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

15

PDF (PC)

780

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] 李常刚,李宝亮,曹永吉,王佳颖. 人工智能在电力系统潮流计算中的应用综述及展望[J]. 山东大学学报 (工学版), 2025, 55(5): 1-17.
[2] 周群颖,隋家成,张继,王洪元. 基于自监督卷积和无参数注意力机制的工业品表面缺陷检测[J]. 山东大学学报 (工学版), 2025, 55(4): 40-47.
[3] 薛冰冰,王勇,杨维浩,王川,于迪,王旭. 基于ETC收费数据的高速公路交通流数据修复及实时预测[J]. 山东大学学报 (工学版), 2025, 55(3): 58-71.
[4] 董明书,陈俐企,马川义,张珠皓,孙仁娟,管延华,庄培芝. 沥青路面内部裂缝雷达图像智能判识算法研究[J]. 山东大学学报 (工学版), 2025, 55(3): 72-79.
[5] 李伟豪,王苹苹,许万博,魏本征. 结构先验引导的多模态腰椎MRI图像分割算法[J]. 山东大学学报 (工学版), 2025, 55(1): 66-76.
[6] 常新功,苏敏惠,周志刚. 基于进化集成的图神经网络解释方法[J]. 山东大学学报 (工学版), 2024, 54(4): 1-12.
[7] 索大翔,李波. 基于Gromov-Wasserstein最优传输的输电线路小目标检测方法[J]. 山东大学学报 (工学版), 2024, 54(3): 22-29.
[8] 宋辉,张轶哲,张功萱,孟元. 基于类权重和最小化预测熵的测试时集成方法[J]. 山东大学学报 (工学版), 2024, 54(3): 36-43.
[9] 马翔悦,徐金东,倪梦莹. 基于多尺度特征模糊卷积神经网络的遥感图像分割[J]. 山东大学学报 (工学版), 2024, 54(3): 44-54.
[10] 刘新,刘冬兰,付婷,王勇,常英贤,姚洪磊,罗昕,王睿,张昊. 基于联邦学习的时间序列预测算法[J]. 山东大学学报 (工学版), 2024, 54(3): 55-63.
[11] 聂秀山,巩蕊,董飞,郭杰,马玉玲. 短视频场景分类方法综述[J]. 山东大学学报 (工学版), 2024, 54(3): 1-11.
[12] 李璐,张志军,范钰敏,王星,袁卫华. 面向冷启动用户的元学习与图转移学习序列推荐[J]. 山东大学学报 (工学版), 2024, 54(2): 69-79.
[13] 高泽文,王建,魏本征. 基于混合偏移轴向自注意力机制的脑胶质瘤分割算法[J]. 山东大学学报 (工学版), 2024, 54(2): 80-89.
[14] 陈成,董永权,贾瑞,刘源. 基于交互序列特征相关性的可解释知识追踪[J]. 山东大学学报 (工学版), 2024, 54(1): 100-108.
[15] 李家春,李博文,常建波. 一种高效且轻量的RGB单帧人脸反欺诈模型[J]. 山东大学学报 (工学版), 2023, 53(6): 1-7.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 施来顺,万忠义 . 新型甜菜碱型沥青乳化剂的合成与性能测试[J]. 山东大学学报(工学版), 2008, 38(4): 112 -115 .
[2] 陈瑞,李红伟,田靖. 磁极数对径向磁轴承承载力的影响[J]. 山东大学学报(工学版), 2018, 48(2): 81 -85 .
[3] 岳远征. 远离平衡态玻璃的弛豫[J]. 山东大学学报(工学版), 2009, 39(5): 1 -20 .
[4] 孙从征,管从胜,秦敬玉,程川 . 铝合金化学镀镍磷合金结构和性能[J]. 山东大学学报(工学版), 2007, 37(5): 108 -112 .
[5] 刘新1 ，宋思利1 ，王新洪2 . 石墨配比对钨极氩弧熔敷层TiC增强相含量及分布形态的影响[J]. 山东大学学报(工学版), 2009, 39(2): 98 -100 .
[6] 薛翊国，李术才，赵岩，苏茂鑫，李为腾，丁志海. 青岛胶州湾海底隧道F44含水断层注浆前后TSP探测分析[J]. 山东大学学报(工学版), 2009, 39(2): 108 -112 .
[7] 胡天亮,李鹏,张承瑞,左毅 . 基于VHDL的正交编码脉冲电路解码计数器设计[J]. 山东大学学报(工学版), 2008, 38(3): 10 -13 .
[8] 田芳1,张颖欣2,张礼3,侯秀萍3,裘南畹3. 新型金属氧化物薄膜气敏元件基材料的开发[J]. 山东大学学报(工学版), 2009, 39(2): 104 -107 .
[9] 赵延风1,2, 王正中1,2 ,芦琴1,祝晗英3 . 梯形明渠水跃共轭水深的直接计算方法[J]. 山东大学学报(工学版), 2009, 39(2): 131 -136 .
[10] 高厚磊 田佳 杜强 武志刚 刘淑敏. 能源开发新技术——分布式发电[J]. 山东大学学报(工学版), 2009, 39(5): 106 -110 .
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