基于機器學習的乳腺腫瘤識別.pdf

1、乳腺腫瘤嚴重危害到女性的健康，目前為止還沒有找到很好的預測乳腺癌的方法。目前，依照當前的醫(yī)療水平，唯一提高乳腺癌的治愈率和降低乳腺癌的死亡率的方法關鍵在于要提早發(fā)現(xiàn)，早發(fā)現(xiàn)可以及時治療，早診斷，不要耽誤最佳治療時間和早治療。近幾年，為了提高診斷的效率，其研究方法一直向著智能化和工具化這個方向發(fā)展。隨著現(xiàn)在科學技術地不斷發(fā)展，人工智能技術不斷進步，人工神經網絡技術也日益成熟，它的分類能力也越來越強，并且具有智能性，為乳腺腫瘤識別提供了一種

2、新的診斷方法。由于乳腺病灶組織發(fā)生病變，然而它與正常的細胞核組織的顯微圖像有所不同，因此采用分類能力比較強的算法來進行乳腺腫瘤診斷，為乳腺腫瘤診斷提供了一種新的方法。
　　本文主要以機器學習人工神經網絡為基礎對乳腺腫瘤的診斷進行研究和實驗，應用了幾種方法進行仿真實驗，都具有良好的實驗效果，故障診斷精度被提高了，所以它是是一種有效的乳腺腫瘤診斷方法，并且此方法具有較高的醫(yī)學應用價值。本文主要研究內容包括:
　　(1)應用了統(tǒng)計

3、學三種判別方法，fisher判別，距離判別，貝葉斯判別對乳腺腫瘤數據，進行實驗，三種方法進行比較。通過仿真實驗證明，fisher判別的準確達到了97.1％，距離判別的正確率為84.1％，貝葉斯判別的正確率為88.41％，三者比較fisher判別具有較高的正確率，被誤判的概率也是最低的。所以fisher判別具有更好的實驗效果。
　　(2)應用K-means神經網絡算法和自組織神經網絡算法兩種方法，對乳腺腫瘤數據進行了實驗，K-mea

4、ns神經網絡和自組織神經網絡的正確率分別為80％和81.58％。由于對乳腺腫瘤識別用的數據是乳腺腫瘤病灶組織的細胞核顯微圖像10個量化特征進行的，而每組數據是由采樣細胞核的10個特征構成的，為了避免誤差，取了10個特征的平均值、標準差和最壞值一共30個數據。由于輸入維數較大，冗余信息較多，運行時間較長，所以采用PCA對數據進行降維，降到8維，累計貢獻率已經達到了99.91％。然后在用K-means和自組織神經網絡進行實驗，運行時間縮短了