可分別得出垂直及水平的亮度差分近似值。
圖2(b)是利用上述方法將近紅外乳腺圖像轉化而成的等灰度曲線圖像，可以看出病變區域灰度曲線包絡紋理不均勻，為病變部位。
1.3 圖像增強
在圖像處理中，為了突出目標區域，需要對圖像進行圖像增強。直方圖均衡化是圖像處理領域中利用圖像直方圖對對比度進行調整的方法。這種方法通常用來增加許多圖像的局部對比度，尤其是當圖像的有用數據的對比度相當接近的時候。通過這種方法，亮度可以更好地在直方圖上分布。
由于乳房邊緣區域的包絡紋理會對實驗造成誤判的影響，在此只截取乳腺圖像較為中心的區域作為研究。圖像增強處理如圖3所示。
經過圖像增強后的等灰度曲線圖像紋理更加清晰明顯，病變區域的邊緣包絡紋理也更為突出。
2 建立灰度共生矩陣提取紋理特征
2.1 建立灰度共生矩陣原理
紋理是組成圖像的色調基元空間匯總相互作用的一種依賴于尺度效應的現象，它反映了圖像灰度值分布的某種規律。灰度共生矩陣(CLCM)因為其簡單有效的優點被廣泛應用于紋理特征提取研究[11-13]。本文中選取了能量、對比度、相關性、熵、逆差距共5個參數作為乳腺圖像的特征值[11]。
2.2 灰度級量化
由于灰度共生矩陣反映了兩個不同位置的像素的聯合概率分布，當原圖像灰度級為0~255時，灰度共生矩陣的大小為256×256，計算時間比較長，實際應用中，將圖像灰度等級降為16級，對應灰度共生矩陣的灰度級設為16，并對等灰度曲線圖像進行直方圖均衡化處理。
2.3 提取特征數據
在對乳腺腫瘤樣本圖像提取紋理特征之后，得到了關于能量、對比度、相關性、熵、逆差距這5個特征值的大量數據，對這些數據進行分析，研究它們的變化趨勢。以圖4病變乳腺圖像為例進行特征提取。
圖4的圖像中分割為16個圖像子塊，并按從左到右、從上到下順序命名為m1~m16。利用文獻[11]的式(3-6)~式(3-8)以及式(3-10)、式(3-12)計算出每個圖像子塊對應的能量、對比度、相關性、熵、逆差距5個特征值的均值(如表1所示)和特征值的標準差(如表2所示)。類別有2個取值，其中1表示正常區域，2表示病變區域。
2.4 特征值數據分析
通過以上數據可以觀察到：病變區域的能量值均值總體偏小，標準差總體偏小，反映的是病變區域灰度共生矩陣元素不集中，紋理較粗；病變區域的熵均值總體偏大，標準差總體偏小，反映的是病變區域灰度共生矩陣元素分散分布；病變區域的對比度均值總體偏小，標準差總體偏小，反映的是病變區域效果模糊，灰度差小；病變區域的相關性均值總體偏大，標準差總體偏小，反映的是病變區域灰度共生矩陣元素值相差大；病變區域的逆差矩均值總體偏小，標準差總體偏小，反映的是病變區域變化多，局部不均勻。
上述規律表明灰度共生矩陣提取出的紋理特征值可以作為區分乳腺病變區域和正常區域的依據。
3 建立BP神經網絡
3.1 BP神經網絡
BP（Back Propagation）神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡。圖5為BP神經網絡基本結構圖。
一般BP神經網絡會抽取具有某種變化規律的樣本特征參數，通過樣本訓練建立對樣本的記憶信息，然后將未知樣本作為BP神經網絡的輸出，通過BP神經網絡識別該樣本所屬類別[14-17]。
通過不斷調整權值和閾值，可以使BP神經網絡越來越逼近理想模型。
3.2 確定BP神經網絡參數
BP神經網絡的輸入層個數由樣本數據種類確定，輸出層個數由分類的個數確定。紅外乳腺腫瘤BP神經網絡采用了能量、對比度、相關性、熵、逆差距這5個特征值4個方向的平均值和方差作為輸入，其輸入層節點數應該為10個；輸出層節點數確定為2個：病變區域、正常區域。隱藏層節點數，則由試湊法得出。最終確定的BP神經網絡結構圖如圖6所示。
3.3 BP神經網絡的創建
在提取了等灰度曲線圖像的5個特征值后，就可以創建BP神經網絡。圖7為BP神經網絡算法流程示意圖。
本文建立的BP神經網絡是一個10輸入、2輸出的神經網絡，其中輸出1表示該區域為正常區域或干擾區域，輸出2表示該區域為病變區域。根據訓練樣本數據和訓練樣本輸出送入BP神經網絡中訓練，不斷地調整輸入層和隱藏層之間的權值，隱藏層和輸出層之間的閾值，使BP神經網絡的模型不斷逼近最優解。
3.4 BP神經網絡的訓練
在MATLAB中，神經網絡進行訓練的步驟為：
(1)設置生成的網絡對象；
(2)調用train函數對網絡進行訓練：
①從訓練集中取出訓練樣本，將數據輸入神經網絡中；
②通過各節點的連接情況正向逐層處理后，得到神經網絡的實際輸出；
③計算網絡實際輸出與期望輸出的誤差；
④將誤差逐層反向回傳至之前各層，并按一定原則將誤差信號加載到連接權上，使整個神經網絡的連接權值向誤差減少的方向轉化；
⑤對訓練集中每一個輸入輸出樣本對重復以上步驟，直到整個訓練集的誤差減小到符合要求位置。
3.5 BP神經網絡的測試
在完成BP網絡訓練之后，將待測圖片的紋理特征數據以矩陣形式讀入MATLAB中，BP神經網絡就能根據訓練好的映射關系給出每一個子塊相應的輸出，輸出1為正常區域，輸出2為病變區域，具體流程如圖8所示。
由于每一個BP神經網絡都要結合自身的實際，特別是輸入層和輸出層，輸入層的個數主要是由特征值的個數決定的，輸出層個數則由需要分類的個數決定。將等灰度曲線圖像中提取出來的5個紋理特征值的均值以及標準差作為輸入，輸出則定義了一個輸出層，如果輸出為1，則為正常區域；輸出如果為2，則為病變區域。
4 實驗結果與分析
4.1 實驗方案
假設Cn為訓練樣本正常圖片數，Cc為訓練樣本腫瘤圖片數，Tn為測試樣本正常圖片數，Tc為測試樣本腫瘤圖片數。實驗步驟如下：
(1)準備200張乳腺紅外圖像作為實驗樣本圖像，其中正常乳腺的紅外圖像為100張，患者乳腺的紅外圖像為100張，實驗時，根據需要將所有圖像按不同比例分為訓練樣本集和測試樣本集，如表3所示，每種樣本比例重復訓練和測試20次。
(2)對樣本圖像進行分塊，并分別提取其對應的能量、對比度、相關性、熵、逆差距5個特征值的均值和特征值的標準差，保存為特征數據庫文件，并對每個分塊的類別進行標注，正常塊（區域）標注為1，病變塊（區域）標注為2。
(3)抽取不同比例的圖像對應的特征數據作為訓練樣本數據集，導入到已經創建好的BP神經網絡進行訓練。
(4)除測試樣本集以外的其他圖像作為測試樣本，將測試樣本集對應的特征數據導入到經過訓練后的BP神經網絡進行測試。
(5)記錄BP神經網絡的輸出結果，每種樣本比例重復測試30次，實驗結果如圖9所示，不同訓練樣本比例條件下的平均識別率記錄在表3中。
4.2 結果分析
從圖9和表3的數據分析，不同樣本比例條件下，乳腺腫瘤的正確識別率有所差別，其中第4、5、6組對應的樣本比例訓練效果較好，識別率可達80%以上。本方法具有成本低、便攜的特點。
5 結論
實驗結果表明，本文所采用的灰度共生矩陣結合BP神經網絡的乳腺腫瘤圖像識別方法對乳腺腫瘤病變區域具有較為良好的識別效果，可提高乳腺腫瘤早期的診斷率。
參考文獻
[1] 陳麗君，黃崇權.不同影像學方法對乳腺癌診斷價值的比較[J].中國婦幼健康研究，2018，29(8)：1031-1035.
[2] 杜睿，薛玉.超聲造影及彈性成像技術在乳腺腫瘤診斷的現狀與進展[J].醫學研究生學報，2013，26(4)：435-437.
[3] Wang Cong，Yang Guang，Wang Hui.Diagnostic accuracy of real-time tissue elastography for breast cancer:a metaanalysis[J].Oncology and Translational Medicine，2016，2(1)：21-25.
[4] 林其忠，余建國，趙暖，等.乳腺腫瘤超聲圖像的特征分析[J].儀器儀表學報，2006(S1)：744-746，752.
[5] 鄭樺，符孔.MRI擴散峰度成像對乳腺病變性質的鑒別診斷[J].青島大學學報(醫學版)，2018，54(6)：652-655.
[6] 薛雯，楊柳茵，范麗，等.超微血管成像技術鑒別乳腺良惡性病變[J].中國醫學影像技術，2019，35(1)：77-81.
[7] 朱曉娟，趙華，徐祎，等.乳腺纖維瘤病臨床病理分析[J].臨床與實驗病理學雜志，2019(1)：93-95.
[8] 王亞麗，王金星，陳龍舟，等.三算子及血氧功能成像系統在乳腺癌診斷中的應用[J].中國微創外科雜志，2014(5)：417-419.
[9] 胡徐怡，王超，厲丹.基于改進Sobel算子的邊緣檢測算法研究[J].福建電腦，2018，34(9)：13-15.
[10] 凌軍，宋啟祥，房愛東，等.基于局部熵的邊緣檢測算子選擇算法[J].南京理工大學學報，2018，42(4)：424-429.
[11] 謝菲.圖像紋理特征的提取和圖像分類系統研究及實現[D].成都：電子科技大學，2009.
[12] 汪友明，張菡玫，湯少杰.數字乳腺層析圖像紋理特征聯合提取與識別[J].西安郵電大學學報，2018，23(3)：65-68.
[13] 焦蓬蓬，郭依正.灰度共生矩陣紋理特征提取的Matlab實現[J].計算機技術與發展，2012，22(11)：169-171，175.
[14] 趙景波，趙德安，蔣春彬.基于神經網絡的電子鼻肺癌早期診斷系統[J].電子技術應用，2006，32(7)：8-10.
[15] 劉標，周曉軍.解讀2012年WHO乳腺腫瘤分類[J].臨床與實驗病理學雜志，2012，28(11)：1185-1187.
[16] 周進凡，張榮芬，馬治楠，等.基于深度學習的胸部X光影像分析系統[J].電子技術應用，2018，44(11)：29-32.
[17] 王波，杜曉昕，金梅.LVQ神經網絡在乳腺腫瘤診斷中的應用[J].計算機仿真，2012，29(8)：171-174.
作者信息:
聶 雄1，2，陳 華1，2，伍思霖1
(1.廣西大學 計算機與電子信息學院，廣西 南寧530004；2.廣西多媒體通信與網絡技術重點實驗室，廣西 南寧530004)