這部分首先對評價圖像增強、圖像分割以及分類效果的標準評價標準進行了論述和說明。然後對混合智能方法的結果進行討論。
評價標準
1.增強評價標準
乳腺鉬靶X線圖像增強效果評價一般有4種不同的定量測量標準，即：標準偏差、熵、模糊係數以及模糊熵。它們能夠定量度量對數字乳房X光圖像進行增強的效果。
（1）基於標準偏差的對比
對比度增強的重要目標就是最大化背景和目標平均灰度等級之間的差異並確保增強區域的均一性以提高邊緣和局部的可視性。使用增強之前和之後的灰度標準偏差比，使用目標對背景的對比設置，我們能夠量化這種增強。
好的增強算法應該以增強目標和背景之間的對比為目的，即提高目標區域的平均灰度並降低背景區域的平均灰度，以此來增強CMSD的值。
（2）基於熵的對比
一幅圖像中背景和圖像本身的對比可以使用目標和背景的熵E來計算，此種測量方法類似於CMSD：
（3）模糊係數和模糊熵
模糊係數和模糊熵是測量整個圖像的灰度模糊度的。模糊係數是一幅圖像中模糊的量，相應地，熵利用Shannon函數，被認為是對模糊域中圖像信息質量的度量。它給圖像的不確定性值。
需要注意的是：減小模糊係數和模糊熵不一定能保證圖像的正確增強。隻能說好的增強算法應該能夠降低灰度模糊性。但低模糊度不代表能得到所需的增強效果。
為了測量分割準確性，我們也通過定義錯誤分類率來定量地評估分類性能：
2.規則評價標準
RI被用來作為規則重要性的度量，以研究產生規則的質量。
3.分類評價標準
在分類問題中，一般假設所有對象具有唯一的分類，也就是每個訓練樣本僅屬於一類。除了效率，準確度是兩種分類進行對比的度量
倘若樣本中的分類是連續的並且相對均勻的，那麼使用整體分類精度進行評價就足夠了。此外，這種分類方法也假定錯誤代價是相等的，如假陽性和假陰性的是同等的。然而，在實際問題中，這些假設不總成立。因此，此類係統的性能最好以它們的靈敏性和特異性描述以量化與假陽性和假陰性相關的實例。
一個測試點一般分成下麵4個類別：
假陽性FP：如果係統把陰性的分類為陽性的；
假陰性FN：如果係統把陽性的分類為陰性的；
真陽性P和真陰性N：如果係統正確地分出了陽性和陰性；
學習機的敏感性和真陽性比率定義為：預測的真陽性樣本數與測試集中陽性數目的比率。
而特異性或真陰性定義為預測的真陰性樣本數目與測試集中陰性實例數目的比率，
整體精度是所有正確分類的樣本數與測試集總樣本數的比率
增強效果討論
為了評估算法的視覺效果，從大慶油田總醫院的X光圖像分析數據庫中選擇了一些圖像。
測試圖像的樣本特征參數在表10-10中給出。需要注意的是：一種好的圖像增強技術應該通過增加感興趣區域中平均灰度來增加目標和背景之間的對比。此背景的對比度是這樣計算的：把目標區域和背景區域的平均灰度差作為對比度。同時，有效的圖像增強技術要降低目標的熵值（與原圖像相比），並且要降低灰度範圍（與原圖像相比）。好一點的圖像增強技術，其CMSD和CMEntropy的最終值要更大一些。在實驗中也發現：圖像增強之後，模糊參數和熵降低了。
測試樣本說明：
SPIC：針狀覆蓋區；MISC：不明區域；D：腺體密集；F：多脂肪；G：多脂腺體；k：背景紋理；Ca：分類；Ab：異常；CeA：中心異常；R：半徑；I：
產生規則的數目和整體精度
可以看到，所有算法產生的規則數目都很大。並且比對象的數目要多，而且分類速度很慢。因此，有必要在規則產生時修改規則。圖6顯示了關於敏感度和專業性的分類精度。由圖可以看出粗糙神經分類方法的精度要高於普通神經網絡、粗糙集和決策樹。而且，對於神經網絡和決策樹分類器，需要更多的魯棒特性以提高性能。
本研究討論了將不同技術的優勢結合起來形成混合的智能方法。模糊圖像處理作為預處理來增強整個圖像的對比，提取出感興趣區域然後增強此區域的邊緣。然後，建立了標誌感興趣區域本質紋理的特征屬性。屬性提取是從圖像的灰度共生矩陣中獲得的。使用了粗糙集方法進行屬性的選擇和規則的產生。
使用粗糙集神經網絡來區分感興趣的不同區域並測試是否是癌變區域。選擇乳癌作為測試案例。混合智能技術被用來查看分類的能力和準確度。結果證明：混合智能技術的監測精度在98%以上，具有154個生成屬性。