6、乳腺癌分类与贝叶斯神经网络的概率反向传播学习方法

乳腺癌分类与贝叶斯神经网络的概率反向传播学习方法

1. 乳腺癌分类方法

1.1 方法概述

提出了一种基于乳腺钼靶图像的乳腺癌分类技术，该技术的实现包括基于能量的 Tetrolet 变换分解和 KNN 分类。

1.2 Tetrolet 变换

Tetrolet 变换是一种局部、可扩展且有效的算法。其具体操作步骤如下：
1. 将输入的乳腺癌钼靶图像矩阵分割成 4×4 像素的块。若图像尺寸不能被 4 整除，则进行零填充。
2. 由四个相互连接的等大小像素构成四连方块，其五种基本形状如图所示。
3. 对图像应用 Tetrolet 变换，定义图像索引集和邻域索引，Tetrolet 方程如下：
- 设图像 (k = {(u, v) : u, v = 0, \ldots, V - 1}) 为图像 (k = f(u, v)) 的索引集，其中 (V = 2P)，索引 ((u, v)) 的邻域索引 (\tilde{v}) 为顶点或边界，(\tilde{v}(u, v) = {(u - 1, v), (u + 1, v), (u, v - 1), (u, v + 1)})。

1.3 Tetrolet 基于能量的特征

通过 Tetrolet 变换产生子带系数，进而获得能量特征。能量特征的计算假设是不同的纹理模式对应不同的能量分布。能量特征的计算使用以下公式：
(Eg(I) = \sqrt{\sum_{k = 0}^{P - 1}\sum_{l = 0}^{P - 1}R_{k, l}})
其中，(Eg(I)) 是输入图像，(R_{k, l}) 是位置 ((k, l)) 处的子带系数，(P) 是子