基于Kmean和ELM的乳腺肿块检测方法

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (12): 171-175.

基于Kmean和ELM的乳腺肿块检测方法

王梦珍，刘立，王建

天津大学电子信息工程学院，天津 300072

出版日期:2015-06-15 发布日期:2015-06-30

Detection of masses in mammograms using Kmeans and Extreme Learning Machine

WANG Mengzhen, LIU Li, WANG Jian

School of Electronic Information Engineering, Tianjin University, Tianjin 300072, China

Online:2015-06-15 Published:2015-06-30

摘要/Abstract

摘要： 肿块是乳腺癌在X线图像上的一个主要表现。提出了一种肿块自动检测算法。该方法包括四个步骤：在图像预处理阶段，去除背景、标记、胸肌和噪声，图像分割和图像增强；利用Kmean方法找到感兴趣区域（ROI）；提取能够表征肿块的特征；利用极限学习机（Extreme Learning Machine，ELM）分类器去除假阳性，将图像中的肿块和非肿块分离开来。通过对MIAS数据库中乳腺X线图像的测试实验，得到的检测肿块的准确率为93.5%。

关键词: 乳腺肿块检测, Kmean, 特征提取, 极限学习机（ELM）

Abstract: Mass detection on mammography is an effective method for breast cancer diagnoses. An automated mass detection method is proposed, including four steps: mammograms are preprocessed to remove background, tags, pectoral muscles; K-mean method is used to segment the Region Of Interest（ROI）; features of mass such as shape and texture are extracted; a machine learning method is then applied to identify masses from ROIs using features. The mammograms of MIAS database are used for testing, and the accuracy of the masses detection is 93.5%.

Key words: detection of masses, Kmean, feature extraction, Extreme Learning Machine（ELM）

王梦珍，刘立，王建. 基于Kmean和ELM的乳腺肿块检测方法[J]. 计算机工程与应用, 2015, 51(12): 171-175.

WANG Mengzhen, LIU Li, WANG Jian. Detection of masses in mammograms using Kmeans and Extreme Learning Machine[J]. Computer Engineering and Applications, 2015, 51(12): 171-175.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[5]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[6]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[7]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[8]	郭恒光，刘文彪，余仁波. 用于形状特征提取的spike函数[J]. 计算机工程与应用, 2021, 57(18): 220-226.
[9]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[10]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.
[11]	光睿智，安博文，潘胜达. 基于无锚框网络的航拍航道船舶检测算法[J]. 计算机工程与应用, 2021, 57(15): 251-258.
[12]	周小静，陈俊洪，杨振国，刘文印. 基于手势特征融合的操作动作识别[J]. 计算机工程与应用, 2021, 57(14): 169-175.
[13]	岳琪，徐忠亮，郭继峰. 面向混合乐器音乐分析的稀疏特征提取方法[J]. 计算机工程与应用, 2021, 57(14): 181-186.
[14]	谌贵辉，陈伍，李忠兵，易欣，刘会康，韩春阳. 残差卷积注意网络的图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(12): 193-200.
[15]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.