加權(quán)Fisher卷積神經(jīng)網(wǎng)絡(luò)乳腺癌檢測(cè)模型

郝 堃，胡 磊，丁曉明

(1.重慶醫(yī)科大學(xué)附屬第一醫(yī)院 信息中心，重慶 400010;2.西南大學(xué) 計(jì)算機(jī)與信息科學(xué)學(xué)院，重慶 400010)

0 引 言

目前，乳腺癌已成為困擾女性健康的首要疾病之一。國(guó)家癌癥中心發(fā)布的《2017年中國(guó)腫瘤的現(xiàn)狀和趨勢(shì)》報(bào)告中顯示，乳腺癌發(fā)病率位列女性惡性腫瘤之首[1]，達(dá)到女性癌癥患者的17.07%。該疾病呈年輕化趨勢(shì)，臨床表明最小患者年齡僅18歲[2]。全球每年新增感染此疾病的患者超過(guò)百萬(wàn)例，死亡率約為33%[3]。中國(guó)乳腺癌發(fā)病率高達(dá)11%[4]。通過(guò)普適性、推廣性強(qiáng)的檢查篩查方法早期識(shí)別乳腺癌顯得尤為重要。乳腺X光攝影經(jīng)過(guò)了一個(gè)世紀(jì)的技術(shù)發(fā)展，已經(jīng)成為早期乳腺癌診斷和篩查必不可少且行之有效的影像檢查方法。

隨著人工智能在醫(yī)學(xué)影像識(shí)別中的逐漸應(yīng)用，乳腺癌X光圖像識(shí)別主要向基于人工特征傳統(tǒng)乳腺癌醫(yī)學(xué)圖像分類法以及基于深度學(xué)習(xí)的乳腺癌醫(yī)學(xué)圖像分類法發(fā)展。在人工特征領(lǐng)域主要是使用隨機(jī)森林[5]、支持向量機(jī)[6]等展開研究?；谏疃葘W(xué)習(xí)[7]卷積神經(jīng)網(wǎng)絡(luò)的乳腺癌醫(yī)學(xué)圖像分類方法，利用其自主學(xué)習(xí)的特性，解決了特征需要手工處理的問(wèn)題，提高了實(shí)驗(yàn)效率。

當(dāng)前，通過(guò)深度學(xué)習(xí)模型研究乳腺癌醫(yī)學(xué)圖像的方法有很多，比如卷積神經(jīng)網(wǎng)絡(luò)、深度殘差網(wǎng)絡(luò)、密集連接網(wǎng)絡(luò)等[8-11]。通過(guò)這類方法能夠自動(dòng)提取醫(yī)學(xué)圖像的特征，避免了之前人工提取方法的復(fù)雜性和局限性。同時(shí)，該方法在圖像的識(shí)別分類、物體識(shí)別得到了廣泛的應(yīng)用[12-15]，這些工作都為卷積神經(jīng)網(wǎng)絡(luò)在乳腺癌圖像分類上打下了基礎(chǔ)[16-17]。

該文首先對(duì)乳腺影像圖進(jìn)行預(yù)處理，如剪切、降噪、增強(qiáng)，然后基于加權(quán)Fisher準(zhǔn)則對(duì)LetNet-5進(jìn)行改進(jìn)，并對(duì)乳腺癌的識(shí)別率進(jìn)行前后對(duì)比。

1 相關(guān)理論與技術(shù)

1.1 CNN模型概述

卷積神經(jīng)網(wǎng)絡(luò)是在經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來(lái)并形成的新型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[18-19]。該網(wǎng)絡(luò)的出現(xiàn)使得神經(jīng)網(wǎng)絡(luò)在原先的基礎(chǔ)上變得更加簡(jiǎn)單且易操作[20]。目前，CNN在眾多領(lǐng)域中都得到了廣泛的關(guān)注，其已經(jīng)成為了乳腺癌醫(yī)學(xué)圖像研究中深度算法的關(guān)鍵，且適用于多種醫(yī)學(xué)問(wèn)題[21]。

1.1.1 卷積層和采樣層

卷積的公式如下所示：

(1)

卷積的作用在于:不改變對(duì)圖像特征信息提取的情況下有效減少噪聲干擾；實(shí)現(xiàn)共同享有局部感受野和權(quán)值；自行對(duì)圖像特征進(jìn)行提取和學(xué)習(xí)，節(jié)省特征提取的時(shí)間。

采樣層的主要職責(zé)就是對(duì)經(jīng)過(guò)卷積后獲得的輸出特征進(jìn)行采樣操作，子采樣可以通過(guò)多種方式進(jìn)行，其中比較常用的有均值子采樣、最大值子采樣等方式。

1.1.2 訓(xùn)練過(guò)程

對(duì)于卷積神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練時(shí)主要分為兩部分進(jìn)行：

(1)前向傳播訓(xùn)練。從總樣本中隨機(jī)選擇一部分為訓(xùn)練使用的樣本(X，YP)，然后將其輸入到已經(jīng)初始化好的網(wǎng)絡(luò)之中，開始訓(xùn)練；通過(guò)卷積神經(jīng)網(wǎng)絡(luò)中特有的卷積操作和下采樣操作，再通過(guò)全連接操作拉長(zhǎng)，得到輸出的最終向量Op。

(2)反向傳播訓(xùn)練。對(duì)訓(xùn)練樣本的輸出結(jié)果Op和其所對(duì)應(yīng)的實(shí)際標(biāo)簽Y兩者的殘差進(jìn)行計(jì)算；將得到的殘差一層一層地向前傳播，并根據(jù)結(jié)果對(duì)每一層的參數(shù)進(jìn)行修正。

1.2 AlexNet模型概述

1.2.1 AlexNet模型結(jié)構(gòu)

AlexNet是基于經(jīng)典的卷積神經(jīng)LetNet5和傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)發(fā)展改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)。采用了8層結(jié)構(gòu)，分為5個(gè)卷積層和3個(gè)全連接層。其中卷積層1、2、5層分別采用了MaxPooling、ReLU和LRN模塊，并且在全連接層FC6和FC7采用了Dropout模塊。最終在FC8層的softmax輸出多分類的最大后驗(yàn)概率進(jìn)行分類。

1.2.2 AlexNet模型分析

(1)ReLU激活函數(shù)。AlexNet采用了ReLU函數(shù)作為CNN的非線性激活函數(shù)，替代了之前的Sigmod函數(shù)。由于該函數(shù)具有稀疏性，使得模型訓(xùn)練的速度進(jìn)一步加快，該方法有效加快了梯度下降的速度。

(2)LRN模塊。模型中的局部歸一化對(duì)局部神經(jīng)元活動(dòng)創(chuàng)建了競(jìng)爭(zhēng)機(jī)制，該方法使得其中的響應(yīng)值變得更大，因此增加了模型的泛化能力

(3)Dropout。對(duì)于Dropout層的神經(jīng)元，它通過(guò)定義的概率隨機(jī)刪除一些神經(jīng)元。能夠保持輸入層與輸出層的神經(jīng)元個(gè)數(shù)不變。按照神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法進(jìn)行參數(shù)更新。然后在后續(xù)的迭代過(guò)程中隨機(jī)刪除神經(jīng)元，直到訓(xùn)練結(jié)束。該種方式能夠有效避免模型過(guò)擬合，提高了模型的泛化能力。

1.3 傳統(tǒng)Fisher準(zhǔn)則

對(duì)于Fisher線性鑒別[22]來(lái)說(shuō)，最為關(guān)鍵的內(nèi)容就是選取最合適的投影方向。多數(shù)情況都是利用準(zhǔn)則函數(shù)對(duì)LDA的投影方向進(jìn)行選擇。Fisher準(zhǔn)則是最常用，也是最經(jīng)典的準(zhǔn)則函數(shù)之一。它表示的是樣本集類間距離和類內(nèi)距離兩者分散值的比，為了保證投影方向是眾多方案中最優(yōu)化的就需要確保該比值取得最大[23]。

樣本集的類內(nèi)和類間散布矩陣分別表示為SW和SB，為了得到這兩個(gè)值，需要進(jìn)行如下計(jì)算：

(2)

(3)

其中：

(4)

(5)

其中，pi和ui分別指的是第i類的先驗(yàn)概率和平均值；u指的是總樣本的平均值。所以說(shuō)，可以用下列公式來(lái)表示Fisher準(zhǔn)則函數(shù)JF(V)。

(6)

其中，V指的是投影方向矩陣，如果JF(V)取得最大值，那Vopt就是最佳投影方向。

2 基于加權(quán)Fisher的醫(yī)學(xué)圖像分類

2.1 卷積神經(jīng)網(wǎng)絡(luò)的代價(jià)函數(shù)

卷積神經(jīng)網(wǎng)絡(luò)用卷積層與池化層對(duì)人工神經(jīng)網(wǎng)絡(luò)中的簡(jiǎn)單與復(fù)雜細(xì)胞層分別進(jìn)行替代。CNN運(yùn)用池化的操作對(duì)卷積后的特征做抽樣，在保留了有用特征信息的同時(shí)使圖像的維度下降[24]。經(jīng)過(guò)卷積與池化的反復(fù)處理作用，最后圖像特征按照全連接形式進(jìn)行輸出，并計(jì)算出輸出結(jié)果和標(biāo)簽的誤差情況。同時(shí)經(jīng)過(guò)反向傳播對(duì)參數(shù)進(jìn)行調(diào)節(jié)。因此，合適的損失函數(shù)對(duì)于一個(gè)訓(xùn)練良好的卷積神經(jīng)網(wǎng)絡(luò)至關(guān)重要。

目前兩種常用的損失函數(shù)分別為最小平方誤差函數(shù)和softmax函數(shù)。對(duì)于一個(gè)乳腺圖像集不多的數(shù)據(jù)集而言，顯得過(guò)于單一而且很難達(dá)到很好的效果。因此，該文創(chuàng)新性地將加權(quán)Fisher準(zhǔn)則運(yùn)用其中，構(gòu)造基于加權(quán)Fisher準(zhǔn)則的卷積神經(jīng)網(wǎng)絡(luò)(weighted fisher CNN，WFCNN)[25]。使用Fisher準(zhǔn)則，確保樣本實(shí)際值與樣本標(biāo)簽誤差盡可能小。

卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)為訓(xùn)練多層的網(wǎng)絡(luò)結(jié)構(gòu)從而得到一個(gè)良好的分類器。在卷積神經(jīng)網(wǎng)絡(luò)中核心是卷積核的權(quán)值W與偏置b確定。同時(shí)，卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重初始化對(duì)模型的收斂速度和性能至關(guān)重要。這就需要對(duì)權(quán)重參數(shù)W不停的迭代更新以期望能達(dá)到更好的性能[26]。因此，在初始化時(shí)該文將每層節(jié)點(diǎn)的權(quán)值和偏置重置為0。

2.2 基于加權(quán)Fisher的LetNet-5卷積神經(jīng)網(wǎng)絡(luò)

線性判別分析(LDA)為在特征提取方法中最常用的方法，能夠有效反映不同類別之間特征的差異。圖1中n維的樣本模型在投影在一維的空間,設(shè)有一個(gè)類4和其他類1,2,3分的比較遠(yuǎn),叫做邊緣類,則傳統(tǒng)的LDA得到的最好的投影方向A會(huì)把類4和其他的進(jìn)行分離,也就是對(duì)類間距離進(jìn)行過(guò)于偏大,然而這樣造成的結(jié)果就是使得原本類間距離很小的類別1,2,3發(fā)生了重疊。

圖1 不同定義下的SB導(dǎo)出的不同投影方向

為了防止以上情況發(fā)生，需對(duì)合適的類間距離過(guò)大、分類情況太好的進(jìn)行減小，從而使其在進(jìn)行特征分解的時(shí)候起關(guān)鍵作用。Marco提出了加權(quán)Fisher準(zhǔn)則，對(duì)類間散布矩陣做加權(quán)優(yōu)化處理，也就是對(duì)類間距離不一樣的類給予不一樣的權(quán)重值，其具體計(jì)算式為：

(7)

式中，

(8)

(9)

(10)

其中，Δij為第i類與第j類樣本間的馬氏距離，erf(?)為錯(cuò)誤函數(shù)，其表達(dá)式可表示為：

(11)

如此，通過(guò)如下的特征式求解可以得到基于加權(quán)Fisher準(zhǔn)則的鑒別投影向量：

SBν=λSWν

(12)

為計(jì)算更加便捷，節(jié)約時(shí)間，用簡(jiǎn)單的歐氏距離對(duì)權(quán)值函數(shù)ω(Δij)馬氏距離做替換，也就是：

(13)

一般是把最小的平方誤差函數(shù)作為最終的代價(jià)函數(shù)作處理，也就是真實(shí)輸出與標(biāo)簽間的誤差保持盡可能小。通過(guò)引入加權(quán)Fisher準(zhǔn)則對(duì)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)中的代價(jià)函數(shù)進(jìn)行改進(jìn)。

基于加權(quán)Fisher準(zhǔn)則的代價(jià)函數(shù)可用下式表示：

J=J(W,b)-αJB+βJW

(14)

其中的系數(shù)一般在0到1之間?；谧钚∑椒秸`差代價(jià)函數(shù)，為了計(jì)算方便，把類間距離的度量JB與類內(nèi)距離度量的函數(shù)JW分別表示成：

(15)

(16)

其中，mi為第i類均值，mj為第j類均值，為輸出層的真實(shí)輸出情況。

梯度計(jì)算以J為卷積神經(jīng)網(wǎng)絡(luò)代價(jià)函數(shù)的迭代時(shí)，在保持誤差盡可能小，需使樣本類內(nèi)距離縮小，使類間距離增加。如此進(jìn)行反復(fù)的前向傳播和后向傳播計(jì)算，其權(quán)值就會(huì)朝著更加有利于分類的方向進(jìn)行調(diào)節(jié)。

卷積網(wǎng)絡(luò)一般是把最小誤差函數(shù)當(dāng)成最后的代價(jià)函數(shù)，也就是真實(shí)輸出與標(biāo)簽間的誤差盡可能的小。對(duì)于此，運(yùn)用加權(quán)Fisher準(zhǔn)則，提出加權(quán)Fisher準(zhǔn)則下的卷積網(wǎng)絡(luò)是為了確保真實(shí)輸出與樣本標(biāo)簽間的誤差保持最小，同時(shí)還要實(shí)現(xiàn)對(duì)于同類樣本之間距離逐漸接近，而異類樣本的間距離盡可能的遠(yuǎn)。

綜上，基于加權(quán)Fisher準(zhǔn)則的卷積網(wǎng)絡(luò)訓(xùn)練流程為：

(1)把輸入的圖片放入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行卷積處理，獲得C1下的特征集X1；

(2)把上一步獲得的X1運(yùn)用均值采樣的方法再做處理，進(jìn)而獲得S2下的特征集X2；

(3)反復(fù)步驟1、2，分別獲得C3和S4特征集X3、X4；

(4)進(jìn)一步對(duì)步驟1、2反復(fù)，獲得特征集X5、X6；

(5)把X6拉直而成為一個(gè)列向量，按照全連接的形式方式進(jìn)行輸出；

(6)運(yùn)用加權(quán)Fisher準(zhǔn)則函數(shù)作為新代價(jià)函數(shù)，計(jì)算真實(shí)的結(jié)果與標(biāo)簽間的差異，經(jīng)過(guò)反向傳播傳遞殘差；

(7)將預(yù)處理好的圖像輸入到訓(xùn)練好的CNN中，并計(jì)算出其識(shí)別率。

2.3 基于加權(quán)Fisher的AlexNet卷積神經(jīng)網(wǎng)絡(luò)

AlexNet有5個(gè)卷積層和3個(gè)全連接層，在AlexNet中卷積核大小為11*11*3,步長(zhǎng)為4，輸出為55*55*96，子采樣與LetNet的均值采樣不同，使用的是最大值的子采樣，輸入圖像的大小為224*224。AlexNet使用ReLU代替sigmoid作為激活函數(shù)。ReLU的數(shù)學(xué)表達(dá)式如下所示：

f(x)=max(0,x)

(17)

將加權(quán)Fisher準(zhǔn)則的損失函數(shù)添加到AlexNet的網(wǎng)絡(luò)結(jié)構(gòu)中，基于Fisher準(zhǔn)則AlexNet其工作流程如下：

(1)把輸入的圖片放入卷積神經(jīng)網(wǎng)絡(luò)中開始卷積處理，得出C1下的特征集X1；

(2)把第一步所獲得的X1運(yùn)用最大值采樣的方法處理，進(jìn)而獲得S2下的特征集X2；

(3)反復(fù)進(jìn)行步驟1、2，經(jīng)過(guò)五次，得到特征集X10；

(4)將特征集輸入三層全連接層，最后拉成一個(gè)列向量；

(5)運(yùn)用Fisher準(zhǔn)則函數(shù)當(dāng)作新的代價(jià)函數(shù)對(duì)真實(shí)的結(jié)果與標(biāo)簽間的誤差進(jìn)行計(jì)算，經(jīng)過(guò)反向傳播對(duì)殘差進(jìn)行傳遞，進(jìn)而能夠運(yùn)用公式對(duì)權(quán)值做出優(yōu)化處理；

(6)將驗(yàn)證圖像輸入到已經(jīng)訓(xùn)練好了的AlexNet模型，最后計(jì)算其識(shí)別率。

3 實(shí)驗(yàn)過(guò)程與結(jié)果分析

3.1 醫(yī)學(xué)圖像數(shù)據(jù)預(yù)處理

為避免采用開源數(shù)據(jù)集，因數(shù)據(jù)量不足導(dǎo)致實(shí)驗(yàn)產(chǎn)生的過(guò)擬合問(wèn)題，采用MIAS開源數(shù)據(jù)，同時(shí)提取某三甲醫(yī)院PACS影系統(tǒng)中的乳腺影像數(shù)據(jù)作為補(bǔ)充，采用醫(yī)生診斷結(jié)果對(duì)其進(jìn)行標(biāo)記[27-28]。最終統(tǒng)計(jì)正常圖328幅、良性圖201幅、惡性圖93幅，圖像均處理為1 024*1 024灰度圖。

首先將圖像裁剪為512*768大小，保留圖像中最有用的部分信息，然后處理圖像當(dāng)中的噪聲，使用保留邊界功能的中值濾波方法對(duì)圖像去噪。由于采集圖像中存在亮度暗度不一致，為了避免影響分類效果，實(shí)驗(yàn)采用直方圖均衡化的方法進(jìn)行圖像增強(qiáng)處理。圖像預(yù)處理前后對(duì)比如圖2所示。

圖2 圖像預(yù)處理前(左)后(右)對(duì)比

為了論證圖像預(yù)處理的重要性，將原始圖像和經(jīng)過(guò)處理后圖像進(jìn)行均衡化直方圖對(duì)比(見圖3)[29]。圖像處理前其灰度值大多數(shù)會(huì)集中在某個(gè)部位，可分性不強(qiáng)，同時(shí)對(duì)比度也不夠強(qiáng)。在經(jīng)過(guò)均衡化處理以后，其像素的排布會(huì)更均勻，層次更豐富，從而對(duì)比度得到提高。

圖3 圖像預(yù)處理前后均衡化直方圖對(duì)比

為了對(duì)采用基于加權(quán)Fisher準(zhǔn)則的卷積網(wǎng)絡(luò)進(jìn)行驗(yàn)證，在預(yù)處理后的乳腺X影像數(shù)據(jù)集上進(jìn)行一系列實(shí)驗(yàn)以驗(yàn)證該算法的先進(jìn)性。設(shè)定一樣的迭代次數(shù)同時(shí)使用一樣的訓(xùn)練樣本。

3.2 基于加權(quán)Fisher的LetNet-5圖像分類

采用識(shí)別率作為實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)，其計(jì)算方式為：

識(shí)別率=分類正確的數(shù)據(jù)個(gè)數(shù)/算法的數(shù)據(jù)的個(gè)數(shù)。

首先將改進(jìn)的LetNet-5卷積神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)模型(LetNet-5)和加權(quán)Fisher準(zhǔn)則LetNet-5模型(WFLetNet-5)進(jìn)行對(duì)比實(shí)驗(yàn)研究，在原始的基礎(chǔ)上多增加了一層新的卷積層和子采樣層，并且增加了全連接層的參數(shù)，以保證輸入的圖像可以從原始的32*32的大小，調(diào)整為128*128的大小。

將預(yù)處理好的乳腺影像通過(guò)Python代碼，沿圖像寬高最短尺寸調(diào)整大小，以中心為原點(diǎn)再次裁剪為128*128大小。然后從建模及隨機(jī)提取出500張作為訓(xùn)練集，剩余部分隨機(jī)提取122張作為驗(yàn)證集，卷積層C1、C3、C5的濾波器個(gè)數(shù)分別為16、32和64，其大小都是3*3，S2、S4都是2*2的均值的采樣層，其激活函數(shù)是sigmoid，α取0.02，β取0.01。同時(shí)學(xué)習(xí)率初始設(shè)置為0.01，按訓(xùn)練的輪數(shù)增長(zhǎng)指數(shù)插值進(jìn)行遞減。

圖4為迭代1 000次的LetNet-5和WFLetNet-5模型識(shí)別率對(duì)比。在500輪之后兩個(gè)模型在訓(xùn)練集上的識(shí)別率都高達(dá)了100%，所以只選擇了前500輪，并且圖中只顯示了每10輪的識(shí)別率。從圖中可以很直觀地看出在大約250的訓(xùn)練輪后，WFLetNet-5模型的識(shí)別率就普遍高于傳統(tǒng)模型。

圖4 在乳腺影像數(shù)據(jù)上的訓(xùn)練識(shí)別率

接著，把兩個(gè)訓(xùn)練好的模型在驗(yàn)證集上做測(cè)試，LetNet-5識(shí)別率為76%，WFLetNet-5識(shí)別率為88%，提升率16%。

采用交叉驗(yàn)證的方式重新對(duì)兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，將預(yù)處理好的全部圖像集，隨機(jī)分成10份，進(jìn)行十次訓(xùn)練和驗(yàn)證。每次的驗(yàn)證集為對(duì)應(yīng)次數(shù)的數(shù)據(jù)子集，其余9份為訓(xùn)練集。交叉驗(yàn)證對(duì)比結(jié)果如圖5所示。

圖5 十次交叉驗(yàn)證的對(duì)比折線圖

在交叉驗(yàn)證中，WFLetNet-5模型的識(shí)別率高于傳統(tǒng)的LetNet-5。該結(jié)果表現(xiàn)出加權(quán)Fisher準(zhǔn)則對(duì)于LetNet-5的模型有較好的提升效果。

3.3 基于加權(quán)Fisher的AlexNet圖像分類

隨機(jī)提取500張經(jīng)預(yù)處理的圖像作為訓(xùn)練集，剩余122張作為驗(yàn)證集。將圖片調(diào)整為224*224大小。其中卷積層C1、C3、C5數(shù)目分別是6、12與32，其大小都是3*3，S2、S4都是運(yùn)用規(guī)模為2*2均值的形式，激活函數(shù)為ReLU，α取0.02，β取0.01。

圖6為迭代5 000次的AlexNet卷積神經(jīng)網(wǎng)絡(luò)的前1 000輪的傳統(tǒng)模型和改進(jìn)模型的識(shí)別率對(duì)比?；诩訖?quán)Fisher的AlexNet網(wǎng)絡(luò)結(jié)構(gòu)(WFAlexNet)識(shí)別率好于傳統(tǒng)模型(AlexNet)。

圖6 在影像數(shù)據(jù)集上的訓(xùn)練識(shí)別率

使用驗(yàn)證集在模型上進(jìn)行實(shí)驗(yàn)并計(jì)算最終的識(shí)別率，AlexNet識(shí)別率為61%，WFAlexNet識(shí)別率為68%，提升率11%。引入了加權(quán)Fisher的AlexNet卷積神經(jīng)網(wǎng)絡(luò)在驗(yàn)證集上識(shí)別準(zhǔn)確率要好于傳統(tǒng)的AlexNet神經(jīng)網(wǎng)絡(luò)。

3.4 兩種模型實(shí)驗(yàn)結(jié)果對(duì)比分析

基于實(shí)驗(yàn)數(shù)據(jù)對(duì)比分析，改進(jìn)前LetNet-5對(duì)乳腺圖像的識(shí)別率好于AlexNet，改進(jìn)后的模型具有同樣的效果?；诩訖?quán)Fisher準(zhǔn)則的LetNet-5對(duì)于模型整體質(zhì)量的提升具有更為良好的效果。

為了驗(yàn)證真實(shí)數(shù)據(jù)集環(huán)境下，基于加權(quán)Fisher的LetNet-5及AlexNet算法的效果，該文將原始的622張1 024*1 024圖片隨機(jī)裁剪成512*768的像素大小，進(jìn)行圖像處理后通過(guò)隨機(jī)選取、裁剪的方式將訓(xùn)練集分別擴(kuò)充到6 200張128*128和224*224的影像訓(xùn)練數(shù)據(jù)集。同時(shí)在PACS影像庫(kù)中又隨機(jī)提取100名患者的真實(shí)乳腺圖像數(shù)據(jù)作為測(cè)試集。其中良性36幅、惡性18幅、正常46幅。同樣將其進(jìn)行預(yù)處理形成100張128*128和224*224的圖像，再分別進(jìn)行驗(yàn)證。

將真實(shí)PACS系統(tǒng)提取的乳腺影像數(shù)據(jù)測(cè)試集放在訓(xùn)練好的加權(quán)Fisher的LetNet-5及加權(quán)Fisher的AlexNet卷積神經(jīng)網(wǎng)絡(luò)上做驗(yàn)證，其中改進(jìn)的LetNet-5混淆矩陣結(jié)果如表1所示，改進(jìn)的AlexNet混淆矩陣如表2所示。

表1 加權(quán)Fisher的LetNet-5的混淆矩陣

表2 加權(quán)Fisher的AlexNet的混淆矩陣

在充足的數(shù)據(jù)基礎(chǔ)上，加權(quán)Fisher 的LetNet-5卷積神經(jīng)網(wǎng)絡(luò)比加權(quán)Fisher的AlexNet卷積神經(jīng)網(wǎng)絡(luò)在乳腺檢查上識(shí)別率更高(91% VS 74%)，而且因?yàn)闃颖炯龃蟮脑?，使得卷積神經(jīng)網(wǎng)絡(luò)發(fā)揮出了其針對(duì)于大量樣本有著更強(qiáng)的學(xué)習(xí)能力的特性，其在測(cè)試集的識(shí)別率大大超過(guò)了樣本集較少時(shí)的準(zhǔn)確率。

綜上，引入了加權(quán)Fisher的卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集的收斂輪次上和驗(yàn)證集、測(cè)試集的識(shí)別率都比同樣條件下的傳統(tǒng)模型有著更好的效果，而且基于LetNet-5的改進(jìn)算法相較改進(jìn)的AlexNet有著更好的效果。這對(duì)于乳腺癌檢測(cè)、分類有著很好的應(yīng)用前景。

4 結(jié)束語(yǔ)

CNN提出時(shí)就以較高的算法性能而受到了較多的關(guān)注，這兩年隨著大數(shù)據(jù)研究的興起，深度學(xué)習(xí)，尤其是CNN又再次引起了研究者們的廣泛關(guān)注。通過(guò)機(jī)器識(shí)別輔助解決醫(yī)療問(wèn)題也成為一個(gè)新興的熱點(diǎn)。該文簡(jiǎn)述了CNN在醫(yī)學(xué)圖像識(shí)別領(lǐng)域研究的現(xiàn)狀，然后選擇中值濾波和直方圖均衡化的方法對(duì)圖像進(jìn)行了處理，將加權(quán)Fisher準(zhǔn)則分別應(yīng)用于LetNet-5和AlexNet卷積神經(jīng)網(wǎng)絡(luò)。

發(fā)現(xiàn)：(1)基于加權(quán)Fisher的卷積神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)有著更好的識(shí)別效果。(2)在充足的數(shù)據(jù)基礎(chǔ)上，基于加權(quán)Fisher的LetNet-5卷積神經(jīng)網(wǎng)絡(luò)比加權(quán)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)有著更強(qiáng)的學(xué)習(xí)能力，使得其在驗(yàn)證集上的識(shí)別率大大超過(guò)了加權(quán)AlexNet卷積神經(jīng)網(wǎng)絡(luò)。

因此，對(duì)比于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型，基于加權(quán)Fisher改進(jìn)后的模型對(duì)醫(yī)學(xué)圖像預(yù)測(cè)準(zhǔn)確率有更好的效果，基于LetNet-5的改進(jìn)模型效果更優(yōu)，這可以為臨床輔助診斷提供極大的幫助。