基于AlexNet模型和自适应对比度增强的乳腺结节超声图像分类

摘要

乳腺癌是女性是最常见的恶性肿瘤之一,其发病率有逐年增高的趋势,严重威胁着患者健康。如何取代传统活体穿刺,快速准确地对乳腺结节进行良恶性判断,近年越来越受到关注。医学研究表明,良恶性结节在边缘处呈现较为显著的差异,因此对边界加强处理的算法为判断乳腺结节良恶性的深度学习提供了新思路。文中实验数据库的构建基础得到首都医科大学附属北京友谊医院的支持。在比较5种边界增强算法后对图像进行扩增,并采用在图像分类方面十分出色的AlexNet网络模型。将分别经过线性、非线性对比度拉伸、直方图均衡化、直方图阈值化以及自适应对比度增强算法处理后的数据用于AlexNet模型,比较5种算法对AlexNet模型准确度的影响,得出更适用于乳腺结节超声图像的预处理算法。扩增后的数据集图像总数量超过一万张,其中训练集占80%,验证集与测试集各占10%。最终,通过绘制ROC曲线计算敏感度、特异度、精确度参数,对测试结果进行评估,并得到了较好的测试结果。