سرطان الثدي هو ارتفاع نسبة مرض النساء، وهو مرض الورم، وإنما هو أيضا وسيلة من خلال التشخيص المبكر والعلاج المبكر، مما يقلل من وفيات مرض. وسائل فحص الثدي الحالية تقوم على استخدام التصوير الشعاعي للثدي، القائم على الموجات فوق الصوتية، ومعدل الاعتراف بها هو عموما أقل من 75، وهذه الطريقة فحص مزاياه الخاصة المحلية، ولكن أيضا تخضع لقيود معينة ، مثل: حساسية التصوير الشعاعي للثدي للتكلس، ولكن الغدد الثديية من الإناث مستوى قرار الشرقية ليست كافية، وهناك أشعة، هو الغازية، لا تستخدم الفحص الطبي. الموجات فوق الصوتية تعكس الطبيعة الحساسة للكتلة الكيسي والصلبة، ولكن على مستوى أعلى من المتطلبات الفنية للأطباء لفحص أبطأ، لا ينبغي أن يكون الفحص الطبي استخدام على نطاق واسع. المغناطيسي النهج التصوير بالرنين (MRI)، في حين أن دقة يمكن أن تصل إلى 90 ، ولكنها ليست مجهزة التكلفة العالية، ومعدات معقدة، وبعض مستشفياتها الصغيرة والمستشفيات الريفية. في السنوات الأخيرة، أصبح تشخيص سرطان الثدي استنادا إلى صورة الأشعة تحت الحمراء وباحثين ساخنة .

في هذه الورقة، على أساس تكنولوجيا التصوير بالأشعة تحت الحمراء، عن طريق استخراج نسيج يتميز من صورة تدرج منحنى الغدة الثديية، من خلال تصنيف وتحديد ورم الثدي خوارزمية الكمبيوتر التشخيص. هو عملية محددة: الحصول أولا عن طريق الأشعة تحت الحمراء عدسة الكاميرا الثدي الثدي بالأشعة تحت الحمراء صورة، التوحيد الصورة وكتلة الثدي، وينقسم إلى منطقة طبيعية ومنطقة الآفة من خلال تحليل خصائص نسيج مختلف، ويمكن التعرف على نحو فعال والتمييز بين منطقة الآفة القيمة الذاتية المنطقة العادية، والبيانات الإحصائية جيدة كما يتم تدريب نموذج البيانات وبيانات التدريب في BP من خلال تقديم الشبكة العصبية، حتى أن الشبكة العصبية لديه وظيفة من تصنيف الأنسجة BP، يمكن تحديدها بشكل فعال منطقة الآفة.

1 المعالجة المسبقة التصوير الشعاعي للثدي

الثدي صورة بالأشعة تحت الحمراء وتجهيزها بما في ذلك تجانس الصورة، وغيرها من معالجة منحنى تدرج، وعمليات تحسين الصورة.

1.1 تمهيد جاوس

مرشح جاوس هو وسيلة فعالة لتقليل الضوضاء صورة. وكما يتبين من الشكل 1، صورة الثدي من خلال عملية التمويه تجانس، بشكل ملحوظ أكثر ليونة من قبل، ليس هناك ضجيج كبير، وأثر حافة إسقاط صورة القضاء على التدخل الضوضاء.

1.2 معالجة منحنى تدرج

منذ نمو الورم الغازية الثدي، وحدوث آفات الثدي والأورام والأوعية الدموية الطرفية نسيج حزمة شبكة سوف تظهر دولة غير النظامية، ويعكس سمة حافة الآفة. لتسليط الضوء على ميزات نسيج من منطقة الآفة من المغلف، ليكون بالقرب من صور الأشعة تحت الحمراء في آخر منحنى صورة تدرج، يمكن أن يحسب هذا التحول لكل نقطة صورة الإلتواء الفرعي سوبل .

مجموعات المشغل سوبل تضم مصفوفة 3 3، A1 يمثل عمودي، A2 يمثل مستوى. ، ويمكن الحصول عليها والطائرة الصورة الأصلية للالتفاف الرأسي والأفقي على التوالي الفرق الإنارة التقريب.

FIG 2 (ب) هو تصوير الثدي القريب من الأشعة تحت الحمراء مثل منحنى تدرج التي تم الحصول عليها عن طريق تحويل الصورة باستخدام الأسلوب أعلاه، ومنطقة الآفة يمكن أن ينظر إلى أن منحنى تدرج مادة الظرف غير المتكافئ للالآفة.

1.3 تحسين الصور

في معالجة الصور، وذلك لتسليط الضوء على المنطقة المستهدفة، والحاجة إلى صورة تحسين الصورة. الرسم البياني المعادلة هي طريقة لاستخدام حقل صورة لمعالجة الصور لتعديل الرسم البياني المقابل. وعادة ما تستخدم هذه الطريقة لزيادة التباين المحلي لعدد من الصور، وخاصة عندما يكون التباين من بيانات الصورة هو مفيد في وقت قريب إلى حد ما. وبهذه الطريقة، وسطوع يمكن توزيعها بشكل أفضل على الرسم البياني.

منذ المغلف سيختبر نسيج من منطقة حافة الثدي المصاب سوء التقدير المنطقة أكثر المركزية للصورة الثدي اتخذت هنا فقط عن البحوث. تجهيز تحسين الصورة كما هو مبين في الشكل.

بعد الملمس الصور مثل منحنى تدرج بشكل أكثر وضوحا واضح تحسين الصورة، حافة المغلف للمنطقة الملمس الآفة أكثر وضوحا.

2 إنشاء نسيج ميزة استخراج GLCM

2.1 إنشاء مبدأ شارك في حدوث مصفوفة الرمادي

يتكون نسيج الفضاء من الأوليات صورة لهجة ظاهرة التفاعل تجميعها يعتمد على تأثير الحجم، والتي تعكس قاعدة توزيع كثافة الصورة. GLCM (CLCM) بسبب مزاياه بسيطة وفعالة وتستخدم على نطاق واسع في الدراسات استخراج ميزة الملمس . الورق المحدد الطاقة، وعلى النقيض، والارتباط، الكون، معكوس مجموعه مختلفة من خمسة المعلمات حيث بلغت قيمة مميزة التصوير الشعاعي للثدي .

2.2 تكميم مقياس الرمادية

منذ GLCM التوزيع الاحتمالي المشترك للبكسل يعكس موقعين مختلفين، عندما يكون مستوى صورة تدرج الأصلي 0-255، وحجم GLCM هو 256 256، ووقت الحساب طويل نسبيا، والتطبيق العملي، يتم تعريف انخفاض مستوى الصورة الرمادية 16 الموافق الرمادية المصفوفة مستوى شارك في حدوث إلى 16 تدرج، منحنى تدرج وغيرها من معادلة صورة الرسم البياني.

استخراج البيانات ميزة 2.3

بعد استخراج نسيج يتميز صورة عينة ورم الثدي، للحصول على كمية كبيرة من البيانات على الطاقة، وعلى النقيض، والارتباط، الكون، معكوس مختلفة خمس قيم مميزة، لتحليل هذه البيانات، ودراسة اتجاهاتها. في الثدي الآفات ميزة استخراج صورة كمثال في FIG. 4.

وينقسم صورة FIG 4 إلى 16 كتل فرعية من صورة، اضغط اليسار إلى اليمين، من أعلى إلى أسفل الترتيب اسمه M1 ~ M16. صيغة (3-6) إلى (3-8) باستخدام الأدب وصيغة (3-10)، وصيغة (12/03) لحساب الطاقة من كل كتلة الفرعية المقابلة لصورة والتباين والارتباط، الكون يعني على العكسية القيم المميزة الفجوة 5 (كما هو موضح في الجدول 1) الفرق بين المعيار والقيم المميزة (الجدول 2). الفئة اثنين من القيم، التي تمثل منطقة طبيعية 1، وتمثل المنطقة 2 الآفة.

2.4 بيانات القيمة ميزة تحليل

ويمكن أن يلاحظ من خلال البيانات الواردة أعلاه: متوسط مساحة آفة من القيم الطاقة هي صغيرة عموما الانحراف المعياري العام هو صغير، مما يعكس تدرج شارك في حدوث المنطقة عناصر المصفوفة الآفة التركيز، والملمس الخشن؛ وعموما الكون يعني الآفة منطقة كبيرة جدا، والمعيار الفرق الصغيرة عموما يعكس GLCM منطقة الآفة تفريق توزيع العنصر؛ على النقيض من العام نفسه في منطقة الآفة هو صغير، والانحراف المعياري العام هو صغير جدا، وتأثير يعكس الفرق طمس الآفة منطقة تدرج صغير، المنطقة المرتبطة الآفات من أكبر المتوسط العام، الانحراف المعياري هي منطقة آفة صغيرة عموما تعكس قيمة مستوى اللون الرمادي شارك العنصر الفارق الكبير، عجز عموما يعني حظة منطقة الآفة الصغيرة والانحراف المعياري أصغر عموما، تعكس منطقة الآفة تغيير، متفاوت محليا.

يشير القانون إلى أن GLCM نسيج القيم المذكورة أعلاه ميزة استخراج كمنطقة أساس وآفات الثدي العادية ميزت المنطقة.

3 من BP

3.1 BP الشبكة العصبية

BP (العودة بالمعروف) هو خوارزمية الشبكة العصبية تدرب على يد متعدد الطبقات نشر شبكة feedforward الخطأ مرة أخرى. FIG 5 هو مخطط تكوين الشبكة العصبية الأساسية BP.

سوف BP الشبكة العصبية عادة بأخذ عينات وجود بعض الاختلاف المعلمة مميزة، ومعلومات الذاكرة لاقامة العينة من خلال تدريب عينة، ثم خرج الشبكة العصبية BP كعينة غير معروفة، يتم التعرف على عينة من BP الفئة الشبكة العصبية .

من خلال تعديل باستمرار الأوزان والعتبات، ويمكن أن تجعل من هذه الشبكة العصبية BP أوثق وأقرب إلى النموذج المثالي.

3.2 تحديد معالم الشبكة العصبية BP

يتم تحديد BP الشبكة العصبية رقم طبقة المدخلات حسب نوع بيانات العينة، يتم تحديد عدد من طبقة الانتاج من قبل عدد من التصنيفات. الأشعة تحت الحمراء ورم الثدي BP الشبكة العصبية باستخدام الطاقة، وعلى النقيض، والارتباط، الكون، معكوس مختلفة خمس قيم ميزة يعني والتباين في الاتجاهات الأربعة كمدخل، يجب أن يكون العقد طبقة المدخلات 10؛ العقد طبقة الانتاج تحدد هو 2: منطقة الآفة، منطقة طبيعية. العقد طبقة مخفية، التي تم الحصول عليها عن طريق التجربة والخطأ. BP هيكل الشبكة العصبية هو مبين في الشكل (6) قررت في نهاية المطاف.

خلق 3.3 BP الشبكة العصبية

بعد استخراج منحنى تدرج وغيرها من القيم ميزة صورة 5، يمكن إنشاء BP الشبكة العصبية. 7 هو تخطيطيا من العصبية خوارزمية شبكة عملية BP.

في هذه الورقة، والشبكة العصبية BP 10 هي المدخلات، والمخرجات الثاني للشبكة العصبية، حيث يشير إلى الإخراج الذي المنطقة هي منطقة طبيعية أو المنطقة تدخل ومنطقة الانتاج 2 إلى منطقة الآفة. تدريب البيانات والتدريب إخراج عينات التدريب إدخالها في الشبكة العصبية BP، وضبط باستمرار عتبة بين الأوزان بين طبقة المدخلات وطبقة خفية، طبقة مخفية وطبقة الانتاج، لذلك BP الشبكات العصبية لديها تقريب الأمثل الحل.

3.4 BP تدريب الشبكة العصبية

في MATLAB، خطوة الشبكة العصبية المدربة على:

(1) تعيين شبكة الجيل الكائن؛

(2) استدعاء دالة لتدريب لتدريب الشبكة:

عينات تدريبية مركزة مأخوذة من التدريب، وإدخال البيانات الشبكة العصبية.

والحالة التي يكون فيها العقد متصلة بواسطة طبقة بعد طبقة إلى الأمام، والناتج الفعلي للشبكة العصبية.

حساب خطأ إلى الناتج شبكة الفعلي والناتج المرغوب فيه.

طبقة بعد طبقة العكسية إلى الخطأ قبل الطبقات، وفقا لمبادئ معينة للإشارة الخطأ تحميلها على الأوزان الصدد، الأوزان اتصال كامل تحويل الشبكة العصبية إلى الاتجاه للحد من الخطأ.

تتكرر كل واحد من مجموعة التدريب من المدخلات والمخرجات عينات الخطوات المذكورة أعلاه حتى يتم تقليل الخطأ من مجموعة التدريب بأكمله لتلبية متطلبات هذا المنصب.

3.5 BP اختبار الشبكة العصبية

بعد الانتهاء من التدريب شبكة BP، تتم قراءة البيانات ميزة نسيج من اختبار صورة الى شكل مصفوفة في MATLAB، سوف BP الشبكة العصبية تكون قادرة على إعطاء كل المقابلة انتاج كتل فرعية وفقا للعلاقة الخرائط المدربين، منطقة الإنتاج العادية، الناتج 2 هو منطقة الآفة، وعملية محددة كما هو مبين في الشكل.

منذ لكل منها شبكتها الخاصة العصبية BP العملية، وخاصة طبقة المدخلات وطبقة الانتاج، وعدد طبقة الإدخال يتم تحديد عدد من القيم الذاتية أساسا، وعدد من طبقة الناتج يتكون من عدد من القرارات تحتاج إلى تصنيفها. الانحراف المتوسط والمعياري للمنحنى صورة تدرج المستخرج مثل خمسة القيم ميزة الملمس كمدخل، ويعرف الناتج طبقة الناتج، إذا كان الناتج هو 1، مقارنة مع منطقة طبيعية، وإذا كانت منطقة الآفة الناتج 2 .

4 النتائج التجريبية والتحليل

4.1 بروتوكول

ومن المفترض CN أن عدد التدريب عينة طبيعية من الصور، ونسخة لعدد من تدريب عينات من الصور الورم، تينيسي اختبار عينة العدد المعتاد من الصور، وعينات الورم ح لاختبار عدد من الصور. الخطوات التجريبية:

(1) إعداد 200 IR الصور كصورة عينات الثدي التجريبية، حيث صورة الأشعة تحت الحمراء للثدي طبيعي 100، وصورة بالأشعة تحت الحمراء من الثدي المريض 100، عندما التجربة، كل ما يلزم من الصور في مجموعة التدريب عينة، وبنسب مختلفة اختبار عينة مجموعة، كما هو مبين في الجدول 3، ونسبة كل عينة تكررت 20 مرة تدريب واختبار.

(2) مقسمة إلى كتل من عينات صورة والمعايير انتزعت والقيمة المتوسطة للطاقة مميزة، وعلى النقيض، والارتباط، الكون، معكوس قيم مختلفة من الفرق ميزة خمسة المقابل، يتميز حفظها في ملف قاعدة البيانات، ولكل فئة كتلة علامات، كتلة العادية (منطقة) المسمى 1، كتلة الآفة (المنطقة) وصفت 2.

(3) استخراج البيانات المميزة لنسب مختلفة المقابلة لبيانات الصورة على النحو العينة التدريب، وأدخلت على خلق بالفعل BP تدريب الشبكة العصبية.

(4) صورة أخرى بخلاف مجموعة اختبار عينة كعينة اختبار، عينة الاختبار التي أدخلت على مجموعة البيانات مميزة المقابلة لBP اختبارها من خلال الشبكة العصبية المدربين.

(5) تسجيل إخراج BP الشبكة العصبية، ونسبة كل عينة اختبار تكررت 30 مرة، والنتائج التجريبية هو مبين في الشكل 9، فإن متوسط معدل الاعتراف في ظل ظروف مختلفة النسب عينات التدريب المسجلة في الجدول 3.

4.2 تحليل النتائج

البيانات من الجدول رقم 3 وFIG 9 تحليل عينات تحت نسبة ظروف مختلفة، ومعدل الاعتراف الصحيح مختلفة سرطان الثدي، حيث نسبة أفراد العينة الأولى المقابلة لتدريب 4،5،6 معدل الاعتراف أفضل أكثر من 80 . هذا الأسلوب لديه منخفضة التكلفة، وميزات المحمولة.

5. الخاتمة

وقد اظهرت النتائج أن GLCM العاملين أدرجت هنا ورم الثدي طريقة التعرف على الصور BP الشبكة العصبية وجود نتائج التعرف جيدة نسبيا للمنطقة آفة ورم الثدي، وتحسين التشخيص المبكر لأورام الثدي.

مراجع

تشن يجون، مقارنة هوانغ تشونغ الأيمن من طرق التصوير المختلفة في تشخيص سرطان الثدي الصين الأم وبحوث صحة الطفل، 2018،29 (8): 1031-1035.

الحالة والتقدم تشخيص سرطان الثدي دو روي شيويه يو تعزيز الموجات فوق الصوتية وelastography . الدراسات العليا الطبية، 2013،26 (4): 435-437.

وانغ تسونغ يانغ قوانغ وانغ Hui.Diagnostic دقة elastography الأنسجة في الوقت الحقيقي لسرطان الثدي: لتحليل شمولي .Oncology والطب بالحركة، 2016،2 (1): 21-25.

لين Qizhong، يو جيان قوه تشاو دافئة، وما إلى ذلك تحليل سمة من سمات صور الموجات فوق الصوتية الورم الثدي مجلة من صك العلمي، 2006 (S1): 744-746،752.

تشنغ تشنغ، والثقوب رمز نشر .MRI التفرطح التشخيص التفاضلي التصوير من آفات الثدي جامعة تشينغداو (العلوم الطبية)، 2018،54 (6): 652-655.

شيويه ون، الصفصاف يان، FAN لي، وآخرون. ادفانسد مايكرو الأجهزة تصوير لتحديد آفات الثدي الحميدة والخبيثة الصين تكنولوجيا التصوير الطبي، 2019،35 (1): 77-81.

Zhuxiao خوان، تشاو هوا، شو يي، الخ الليفي التحليل المرضي السريري للثدي مجلة السريرية والتجريبية علم الأمراض، 2019 (1): 93-95.

التطبيقات وانغ يا ملك كوكب الزهرة، وتشن القارب، الخ المشغلين وثلاثة الأكسجين نظام التصوير الوظيفي في تشخيص سرطان الثدي . الصينى مجلة جراحة المناظير، 2014 (5): 417-419.

هو جين شو يي، وانغ تشاو، لي دان، على أساس تحسين سوبيل المشغل حافة خوارزمية الكشف الكمبيوتر فوجيان، 2018،34 (9): 13-15.

لينغ يونيو، كلمات تشي شيانغ، أوي غرفة تونغ، وما إلى ذلك اختيار خوارزمية تقوم على حافة مشغل الكشف عن الكون المحلي جامعة نانجينغ للتكنولوجيا، 2018،42 (4): 424-429.

جافي. استخراج ونظام تصنيف وصورة لتحقيق ملامح الصورة الملمس تشنغدو: جامعة العلوم الالكترونية والتكنولوجيا، 2009.

Wangyou مينغ، مي تشانغ هان، Tangshao جي. اللوني الرقمي صورة التصوير الشعاعي للثدي استخراج ميزة الملمس والاعتراف المشترك جامعة شيان للبريد والاتصالات، 2018،23 (3): 65-68.

النفخة فحم الكوك، قوه حدوث مصفوفة نسيج يتميز كتبها n. ماتلاب تنفيذ استخراج تدرج تقنية الكمبيوتر والتنمية، 2012،22 (11): 169-171،175.

تشاو جينغ بو، جاو دي جيانغ Chunbin التشخيص المبكر لسرطان الرئة نظام الأنف الإلكتروني القائم على الشبكات العصبية التكنولوجيا الالكترونية، 2006،32 (7): 8-10.

ليو معيار، تشو شياو جون تفسير تصنيف منظمة الصحة العالمية 2012 من أورام الثدي مجلة السريرية والتجريبية علم الأمراض، 2012،28 (11): 1185-1187.

أسابيع في فان، تشانغ Rongfen، Mazhi نان، الخ الصدر بالأشعة السينية نظام تحليل الصور استنادا إلى دراسة معمقة التكنولوجيا الالكترونية، 2018،44 (11): 29-32.

بو شين دو جين مي .LVQ العصبية تطبيق الشبكة في تشخيص سرطان الثدي المحاكاة، 2012،29 (8): 171-174.

الكاتب المعلومات:

نيه شيونغ 1،2، 1،2، تشن هوا وو Silin 1

(1. كلية الحاسبات والمعلومات الالكترونية، جامعة قوانغشى وقوانغشى ناننينغ 530004، الصين؛ 2. أهم مختبر الاتصالات والوسائط المتعددة وتكنولوجيا الشبكة، وقوانغشى، وناننينغ 530004، الصين)