用于乳腺癌診斷的圖像局部信息增強(qiáng)技術(shù)

付其林，鄧安生，曲衍鵬

(大連海事大學(xué) 信息科學(xué)技術(shù)學(xué)院，遼寧 大連 116026)

1 引 言

乳腺癌是影響女性健康的常見疾病之一.根據(jù)世界衛(wèi)生組織國(guó)際癌癥研究所的統(tǒng)計(jì)，世界上每年有100多萬婦女死于乳腺癌，2016年乳腺癌的發(fā)病率增加了13.6%[1].其早期的診斷主要靠專家通過乳腺X光圖像[2]進(jìn)行篩查.然而，即使是專業(yè)的放射科醫(yī)生有時(shí)也無法發(fā)現(xiàn)乳腺X光圖像異常.而且在醫(yī)學(xué)調(diào)查后發(fā)現(xiàn)，有時(shí)醫(yī)生診斷出的異常通常是良性的.因此，通過CAD系統(tǒng)輔助醫(yī)生進(jìn)行乳腺癌判別受到了很大關(guān)注.

在CAD處理過程中，圖像處理對(duì)于提取高質(zhì)量特征以獲得準(zhǔn)確的診斷結(jié)果起著至關(guān)重要的作用.一般來說，乳腺癌診斷的圖像處理過程包括以下三個(gè)步驟：感興趣區(qū)域(ROI)提取、圖像增強(qiáng)和特征提取.乳腺X光圖像通常包含標(biāo)簽和偽影.噪聲、血管組織和腺體組織也可能影響異常區(qū)域的搜索，導(dǎo)致分類精度差.因此，特征提取通常不適合用于整個(gè)乳腺X光圖像，而是適合于特定的區(qū)域，如ROI[3].為了提取ROI，通常先對(duì)圖像進(jìn)行去噪處理.在文獻(xiàn)[4]中，為了避免某些區(qū)域微觀結(jié)構(gòu)所造成的影響，使用中值濾波器對(duì)乳腺區(qū)域進(jìn)行平滑處理.然后利用灰度信息結(jié)合模糊C均值聚類方法將像素分為脂肪組織和致密組織兩類.在文獻(xiàn)[5]中作者使用了質(zhì)心法和最大內(nèi)接圓提取ROI區(qū)域.

圖像增強(qiáng)的目的是提高目標(biāo)特征的可識(shí)別性和圖像質(zhì)量，以滿足特定應(yīng)用場(chǎng)景的分析需求[6].常用的圖像增強(qiáng)方法主要有以下幾種：1)直方圖均衡化[7];2)中值濾波[8];3)小波變換[9].在增強(qiáng)ROI之后，會(huì)提取特征進(jìn)行進(jìn)一步分析.一般將特征提取方法分為以下四類：1)統(tǒng)計(jì)方法：如灰度共生矩陣(GLCM)[10];2)幾何方法：如棋盤格特征法[11]和結(jié)構(gòu)方法[12];3)模型方法：典型的方法有馬爾可夫隨機(jī)場(chǎng)模型方法[13]和吉布斯隨機(jī)場(chǎng)模型方法[14];4)信號(hào)處理方法：利用線性變換或?yàn)V波將紋理轉(zhuǎn)換到變換域，然后應(yīng)用某種準(zhǔn)則提取特征[15].

傳統(tǒng)的醫(yī)學(xué)圖像增強(qiáng)方法通常是完整地處理從原始圖像中提取的ROI.然而在ROI中，并不是所有的信息都與決策相關(guān).在整個(gè)ROI中由于不相關(guān)或無用信息的增強(qiáng)與突出，可能會(huì)產(chǎn)生很多不相關(guān)的特征數(shù)據(jù).這會(huì)影響后續(xù)的特征選擇和診斷決策等數(shù)據(jù)分析工作.

為了解決這些問題，本文基于信息熵對(duì)ROI圖像局部增強(qiáng)(IR)策略進(jìn)行研究，分層次地提高乳腺圖像特征的質(zhì)量.具體來說，本文首先采用文獻(xiàn)[16]中的方法獲得乳腺癌圖像的ROI.然后使用滑動(dòng)窗口算法[17]對(duì)得到的ROI進(jìn)行分割.通過圖像信息熵的值來評(píng)估每個(gè)窗口塊的重要性[18].因?yàn)閳D像信息熵表明對(duì)象和給定特征集的標(biāo)簽之間存在正依賴關(guān)系，所以最高熵值的窗口更能決定圖像標(biāo)簽，更適合表示整個(gè)ROI.此外，還采用脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)方法[19]對(duì)信息熵最高的窗口塊進(jìn)行增強(qiáng).為了進(jìn)一步保證特征的質(zhì)量，不同閾值的PCNN將反復(fù)增強(qiáng)優(yōu)勝窗口塊，創(chuàng)建一個(gè)圖像增強(qiáng)結(jié)果池.對(duì)于乳腺X光圖像，將候選增強(qiáng)塊嵌入原始ROI后，使用熵權(quán)法對(duì)各自提取的特征進(jìn)行對(duì)比，計(jì)算的最大值的一組特征將表示這幅圖像.最后將基于該策略(IR)提取的特征與原始圖像特征、全局增強(qiáng)圖像特征和隨機(jī)選擇窗口的局部增強(qiáng)圖像特征的乳腺癌診斷結(jié)果進(jìn)行比較.本文使用的分類器包括JRip[20]，PART[21]，AdaBoostM1[22]，RandomForest(RF)[23].實(shí)驗(yàn)結(jié)果表明，在分類精度和AUC指標(biāo)[25]方面，基于本文所提方法所獲得特征的診斷結(jié)果明顯優(yōu)于其他特征來源的評(píng)估結(jié)果.為了驗(yàn)證所提方法的適用性，本文還根據(jù)不同滑動(dòng)窗口結(jié)構(gòu)的IR所獲得的特征，給出了計(jì)算結(jié)果.

2 理論背景

本節(jié)介紹了圖像信息熵的概念，并將其作為本文的指標(biāo).同時(shí)回顧了本文中使用的特征提取、圖像增強(qiáng)方法.

2.1 圖像信息熵

圖像信息熵是一種特征的統(tǒng)計(jì)形式，它反映了圖像中平均信息量的多少[18].圖像的一維熵表示圖像中灰度分布的聚集特征所包含信息量，令Pi表示圖像中灰度值為i的像素所占的比例，則定義灰度圖像的一元灰度熵為：

(1)

圖像的一維熵可以表示圖像灰度分布的聚集特征，卻不能反映圖像灰度分布的空間特征，為了表征這種空間特征，可以在一維熵的基礎(chǔ)上引入能夠反映灰度分布空間特征的特征量來組成圖像的二維熵.選擇圖像的鄰域灰度均值作為灰度分布的空間特征量，與圖像的像素灰度組成特征二元組，記為(i,j)，其中i表示像素灰度值，j表示鄰域灰度均值：

Pij=f(i,j)/N2

(2)

上式反應(yīng)了某像素位置上灰度值與其周圍像素灰度分布的綜合特征，其中f(i,j)為特征二元組(i,j)出現(xiàn)頻數(shù)，N為圖像尺度.則定義離散圖像二維熵為：

(3)

構(gòu)造的圖像二維熵可以在圖像所包含信息量的前提下，突出反映圖像中像素位置的灰度信息和像素鄰域內(nèi)灰度分布的綜合特征.

熵權(quán)法就是根據(jù)信息熵的定義，對(duì)于某項(xiàng)指標(biāo)，可以用熵值來判斷某個(gè)指標(biāo)的離散程度，其熵值越小，指標(biāo)的離散程度越大，該指標(biāo)對(duì)綜合評(píng)價(jià)的影響(即權(quán)重)就越大，如果某項(xiàng)指標(biāo)的值全部相等，則該指標(biāo)在綜合評(píng)價(jià)中不起作用.最后通過計(jì)算每個(gè)樣本特征的熵權(quán)值來選擇最佳特征.

對(duì)于給定的特征集，具有較高圖像信息熵的對(duì)象與決策更為相關(guān).因此在這種情況下，利用圖像信息熵作為度量工具，在所提出的策略中選擇最佳的ROI局部信息，并利用熵權(quán)法計(jì)算得到每個(gè)乳腺圖像的最佳特征進(jìn)行融合.

2.2 灰度共生矩陣(GLCM)

本文使用的特征提取方法是灰度共生矩陣(GLCM).GLCM是通過研究灰度空間相關(guān)性特征來描述紋理的一種常用方法[10].在文獻(xiàn)[10]中，提出了如何使用GLCM描述紋理特征.GLCM方法是通過計(jì)算灰度圖像來獲得共生矩陣.然后通過計(jì)算GLCM得到矩陣的一些特征值，分別表示圖像的一些紋理特征.GLCM 可以反映圖像灰度在方向、相鄰區(qū)間、變化幅度等方面的綜合信息，它是分析圖像局部模式及其排列規(guī)律的基礎(chǔ).本文突出顯示了基于GLCM提取的如對(duì)比度、紋理熵、相關(guān)性、方差等紋理特征.

2.3 脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)

脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)是一種迭代圖像增強(qiáng)模型，它模擬了哺乳動(dòng)物視覺皮層神經(jīng)元對(duì)視覺信號(hào)的響應(yīng).PCNN方法可以提高圖像的亮度，增強(qiáng)圖像的邊緣，使紋理細(xì)節(jié)更加突出[19].因此，采用PCNN對(duì)乳腺圖像進(jìn)行處理，使其紋理更清晰且更容易識(shí)別.PCNN的框架可以看作是一個(gè)單層的二維神經(jīng)網(wǎng)絡(luò)，其中每個(gè)神經(jīng)元對(duì)應(yīng)于輸入圖像的每個(gè)像素.圖1顯示了一個(gè)PCNN神經(jīng)元模型，其中包括一個(gè)接受域、一個(gè)非線性調(diào)制域和一個(gè)脈沖發(fā)生器.各部分的功能介紹如下.

圖1 PCNN神經(jīng)元模型Fig.1 PCNN neuron model

對(duì)于圖像中坐標(biāo)為(i,j)的像素，接受域的輸入由反饋輸入Fij和線性連接輸入Lij組成，定義如下：

Fij[n]=Sij[n]

(4)

Lij[n]=e-αLLij[n-1]+VL∑WijklYkl[n-1]

(5)

其中Fij作為外部輸入信號(hào)，等于該像素灰度Sij.Lij是鄰域神經(jīng)元的連接輸入，它通過Ykl和Wijkl加權(quán)和得到.Ykl初始化為0，是相鄰神經(jīng)元的輸出.對(duì)于PCNN，將每個(gè)神經(jīng)元的輸出作為相鄰神經(jīng)元的輸入.Wijkl是內(nèi)部連接矩陣，存儲(chǔ)相鄰神經(jīng)元連接的加權(quán)系數(shù).n是脈沖點(diǎn)火迭代次數(shù).αL是Lij的衰減常數(shù).VL是連接輸入的內(nèi)在電勢(shì).

Uij作為調(diào)制域的輸出，是由Fij和Lij兩個(gè)輸入通道通過調(diào)制信號(hào)形成的內(nèi)部活動(dòng)項(xiàng).它的定義如下.

Uij[n]=Fij[n](1+βLij[n])

(6)

其中β為連接強(qiáng)度系數(shù).

在脈沖發(fā)生器中，將Uij與動(dòng)態(tài)閾值Eij進(jìn)行比較，生成輸出脈沖Yij.當(dāng)神經(jīng)元?jiǎng)討B(tài)閾值Eij超過內(nèi)部活動(dòng)項(xiàng)Uij時(shí)， 脈沖發(fā)生器關(guān)閉，脈沖停止.然后，閾值開始呈指數(shù)遞減.當(dāng)動(dòng)態(tài)閾值低于Uij時(shí)，脈沖發(fā)生器再次打開，神經(jīng)元被觸發(fā)或激活，脈沖序列按如下方式輸出.

Eij[n]=e-aEEij[n-1]+VEYij[n-1]

(7)

(8)

其中VE是振幅常數(shù).αE是動(dòng)態(tài)閾值Eij的時(shí)間衰減常數(shù).它可以確定處理所有像素的循環(huán)中的迭代次數(shù).Yij是PCNN脈沖輸出函數(shù).

利用脈沖發(fā)生器的輸出，公式(9)提高了每個(gè)像素的灰度值.

(9)

3 基于信息熵的圖像局部增強(qiáng)策略

基于上述方法，本文提出了一種基于信息熵的圖像局部增強(qiáng)策略(IR)用于乳腺X光圖像風(fēng)險(xiǎn)評(píng)估.圖2說明了提議方案的流程圖.該策略包括三個(gè)步驟：

1)圖像預(yù)處理和ROI提取.

2)ROI分割和局部評(píng)估.

3)ROI局部增強(qiáng)和特征融合.

圖2 提出方法的體系結(jié)構(gòu)Fig.2 Architecture of the proposed approach

3.1 圖像預(yù)處理和ROI處理

本節(jié)對(duì)乳腺圖像進(jìn)行預(yù)處理，提取乳腺組織區(qū)域以供進(jìn)一步分析.首先去除胸肌和其他偽影，如定位標(biāo)簽和膠帶.由于大多數(shù)致密組織和實(shí)質(zhì)形態(tài)位于乳腺纖維腺盤區(qū)，因此將從這些區(qū)域提取特征.根據(jù)組織密度的乳腺癌診斷標(biāo)準(zhǔn)，無論組織的密度級(jí)別如何，纖維腺區(qū)以外的區(qū)域都含有脂肪組織，因此在纖維腺體區(qū)域之外提取的特征并不能為組織密度分類提供有力證據(jù).本節(jié)從每張乳腺X光圖像中提取大小為256×256像素的纖維腺盤區(qū)域.如圖3所示，在提取纖維腺盤區(qū)域時(shí)，將乳腺邊界的最長(zhǎng)垂直距離(通常是和乳頭區(qū)域的垂直距離)和乳腺邊界的平行距離線的交點(diǎn)作為ROI區(qū)域的中心點(diǎn).基于這個(gè)中心點(diǎn)，提取大小為256×256像素的樣本纖維腺盤區(qū)域作為ROI[16].

圖3 從乳腺X光攝影圖像中提取ROIFig.3 Extracting ROI from mammography images

3.2 ROI分割和局部評(píng)估

在該策略中，采用滑動(dòng)窗口算法分割ROI區(qū)域來獲取初始提取的ROI的局部信息.為了使實(shí)驗(yàn)更加全面和可信，將滑動(dòng)窗口的大小分別指定為160×160，176×176，192×192，208×208，224×224像素.同時(shí)為了評(píng)估每個(gè)窗口塊在ROI中的重要性，我們將選擇具有最高圖像信息熵的窗口塊，以獲得進(jìn)一步的增強(qiáng).

具體來說，該策略在對(duì)每幅乳腺圖像的ROI進(jìn)行局部分割后，選擇熵值最大的塊區(qū)域進(jìn)行增強(qiáng).為了保證圖像增強(qiáng)過程的質(zhì)量，本文通過PCNN多輪策略進(jìn)一步改進(jìn)優(yōu)勝塊，創(chuàng)建一個(gè)圖像增強(qiáng)結(jié)果池.對(duì)于乳腺X光圖像，本文將候選增強(qiáng)塊嵌入原始ROI后，使用熵權(quán)法對(duì)各自提取的特征進(jìn)行對(duì)比，將計(jì)算結(jié)果值最大的一組特征表示這幅圖像.

3.3 ROI局部增強(qiáng)和特征融合

如前所述，αE應(yīng)盡可能取合適的值，以確保Eij能夠衰減的足夠慢，以便通過不同的點(diǎn)火時(shí)間來區(qū)分相鄰的灰度值.因此，PCNN將所選窗口塊上的圖像增強(qiáng)進(jìn)程實(shí)現(xiàn)為一個(gè)多輪策略，根據(jù)每個(gè)策略閾值αE的不同，從而創(chuàng)建一個(gè)圖像增強(qiáng)結(jié)果池.在此過程中，表示每張乳腺X光照片的候選特征集數(shù)量與PCNN算法中αE不同值個(gè)數(shù)相同.如圖4所示，所有候選增強(qiáng)窗口都將嵌入到原始ROI中，由GLCM生成特征，以供進(jìn)一步評(píng)估.

圖4 ROI局部增強(qiáng)Fig.4 ROI Local enhancement

本文所提策略利用熵權(quán)法對(duì)局部改進(jìn)ROI提取的候選特征進(jìn)行評(píng)估.另外在評(píng)估窗口塊的過程中，其余圖像是用從整個(gè)原始ROI中提取的特征來表示.最后通過不同輪的圖像增強(qiáng)處理，可以得到每幅乳腺圖像的優(yōu)勝特征集.這些特征集的融合將作為最終的乳腺圖像數(shù)據(jù)集.

在接下來的實(shí)驗(yàn)中，對(duì)比研究將使用IR策略的兩種變體：全局增強(qiáng)ROI(GR)方法和隨機(jī)局部增強(qiáng)ROI(RR)方法.具體來說，GR方法是指在所提出的策略的圖像增強(qiáng)過程中增強(qiáng)整體ROI的方法.當(dāng)IR策略隨機(jī)選擇窗口塊進(jìn)行進(jìn)一步增強(qiáng)時(shí)，稱為RR方法.這兩種方法的應(yīng)用將證明IR方法的有效性和優(yōu)越性.

4 實(shí)驗(yàn)結(jié)果

本文使用的實(shí)驗(yàn)數(shù)據(jù)來源于乳腺圖像分析學(xué)會(huì)(MIAS)數(shù)據(jù)庫中提取的圖像，包括161名女性(322例)的左右側(cè)位斜位(MLO)乳腺X光照片.并基于BI-RADS[24]設(shè)置乳腺X光圖像風(fēng)險(xiǎn)評(píng)估指標(biāo).

本文通過使用混淆矩陣，分類精度和AUC的統(tǒng)計(jì)檢驗(yàn)，將基于該策略(IR)提取特征的風(fēng)險(xiǎn)評(píng)估結(jié)果與基于原始ROI方法、GR方法和RR方法的評(píng)估結(jié)果進(jìn)行比較.此外，本文還討論了該策略在不同滑動(dòng)窗口尺寸下的性能.表1介紹了本文實(shí)現(xiàn)方法的配置參數(shù).

表1 基于信息熵的局部增強(qiáng)策略配置
Table 1 Configuration of local enhancement
strategy based on information entropy

方 法 參 數(shù) 脈沖耦合神經(jīng)網(wǎng)絡(luò)1.衰減常數(shù) αL= 0.069312.固有電勢(shì) VL= 1.003.連接強(qiáng)度系數(shù) β = 0.24.振幅常數(shù) VE = 2005.時(shí)間衰減常數(shù) αE = 0.0016.更新的輪數(shù) n=100灰度共生矩陣1.距離 d= 12.方向角度 0°,45°,90°,135°特征融合1.Pij=f(i,j)/N22.二維熵 H=-∑255i=0∑255j=0PijlogPij

4.1 性能評(píng)估

本節(jié)采用混淆矩陣，分類精度t檢驗(yàn)和AUC指標(biāo)進(jìn)行乳腺X光圖像風(fēng)險(xiǎn)評(píng)估.

4.1.1 混淆矩陣

基于原始、RR、GR和IR數(shù)據(jù)集特征的BI-RADS度量混淆矩陣結(jié)果在表2中進(jìn)行描述.并采用100棵樹的RF方法實(shí)現(xiàn)分類任務(wù).滑動(dòng)窗口的大小設(shè)置為160×160像素.

本文所提的IR策略目的是為了減少類混淆，例如減少表2中II類和III類之間的混淆.因?yàn)镮I類和III類構(gòu)成了BI-RADS主體，所以減少類混淆是具有現(xiàn)實(shí)意義的.如表2所示，原始數(shù)據(jù)集在區(qū)分II類和III類方面表現(xiàn)得很差.例如，通過RF方法，19個(gè)II類成員錯(cuò)誤地分為III類，11個(gè)III類成員錯(cuò)誤地分為II類.雖然通過RR和GR改進(jìn)了RF的分類結(jié)果，但是IR的性能仍然優(yōu)于其他所有方法.第II類和第III類中很少有樣本錯(cuò)誤地分為另一類.可以看出IR策略顯著提高了分類能力.實(shí)驗(yàn)表明，與原始數(shù)據(jù)集和傳統(tǒng)的圖像增強(qiáng)策略GR相比，IR策略能夠取得更好的風(fēng)險(xiǎn)評(píng)估結(jié)果.此外，使用信息熵來評(píng)估窗口塊比隨機(jī)選擇窗口塊效果更好.

表2 BI-RADS的混淆矩陣和分類精度
Table 2 BI-RADS confusion matrix and classification accuracy

Original(69.25%)ⅠⅡⅢⅣⅠ371840Ⅱ1354190Ⅲ01112012Ⅳ022012RR(82.91%)ⅠⅡⅢⅣⅠ481001Ⅱ07727Ⅲ471275Ⅳ111715GR(90.06%)ⅠⅡⅢⅣⅠ53240Ⅱ27590Ⅲ041363Ⅳ01726IR(90.99%)ⅠⅡⅢⅣⅠ52115Ⅱ08123Ⅲ341342Ⅳ43126

4.1.2 分類精確度的統(tǒng)計(jì)檢驗(yàn)

本文采用顯著性水平為0.05的t檢驗(yàn)，通過前面介紹的4種分類方法，對(duì)得到的分類準(zhǔn)確率進(jìn)行統(tǒng)計(jì)分析.這樣做是為了確保結(jié)果不具有偶然性.t檢驗(yàn)的結(jié)果用三個(gè)標(biāo)簽進(jìn)行注釋：更好(v)、等效()或更差(*).這些通過統(tǒng)計(jì)得到的顯著性結(jié)果在每個(gè)表的右欄進(jìn)行匯總.

從表3所示的結(jié)果可以得出結(jié)論，提出的IR策略在統(tǒng)計(jì)上優(yōu)于其他方法.這表明，IR策略確實(shí)以一種有效和卓越的方式提高了乳腺X光圖像風(fēng)險(xiǎn)評(píng)估的特征質(zhì)量.

表3 分類精度的t檢驗(yàn)
Table 3 T test for classification accuracy

數(shù)據(jù)集AdaboostM1JRipPARTRFSummaryIR90.4488.2789.6791.84(v/ /?)RR80.39?79.68?77.48?82.16?(0/0/4)GR88.40?86.28?86.72?89.60?(0/0/4)Original61.12?65.90?64.87?67.19?(0/0/4)

4.1.3 AUC的統(tǒng)計(jì)檢驗(yàn)

在數(shù)據(jù)不平衡的情況下，分類準(zhǔn)確率通常不能提供一個(gè)全面的效果評(píng)估，而受試者工作特征曲線(ROC)提供了一種附加的評(píng)價(jià)方法[25].ROC曲線有助于評(píng)價(jià)分類器的性能.利用曲線下面積(AUC)度量可以分析和評(píng)價(jià)學(xué)習(xí)算法的預(yù)測(cè)能力.AUC是統(tǒng)計(jì)上一致的度量.與使用分類精度相比，它更具鑒別性.因此，可以把AUC作為整體分類準(zhǔn)確率的標(biāo)準(zhǔn).在本節(jié)中，比較了分類器上不同數(shù)據(jù)集在AUC值上的分類精度.AUC的結(jié)果如表4所示.AUC值越高，性能越好.可以看出表中出現(xiàn)的“*”的數(shù)量遠(yuǎn)遠(yuǎn)大于出現(xiàn)“v”的數(shù)量.這也反映了IR方法的良好性能.

4.2 不同滑動(dòng)窗口大小

在本節(jié)中，我們使用不同的滑動(dòng)窗口大小來驗(yàn)證所提方法的優(yōu)越性.本文將步長(zhǎng)設(shè)置為16像素，使用大小分別為160×160，176×176，192×192，208×208，224×224像素的滑動(dòng)窗口得到5個(gè)局部增強(qiáng)數(shù)據(jù)集.同時(shí)本文使用100棵樹的RF分類器對(duì)所有數(shù)據(jù)集進(jìn)行評(píng)估.

表4 AUC的t檢驗(yàn)
Table 4 T test for AUC

數(shù)據(jù)集AdaboostM1JRipPARTRFSummaryIR0.980.930.930.98(v/ /?)RR0.94?0.89?0.90?0.96?(0/0/4)GR0.980.92?0.95v0.97?(1/1/2)Original0.85?0.85?0.81?0.90?(0/0/4)

從圖5中可以看出，與原始乳腺癌數(shù)據(jù)集相比，增強(qiáng)圖像得到的特征數(shù)據(jù)集分類準(zhǔn)確率更高.而且在大多數(shù)情況下，采用不同滑動(dòng)窗口大小的IR方法得到的數(shù)據(jù)集優(yōu)于GR和RR策略得到的數(shù)據(jù)集.此外在某些情況下，我們還可以看出滑動(dòng)窗口的大小會(huì)對(duì)最終特征集的質(zhì)量產(chǎn)生顯著影響.

圖5 對(duì)BI-RADS使用不同滑動(dòng)窗口大小的分類精度Fig.5 Classification accuracy for different slidingwindow sizes for BI-RADS

總的來說，我們通過實(shí)驗(yàn)可以看出，與原始方法、RR方法和GR方法相比，IR策略的分類精度得到較大提高.通過采用不同的分類器對(duì)統(tǒng)計(jì)中的分類精度和AUC指標(biāo)進(jìn)行比較，進(jìn)一步證明了IR策略的優(yōu)越性.而且隨著滑動(dòng)窗口大小的不同，IR數(shù)據(jù)集也取得了一致較好的效果.從實(shí)驗(yàn)結(jié)果中我們可以得到利用圖像信息熵選擇醫(yī)學(xué)圖像處理任務(wù)的重要部分是可行的，局部評(píng)估得到的信息比全局評(píng)估得到的信息更具代表性.

5 結(jié) 論

本文提出了一種基于信息熵的圖像局部增強(qiáng)策略(IR)，用于分層次地提高乳腺圖像特征的質(zhì)量.因?yàn)榫哂休^高熵的樣本更能決定決策標(biāo)簽，所以該方法根據(jù)窗口塊的圖像信息熵最大值對(duì)ROI進(jìn)行局部分割和增強(qiáng).最終的特征數(shù)據(jù)集是融合多輪圖像增強(qiáng)池中具有最佳熵權(quán)法值的特征而生成的.今后的工作將采用其他特征提取和圖像增強(qiáng)方法，來得到質(zhì)量更高、更具代表性的特征數(shù)據(jù).