您的位置：山东大学 -> 科技期刊社 -> 《山东大学学报（工学版）》

山东大学学报 (工学版) ›› 2019, Vol. 49 ›› Issue (2): 74-79.doi: 10.6040/j.issn.1672-3961.0.2018.273

• 机器学习与数据挖掘 • 上一篇    下一篇

基于AlexNet和集成分类器的乳腺癌计算机辅助诊断方法

侯霄雄1,2(),许新征1,2,*(),朱炯1,郭燕燕1   

  1. 1. 中国矿业大学计算机科学与技术学院, 江苏 徐州 221116
    2. 广西高校复杂系统与智能计算重点实验室, 广西 南宁 530006
  • 收稿日期:2018-07-06 出版日期:2019-04-20 发布日期:2019-04-19
  • 通讯作者: 许新征 E-mail:961458517@qq.com;xuxinzh@163.com
  • 作者简介:侯霄雄(1991—)，男，山西曲沃人，硕士研究生，主要研究方向为机器学习，医学图像处理等. E-mail：961458517@qq.com
  • 基金资助:
    国家自然科学基金项目(61672522);广西高校复杂系统与智能计算重点实验室开放课题重点项目(2017CSCI01)

Computer aided diagnosis method for breast cancer based on AlexNet and ensemble classifiers

Xiaoxiong HOU1,2(),Xinzheng XU1,2,*(),Jiong ZHU1,Yanyan GUO1   

  1. 1. School of Computer Science and Technology, China University of Mining and Technology, Xuzhou 221116, Jiangsu, China
    2. Guangxi High School Key Laboratory of Complex System and Computational Intelligence, Nanning 530006, Guangxi, China
  • Received:2018-07-06 Online:2019-04-20 Published:2019-04-19
  • Contact: Xinzheng XU E-mail:961458517@qq.com;xuxinzh@163.com
  • Supported by:
    国家自然科学基金项目(61672522);广西高校复杂系统与智能计算重点实验室开放课题重点项目(2017CSCI01)

RichHTML

13

PDF (PC)

533

摘要：

为解决在计算机辅助诊断(computer aided diagnosis, CAD)中采用人工提取医学影像特征的弊端,在ImageNet数据集上预训练深度神经网络模型Alexnet,通过迁移学习再训练后的Alexnet模型对医学影像进行特征提取,利用集成学习方法训练分类器进行分类。试验结果表明,基于Alexnet和随机森林方法的分类器正确率达到了0.87±0.03,集成分类器的分类性能优于单一分类器。

关键词: 医学影像分析, 深度学习, 卷积神经网络, 计算机辅助诊断, 集成分类器

Abstract:

In order to solve the manual feature extraction of medical images in computer aided diagnosis, Alexnet was pre-trained on the ImageNet dataset, and feature extraction was performed on the medical image based on Alexnet with transfer learning. The ensemble learning method was used to train the classifier to classify and obtain a better classification effect than the single classifier. The results showed that the AUC(area under curve) of Alexnet deep learning model and random forest ensemble classifier reached 0.87±0.03, and the effect of the ensemble classifier was better than that of the single classifier in the same network depth.

Key words: medical image analysis, deep learning, convolutional neural network, computer aided diagnosis, ensemble classifiers

中图分类号: 

  • TP391

图1

计算机辅助诊断工作流图"

图2

预处理执行步骤"

图3

Alexnet网络结构"

表1

以SVM作为分类器时不同深度CNN模型对应的AUC"

特征提取模型 AUC
CNN(2层) 0.76±0.05
CNN(3层) 0.82±0.03
Alexnet 0.84±0.06

表2

Alexnet模型下不同分类器对应的AU值"

分类器 AUC值
SVM 0.84±0.06
Logistic Regression 0.83±0.03
Softmax 0.85±0.04

表3

Alexnet模型下集成分类器对应的AUC值"

分类器 AUC值
Softmax 0.85±0.04
Random Forest 0.87±0.03
1 BUNGE R E , HERMAN C L . Usage of diagnostic imaging procedures: a nationwide hospital study[J]. Radiology, 1987, 163 (2): 569- 573.
doi: 10.1148/radiology.163.2.3550886
2 SLUIMER I , SCHILHAM A , PROKOP M , et al. Computer analysis of computed tomography scans of the lung: a survey[J]. IEEE Trans Med Imaging, 2006, 25 (4): 385- 405.
doi: 10.1109/TMI.2005.862753
3 QUEKEL L G , KESSELS A G , GOEI R , et al. Miss rate of lung cancer on the chest radiograph in clinical practice[J]. Chest, 1999, 115 (3): 720- 724.
doi: 10.1378/chest.115.3.720
4 LI F , SONE S , ABE H , et al. Lung cancers missed at low-dose helical CT screening in a general population: comparison of clinical, histopathologic, and imaging findings[J]. Radiology, 2002, 225 (3): 673- 683.
doi: 10.1148/radiol.2253011375
5 DOI K , MACMAHON H , KATSURAGAWA S , et al. Computer-aided diagnosis in radiology: potential and pitfalls[J]. European Journal of Radiology, 1999, 31 (2): 97- 109.
doi: 10.1016/S0720-048X(99)00016-9
6 GIGER M L , CHAN H P , BOONE J . Anniversary paper: history and status of CAD and quantitative image analysis: the role of medical physics and AAPM[J]. Medical Physics, 2008, 35 (12): 5799- 5820.
doi: 10.1118/1.3013555
7 LI Q , LI F , SUZUKI K , et al. Computer-aided diagnosis in thoracic CT[J]. Seminars in Ultrasound, CT and MRI, 2005, 26 (5): 357- 363.
doi: 10.1053/j.sult.2005.07.001
8 HINTON G E , OSINDERO S , TEH Y W . A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18 (7): 1527- 1554.
doi: 10.1162/neco.2006.18.7.1527
9 MCLOUGHLIN K J , BONES P J , KARSSEMEIJER N . Noise equalization for detection of microcalcification clusters in direct digital mammogram images[J]. IEEE Transactions on Medical Imaging, 2004, 23 (3): 313- 320.
doi: 10.1109/TMI.2004.824240
10 TALHA M , SULONG G B , JAFFAR A . Preprocessing digital breast mammograms using adaptive weighted frost filter[J]. Biomedical Research, 2016, 27 (4): 1407- 1412.
11 PONRAJ D N , JENIFER M E , POONGODI P , et al. A survey on the preprocessing techniques of mammogram for the detection of breast cancer[J]. Journal of Emerging Trends in Computing & Information Sciences, 2011, 2 (12): 656- 664.
12 MAKANDAR A , HALALLI B . Pre-processing of mammography image for early detection of breast bancer[J]. International Journal of Computer Applications, 2016, 144 (3): 11- 15.
doi: 10.5120/ijca2016910153
13 RAMANI R , VANITHA N S , VALARMATHY S . The pre-processing techniques for breast cancer detection in mammography images[J]. International Journal of Image Graphics & Signal Processing, 2013, 5 (5): 47- 54.
14 MUSTRA M , GRGIC M , RANGAYYAN R M . Review of recent advances in segmentation of the breast boundary and the pectoral muscle in mammograms[J]. Medical & Biological Engineering & Computing, 2016, 54 (7): 1003- 1024.
15 MAKANDAR A , HALALLI B . Breast cancer image enhancement using median filter and clahe[J]. International Journal of Scientific & Engineering Research, 2015, 6 (4): 462- 465.
16 KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[C]//International Conference on Neural Information Processing Systems. Vancouver, Canada: Neural Information Processing Systems Foundation, 2012: 1097-1105.
17 DONAHUE J, JIA Y, VINYALS O, et al. DeCAF: a deep convolutional activation feature for generic visual recognition[J]. arXiv: 1310.1531 [cs.CV], 2013: 1-10.
18 RUSSAKOVSKY O , DENG J , SU H , et al. ImageNet large scale visual recognition challenge[J]. International Journal of Computer Vision, 2014, 115 (3): 211- 252.
19 BREIMAN L . Random Forest[J]. Machine Learning, 2001, 45 (1): 5- 32.
20 BREIMAN L . Bagging predictors[J]. Machine Learning, 1996, 24 (2): 123- 140.
21 AREVALO J , GONZ LEZ F A , RAMOS-POLL N R , et al. Representation learning for mammography mass lesion classification with convolutional neural networks[J]. Computer Methods & Programs in Biomedicine, 2016, 127 (C): 248- 257.
[1] 李力钊,蔡国永,潘角. 基于C-GRU的微博谣言事件检测方法[J]. 山东大学学报 (工学版), 2019, 49(2): 102-106, 115.
[2] 张成彬,赵慧,曹宗钰. 基于深度学习的车身网络KWP2000协议漏洞挖掘[J]. 山东大学学报 (工学版), 2019, 49(2): 17-22.
[3] 权稳稳,林明星. CNN特征与BOF相融合的水下目标识别算法[J]. 山东大学学报 (工学版), 2019, 49(1): 107-113.
[4] 梁蒙蒙,周涛,夏勇,张飞飞,杨健. 基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别[J]. 山东大学学报 (工学版), 2018, 48(5): 77-84.
[5] 张璞,刘畅,王永. 基于特征融合和集成学习的建议语句分类模型[J]. 山东大学学报 (工学版), 2018, 48(5): 47-54.
[6] 何正义,曾宪华,郭姜. 一种集成卷积神经网络和深信网的步态识别与模拟方法[J]. 山东大学学报(工学版), 2018, 48(3): 88-95.
[7] 谢志峰,吴佳萍,马利庄. 基于卷积神经网络的中文财经新闻分类方法[J]. 山东大学学报(工学版), 2018, 48(3): 34-39.
[8] 赵彦霞, 王熙照. 基于SVD和DCNN的彩色图像多功能零水印算法[J]. 山东大学学报(工学版), 2018, 48(3): 25-33.
[9] 唐乐爽,田国会,黄彬. 一种基于DSmT推理的物品融合识别算法[J]. 山东大学学报(工学版), 2018, 48(1): 50-56.
[10] 周福娜,高育林,王佳瑜,文成林. 基于深度学习的缓变故障早期诊断及寿命预测[J]. 山东大学学报(工学版), 2017, 47(5): 30-37.
[11] 何正义,曾宪华,曲省卫,吴治龙. 基于集成深度学习的时间序列预测模型[J]. 山东大学学报(工学版), 2016, 46(6): 40-47.
[12] 郑毅, 朱成璋. 基于深度信念网络的PM2.5预测[J]. 山东大学学报(工学版), 2014, 44(6): 19-25.
[13] 徐姗姗,刘应安*,徐昇. 基于卷积神经网络的木材缺陷识别[J]. 山东大学学报(工学版), 2013, 43(2): 23-28.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 王素玉,艾兴,赵军,李作丽,刘增文 . 高速立铣3Cr2Mo模具钢切削力建模及预测[J]. 山东大学学报(工学版), 2006, 36(1): 1 -5 .
[2] 李梁，罗奇鸣，陈恩红. 对象级搜索中基于图的对象排序模型（英文）[J]. 山东大学学报(工学版), 2009, 39(1): 15 -21 .
[3] 李可,刘常春,李同磊 . 一种改进的最大互信息医学图像配准算法[J]. 山东大学学报(工学版), 2006, 36(2): 107 -110 .
[4] 季涛,高旭,孙同景,薛永端,徐丙垠 . 铁路10 kV自闭/贯通线路故障行波特征分析[J]. 山东大学学报(工学版), 2006, 36(2): 111 -116 .
[5] 秦通,孙丰荣*,王丽梅,王庆浩,李新彩. 基于极大圆盘引导的形状插值实现三维表面重建[J]. 山东大学学报(工学版), 2010, 40(3): 1 -5 .
[6] 孙国华,吴耀华,黎伟. 消费税控制策略对供应链系统绩效的影响[J]. 山东大学学报(工学版), 2009, 39(1): 63 -68 .
[7] 孙炜伟,王玉振. 考虑饱和的发电机单机无穷大系统有限增益镇定[J]. 山东大学学报(工学版), 2009, 39(1): 69 -76 .
[8] 孙殿柱,朱昌志,李延瑞 . 散乱点云边界特征快速提取算法[J]. 山东大学学报(工学版), 2009, 39(1): 84 -86 .
[9] 杨发展1 ,艾兴1 ,赵军1 ,侯建锋2 . ZrO2含量对WC基复合材料的力学性能和微观结构的影响[J]. 山东大学学报(工学版), 2009, 39(1): 92 -95 .
[10] 赵然杭,陈守煜 . 水资源数量与质量联合评价理论模型研究[J]. 山东大学学报(工学版), 2006, 36(3): 46 -50 .
版权所有 © 2018 《山东大学学报(工学版)》编辑部　
地址: 济南市山大南路27号（250100）　 电话: 0531-88366735　 E-mail: xbgxb@sdu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发