《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
