《基于BP神经网络的乳腺癌良性恶性诊断方法.doc》由会员分享,可在线阅读,更多相关《基于BP神经网络的乳腺癌良性恶性诊断方法.doc(8页珍藏版)》请在金锄头文库上搜索。
1、基于BP神经网络的乳腺癌良性恶性诊断方法张倩,刘红星辽宁工程技术大学理学院,辽宁阜新 (123000)摘 要:肿瘤是影响人类生命健康的一个杀手,多年来,肿瘤的早期准确诊断都是一个难题,尤其对于肿瘤的良性和恶性的诊断也是比较困难的医学问题。本文采用BP神经网络,通过训练500个乳腺癌患者的9个医学指标,并调整隐层节点的数量,达到网络的快速收敛和较高的准确率,对于解决乳腺癌的良性和恶性的早期诊断,给出了一定的参考方法关键词:肿瘤;乳腺癌;医学诊断;专家系统1. 引 言疾病是威胁人类的一大杀手,对于各种疾病,我们所采取的措施的早发现早诊断早治疗,但是由于技术上的原因,我们可能有能力把疾病扼杀在萌芽之
2、中,但是我们没有办法准确的检测和诊断疾病,比如癌症。疾病的诊断越来越受到专家的重视,从而产生了各种疾病诊断的新方法。本文通过采集乳腺癌的9个判别数据,通过建立BP神经网络并对网络进行训练,达到尽早的判断乳腺癌的良性和恶心,并达到较高的准确率。2. 疾病特点乳癌最早的表现是患乳出现单发的、无痛性并呈进行性生长的小肿块。肿块位于外上象限最多见,其次是乳头、乳晕区和内上象限。因多无自觉症状,肿块常是病人在无意中(如洗澡、更衣)发现的。少数病人可有不同程度的触痛或刺激和乳头溢液。肿块的生长速度较快,侵及周围组织可引起乳房外形的改变,出现一系列体征。如: 肿瘤表面皮肤凹陷;邻近乳头的癌肿可将乳头牵向癌肿
3、方向;乳头内陷等。癌肿较大者,可使整个乳房组织收缩,肿块明显凸出。癌肿继续增长,形成所谓“桔皮样”改变。这些都是乳腺癌的重要体征。乳癌发展至晚期,表面皮肤受侵犯,可出现皮肤硬结,甚者皮肤破溃形成溃疡。癌肿向深层侵犯,可侵入胸筋膜、胸肌,致使肿块固定于胸壁而不易推动。乳癌的淋巴转移多表现为同侧腋窝淋巴结肿大,初为散在、无痛、质硬,数目较少,可被推动;以后肿大的淋巴结数目增多,互相粘连成团,与皮肤或腋窝深部组织粘连而固定。少数病人可出现对侧腋窝淋巴结转移。乳癌的远处转移,至肺时,可出现胸痛、气促、胸水等;椎骨转移时,出现患处剧痛甚至截瘫;肝转移时,可出现黄疸、肝肿大等。需要注意的是,某些特殊形式的
4、乳癌(如炎性乳癌和乳头湿疹样癌),其发展规律和临床表现与一般乳癌有所不同。3. BP神经网络模型3.1 BP网络介绍BP(Back Propagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output
5、layer)12。3.2 BP算法步骤(1) 初始化依据实际问题(输入变量和输出变量的个数)给出网络连接结构,随机的设置所以连接权值为任意小3。(2) 提供训练样本如果输入变量为个,输出变量为个,则每个训练样本形式为。这里是输入为时的期望输出。(3) 计算实际输出利用非线性函数 (1)逐级计算各层节点(不包括输入层)的输入值,令最后的输出为3。(4) 权值调整用递归方法从输出节点开始返回到隐层节点,按下式调整权值 (2)这里是上层第节点的输出。若是输出层节点,则,若是隐层节点,则,其中是节点所在层次的下层次的所有节点。有时为了收敛速度快些,可增加一个冲量项,是权值变得平滑些3,即 (3) (5
6、)返回第二步,重复执行,直到达到满意飞误差。4. 模型建立与求解4.1 数据解释对于乳腺癌的良性和恶心的判断共采集了9个指标作为输入数据,表1为11个属性的简单说明。表1 输入数据介绍编号属性名1细胞的均匀形状2细胞边缘粘附程度3胆上皮细胞大小4裸核大小5Bland染色体6正常核仁大小7丛厚度8均匀细胞大小9有丝分裂程度原始输出数据为1,2,分别代表乳腺癌的恶性和良性,但是在matlab运行中对结果进行编码,采用二进制数描述1,2两个数据。如下表所示。表2 输入数据介绍疾病编号疾病名称二进制编码1恶性肿瘤012良性肿瘤104.2 模型建立模型建立和运算的过程采用matlab神经网络图形工具箱,
7、BP网络形式为9个输入节点,表示判定乳腺癌良性和恶性的9个指标,隐层节点选择了5个数据用以比较网络效果,输出结果为两个二进制数据,用来表示乳腺癌良性和恶性的判定结果。为了使BP网络实现快速收敛,第一层节点采用tansig传递函数,使输入数据经过第一层节点之后变为的标准数据,第二层节点采用purelin传递函数,主要是为了使训练速度变快45。4.3 训练过程及结果测试数据选取了500组病人的数据,其中良性病人数据200条,占总数据的40%,恶性病人数据300条,占总数据的60%。通过网络训练,选取不同的隐层节点,来寻找更好的神经网络。网络的仿真采用了15组病人的数据进行仿真。当隐层节点为5、7、
8、9时,BP网络训练曲线和验证结果如下所示。表3 隐层节点为5时原始数据和网络计算数据原始数据网络计算数据010.0172 0.9792 101.0334 -0.0318 010.0223 0.9761 100.9537 0.0499 100.8697 0.1306 100.9113 0.0937 100.9166 0.0868 100.7528 0.2500 100.9705 0.0327 100.9803 0.0200 010.0459 0.9445 100.5296 0.4655 101.0143 -0.0159 101.0271 -0.0267 100.8792 0.1263 表4 隐层
9、节点为7时原始数据和网络计算数据原始数据网络计算数据010.0172 0.9792 101.0334 -0.0318 010.0223 0.9761 100.9537 0.0499 100.8697 0.1306 100.9113 0.0937 100.9166 0.0868 100.7528 0.2500 100.9705 0.0327 100.9803 0.0200 010.0459 0.9445 100.5296 0.4655 101.0143 -0.0159 101.0271 -0.0267 100.8792 0.1263 表5 隐层节点为9时原始数据和网络计算数据原始数据网络计算数据
10、01-0.1711 1.1712 101.0481 -0.0483 010.0756 0.9244 101.1109 -0.1112 100.9985 0.0012 101.1359 -0.1362 101.1034 -0.1037 101.0580 -0.0582 101.0627 -0.0630 101.0527 -0.0530 01-0.0153 1.0153 100.6541 0.3458 101.0042 -0.0044 100.9065 0.0933 101.1830 -0.1833 图1 隐层节点为5时网络训练曲线图2 隐层节点为7时网络训练曲线图3 隐层节点为9时网络训练曲线4
11、.4 网络分析为了分析隐层节点选取数量对网络效果的影响,网络训练中隐层节点一共选取了八次,下表列出了各种隐层节点选择数量和相应的训练步数和准确率。表6 隐层节点数量与网络性能网络名隐层节点数训练步数准确率备注Net151193.3%Net2613100%Net3712100%Net481393.3%Net5912100%Net61010100%数据区分不明显Net7111393.3%Net81211100%数据区分不明显 从表6可以看出当隐层节点为11的时候,训练步数最多,准确率相对不高,实际应用隐层节点不应该选取11。当隐层节点选取10和12的时候,虽然训练的次数相对较小,准确率也很高,但是
12、从仿真结果可以看出,当节点选取10和12的时候,仿真数据区分不明显,及原始数据为(0,1)的时候,仿真数据可能是(0.49,0.51),很难进行区分,所以选取10和12也不好。我们可以选择隐层节点为6和7的神经网络,虽然训练次数相对较多,但是准确率很大,同时隐层节点数不多,网络不复杂。实际应用中,可以选取隐层节点为6和7的神经网络。5. 总结 本文采用BP神经网络对乳腺癌的500病理数据进行了训练,使网络快速收敛并达到了很高了准确率。本文通过BP神经网络的应用,给出了乳腺癌诊断中对于良性和恶心的较好的诊断方法,对于肿瘤的早起准确诊断给出了较好的模型。同时文章对于神经网络的隐藏节点数进行比较,给
13、出了一个较好的神经网络。神经网络运用于医学能很高的提高医学诊断的速度和精确度,但是对于训练数据的选取,不同的应用会有不同的要求,所以,提取训练数据也是应用的一个重点。参考文献1 张德丰.MATLAB神经网络应用设计M,北京:机械工业出版社,2008。 2 姜启源,谢金星,叶俊.数学建模(第三版)M,北京:高等教育出版社,2003.08。 3 郭嗣琮.信息科学中的软计算方法M,沈阳:东北大学出版社,2001。4 丛爽.面向MATLAB工具箱的神经网络理论与应用M,安徽:中国科学技术大学出版社,2009.6。5 冯定玉.神经网络专家系统M,北京:科学出版社,2006。6 马秋野.临床常见肿瘤诊断与治疗M,北京:中国科学技术出版社,2008。7 方志沂.乳腺癌M,北京:北京大学医学出版社,2007。8 王颀之.乳腺癌筛选与诊断技术手册M,广州:广东科技出版社,2009。Based on BP Neural Network Diagnosis of benign and malignant breastZhang Qian,Liu HongxingDepar