基于免疫算法優(yōu)化的乳腺腫瘤圖像識別

李東+盧虹冰

摘 要： 提出了一套結(jié)合特征篩選及參數(shù)設(shè)定的方法，使用支持向量機來辨別腫瘤良惡性，并利用人工免疫算法進行特征篩選及決定支持向量機的參數(shù)。針對由PHILIPS ATL HDI 3000超聲波掃描儀獲得的220幅圖片的處理結(jié)果顯示，在此所提出的方法能使乳房腫瘤的分類正確率達到95.71%，并大幅縮短支持向量機的訓(xùn)練時間。

關(guān)鍵詞： 乳腺腫瘤； 人工免疫算法； 特征提取； 支持向量機； 計算機輔助診斷

中圖分類號： TN919?34 文獻標識碼： A 文章編號： 1004?373X（2014）04?0108?04

Breast tumor image recognition based on artificial immune system algorithm

LI Dong1，2， LU Hong?bing1

（ 1. Biomedical Engineering Department， Fourth Military Medical University， Xian 710032， China；

2. Information Department， Second People's Hospital of Linfen City， Linfen 041000， China）

Abstract： An approach combining the feature selection and parameter setting is proposed， in which SVM is adopted to recognize whether a tumour is malignant or not， and the AIS algorithm is utilized to select the tumor features and determin the parameters of SVM. The experimental results indicate that the approach can make the classification accuracy of the breast tumour reach to 94.63%， improve the correctness of adjusting the quale of a breast tumour， and shorten training time of the computer?aided diagnosis system based on ultrasound breast image.

Keywords： breast tumour； AIS algorithm； feature extraction； SVM； computer?aided diagnosis

0 引 言

乳癌屬于較易在早期發(fā)現(xiàn)征兆的癌癥，如果能及早診斷與治療，不但有機會保留完整的乳房，存活率也大為提高。目前較常見的乳癌圖像檢測方法有乳房X光造影、乳房超聲波造影及核磁共振造影等[1]。其中乳房超聲波造影具有操作便利，無放射性，非侵入性及價格相對較低廉等優(yōu)勢，廣為各醫(yī)療機構(gòu)所采用。

本文驗證了將人工免疫算法結(jié)合支持向量機應(yīng)用于超聲波乳房腫瘤圖像診斷上的效果，希望可以通過人工免疫算法所具有的抗體復(fù)制、變異以及與抗原間的親和力提升等功能，來提高乳房腫瘤識別的成功率。

1 乳腺超聲波圖像處理

在超聲波腫瘤圖像中，良性腫瘤和惡性腫瘤在形狀上往往會有很大的差異[2]。如圖1所示，良性腫瘤的輪廓多半較為平滑且規(guī)則， 惡性腫瘤的輪廓則通常較破碎且不規(guī)則，因此可通過形狀特征來識別腫瘤的良惡性。目前常用的乳房超聲波圖像特征包含形狀、音波回音性、腫瘤邊緣和音波衰減等。

圖1 乳腺超聲波圖像處理圖示

1.1 乳腺超聲波圖像預(yù)處理

原始的超聲波圖像因為其有大量的噪聲，對于在檢測一些細節(jié)特征時敏感度較低，所以在提取特征前，需先使用一系列的圖像預(yù)處理方法才能獲取比較精確的良惡性腫瘤外形；預(yù)處理結(jié)果將直接影響被測數(shù)據(jù)的特征值，進一步?jīng)Q定了分類的效果[3?4]。

首先，根據(jù)文獻[5]中使用方法，將每張原始的超聲波圖像先以混合噪聲圖像濾波算法去除其噪聲及斑點，為了取得更精準的腫瘤外形，采用邊緣檢測方法提取圖像中的腫瘤邊界信息，提高腫瘤輪廓與背景之間的對比度，最后，以水平集Level set方法將腫瘤的形狀從圖像中分割出來，以計算特征值。處理結(jié)果如圖2所示。

圖2 超聲波圖像處理結(jié)果

1.2 乳腺超聲波圖像特征提取

腫瘤的形狀特征與紋理相對不易因為設(shè)備的變化而產(chǎn)生較大差異，因此，腫瘤的幾何形狀與紋理比其他特征屬性穩(wěn)定。本文主要研究乳房超聲波圖像中腫瘤的形狀和紋理特征，紋理特征主要有Huang等提出的auto?covariance coefficient[6?7]，以及Garra 等提出的contrast of grey level[8?9]，幾何特征主要有有Stavros等提出的spiculation特征以及Sehgal等提出的margin sharpness特征[10?12]。參考圖3，圖中：白色虛線表示最大直徑（圖3（a），（b）），紅色線為最小包裹多邊形和矩形（見圖3（b），（c））。本文采用六種幾何特征：

圖3 超聲波圖像中腫瘤的形狀和紋理特征

幾何特征定義如下：

[E1=π?SP2，E2=SM_D2，E3=MD/SDE4=CSCP，E5=CS-SN，E6=SS]

如圖3所示，式中S為腫瘤面積（stick算法得到區(qū)域包裹的總像素點）；P為腫瘤周長（stick算法得到區(qū)域包裹曲線的總像素點），MD和SD分別為最大直徑最小直徑，如圖3所示，CS和CP是最小包裹凸多邊形面積和周長；N為最小包裹凸多邊形的邊數(shù)量；SS為包裹最小矩形面積。

紋理特征采用李曉峰等[1]提出的歸一化自相關(guān)系數(shù)的紋理特征：

[AΔm，Δn=1M-ΔmN-Δn· i=0M-Δm-1 j=0N-Δn-1fi，j-ffi+Δm，j+Δn-f]

紋理特征共計24個，加上6個幾何特征，構(gòu)成一個30維特征向量。

2 人工免疫算法原理

人工免疫系統(tǒng)的模型最早出現(xiàn)于1986年，由Farmer等人所提出的免疫網(wǎng)絡(luò)動態(tài)模型，開啟了生物免疫學(xué)說與人工智能結(jié)合的研究議題。接著在1996年12月由日本所舉辦的免疫系統(tǒng)國際專題研討會上，正式提出并確立人工免疫系統(tǒng)（Artificial Immune System）的概念。1997年，IEEE System， Man and Cybernetics 成立了人工免疫系統(tǒng)及應(yīng)用的分會，此后以人工免疫系統(tǒng)為主題的國際會議陸續(xù)在世界各地舉辦，顯示這門領(lǐng)域的研究開始受到重視。

由于人工免疫系統(tǒng)的興起，近年來，基于各項生物免疫機制而開發(fā)出的人工免疫算法紛紛被提出，以下將針對基于免疫學(xué)基本原理 所設(shè)計出的3種典型人工免疫算法，包含了陰性選擇算法、復(fù)制選擇算法以及人工免疫網(wǎng)絡(luò)做介紹：

抗體的多樣性對于提高遺傳算法（IGA）的全局搜索能力同時保證不陷于局部最優(yōu)解，同時自我調(diào)節(jié)機構(gòu)可提高遺傳算法（IGA）的局部搜索能力，并且免疫記憶功能可以加快搜索速度，提高遺傳算法的總體搜索能力。具體的說就是用2個免疫操作來優(yōu)化遺傳算法：抵抗；免疫選擇。

抵抗：假設(shè)個體[x]，抗體操作的意思是基于先前的信息在某些位上修改基因來最大可能的獲得高的適應(yīng)度。假設(shè)一個群體為[c=x1，x2，…，xn0]，在[c]上的抗體操作即是[nα=αn]個體是從先前知識按比例[α]選擇出來的。這個操作的數(shù)量和有效性在IGA中有著重要的角色。如圖4所示。

免疫選擇：先是檢查抗生物，如果比父輩的適應(yīng)度小，則表示在交叉變異時出現(xiàn)了嚴重的基因損壞，這樣就將父輩來進行下一次競爭。然后是退火選擇[4]：從先前的后代中選擇個體時引入概率：[Pxi=efxiTki=1n0efxiTk]，其中：[fxi]是個體[xi]的適應(yīng)度，[Tk]是溫度控制序列趨于0。

IGA算法步驟：

（1） 創(chuàng)建初始群體[A1]；

（2） 判斷是否符合條件，符合則停止；

（3） 對當前群體執(zhí)行交叉、變異操作得到下一代；

（4） 執(zhí)行抗體、免疫操作，跳轉(zhuǎn)到（2）。

圖4 初始抗體表示

3 基于人工免疫優(yōu)化的SVM乳腺腫瘤識別

李曉峰提出了采用支持向量機（SVM）對腫瘤圖像進行識別，取得了較好的結(jié)果，但是支持向量機本身對于噪聲和訓(xùn)練集的極端值非常敏感，且多個特征值如果未經(jīng)適當篩選也可能會導(dǎo)致支持向量機對腫瘤分類的正確率降低，因此本文利用人工免疫算法來篩選特征值，以及決定支持向量機中 用來將數(shù)據(jù)轉(zhuǎn)換到更高維度空間之徑向基核函數(shù)（Radial Basis Kernel，RBF）的參數(shù)C與參數(shù)γ。

算法流程圖如圖5所示，參考上訴第2節(jié)免疫算法原理介紹具體過程如下：

（1） 人工免疫算法首先會產(chǎn)生出數(shù)組采用二進制編碼的初始抗體， 示意如圖6所示?？贵w中每n個位決定一個參數(shù)。由于每組初始抗體需決定支持向量機的兩個參數(shù)及30個特征篩選結(jié)果，因此一組抗體的總長度為32n。

（2） 二進制初始抗體中所有的值皆是由隨機隨機數(shù)來決定。每段參數(shù)的值都產(chǎn)生后，會先將原本二進制的參數(shù)轉(zhuǎn)換成十進制。

（3） 所有初始抗體以二進制編碼分別進行復(fù)制及變異的動作，其中保留住親和力最高的抗體以進行下個階段的循環(huán)。整個人工免疫演算法的循環(huán)會持續(xù)直到親和力達到預(yù)設(shè)的目標或是執(zhí)行到設(shè)定的循環(huán)次數(shù)為止。

4 實驗及結(jié)果分析

本文共采用了 220個超聲波乳房腫瘤圖像樣本，其中包含120 個良性腫瘤及100個惡性腫瘤的確定病例，病患的年齡分布為18～64歲。所有的超聲波圖像樣本均攝自于PHILIPS ATL HDI 3000超聲波掃描儀，掃描頻率為5～10 MHz，掃描寬度為38 mm。220個被測的超聲波乳房腫瘤圖像樣本以隨機的方式分成5組，并輪流選擇其中一組樣本進行測試，其余四組則用來作為SVM的訓(xùn)練集。

圖5 人工免疫算法優(yōu)化SVM流程圖

計算機配置為Intel Core i5?2400處理器，頻率2.6 GHz。內(nèi)存容量4 GB。操作系統(tǒng)為64 位Microsoft Windows 7 SP1。人工免疫算法參數(shù)：人工免疫算法預(yù)設(shè)的初始抗體數(shù)目為5組。一般抗體的復(fù)制率為10倍，具有最佳親和力的抗體則會復(fù)制30倍。在二進制抗體中每8個位決定一個實驗參數(shù)。整個人工免疫算法運算的循環(huán)次數(shù)為400次。支持向量機的參數(shù)C及y之范圍分別為1～1 000及0.001～0.999。待篩選的特征共30個，特征篩選的比例為20%。實驗結(jié)果如表1所示。

表1 實驗結(jié)果

由于原始的支持向量機僅靠參數(shù)C與參數(shù)γ的排列組合使用網(wǎng)格搜尋法（Grid Search），最多可能執(zhí)行999 000次（C的范圍介于1～1 000，每次增加1 ； γ的范圍介于0.001～0.999，每次增加0.001），再加上使用30緯特征使得執(zhí)行次數(shù)較大。而本文提出的方法在較少的循環(huán)數(shù)量級上就找到了合適參數(shù)，并且將參數(shù)與特征聯(lián)合進行優(yōu)化，與文獻[1]相比使用較少特征取得了較好的效果。篩選出的特征數(shù)量在5～7個之間，同時免疫算法設(shè)置的合適C和γ參數(shù)保證了SVM在較低執(zhí)行次數(shù)下就取得較好結(jié)果。

如圖6所示，在特征篩選準確度與效率方面，通過與常用的PCA降緯方法相比，采用統(tǒng)一的分類器?支持向量機，分別使用以下3種方法，采用本文提出的免疫算法篩選特征；采用PCA算法對特征數(shù)據(jù)降緯；不降緯，直接將特征數(shù)據(jù)送入分類器。從以下常用的評價指標做了對比[1]，ROC曲線圖見圖6。

[Accuracy=TP+TN/TP+TN+FP+FNSenitivity=TP/TP+FNSpecificity=TN/TN+FPPositivePredictiveValue=TP/TP+FPNegativePredictiveValue=TN/TN+FN]

圖6 本文方法與PCA及本文方法ROC曲線圖

5 結(jié) 論

本文使用了人工免疫算法結(jié)合支持向量機對超聲波乳房腫瘤圖像進行分類。通過人工免疫算法進行特征篩選并獲取支持向量機的最優(yōu)參數(shù)，使支持向量機在不影響正確率前提下降低分類時所花費的時間。由實驗結(jié)果數(shù)據(jù)可知，利用人工免疫演算法先篩選特征的步驟能大幅降低支持向量機因計算冗余特征值所耗費的時間。而用來決定徑向基核函數(shù)的參數(shù)C與γ可以大幅縮短支持向量機的執(zhí)行次數(shù)。除了本文方法外，未來可以考慮采用由其他生物免疫系統(tǒng)概念發(fā)展出來的方法，如免疫算法與其他著名算法相結(jié)合的應(yīng)用，如與基因算法結(jié)合的免疫基因演算法（Immune Genetic Algorithm）、與粒子群算法結(jié)合的免疫粒子群演算法（Immune Particle Swarm Algorithm）和與蟻群算法結(jié)合的免疫蟻群算法（Immune?ant Colony Algorithm）等。

參考文獻

[1] 李曉峰.基于支持向量機的超聲乳腺腫瘤圖像計算機輔助診斷系統(tǒng)[J].光電子·激光，2008（1）：65?67.

[2] CHANG Ruey?feng， WU Wen?jie， MOON W K， et al. Support vector machines for diagnosis of breast tumors on US images [J]. Academic Radiology， 2003， 10（2）： 189?197.

[3] 李曉峰.基于超聲圖像的乳腺癌計算機輔助診斷關(guān)鍵技術(shù)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2008.

[4] 高超，須文波，孫俊.新的強高斯噪聲自適應(yīng)濾波方法[J].計算機工程與應(yīng)用，2011（28）：10?12.

[5] CHANG Ruey?feng， WU Wen?jie， MOON W K， et al. Improvement in breast tumor discrimination by support vector machines and speckle?emphasis texture analysis [J]. Ultrasound in Medicine & Biology， 2003， 29（5）： 679?686.

[6] HUANG Yu?len， CHEN Dar?ren， LIU Ya?kuang. Breast cancer diagnosis using image retrieval for different ultrasonic systems [C]// Proceedings of 2004 International Conference on Image Processing. [S.l.]： ICIP， 2004， 5： 2957?2960.

[7] GARRA B S， KRASNER B H， HORII S C， et al. Improving the distinction between benign and malignant breast lesions： the value of sonographic texture analysis [J]. Ultrasonic Imaging， 1993， 15（4）： 267?285.

[8] KUO W?J， CHANG R?F， LEE C C， et al. Retrieval technique for the diagnosis of solid breast tumors on sonogram [J]. Ultrasound in Medicine & Biology， 2002， 28（7）： 903?909.

[9] 莫宏偉，郭茂祖，畢曉君.人類免疫系統(tǒng)仿真與建模研究綜述[J].計算機仿真，2008（1）：6?9.

[10] TARAKANOV A O， NICOSIA G. Foundations of immuno?computing [C]// Proceedings of First IEEE Symposium on Foundations of Computational Intelligence. [S.l.]： FOCI， 2007： 210?221.

[11] PARSHANI R， CARMI S， HAVLIN S. Epidemic threshold for the SIS model on random networks [J]. Physical Review Letters， 2010， 122： 112?114.

[12] 李男.基于PCA的乳腺腫塊輔助診斷方法研究[D].沈陽：沈陽工業(yè)大學(xué)，2013.

表1 實驗結(jié)果

由于原始的支持向量機僅靠參數(shù)C與參數(shù)γ的排列組合使用網(wǎng)格搜尋法（Grid Search），最多可能執(zhí)行999 000次（C的范圍介于1～1 000，每次增加1 ； γ的范圍介于0.001～0.999，每次增加0.001），再加上使用30緯特征使得執(zhí)行次數(shù)較大。而本文提出的方法在較少的循環(huán)數(shù)量級上就找到了合適參數(shù)，并且將參數(shù)與特征聯(lián)合進行優(yōu)化，與文獻[1]相比使用較少特征取得了較好的效果。篩選出的特征數(shù)量在5～7個之間，同時免疫算法設(shè)置的合適C和γ參數(shù)保證了SVM在較低執(zhí)行次數(shù)下就取得較好結(jié)果。

如圖6所示，在特征篩選準確度與效率方面，通過與常用的PCA降緯方法相比，采用統(tǒng)一的分類器?支持向量機，分別使用以下3種方法，采用本文提出的免疫算法篩選特征；采用PCA算法對特征數(shù)據(jù)降緯；不降緯，直接將特征數(shù)據(jù)送入分類器。從以下常用的評價指標做了對比[1]，ROC曲線圖見圖6。

[Accuracy=TP+TN/TP+TN+FP+FNSenitivity=TP/TP+FNSpecificity=TN/TN+FPPositivePredictiveValue=TP/TP+FPNegativePredictiveValue=TN/TN+FN]

圖6 本文方法與PCA及本文方法ROC曲線圖

5 結(jié) 論

本文使用了人工免疫算法結(jié)合支持向量機對超聲波乳房腫瘤圖像進行分類。通過人工免疫算法進行特征篩選并獲取支持向量機的最優(yōu)參數(shù)，使支持向量機在不影響正確率前提下降低分類時所花費的時間。由實驗結(jié)果數(shù)據(jù)可知，利用人工免疫演算法先篩選特征的步驟能大幅降低支持向量機因計算冗余特征值所耗費的時間。而用來決定徑向基核函數(shù)的參數(shù)C與γ可以大幅縮短支持向量機的執(zhí)行次數(shù)。除了本文方法外，未來可以考慮采用由其他生物免疫系統(tǒng)概念發(fā)展出來的方法，如免疫算法與其他著名算法相結(jié)合的應(yīng)用，如與基因算法結(jié)合的免疫基因演算法（Immune Genetic Algorithm）、與粒子群算法結(jié)合的免疫粒子群演算法（Immune Particle Swarm Algorithm）和與蟻群算法結(jié)合的免疫蟻群算法（Immune?ant Colony Algorithm）等。

參考文獻

[1] 李曉峰.基于支持向量機的超聲乳腺腫瘤圖像計算機輔助診斷系統(tǒng)[J].光電子·激光，2008（1）：65?67.

[2] CHANG Ruey?feng， WU Wen?jie， MOON W K， et al. Support vector machines for diagnosis of breast tumors on US images [J]. Academic Radiology， 2003， 10（2）： 189?197.

[3] 李曉峰.基于超聲圖像的乳腺癌計算機輔助診斷關(guān)鍵技術(shù)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2008.

[4] 高超，須文波，孫俊.新的強高斯噪聲自適應(yīng)濾波方法[J].計算機工程與應(yīng)用，2011（28）：10?12.

[5] CHANG Ruey?feng， WU Wen?jie， MOON W K， et al. Improvement in breast tumor discrimination by support vector machines and speckle?emphasis texture analysis [J]. Ultrasound in Medicine & Biology， 2003， 29（5）： 679?686.

[6] HUANG Yu?len， CHEN Dar?ren， LIU Ya?kuang. Breast cancer diagnosis using image retrieval for different ultrasonic systems [C]// Proceedings of 2004 International Conference on Image Processing. [S.l.]： ICIP， 2004， 5： 2957?2960.

[7] GARRA B S， KRASNER B H， HORII S C， et al. Improving the distinction between benign and malignant breast lesions： the value of sonographic texture analysis [J]. Ultrasonic Imaging， 1993， 15（4）： 267?285.

[8] KUO W?J， CHANG R?F， LEE C C， et al. Retrieval technique for the diagnosis of solid breast tumors on sonogram [J]. Ultrasound in Medicine & Biology， 2002， 28（7）： 903?909.

[9] 莫宏偉，郭茂祖，畢曉君.人類免疫系統(tǒng)仿真與建模研究綜述[J].計算機仿真，2008（1）：6?9.

[10] TARAKANOV A O， NICOSIA G. Foundations of immuno?computing [C]// Proceedings of First IEEE Symposium on Foundations of Computational Intelligence. [S.l.]： FOCI， 2007： 210?221.

[11] PARSHANI R， CARMI S， HAVLIN S. Epidemic threshold for the SIS model on random networks [J]. Physical Review Letters， 2010， 122： 112?114.

[12] 李男.基于PCA的乳腺腫塊輔助診斷方法研究[D].沈陽：沈陽工業(yè)大學(xué)，2013.

表1 實驗結(jié)果

由于原始的支持向量機僅靠參數(shù)C與參數(shù)γ的排列組合使用網(wǎng)格搜尋法（Grid Search），最多可能執(zhí)行999 000次（C的范圍介于1～1 000，每次增加1 ； γ的范圍介于0.001～0.999，每次增加0.001），再加上使用30緯特征使得執(zhí)行次數(shù)較大。而本文提出的方法在較少的循環(huán)數(shù)量級上就找到了合適參數(shù)，并且將參數(shù)與特征聯(lián)合進行優(yōu)化，與文獻[1]相比使用較少特征取得了較好的效果。篩選出的特征數(shù)量在5～7個之間，同時免疫算法設(shè)置的合適C和γ參數(shù)保證了SVM在較低執(zhí)行次數(shù)下就取得較好結(jié)果。

如圖6所示，在特征篩選準確度與效率方面，通過與常用的PCA降緯方法相比，采用統(tǒng)一的分類器?支持向量機，分別使用以下3種方法，采用本文提出的免疫算法篩選特征；采用PCA算法對特征數(shù)據(jù)降緯；不降緯，直接將特征數(shù)據(jù)送入分類器。從以下常用的評價指標做了對比[1]，ROC曲線圖見圖6。

[Accuracy=TP+TN/TP+TN+FP+FNSenitivity=TP/TP+FNSpecificity=TN/TN+FPPositivePredictiveValue=TP/TP+FPNegativePredictiveValue=TN/TN+FN]

圖6 本文方法與PCA及本文方法ROC曲線圖

5 結(jié) 論

本文使用了人工免疫算法結(jié)合支持向量機對超聲波乳房腫瘤圖像進行分類。通過人工免疫算法進行特征篩選并獲取支持向量機的最優(yōu)參數(shù)，使支持向量機在不影響正確率前提下降低分類時所花費的時間。由實驗結(jié)果數(shù)據(jù)可知，利用人工免疫演算法先篩選特征的步驟能大幅降低支持向量機因計算冗余特征值所耗費的時間。而用來決定徑向基核函數(shù)的參數(shù)C與γ可以大幅縮短支持向量機的執(zhí)行次數(shù)。除了本文方法外，未來可以考慮采用由其他生物免疫系統(tǒng)概念發(fā)展出來的方法，如免疫算法與其他著名算法相結(jié)合的應(yīng)用，如與基因算法結(jié)合的免疫基因演算法（Immune Genetic Algorithm）、與粒子群算法結(jié)合的免疫粒子群演算法（Immune Particle Swarm Algorithm）和與蟻群算法結(jié)合的免疫蟻群算法（Immune?ant Colony Algorithm）等。

參考文獻

[1] 李曉峰.基于支持向量機的超聲乳腺腫瘤圖像計算機輔助診斷系統(tǒng)[J].光電子·激光，2008（1）：65?67.

[2] CHANG Ruey?feng， WU Wen?jie， MOON W K， et al. Support vector machines for diagnosis of breast tumors on US images [J]. Academic Radiology， 2003， 10（2）： 189?197.

[3] 李曉峰.基于超聲圖像的乳腺癌計算機輔助診斷關(guān)鍵技術(shù)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2008.

[4] 高超，須文波，孫俊.新的強高斯噪聲自適應(yīng)濾波方法[J].計算機工程與應(yīng)用，2011（28）：10?12.

[5] CHANG Ruey?feng， WU Wen?jie， MOON W K， et al. Improvement in breast tumor discrimination by support vector machines and speckle?emphasis texture analysis [J]. Ultrasound in Medicine & Biology， 2003， 29（5）： 679?686.

[6] HUANG Yu?len， CHEN Dar?ren， LIU Ya?kuang. Breast cancer diagnosis using image retrieval for different ultrasonic systems [C]// Proceedings of 2004 International Conference on Image Processing. [S.l.]： ICIP， 2004， 5： 2957?2960.

[7] GARRA B S， KRASNER B H， HORII S C， et al. Improving the distinction between benign and malignant breast lesions： the value of sonographic texture analysis [J]. Ultrasonic Imaging， 1993， 15（4）： 267?285.

[8] KUO W?J， CHANG R?F， LEE C C， et al. Retrieval technique for the diagnosis of solid breast tumors on sonogram [J]. Ultrasound in Medicine & Biology， 2002， 28（7）： 903?909.

[9] 莫宏偉，郭茂祖，畢曉君.人類免疫系統(tǒng)仿真與建模研究綜述[J].計算機仿真，2008（1）：6?9.

[10] TARAKANOV A O， NICOSIA G. Foundations of immuno?computing [C]// Proceedings of First IEEE Symposium on Foundations of Computational Intelligence. [S.l.]： FOCI， 2007： 210?221.

[11] PARSHANI R， CARMI S， HAVLIN S. Epidemic threshold for the SIS model on random networks [J]. Physical Review Letters， 2010， 122： 112?114.

[12] 李男.基于PCA的乳腺腫塊輔助診斷方法研究[D].沈陽：沈陽工業(yè)大學(xué)，2013.