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(jī)來(lái)辨別腫瘤良惡性，并利用人工免疫算法進(jìn)行特征篩選及決定支持向量機(jī)的參數(shù)。針對(duì)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(dá)到95.71%，并大幅縮短支持向量機(jī)的訓(xùn)練時(shí)間。

關(guān)鍵詞： 乳腺腫瘤； 人工免疫算法； 特征提?。?支持向量機(jī)； 計(jì)算機(jī)輔助診斷

中圖分類號(hào)： TN919?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 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(jī)會(huì)保留完整的乳房，存活率也大為提高。目前較常見(jiàn)的乳癌圖像檢測(cè)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(wú)放射性，非侵入性及價(jià)格相對(duì)較低廉等優(yōu)勢(shì)，廣為各醫(yī)療機(jī)構(gòu)所采用。

本文驗(yàn)證了將人工免疫算法結(jié)合支持向量機(jī)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(guò)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(lái)提高乳房腫瘤識(shí)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(huì)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?jiǎng)t通常較破碎且不規(guī)則，因此可通過(guò)形狀特征來(lái)識(shí)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?yàn)槠溆写罅康脑肼暎瑢?duì)于在檢測(cè)一些細(xì)節(jié)特征時(shí)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(cè)數(shù)據(jù)的特征值，進(jìn)一步?jīng)Q定了分類的效果[3?4]。

首先，根據(jù)文獻(xiàn)[5]中使用方法，將每張?jiān)嫉某暡▓D像先以混合噪聲圖像濾波算法去除其噪聲及斑點(diǎn)，為了取得更精準(zhǔn)的腫瘤外形，采用邊緣檢測(cè)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(duì)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(lái)，以計(jì)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(duì)不易因?yàn)樵O(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(jiàn)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(diǎn)）；P為腫瘤周長(zhǎng)（stick算法得到區(qū)域包裹曲線的總像素點(diǎn)），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(zhǎng)；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(jì)24個(gè)，加上6個(gè)幾何特征，構(gòu)成一個(gè)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(dòng)態(tài)模型，開(kāi)啟了生物免疫學(xué)說(shuō)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(guó)際專題研討會(huì)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(huì)，此后以人工免疫系統(tǒng)為主題的國(guó)際會(huì)議陸續(xù)在世界各地舉辦，顯示這門領(lǐng)域的研究開(kāi)始受到重視。

由于人工免疫系統(tǒng)的興起，近年來(lái)，基于各項(xiàng)生物免疫機(jī)制而開(kāi)發(fā)出的人工免疫算法紛紛被提出，以下將針對(duì)基于免疫學(xué)基本原理 所設(shè)計(jì)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(duì)于提高遺傳算法（IGA）的全局搜索能力同時(shí)保證不陷于局部最優(yōu)解，同時(shí)自我調(diào)節(jié)機(jī)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(shuō)就是用2個(gè)免疫操作來(lái)優(yōu)化遺傳算法：抵抗；免疫選擇。

抵抗：假設(shè)個(gè)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(lái)最大可能的獲得高的適應(yīng)度。假設(shè)一個(gè)群體為[c=x1，x2，…，xn0]，在[c]上的抗體操作即是[nα=αn]個(gè)體是從先前知識(shí)按比例[α]選擇出來(lái)的。這個(gè)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(shí)出現(xiàn)了嚴(yán)重的基因損壞，這樣就將父輩來(lái)進(jìn)行下一次競(jìng)爭(zhēng)。然后是退火選擇[4]：從先前的后代中選擇個(gè)體時(shí)引入概率：[Pxi=efxiTki=1n0efxiTk]，其中：[fxi]是個(gè)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(duì)當(dāng)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(shí)別

李曉峰提出了采用支持向量機(jī)（SVM）對(duì)腫瘤圖像進(jìn)行識(shí)別，取得了較好的結(jié)果，但是支持向量機(jī)本身對(duì)于噪聲和訓(xùn)練集的極端值非常敏感，且多個(gè)特征值如果未經(jīng)適當(dāng)篩選也可能會(huì)導(dǎo)致支持向量機(jī)對(duì)腫瘤分類的正確率降低，因此本文利用人工免疫算法來(lái)篩選特征值，以及決定支持向量機(jī)中 用來(lái)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(guò)程如下：

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

（2） 二進(jìn)制初始抗體中所有的值皆是由隨機(jī)隨機(jī)數(shù)來(lái)決定。每段參數(shù)的值都產(chǎn)生后，會(huì)先將原本二進(jìn)制的參數(shù)轉(zhuǎn)換成十進(jìn)制。

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

4 實(shí)驗(yàn)及結(jié)果分析

本文共采用了 220個(gè)超聲波乳房腫瘤圖像樣本，其中包含120 個(gè)良性腫瘤及100個(gè)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(gè)被測(cè)的超聲波乳房腫瘤圖像樣本以隨機(jī)的方式分成5組，并輪流選擇其中一組樣本進(jìn)行測(cè)試，其余四組則用來(lái)作為SVM的訓(xùn)練集。

圖5 人工免疫算法優(yōu)化SVM流程圖

計(jì)算機(jī)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(huì)復(fù)制30倍。在二進(jìn)制抗體中每8個(gè)位決定一個(gè)實(shí)驗(yàn)參數(shù)。整個(gè)人工免疫算法運(yùn)算的循環(huán)次數(shù)為400次。支持向量機(jī)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(gè)，特征篩選的比例為20%。實(shí)驗(yàn)結(jié)果如表1所示。

表1 實(shí)驗(yàn)結(jié)果

由于原始的支持向量機(jī)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(jí)上就找到了合適參數(shù)，并且將參數(shù)與特征聯(lián)合進(jìn)行優(yōu)化，與文獻(xiàn)[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(gè)之間，同時(shí)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(zhǔn)確度與效率方面，通過(guò)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(jī)，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(duì)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(píng)價(jià)指標(biāo)做了對(duì)比[1]，ROC曲線圖見(jiàn)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(jī)對(duì)超聲波乳房腫瘤圖像進(jìn)行分類。通過(guò)人工免疫算法進(jìn)行特征篩選并獲取支持向量機(jī)的最優(yōu)參數(shù)，使支持向量機(jī)在不影響正確率前提下降低分類時(shí)所花費(fèi)的時(shí)間。由實(shí)驗(yàn)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(jī)因計(jì)算冗余特征值所耗費(fèi)的時(shí)間。而用來(lái)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(jī)的執(zhí)行次數(shù)。除了本文方法外，未來(lái)可以考慮采用由其他生物免疫系統(tǒng)概念發(fā)展出來(lái)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(xiàn)

[1] 李曉峰.基于支持向量機(jī)的超聲乳腺腫瘤圖像計(jì)算機(jī)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(jì)算機(jī)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(qiáng)高斯噪聲自適應(yīng)濾波方法[J].計(jì)算機(jī)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(jì)算機(jī)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(yáng)：沈陽(yáng)工業(yè)大學(xué)，2013.

表1 實(shí)驗(yàn)結(jié)果

由于原始的支持向量機(jī)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(jí)上就找到了合適參數(shù)，并且將參數(shù)與特征聯(lián)合進(jìn)行優(yōu)化，與文獻(xiàn)[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(gè)之間，同時(shí)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(zhǔn)確度與效率方面，通過(guò)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(jī)，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(duì)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(píng)價(jià)指標(biāo)做了對(duì)比[1]，ROC曲線圖見(jiàn)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(jī)對(duì)超聲波乳房腫瘤圖像進(jìn)行分類。通過(guò)人工免疫算法進(jìn)行特征篩選并獲取支持向量機(jī)的最優(yōu)參數(shù)，使支持向量機(jī)在不影響正確率前提下降低分類時(shí)所花費(fèi)的時(shí)間。由實(shí)驗(yàn)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(jī)因計(jì)算冗余特征值所耗費(fèi)的時(shí)間。而用來(lái)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(jī)的執(zhí)行次數(shù)。除了本文方法外，未來(lái)可以考慮采用由其他生物免疫系統(tǒng)概念發(fā)展出來(lái)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(xiàn)

[1] 李曉峰.基于支持向量機(jī)的超聲乳腺腫瘤圖像計(jì)算機(jī)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(jì)算機(jī)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(qiáng)高斯噪聲自適應(yīng)濾波方法[J].計(jì)算機(jī)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(jì)算機(jī)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(yáng)：沈陽(yáng)工業(yè)大學(xué)，2013.

表1 實(shí)驗(yàn)結(jié)果

由于原始的支持向量機(jī)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(jí)上就找到了合適參數(shù)，并且將參數(shù)與特征聯(lián)合進(jìn)行優(yōu)化，與文獻(xiàn)[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(gè)之間，同時(shí)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(zhǔn)確度與效率方面，通過(guò)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(jī)，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(duì)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(píng)價(jià)指標(biāo)做了對(duì)比[1]，ROC曲線圖見(jiàn)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(jī)對(duì)超聲波乳房腫瘤圖像進(jìn)行分類。通過(guò)人工免疫算法進(jìn)行特征篩選并獲取支持向量機(jī)的最優(yōu)參數(shù)，使支持向量機(jī)在不影響正確率前提下降低分類時(shí)所花費(fèi)的時(shí)間。由實(shí)驗(yàn)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(jī)因計(jì)算冗余特征值所耗費(fèi)的時(shí)間。而用來(lái)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(jī)的執(zhí)行次數(shù)。除了本文方法外，未來(lái)可以考慮采用由其他生物免疫系統(tǒng)概念發(fā)展出來(lái)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(xiàn)

[1] 李曉峰.基于支持向量機(jī)的超聲乳腺腫瘤圖像計(jì)算機(jī)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(jì)算機(jī)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(qiáng)高斯噪聲自適應(yīng)濾波方法[J].計(jì)算機(jī)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(jì)算機(jī)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(yáng)：沈陽(yáng)工業(yè)大學(xué)，2013.