[发明专利]一种基于模糊规则集的乳腺癌细胞图像分类方法

说明书

本发明公开了一种基于模糊规则集的乳腺癌细胞图像分类方法，该方法包括以下步骤：训练阶段：获取多幅良性的和恶性的乳腺癌细胞图像，将其作为训练数据，从训练数据中提取乳腺癌细胞图像的特征参数；将乳腺癌细胞图像的特征参数输入遗传优化串型分层模糊规则库系统中训练，通过建立层次结构模型，选择变量，利用隶属函数的横向调整并对规则库系统进行优化，训练完成后得到乳腺癌病灶辅助诊断的模型；测试阶段：获取待检测的乳腺细胞图像，对该图像进行特征参数提取，并将提取的图像特征参数数据输入乳腺癌病灶辅助诊断的模型中进行检测，得到检测结果完成对乳腺细胞图像的分类。本发明与传统结构相比减少了规则和模糊操作的数量，提高了分类性能。

技术领域

本发明涉及细胞图像处理技术领域，尤其涉及一种基于模糊规则集的乳腺癌细胞图像分类方法。

背景技术

近年来，基于人工智能和数据挖掘的分类器因为在医学诊断上具有较高的分类能力而备受关注，尤其是在利用该类决策系统诊断乳腺癌问题引起了大量专家和研究学者的关注，目前采取的分类器主要采用支持向量机、神经网络、遗传算法等策略。基于人工智能和数据挖掘的决策系统已成功用于分析乳腺癌图像，通过这些决策系统可将图像分为两组：无乳腺癌的良性组图像和有乳腺癌的恶性组图像，准确的分类有助于早期医学分析从而提高癌症患者的生存率。

但当前使用的分类器仍存在如下不足：支持向量机(Support Vector Machine,SVM)和神经网络(Neural Network,NN)训练过程过长，难以确定潜在输入变量的相对重要性并且在没有语言可解释的规则的情况下难以理解分类结果。因此它们在处理乳腺癌图像分析问题方面的适用性有限。Benítez和Casillas通过使用多目标进化算法研究可解释性和准确性之间的权衡，采用具有自然链接变量的层次模糊系统，虽然该模型可以减少规则的总数，但是可能会失去通过数学函数创建的新变量的准确性，且它无法量化输入变量的相对重要性。基于模糊规则的分类器简单且易于解释在医学领域广泛使用，模糊规则库系统用于乳腺癌细胞图像分析的决策系统前景广泛。然而，系统的输入数据集庞大且存在大量冗余特征，传统的模糊规则分类器处理大量的输入变量时，模糊规则的数量呈指数级增长且分类的结果并不十分准确或缺乏可解释性。

总体而言，现有的基于模糊规则集的乳腺癌图像分析系统存在具有大量的输入变量和模糊规则，且难以获得期望的诊断准确性和良好的可解释性的缺点。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于模糊规则集的乳腺癌细胞图像分类方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于模糊规则集的乳腺癌细胞图像分类方法，该方法包括以下步骤：

训练阶段：

获取多幅良性的和恶性的乳腺癌细胞图像，将其作为训练数据，从训练数据中提取乳腺癌细胞图像的特征参数；

将乳腺癌细胞图像的特征参数输入遗传优化串型分层模糊规则库系统中训练，通过建立层次结构模型，选择变量，利用隶属函数的横向调整并对规则库系统进行优化，训练完成后得到乳腺癌病灶辅助诊断的模型；

测试阶段：

获取待检测的乳腺细胞图像，对该图像进行特征参数提取，并将提取的图像特征参数数据输入乳腺癌病灶辅助诊断的模型中进行检测，得到检测结果完成对乳腺细胞图像的分类。

进一步地，本发明的该方法中提取乳腺癌细胞的特征参数的方法具体为：

步骤1、获取多幅乳腺癌细胞图像，提取图像中同一区域的细胞图像，提取多个图像属性得到数据集；数据集包括从乳腺癌细胞图像中提取的细胞的半径、分量像素中灰度强度的标准偏差、连续边界点之和、边界上像素和边界内部像素、平滑度、紧凑度、凹度、凹凸点、对称性和分形维数这10个属性各自的平均数、标准差和最差平均值，总共30个参数。