基于LVQ神经网络的微钙化分类方法_敏感度

(2)

否则，当，有

(3)

对于其他神经元，保持权值不变论文开题报告范例。

第六步：调整学习速率，LVQ 算法中学习速率是个很重要的参数，它影响算法的稳定性和权值收敛的速度，是LVQ 神经网络训练过程中需要重点考虑的参数。在定义学习速率的时候要贯彻快速稳定的原则，这里我们采用自适应学习速率定义方法：一般来说，学习速率的选择需要考虑的是，在迭代的初始时刻选择较大的值，然后，随着迭代的进行，线性或非线性地降到0。

在初始阶段，通常取较大的值，表示算法迅速修正较大的误分类权值，随着时间的进行，越来越小，表明使用较小的学习系数(缓慢的自适应)来修正较小的误分类权值，以至在学习完成后，误分类的样本数得到最少。使用自适应学习速率，神经网络的权值在刚开始快些收敛，结束时保证权值相对稳定，因此它比定学习速率有较快的收敛速率和更高的稳定性。

第七步：判断迭代次数是否超过T，如果就转到第三步，否则就结束迭代过程。

对40张cc和mlo视图上的图像（其中CC和MLO视图上的图像各20张敏感度，包括10张恶性，10张良性，并且左右视图各对半即5张）进行训练，获得了最佳的学习模式。对另外200个案例（良恶性各100张），对不同两种视图分开来进行良恶性组织的分类的测试。为了降低漏掉真阳性案例的可能性，对两种视图下的神经网络分类效果使用逻辑或的方式进行处理，就是如果任何一种视图（cc或mlo）网络分类器将图像病灶分类成是恶性的，那么就认为该病例是恶性的，否则，就认为是正常或良性的图像。

4 实验结果

使用MATLAB进行仿真计算，实验结果表明完成的测试集在cc和mlo视图上各自平均分类性能是92.6%和93.18%。整合的系统的平均分类性能略微的降低到91.84%（如表1），而最佳分类性能是94.8%。

表1 240个DDSM案例的神经网络训练和测试结果

4 结束语
 

本文提出了一个学习向量量化神经网络整合系统用于区分乳腺癌的良恶性病灶的方法。整合的神经网络拥有更强的学习技能，可以改善神经系统学习的泛化能力。本文整合的神经网络分类系统使用了低分辨率的图像，微钙化使用自适应的学习向量量化网络提取，这个网络在cc和mlo视图下使用良性和恶性的图像进行训练，整合的系统完成的最佳分类性能是94.8%。尽管如此，但整合后的系统的平均分类率有所下降，这是以后需要研究和改进的方向。

参考文献
[1]McLelland, R.Screening for breast cancer: opportunities, status and challenges. In: Brunner,S., Langfeldt, B. (eds.) Advances in Breast Cancer Detection: Recent Results inCancer Research, vol. 119, Springer, pp 29-38, 1990.
[2]Li, S. L. Oncology of breast. Beijing: Science Technique LiteraturePublishing House, 2000. pp 210, 218-220.
[3]美国南佛罗里达大学.数字乳腺图像数据库（DDSM）[EB/OL].http://marathon.csee.usf. edu/Mammography/Database.html/
[4]LJPEG格式转换到TIFF格式的详细说明. http://hi.baidu.com/xs64/blog/item/ 656858034ea603eb08fa938e.html, 2009-1-4.
[5]Khuwaja, G. A. An adaptive combined classifier system for invariantface recognition. Digital Signal Processing, 2002, 12: 21-46.
[6]SANO K, MOMOSE S, TAKIZAWA H,et al.Efficient parallel processing ofcompetitive learning algorithms[J]. Parallel Computing, 2004, 30(12):1361-1383.
 

 2/2   首页 上一页 1 2