[發明專利]基于高斯核函數模糊非相關判別轉換的乳腺癌判別方法

無效

• 申請號: 201210465559.2
• 申請日: 2012-11-16
• 公開（公告）號: CN102999593A
• 公開（公告）日: 2013-03-27
• 發明（設計）人: 武小紅;孫俊;傅海軍;陸繼遠
• 申請（專利權）人: 江蘇大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06F17/16
• 代理公司: 南京知識律師事務所 32207
• 代理人: 盧亞麗

技術領域

本發明涉及模式識別和人工智能技術領域，具體涉及一種基于高斯核函數模糊非相關判別轉換的乳腺癌判別方法。

背景技術

乳腺癌是女性排名第一的常見惡性腫瘤。據統計全球每年平均約有130萬人新患乳腺癌，女性乳腺癌患者占女性新發惡性腫瘤的30%，排名女性惡性腫瘤發病率第一位。乳腺癌同樣是我國女性最常見的惡性腫瘤。乳腺癌可以通過臨床病史，體格檢查，乳房X線照相術，超聲造影檢查出來。但是，權威性診斷乳腺腫塊必須采用細針抽吸活檢，中心活檢或者切除手術。其中，細針抽吸活檢方法是最容易也是最快獲取乳腺活組織的方法，對女性液性囊腫檢查很有效。目前國內外先后運用線性規劃，線性判別分析(LDA)，神經網絡，支持向量機來區分乳腺癌診斷數據集（WDBC）的良性和惡性乳房腫塊。但是線性規劃，線性判別分析(LDA)的分類準確率低；神經網絡計算復雜，參數設置困難且易陷入局部極小點；支持向量機參數估計難度大，計算復雜。

自從Zadeh教授提出模糊集以來，模糊模式識別技術已被廣泛用于許多領域。模糊模式識別包括無監督模糊學習和有監督模糊學習。模糊聚類是著名的無監督模糊學習方法，如模糊C-均值聚類（FCM）,可能性c-均值聚類（PCM）和廣義噪聲聚類（GNC）等。模糊有監督學習方法有：模糊k近鄰（FKNN）,模糊判別分析（FDA）,模糊Fisher分類器,模糊支持向量機（FSVM）等。模糊模型通常表現出比傳統模型更好的性能。例如，FCM是一個眾所周知的模糊聚類模型，它比硬c-均值聚類（HCM）更好。FSVM比SVM更適合減少噪聲和野值.模糊Fisher分類器在處理由于照明條件不好導致的模糊臉部圖像時效果更好。同時，利用改進的模糊隸屬度函數，將使得訓練集中的不同樣本對散射矩陣重新定義所做貢獻不同。

模糊非相關判別轉換方法（武小紅,武斌,周建江：《模糊非相關判別轉換及其應用》，中國圖象圖形學報,2009,14(9):1832-1836.）建立在模糊類間散射矩陣,模糊總體散射矩陣和模糊類內散射矩陣基礎上,其特征向量滿足廣義瑞利商方程,同時也滿足樣本到模糊非相關優化判別向量上的投影是非相關的。模糊非相關判別轉換方法在處理帶有模糊性的線性特征提取方面要優于非相關判別轉換方法。但是，模糊非相關判別轉換方法在處理線性不可分問題方面存在難度，處理效果往往不理想。因此如何擴展模糊非相關判別轉換方法的功能，使之能夠處理線性不可分問題是個亟待解決的問題。

發明內容

針對上述現有的良性和惡性乳房腫塊判別方法的缺陷和不足，本發明的目的是提出一種基于高斯核函數的模糊非相關判別轉換的乳腺癌判別方法，該方法將高斯核函數引入到模糊非相關判別轉換方法，構造基于高斯核函數的模糊非相關判別轉換，提取乳腺癌診斷數據集的非線性特征以處理線性不可分問題，利用非線性映射將乳腺癌診斷數據集數據映射到高維特征空間，用高斯核函數隱式實現在高維特征空間的計算，從而可以避免“維數災難”的問題，能提取乳腺癌診斷數據集樣本數據的非線性鑒別信息，分類準確率高。提高了分類準確率，達到快速，準確地判別良性還是惡性乳房腫塊。

該方法具體為：

首先，將從乳腺癌診斷數據集利用模糊K-近鄰法得到模糊隸屬度值，由模糊C-均值聚類方法得到每類的類中心值，從而實現數據的模糊化處理；接著計算核模糊線性判別分析的最大特征值對應的特征向量并將該特征向量作為本發明方法最優鑒別向量集的第1個特征向量；然后根據乳腺癌診斷數據集到模糊非相關優化鑒別向量上的投影非相關性原則計算本發明方法的一組最優鑒別向量集，利用核函數實現模糊非相關判別轉換的非線性轉換。最后將乳腺癌診斷數據集進行非線性轉換而實現乳腺癌的正確判別。

為實現本發明的目的，采用的技術方案具體包括以下步驟：

步驟一、將乳腺癌診斷數據集模糊化處理；

步驟二、最優鑒別向量集的第1個特征向量的計算；

步驟三、一組最優鑒別向量集的計算；

步驟四、利用核函數實現乳腺癌診斷數據集的非線性轉換。

步驟五、實現良性乳房腫塊數據和惡性乳房腫塊數據的分類。

所述步驟一中對乳腺癌診斷數據集的模糊化處理方法如下：

1.用K-近鄰法獲得樣本x_k（x_k屬于第j類）的K個近鄰樣本，則x_k的模糊隸屬度值則按如下規律計算：