呂文豪 雷菊陽

摘 ?要： 乳腺腫瘤的計算機輔助診斷對乳腺腫瘤的診斷和治療有著重要意義。本文提出一種基于深度置信網(wǎng)絡(luò)（Deep Belief Network， DBN）的乳腺腫瘤輔助診斷方法。將病人的細(xì)胞核圖像參數(shù)作為深度置信網(wǎng)絡(luò)的輸入，對病人乳腺腫瘤惡性與良性進(jìn)行判斷，并與傳統(tǒng)的基于支持向量機、概率神經(jīng)網(wǎng)絡(luò)和隨機森林模型進(jìn)行比較。實驗結(jié)果表明，基于深度置信網(wǎng)絡(luò)的乳腺腫瘤輔助診斷方法能夠進(jìn)行準(zhǔn)確的判斷，并且具有較高的準(zhǔn)確率。

關(guān)鍵詞： 深度置信網(wǎng)絡(luò);支持向量機;概率神經(jīng)網(wǎng)絡(luò);隨機森林;乳腺腫瘤輔助診斷

中圖分類號： TP391.4 ? ?文獻(xiàn)標(biāo)識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.06.036

本文著錄格式：呂文豪，雷菊陽. 基于深度置信網(wǎng)絡(luò)的乳腺腫瘤輔助診斷[J]. 軟件，2019，40（6）：157159

【Abstract】： Computer-aided diagnosis of breast tumors is of great significance in the diagnosis and treatment of breast tumors. This paper presents a method of breast cancer diagnosis based on Deep Belief Network （DBN）. Taking the patient's nuclear image parameters as input to the deep belief network to judge the malignancy and benign of the patient's breast tumor. Compared with traditional models based on support vector machine， probabilistic neural network and random forest. The experimental results show that the method of breast cancer diagnosis based on depth belief network can make accurate judgment， and has a better accuracy.

【Key words】： Deep belief network; Support vector machine; Probabilistic neural network; Random forest; Breast tumor assistant diagnosis

0 ?引言

乳腺癌是女性最常見的惡性腫瘤，嚴(yán)重威脅女性健康[1]。乳腺癌若能早期發(fā)現(xiàn)、早期診斷和早期治療，可取的良好的效果[2]。傳統(tǒng)的概率神經(jīng)網(wǎng)絡(luò)、支持向量機和隨機森林等診斷方法較為簡單，均屬于淺層機器學(xué)習(xí)方法，無法充分挖掘數(shù)據(jù)特征，診斷準(zhǔn)確率不高。深度置信網(wǎng)絡(luò)具有強大數(shù)據(jù)特征提取分析能力，通過無監(jiān)督學(xué)習(xí)對數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，再通過有監(jiān)督學(xué)習(xí)進(jìn)行反向參數(shù)調(diào)整，充分分析數(shù)據(jù)特征，提高診斷準(zhǔn)確率。本文通過實驗證明了基于深度置信網(wǎng)絡(luò)的乳腺腫瘤輔助診斷方法的可行性并且具有較高診斷準(zhǔn)確率。

1 ?受限玻爾茲曼機

受限玻爾茲曼機（Restricted Boltzmann Machine， RBM）是Smolensky于1986年基于玻爾茲曼機提出的一種隨機生成神經(jīng)網(wǎng)絡(luò)，RBM的結(jié)構(gòu)如圖1所示。RBM是一個無向二部圖的結(jié)構(gòu)模型，它由兩層組成，第一層是可見層（visible layer），即輸入層，用 表示，第二層是隱層（hidden layer），用于提取數(shù)據(jù)特征，用 表示。層與層之間的連接權(quán)重用 表示， 表示第 個可見層單元和第 個隱層單元之間的連接權(quán)重， 表示第 個可見層單元的偏置， 表示第 個隱層單元的偏置。由于兩層之間連接的對稱性，即 。我們記 ，其中 為可見層和隱層之間的連接矩陣， 為可見層的偏置向量， 為隱層的偏置向量。

2 ?深度置信網(wǎng)絡(luò)

2006年，Hinton等人[3]提出了通過堆疊多層的RBM的方式，構(gòu)建深度置信網(wǎng)絡(luò)，并在2012年的ImageNet比賽中以巨大優(yōu)勢獲勝，DBN模型示意圖如圖2所示。深度置信網(wǎng)絡(luò)通過堆疊多個RBM，網(wǎng)絡(luò)可視層v即輸入層，前一個RBM的輸出作為后一個RBM輸入，最后一層采用softmax分類器作為結(jié)果的輸出。深度置信網(wǎng)絡(luò)的訓(xùn)練步驟包括兩個部分，預(yù)訓(xùn)練和微調(diào)。

2.1 ?預(yù)訓(xùn)練

DBN的預(yù)訓(xùn)練首先訓(xùn)練第一個RBM層，既固定第一個RBM的權(quán)值矩陣和偏置向量，將第一個RBM的隱層作為第二個RBM的輸入層。不斷重復(fù)上述步驟，直至將所有的RBM訓(xùn)練完成。保存每一層的RBM參數(shù)，作為DBN網(wǎng)絡(luò)的初始參數(shù)。

2.2 ?微調(diào)

DBN的微調(diào)采用BP網(wǎng)絡(luò)誤差反向傳播算法。

由于DBN的預(yù)訓(xùn)練過程訓(xùn)練好了每一層的RBM的參數(shù)，因此每一層的RBM參數(shù)都達(dá)到了局部最優(yōu)解，但是相互疊加的RBM參數(shù)并沒有達(dá)到DBN網(wǎng)絡(luò)的全局最優(yōu)解，因此采用BP網(wǎng)絡(luò)的誤差反向傳播算法可以微調(diào)RBM參數(shù)，使每一層的RBM局部最優(yōu)解達(dá)到整個網(wǎng)絡(luò)的全局最優(yōu)解。

3 ?實驗設(shè)計

3.1 ?實驗數(shù)據(jù)采集

本實驗采用美國威斯康辛大學(xué)醫(yī)學(xué)院的乳腺癌數(shù)據(jù)集。該數(shù)據(jù)集共包括569例乳腺癌細(xì)胞數(shù)據(jù)，其中良性數(shù)據(jù)357例，惡性數(shù)據(jù)212例。數(shù)據(jù)集包括細(xì)胞核圖像的10個量化特征（細(xì)胞核半徑、質(zhì)地、周長、面積、光滑性、緊密度、凹陷度、凹陷指數(shù)、對稱度、斷裂度）。本實驗選取的訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)如表1所示。

部分實驗數(shù)據(jù)如表2所示。

3.2 ?數(shù)據(jù)歸一化

3.3 ?網(wǎng)絡(luò)創(chuàng)建

根據(jù)實驗數(shù)據(jù)大小及分類個數(shù)，實驗參數(shù)設(shè)置如表3所示。

3.4 ?訓(xùn)練及仿真

首先用480例乳腺腫瘤訓(xùn)練樣本進(jìn)行DBN網(wǎng)絡(luò)的訓(xùn)練，再用89例測試樣本進(jìn)行測試。將測試結(jié)果輸出進(jìn)行標(biāo)記，乳腺腫瘤為良性的記為1，惡性的記為2。仿真結(jié)果如圖3所示。

3.5 ?實驗結(jié)果分析與對比

由圖5的仿真結(jié)果可知，在現(xiàn)有樣本下基于DBN的乳腺腫瘤診斷方法準(zhǔn)確率為95.5%。為說明基于深度置信網(wǎng)絡(luò)的乳腺腫瘤輔助診斷方案的效果，本文也對文獻(xiàn)4提出的基于隨機森林的診斷方法，文獻(xiàn)5提出的基于支持向量機的診斷方法和文獻(xiàn)6提出的基于概率神經(jīng)網(wǎng)絡(luò)的方法做了對比，結(jié)果如圖4所示。

4 ?結(jié)束語

本文將深度置信網(wǎng)絡(luò)模型用于診斷乳腺腫瘤的輔助診斷，并對比了傳統(tǒng)的基于支持向量機、概率神經(jīng)網(wǎng)絡(luò)和隨機森林模型。從實驗結(jié)果可以看出，基于深度置信網(wǎng)絡(luò)的新型乳腺腫瘤輔助診斷方法有著較高的準(zhǔn)確率。深度置信網(wǎng)絡(luò)有望成為一種有效并且實用的乳腺腫瘤輔助診斷工具，通過計算機手段減少人的主觀誤診，提高診斷準(zhǔn)確率。

參考文獻(xiàn)

[1] 白成梅， 張易青. 年輕女性乳腺癌的研究進(jìn)展[J]. 臨床醫(yī)藥文獻(xiàn)電子雜志， 2018， 5（36）： 194.

[2] 王欣， 李文萍. ?早期乳腺癌的診斷及其治療[J]. 中國普外基礎(chǔ)于臨床雜志， 2004， 11（1）： 9-10.

[3] Hinton G E， Salakhutdinov R R. Reducing the dimension- ality of data with neural networks[J]. Science， 2006， 313（5786）： 504-507.

[4] 劉永春， 宋弘. 基于隨機森林的乳腺腫瘤診斷研究[J]. 電視技術(shù)， 2014， 38（15）： 253-255.

[5] 劉興華， 蔡從中， 袁前飛等. 基于支持向量機的乳腺癌輔助診斷[J]. 重慶大學(xué)學(xué)報（自然科學(xué)版）， 2007， 30（6）： 140-144.

[6] 程智輝， 陳將宏. 基于概率神經(jīng)網(wǎng)絡(luò)的乳腺癌計算機輔助診斷[J]. 計算機仿真， 2012， 29（9）： 166-169.