本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及一種新的快速的圖像目標(biāo)檢測方法，可應(yīng)用于醫(yī)學(xué)乳腺圖像腫塊的快速檢測和識別。

背景技術(shù)：

乳腺癌作為當(dāng)今世界最為常見的惡性腫瘤之一，已成為嚴(yán)重威脅全球婦女健康的“頭號殺手”。大量調(diào)查實(shí)驗(yàn)表明，早期診斷和及時治療是治愈乳腺癌的最佳手段和有效途徑。乳腺鉬靶X線攝影檢查是目前診斷乳腺疾病最直接、最高效的檢測手段，乳腺X線圖像作為醫(yī)學(xué)圖像的重要組成部分，憑借其分辨率高，對比度強(qiáng)等優(yōu)點(diǎn)，擁有極高的應(yīng)用價值和研究價值。

乳腺X線圖像腫塊是早期乳腺癌的主要形式之一，也是用以鑒別可疑乳腺腫塊區(qū)域的重要手段。由于乳腺X線圖像中腫塊具有一定的復(fù)雜度和模糊性，使有些腫塊區(qū)域和正常區(qū)域極其相似且難以區(qū)分，導(dǎo)致醫(yī)生在臨床醫(yī)療診斷過程中仍然存在一定的誤診和漏診現(xiàn)象。因此，許多計算機(jī)輔助系統(tǒng)CAD應(yīng)運(yùn)而生，腫塊的檢測通過各種圖像特征，如紋理、質(zhì)量、密度等進(jìn)行綜合地分析加以確診，大大提高了醫(yī)生對患者可疑腫塊區(qū)域和病情預(yù)測診斷的準(zhǔn)確率。隨著醫(yī)學(xué)圖像處理技術(shù)的蓬勃發(fā)展，計算機(jī)輔助檢測系統(tǒng)也發(fā)揮著越來越重要的角色，為了更好地協(xié)助醫(yī)生發(fā)現(xiàn)可疑腫塊區(qū)域，未來的計算機(jī)輔助檢測系統(tǒng)需要做的就是提高區(qū)域檢出率，降低區(qū)域假陽率。

基于乳腺X線圖像的乳腺腫塊檢測系統(tǒng)框架已成為近年來醫(yī)學(xué)圖像的一個熱點(diǎn)方向，目前已經(jīng)形成較為統(tǒng)一的模型和框架，該系統(tǒng)框架一般由預(yù)處理模塊、訓(xùn)練模塊和測試模塊等組成。當(dāng)然，各個模塊間的實(shí)現(xiàn)方法和達(dá)成效果又不盡相同，許多科研工作者為此做了大量的相關(guān)工作，如Aziz Makandar等人[Makandar,Aziz,and Bhagirathi Halalli,"Combined segmentation technique for suspicious mass detection in Mammography,"2015International Conference on Trends in Automation,Communications and Computing Technology(I-TACT-15),vol.1,pp.1-5,2015.]基于圖像邊界的水平集分割算法，根據(jù)圖像梯度進(jìn)行曲線演變，結(jié)合形態(tài)學(xué)運(yùn)算和活動輪廓分割技術(shù)，實(shí)現(xiàn)乳腺可疑腫塊的分割和識別。然而在該方法中，醫(yī)學(xué)圖像的實(shí)際梯度值并不理想，演化曲線也可能穿過邊界，故當(dāng)圖像噪音過大時，該框架最終的乳腺圖像腫塊分割識別結(jié)果較為一般，且這種腫塊檢測方法使得計算量大大增加，降低了計算機(jī)輔助系統(tǒng)的圖像識別效率。

王穎等人[Liu,L.,J.Li,and Y.Wang,"Breast mass detection with kernelized supervised hashing,"International Conference on Biomedical Engineering and Informatics IEEE,vol.8,pp.79-84,2015.]提取方向梯度直方圖特征HOG，并利用核監(jiān)督哈希KSH算法將高維度的HOG特征映射到低緯度漢明空間，進(jìn)行二進(jìn)制編碼，將最終結(jié)果與訓(xùn)練集中的標(biāo)簽信息作對比，判斷其是否為腫塊可疑區(qū)域。該方法采用的HOG特征是手工描述特征的一種，雖然對于梯度變化有著較好的靈敏度，但是對于紋理信息或空間信息等有著較差的描述力，致使腫塊檢測結(jié)果中誤檢率較高，故該方法框架對于醫(yī)學(xué)圖像的識別和分類存在表征能力差、過擬合等缺點(diǎn)。

上述方法雖然均可以完成乳腺圖像腫塊識別，但是由于手工描述特征對圖像的表征能力有限，導(dǎo)致誤檢率或假陽率過高，無法取得最優(yōu)的腫塊檢測結(jié)果，而且模型的求解速度慢，目標(biāo)識別和分割效率較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于深度核哈希的感興趣區(qū)域快速檢測方法，以提高圖像中感興趣目標(biāo)的檢測速度，降低誤檢率。

本發(fā)明的技術(shù)思路是：基于卷積神經(jīng)網(wǎng)絡(luò)CNN模型和多層核哈希算法，搭建深度哈希監(jiān)督學(xué)習(xí)框架；將訓(xùn)練圖像經(jīng)過預(yù)處理過程后輸入學(xué)習(xí)網(wǎng)絡(luò)，結(jié)合標(biāo)簽信息不斷優(yōu)化各網(wǎng)絡(luò)參數(shù)，直到學(xué)習(xí)效果最佳，以達(dá)到醫(yī)學(xué)圖像中感興趣區(qū)域的快速檢測。

根據(jù)上述思路，本發(fā)明技術(shù)方案包括如下：

一、訓(xùn)練步驟

(1)輸入圖像：

1a)在圖像訓(xùn)練集中，隨機(jī)選取兩張圖像作為一組圖像對，將訓(xùn)練集中所有的圖像成對組合，構(gòu)成圖像對訓(xùn)練集；

1b)將圖像對訓(xùn)練集分為四類，即第一類是標(biāo)簽結(jié)果相同且編碼結(jié)果相似，第二類是標(biāo)簽結(jié)果相同但編碼結(jié)果不相似，第三類是標(biāo)簽結(jié)果不同但編碼結(jié)果相似，第四類是標(biāo)簽結(jié)果不同且編碼結(jié)果不相似；

(2)對訓(xùn)練集中的每幅圖像對分別進(jìn)行中值濾波和顯著性增強(qiáng)的預(yù)處理，并將預(yù)處理后的圖像對輸入到深度學(xué)習(xí)網(wǎng)絡(luò)；

(3)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)CNN模型，搭建十層深度哈希監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)框架：

第一、三、五層為卷積層，用于分別對上一層的輸出結(jié)果進(jìn)行卷積運(yùn)算，增強(qiáng)數(shù)據(jù)特征，降低噪聲；

第二、四、六層為下采樣層，用于根據(jù)圖像局部相關(guān)性的原理，分別對上一層的輸出結(jié)果進(jìn)行下采樣運(yùn)算并保留有用信息；

第七層為全連接層，用于對第二、四、六層輸出的下采樣數(shù)組進(jìn)行串聯(lián)組合，構(gòu)成一個4096維度特征向量，輸出到編碼層；

第八、九、十層為編碼層，用于將上一層的高維數(shù)據(jù)映射成本層的低維數(shù)據(jù)，實(shí)現(xiàn)逐層編碼并進(jìn)行優(yōu)化，最終得到4維度的二進(jìn)制編碼；

(4)將深度哈希監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)輸出的4維度特征向量與標(biāo)簽結(jié)果信息提供的二進(jìn)制編碼作比較：若兩個編碼結(jié)果的異或計算輸出值為0，則說明訓(xùn)練網(wǎng)絡(luò)學(xué)習(xí)效果最佳；反之，則需要多次微調(diào)第八、九、十層的網(wǎng)絡(luò)參數(shù)，以增強(qiáng)訓(xùn)練網(wǎng)絡(luò)的學(xué)習(xí)效果。

二、預(yù)處理步驟

(5)輸入待檢測圖像，并對其進(jìn)行中值濾波和形態(tài)學(xué)濾波，以降低原輸入圖像的斑點(diǎn)噪聲，增強(qiáng)圖像質(zhì)量；

(6)對中值濾波后的圖像進(jìn)行邊緣裁剪，標(biāo)記出感興趣區(qū)域的邊緣輪廓并保留，并去除感興趣區(qū)域外的背景區(qū)域，以縮短運(yùn)行時間，提高效率；

(7)對裁剪出來的感興趣區(qū)域進(jìn)行伽馬校正運(yùn)算，用以增強(qiáng)待檢測目標(biāo)的對比度，得到預(yù)處理后的圖像。

三、測試步驟

(8)對預(yù)處理后的圖像進(jìn)行滑動窗操作，使滑動窗在限定的感興趣區(qū)域內(nèi)自上而下，由左至右地滑動，將預(yù)處理后的圖像分為若干100像素×100像素的矩形窗子集，共同組成測試步驟的圖像輸入集；

(9)從測試步驟的圖像輸入集中選取一個矩形窗子集，輸入到上述訓(xùn)練步驟(3)中已經(jīng)訓(xùn)練完成的十層深度哈希監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)框架，經(jīng)過3個卷積層、3個下采樣層、1個全連接層和3個二進(jìn)制編碼層的運(yùn)算，最終得到4維度的二進(jìn)制編碼；

(10)判斷步驟(9)中選取的矩形窗子集是否為腫塊目標(biāo)，即將該子集經(jīng)過訓(xùn)練網(wǎng)絡(luò)得到4維度的二進(jìn)制編碼與標(biāo)簽結(jié)果信息提供的二進(jìn)制編碼作比較：若兩個編碼結(jié)果的異或計算輸出值為0，則判定該子集是腫塊目標(biāo)，執(zhí)行步驟(11)，反之則不是腫塊目標(biāo)，返回步驟(9)；

(11)對判定為腫塊目標(biāo)的子集進(jìn)行標(biāo)記并顯示，返回步驟(9)，繼續(xù)判斷下一個所選子集是否為腫塊目標(biāo)，直到所有的矩形窗子集經(jīng)過步驟(10)，完成對感興趣區(qū)域內(nèi)目標(biāo)的檢測和識別。

本發(fā)明和現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：

1)本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)CNN模型的深度哈希監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)框架，既克服手工特征的表征能力不足問題，又解決傳統(tǒng)哈希算法無法進(jìn)行非線性投影的問題，大大提高了乳腺圖像腫塊檢測的精度。

2)本發(fā)明在基于卷積神經(jīng)網(wǎng)絡(luò)CNN模型的深度哈希監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)框架中，對第八、九、十層采用逐層編碼，結(jié)合最終的判定方法組成的分類方法相對于SVM等傳統(tǒng)分類方法，大大減少了計算量，提高乳腺圖像腫塊檢測的效率。

3)本發(fā)明著重考慮到多種類別的輸入情況，將圖像對訓(xùn)練集分為四類，有利于深度哈希監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)框架第八、九、十層編碼層輸出預(yù)測函數(shù)的優(yōu)化過程，使輸出結(jié)果更為精確，克服了傳統(tǒng)哈希算法忽略不同類別的輸入情況，以同一套預(yù)測函數(shù)優(yōu)化所有輸入而導(dǎo)致的優(yōu)化時間長、精確度低等問題。

附圖說明

圖1為本發(fā)明的實(shí)現(xiàn)流程圖；

圖2為本發(fā)明中的預(yù)處理子流程圖；

圖3為用本發(fā)明對乳腺圖像腫塊檢測的部分結(jié)果圖。

以下結(jié)合附圖對本發(fā)明的實(shí)施方式及效果作進(jìn)一步詳細(xì)描述。

具體實(shí)施方式

參照圖1，本發(fā)明的實(shí)現(xiàn)方案包括訓(xùn)練、預(yù)處理和測試三部分。

一、訓(xùn)練部分

步驟1，輸入圖像及標(biāo)簽信息。

在圖像訓(xùn)練集中，隨機(jī)選取兩張圖像作為一組圖像對，將訓(xùn)練集中所有的圖像成對組合，構(gòu)成圖像對訓(xùn)練集；

將圖像對訓(xùn)練集分為四類，即第一類是標(biāo)簽結(jié)果相同且編碼結(jié)果相似，第二類是標(biāo)簽結(jié)果相同但編碼結(jié)果不相似，第三類是標(biāo)簽結(jié)果不同但編碼結(jié)果相似，第四類是標(biāo)簽結(jié)果不同且編碼結(jié)果不相似。

步驟2，搭建深度哈希監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)框架。

該深度哈希監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)框架分為十層，其中：

第一、三、五層為卷積層，用于分別對上一層的輸出結(jié)果進(jìn)行卷積運(yùn)算，增強(qiáng)數(shù)據(jù)特征，降低噪聲；

第二、四、六層為下采樣層，用于根據(jù)圖像局部相關(guān)性的原理，分別對上一層的輸出結(jié)果進(jìn)行下采樣運(yùn)算并保留有用信息；

第七層為全連接層，用于對第二、四、六層輸出的下采樣數(shù)組進(jìn)行串聯(lián)組合，構(gòu)成一個4096維度特征向量；

第八、九、十層為編碼層，用于將上一層的高維數(shù)據(jù)映射成本層的低維數(shù)據(jù)，實(shí)現(xiàn)逐層編碼并進(jìn)行優(yōu)化。

現(xiàn)有的可實(shí)現(xiàn)將高維數(shù)據(jù)映射成低維數(shù)據(jù)并逐層編碼的哈希方法有LSH算法、KLSH算法、ITQ Hashing算法等，本實(shí)例采用基于KSH算法實(shí)現(xiàn)逐層編碼并進(jìn)行優(yōu)化，最終得到4維度的二進(jìn)制編碼，具體實(shí)施步驟如下：

第一步，設(shè)定由N個訓(xùn)練樣本構(gòu)成的數(shù)據(jù)集χ＝{x₁,x₂,...,x_n,...,x_N}，其中x_n即為訓(xùn)練樣本中第n個數(shù)據(jù)；通過K-means算法從N個訓(xùn)練樣本中選定m個數(shù)據(jù)點(diǎn)，作為第八層的訓(xùn)練錨點(diǎn)；利用該錨點(diǎn)構(gòu)建m維度核向量，設(shè)定κ(x_(j),x)表示數(shù)據(jù)點(diǎn)x_(j)與數(shù)據(jù)點(diǎn)x的歐氏距離，構(gòu)建第八層的核向量(κ(x₍₁₎,x),κ(x₍₂₎,x),…,κ(x_(j),x),…,κ(x_(m),x))，其中κ(x_(j),x)為核向量中第j個核函數(shù)，j＝1,2...,m；

第二步，定義第八層的預(yù)測函數(shù)為f¹(x)，從數(shù)據(jù)集χ中選取的m個聚類中心數(shù)據(jù)點(diǎn)x₍₁₎,...,x_(j),...,x_(m)，設(shè)定為二進(jìn)制編碼層中第八層預(yù)測函數(shù)的矩陣系數(shù)，b¹為第八層預(yù)測函數(shù)的偏置系數(shù)，根據(jù)核函數(shù)κ(x_(j),x)，j＝1,2...,m，構(gòu)建第八層的預(yù)測函數(shù)f¹(x)，

第三步，設(shè)定訓(xùn)練樣本χ²＝{x₍₁₎,...,x_(j),...,x_(m)}為編碼層中第九層的輸入數(shù)據(jù)，通過K-means算法從數(shù)據(jù)集χ²中選取的m₂個聚類中心，作為第九層的訓(xùn)練錨點(diǎn)；利用該錨點(diǎn)構(gòu)建m₂維度的核向量，設(shè)定κ²(x_(j),x)表示數(shù)據(jù)點(diǎn)x_(j)與數(shù)據(jù)點(diǎn)x的馬氏距離，構(gòu)建第九層的核向量其中κ²(x_(j),x)為第九層核向量中第j個核函數(shù)，j＝1,2...,m，設(shè)定為編碼層中第九層預(yù)測函數(shù)的矩陣系數(shù)，b²為第九層預(yù)測函數(shù)的偏置系數(shù)，構(gòu)建九層預(yù)測函數(shù)f²(x)：

第四步，設(shè)定訓(xùn)練樣本為編碼層中第十層的輸入數(shù)據(jù)，通過K-means算法從數(shù)據(jù)集χ³中選取的m₃個聚類中心，作為第十層的訓(xùn)練錨點(diǎn)；利用該錨點(diǎn)構(gòu)建m₃維度的核向量，設(shè)定κ³(x_(j),x)表示數(shù)據(jù)點(diǎn)x_(j)與數(shù)據(jù)點(diǎn)x的曼哈頓距離，構(gòu)建第十層的核向量其中κ³(x_(j),x)為第十層核向量中第j個核函數(shù)，j＝1,2...,m，設(shè)定為編碼層中第十層預(yù)測函數(shù)的矩陣系數(shù)，b³為第十層預(yù)測函數(shù)的偏置系數(shù)，構(gòu)建第十層預(yù)測函數(shù)f³(x)：

第五步，根據(jù)第五步中第十層預(yù)測函數(shù)的矩陣系數(shù)計算第十層預(yù)測函數(shù)的偏置系數(shù)b³：

其中，i＝1,2...,n為第十層編碼層輸出的二進(jìn)制編碼維度，n＝4；

第六步，將第十層預(yù)測函數(shù)的偏置系數(shù)b³帶入第四步中第十層預(yù)測函數(shù)f³(x)，得到最終第十層預(yù)測函數(shù)的演變函數(shù)：

第七步，將第十層預(yù)測函數(shù)的演變函數(shù)進(jìn)行量化，得到編碼層的輸出函數(shù)：

h(x)＝sgn(f³(x))。

第八步，將深度哈希監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)輸出的4維度特征向量與標(biāo)簽結(jié)果信息提供的二進(jìn)制編碼作比較：若兩個編碼結(jié)果的異或計算輸出值為0，則說明訓(xùn)練網(wǎng)絡(luò)學(xué)習(xí)效果最佳，輸出學(xué)習(xí)到的哈希編碼；反之，則需要根據(jù)目標(biāo)函數(shù)不斷優(yōu)化第八、九、十層的網(wǎng)絡(luò)參數(shù)，以增強(qiáng)訓(xùn)練網(wǎng)絡(luò)的學(xué)習(xí)效果。

二、預(yù)處理部分

步驟3，輸入測試圖像并進(jìn)行預(yù)處理

參照圖2，本步驟的具體實(shí)現(xiàn)如下：

(3a)輸入待檢測圖像，將輸入圖像的所有像素點(diǎn)的值相加并求平均值，對其進(jìn)行中值濾波以降低原輸入圖像的斑點(diǎn)噪聲；

(3b)將中值濾波后圖像進(jìn)行伽馬校正運(yùn)算，用以增強(qiáng)待檢測目標(biāo)的對比度，增強(qiáng)圖像質(zhì)量，即將中值濾波后圖像中所有像素點(diǎn)的邊緣信息進(jìn)行提取，再對提取出來的邊緣內(nèi)部區(qū)域增加亮度，降低其他區(qū)域的亮度；

(3c)將對比度增強(qiáng)后的圖像中所有像素點(diǎn)的形狀信息進(jìn)行提取，去掉非感興趣區(qū)域，如胸部和乳頭；

(3d)對形態(tài)學(xué)濾波后的圖像進(jìn)行邊緣裁剪，標(biāo)記出感興趣區(qū)域的邊緣輪廓并保留，并去除感興趣區(qū)域外的背景區(qū)域，以縮短運(yùn)行時間，提高效率得到預(yù)處理后的圖像。

三、測試部分

步驟4，輸入測試圖像并檢測腫塊。

(4a)對預(yù)處理后的圖像進(jìn)行滑動窗操作，使滑動窗在限定的感興趣區(qū)域內(nèi)自上而下，由左至右地滑動，將預(yù)處理后的圖像分為若干100像素×100像素的矩形窗子集，共同組成測試步驟的圖像輸入集；

(4b)從測試步驟的圖像輸入集中選取一個矩形窗子集，輸入到上述訓(xùn)練步驟中已經(jīng)訓(xùn)練完成的十層深度哈希監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)框架，經(jīng)過3個卷積層、3個下采樣層、1個全連接層和3個編碼層的運(yùn)算，最終得到4維度的二進(jìn)制編碼；

(4c)判斷步驟(4b)中選取的矩形窗子集是否為腫塊目標(biāo)，即將該子集經(jīng)過訓(xùn)練網(wǎng)絡(luò)得到4維度的二進(jìn)制編碼與標(biāo)簽結(jié)果信息提供的二進(jìn)制編碼作比較：若兩個編碼結(jié)果的異或計算輸出值為0，則判定該子集是腫塊目標(biāo)，執(zhí)行步驟(4d)，反之則不是腫塊目標(biāo)，返回步驟(4b)；

(4d)對判定為腫塊目標(biāo)的子集進(jìn)行標(biāo)記并顯示，返回步驟(4b)，繼續(xù)判斷下一個所選子集是否為腫塊目標(biāo)，直到所有的矩形窗子集經(jīng)過步驟(4c)，完成對感興趣區(qū)域內(nèi)目標(biāo)的檢測和識別。

本發(fā)明的效果可以通過使用以下仿真實(shí)驗(yàn)進(jìn)一步說明

1、仿真條件

本發(fā)明是在中央處理器為Intel(R)Core(TM)i5 2.80GHZ、內(nèi)存4G、WINDOWS 7操作系統(tǒng)上，運(yùn)用MATLAB軟件進(jìn)行的仿真。

2、仿真內(nèi)容

仿真1，在Digital Database for Screening Mammography,DDSM數(shù)據(jù)集中，用本發(fā)明在上述硬件平臺上進(jìn)行乳腺圖像腫塊檢測與展示，實(shí)驗(yàn)結(jié)果如圖3，其中：

圖3(a)為DDSM數(shù)據(jù)集中乳腺圖像樣例，標(biāo)記部分為醫(yī)生標(biāo)注的腫塊信息；

圖3(b)是用本發(fā)明方法對圖3(a)的腫塊檢測輸出結(jié)果圖；

圖3(c)為DDSM數(shù)據(jù)集中乳腺圖像樣例，標(biāo)記部分為醫(yī)生標(biāo)注的腫塊信息；

圖3(d)是用本發(fā)明方法對圖3(c)的腫塊檢測輸出結(jié)果圖；

圖3(e)為DDSM數(shù)據(jù)集中的乳腺圖像樣例，標(biāo)記部分為醫(yī)生標(biāo)注的腫塊信息；

圖3(f)是用本發(fā)明方法對圖3(e)的腫塊檢測結(jié)果圖；

圖3(g)為DDSM數(shù)據(jù)集中乳腺圖像樣例，標(biāo)記部分為醫(yī)生標(biāo)注的腫塊信息；

圖3(h)是用本發(fā)明方法對圖3(g)的腫塊檢測結(jié)果圖。

由圖3可見，通過本發(fā)明方法標(biāo)記出腫塊位置與醫(yī)生標(biāo)注的腫塊信息一致，說明本發(fā)明在DDSM數(shù)據(jù)集上取得了良好的效果，可以用于醫(yī)學(xué)影像的目標(biāo)檢測與識別。

仿真2，用本發(fā)明和現(xiàn)有的基于KSH算法對DDSM數(shù)據(jù)集進(jìn)行腫塊檢測，檢測結(jié)果如表1，其中，惡性腫塊數(shù)據(jù)集包括：Cancer01、Cancer02、Cancer03、Cancer04、Cancer05、Cancer06、Cancer07、Cancer08和Cancer09。

表1

由表1可見，本發(fā)明方法，在惡性腫塊測試集中，腫塊檢測的性能指標(biāo)上優(yōu)于后者，即本方法的檢出率為0.94，優(yōu)于KSH方法的檢出率0.90，本方法的假陽率為3.6，優(yōu)于KSH方法的假陽率4.2。

仿真3，用本發(fā)明和現(xiàn)有的基于KSH算法對DDSM數(shù)據(jù)集進(jìn)行腫塊檢測，檢測結(jié)果如表2，其中，良性腫塊數(shù)據(jù)集包括：Benign07、Benign08、Benign09、Benign10、Benign11、Cancer12和Cancer13。

表2

由表2可見，本發(fā)明方法，在良性腫塊測試集中，腫塊檢測的性能指標(biāo)上優(yōu)于后者，即本方法的檢出率為0.92，優(yōu)于KSH方法的檢出率0.84，本方法的假陽率為4.1，優(yōu)于KSH方法的假陽率5.5。

綜上，本發(fā)明方法在DDSM數(shù)據(jù)集上取得了良好的效果，可應(yīng)用于醫(yī)學(xué)影像的快速目標(biāo)檢測與識別。