1、-！-精品文档，值得下载，可以编辑！ -！-！-精品文档，值得下载，可以编辑！-！-新的生物医学图像分割方法-人工联合复值神经网络分析法研究案例:基于胸部 CT 图像的肺部分离摘要图像分割的主要目的是将一幅图根据相同的一种或几种特性或特征分割成不同类别或子集.在医学图像处理中,图像分割在图像特征提取, 图像测量,图像显示中都有很重要的作用. 这篇文章讲述了一种新的面向生物医学图像分割的人工复值神经网络系统(CVANN).这种被称为 CVANN 的系统是由两个人工复值神经网络系统的组合.我们通过肺部图像分离的实现证明了这个方法的可行性.为了检测系统,我们用到了包括 6 名女性和 26 名男性病人
2、的共 32 张胸部 CT 图像.这些图像由土耳其 Bskant 大学无线电系提供 .最后的实验结果显示,这个方法的准确性比单个 CVANN 模式更让人满意.i. 介绍图像分割是指将一幅图依据不同组成特性或特征分割成子图,是图像处理中最为困难的任务之一.分割的准确度决定了图像分析的成败.也就是说在完全计算机自动分析的分割层发生的错误将影响后续的所有分析.在许多医学图像处理应用中,分割也可以用于从计算机断层摄影(CT) 图像或磁共振(MR)图像中甄别人体器官如大脑,心脏肺,肝 .另外,也用于辨别病变组织和正常组织 ,如肿瘤检测,异变组织检测 .在各种科学文献中可看到图像分割技术被广泛的应用.但是目
3、前还没有一种适用所有图像处理应用的标准分割技术.与传统方法相比,ANN 在并行处理(要求有适宜的硬件), 鲁棒性,噪声容限适应性方面都有优势.神经网络提供了用于像素分类的范式.应用神经网络分割法可以较大幅度地改变我们感兴趣的图像结构,从而便于医学图像处理.3.Sha.and Sutton 设计了一个用于对脑部数字图像分割分类的神经网络系统.Nattkempe 及其合作者设计了一个混合神经网络,它由基于规则的网络和一个神经网络两部分组成.他们利用混合神经网络对超声波图像进行了分割.Vilarino 及其合作者设计了细胞神经网络,并应用到基于活动轮廓技术的图像分割中.Middleton 用联合神经
4、网络和活动轮廓模式实现 MR 图像的分割.在11 中提到的基于区域分割和神经网络边缘检测技术实现了对 MR,CT 和超声波图像分割.Dokur 和 Kurnaz 提出了称作增强型神经网络分析法.Wismuller 及其合作者,Ong 及其合作者应用自组织模式实现图像分割.一个人工复值神经网络有复值输入,权值, 阈值和激励函数,以及输出组成.CVANN在信号处理和图像处理中应用都有了广泛的扩展.许多以存在的神经网络不能直接应用到复信号和图像处理问题当中.虽然对于某些应用,可以转化复信号问题,以便利用实值网络和学习算法解决.但这不是通用的方法.在这篇论文中提到的全新的激励结构的网络,也即联合人工复
5、值神经网络(CCVANN).CCVANN 的总方案在两个层面有了加强和补充.第一层面,利用原始的数据集实现 CVANN 的自我学习,之后将前一级的预测和原始目标数据作为第二层的输入,以实现肺部图像分离.ii. 材料及方法1. 图像数据为了测试系统的运行性能和系统评估,我们用了一组图像(6 位女性和 26 位男性病人的共 32 张胸部 CT 图像). 这些图像来自土耳其 Baskent 大学无线电系.这些图片中有 10 张胸部有良性肿瘤,22 张有恶性肿瘤.病人的平均年龄在 46 岁.每张图片都是 752*752 像素的尺寸.这些图片全部由相关专家拍摄的.-！-精品文档，值得下载，可以编辑！ -
6、！-！-精品文档，值得下载，可以编辑！-！-2. 复域小波变换(CWT)小波变换技术目前已经成功的应用到信号处理和图像处理中的各种问题.可以认为小波变换是信号图像处理的重要工具.虽然目前已有它的计算机算法,但是小波变换还是有其 3 各主要缺点 .那就是,对漂移敏感,定向性差,缺少相位信息.而 CWT 却克服了这些缺点.CWTs 的最近的研究方向主要可分为两个: 冗余复小波变换 (RCWT)和非冗余复小波变换(NRCWT).RCWT 包含两个几乎完全相似的 CWT,故也称 RCWT 为二元树复小波(DT-DWT).目前有两个相似的版本分别叫做 Kingsbury CWT 和 Selesnick
7、CWT.在本次研究中,我们用到了 Kingsbury CWT 以对待分割图像进行特征提取.3. 联合人工复值神经网络(CCVANN)在此次研究中,模式识别用到了复域反向传播算法(CBP).我们现在各层 CVANN中加载 CBP 算法.图一展示了一个 CVANN 模型图一 CVANN 模型它的相关输入信号,权值, 阈值和输出信号的是复数 .定义神经元 n 的活性 Yn 如下:这里 Wnm 是连系神经元 n 和神经元 m 的复值(CV)权值.Xm 是来自神经元 m 的复值输入信号.Vn 是神经元 n 的复值阈值.为得到复值输出信号,将 Yn 写成如下实部和虚部的形式:其中 2=1每个神经元可以考虑
8、用不同的输出函数,在这里我们用的输出函数由以下方程-！-精品文档，值得下载，可以编辑！ -！-！-精品文档，值得下载，可以编辑！-！-给出其中 称为 S 形函数CBP 算法总结1. 初始化将权值和阈值设为小的随机复数.2. 给定输入和预想输出给定输入向量 X(1), X(2) , X(3), , X(N)和相关预想输出 T(1), T(2), T(3),T(N).一次给定一对,N 是模式训练总数.3. 计算实际输出用方程(3)计算输出信号 .4. 调整权值和阈值当下面条件得到满足时,运算停止.权值和偏移被确定记录下来.其中 和 都是复数,分别代表预想输出和实际输出.在 P 模式下,神经元()(
9、)n 的实际输出值也即(4)的左边代表了实际模式与预想模式之间的误差.N 代表输出层的神经元总数. 总的 CCVANN 模型就是两个 CVANN 的组合,如图二所显示:图 二 CCVANN 模型在第一级与第二级使用 CVANN 以实现复制模式识别.-！-精品文档，值得下载，可以编辑！ -！-！-精品文档，值得下载，可以编辑！-！-iii. 系统预测性能测量在这篇论文中,我们用到了一个计算机算法以评估 CVANN 经训练后的分类输出,并检测包含肺部及肺部边缘区域像素点分割后的图像的正确分类像素点数可以通过一下算法来计算:和 分别是网络的目标输出与实际输出.最后我们用以下这个公式计算这个方法 的准
10、确度:iv. 结果及讨论在这篇论文中,肺部区域的分离是通过基于 CCVANN 的 CWT 方法实现的.复小波变换能用于减小输入训练矩阵的大小和测试图像的大小.在这种及连结构中,原始 CT 图像(752x752)的特征向量可以用二阶 ,三阶,四阶 CWT 提取出来.用二阶,三阶,四阶 CWT提取出的特征向量的大小分别为 188x188,94x94,47x47.提取的特征向量分别作为CCVANN 的输入 .图三显示了这种方法的框图表示-！-精品文档，值得下载，可以编辑！ -！-！-精品文档，值得下载，可以编辑！-！-图三 图像肺部分离系统框图表示其中复值反向传播算法用于训练该网络.当(4)式表示的
11、精确度达到时 ,训练就停止.在训练过程中用到了 16 副图,之后用剩下的 16副图测试网络的性能.计算出来的平均准确率达 99.80%.图四显示了最好准确率下四阶CWT 和 CCVANN 分离出的图像.-！-精品文档，值得下载，可以编辑！ -！-！-精品文档，值得下载，可以编辑！-！-图四 有良性肿瘤的肺部图像(a) (B10 号图像) 有恶性肿瘤的肺部图像 (b)(M16 号图像) a 图分离后结果 (c) b 图分离后结果 (d)为与单 CVANN 系统相比,我们将第一级 CVANN 学习效率 ,隐藏点数,最大相互影响点数分别被设为 0.1 , 10 , 10 与17相似.第二个 CVAN
12、N 的这些参数有实验结果决定.网络结构如下表一 表一 网络结构CCVANN 的结果与 3 阶 CWT CVANN17的结果列在表二和表三中-！-精品文档，值得下载，可以编辑！ -！-！-精品文档，值得下载，可以编辑！-！-！-精品文档，值得下载，可以编辑！ -！-！-精品文档，值得下载，可以编辑！-！-！-精品文档，值得下载，可以编辑！ -！-！-精品文档，值得下载，可以编辑！-！-表中的结果给出了 CVANN 最好与最坏精度下的数据结果.在表二 B 表明有良性肿瘤的图像,M 表示有恶性肿瘤的图像.由表二和表三可推知,CCVANN 比单 CVANN 的 CWT 的每一层分离的肺部区域图像结果都
13、要好.v. 总结在这篇论文中,提出了一种用于生物医学图像切割的联合人工复值神经网络模型.有实验数据结果我们可以得出以下结论:1. CCVANN 的结果与17 实验结果相比更令人满意,CCVANN 结果的误像素点数比单 CAVNN 小.2. 虽然发展了的 CCVANN 模型只能用在本文提到的用于训练和测试的输入数据,但是我们可以很容易的增加性的数据集以作为输出.说明 本项研究得到了 Selcuk 大学的科学研究计划的支持.参考文献1 K. S. Fu, J. K. Mui, “A survey on image segmentation”, PatternRecognition, vol. 13
14、-1, pp. 3-16 , 1981.-！-精品文档，值得下载，可以编辑！ -！-！-精品文档，值得下载，可以编辑！-！-2 R. M. Haralick , L. G. Shapiro: “Survey: image segmentationtechniques”, Comp. Vision Graph Image Proc vol. 29, pp. 100-132,1985.3 A. P. Dhawan, Medical Image Analysis, Wiley-Int., USA, 2003.4 B. M. Ozkan, R. J. Dawant, “Neural-network b
15、ased segmentation ofmulti-modal medical images: a comparative and prospective study”,IEEE Trans. Med. Imaging vol. 12, 1993.5 D. D. Sha, J. P. Sutton, “Towards automated enhancement,segmentation and classification of digital brain images using networks ofnetworks”, Information Sciences, vol. 138, pp
16、. 45-77, 2001.6 T. W. Nattkemper, H. Wersing, W. Schubert, H. Ritter, “ A neuralnetwork architecture for automatic segmentation of fluorescencemicrographs”, Neurocomputing vol. 48, pp. 357-367, 2002.7 A. Papadopoulos, D. I. Fotiadis, A. Likas, “An automaticmicrocalcification detection system based o
17、n a hybrid neural networkclassifier”, Artificial Int. in Medicine vol. 25, pp. 149-167 20028 Z. Dokur, T. Olmez, “Segmentation of ultrasound images by using ahybrid neural network”, Pattern Recognition Letters vol. 23, pp. 1825-1836, 20029 D. L. Vilarino, D. Cabello, X. M. Pardo, V. M. Brea, “Cellul
18、ar neuralnetworks and active contours: a tool for image segmentation”, Imageand Vision Computing vol. 21, pp. 189-204, 2003.10 I. Middleton, R. I. Damper, “Segmentation of magnetic resonanceimages using a combination of neural networks and active contourmodels”, Medical Engineering and Physics vol.
19、26, pp. 71-86, 2004.11 M. I. Rajab, M. S. Woolfson, S. P Morgan,.”Application of region-basedsegmentation and neural network edge detection to skin lesions”, Comp.Med. Imaging and Graphics vol. 28, pp. 61-68, 200412 Z. Dokur, “A unified framework for image compression andsegmentation by using an inc
20、remental neural network”,Expert Systems with Applications vol. 34, pp. 611-619, 2008.13 M. N. Kurnaz, Z. Dokur, T. Olmez, “An incremental neural network fortissue segmentation in ultrasound images”, Computer Methods anPrograms in Biomedicine vol. 85, pp. 187-195, 2007.14 A. Wismuller, F. Vietze, J.
21、Behrens, A. Meyer-Baese, M. Reiser, H.Ritter, “Fully automated biomedical image segmentation by selforganizedmodel adaptation”, Neural Networks vol. 17, pp.1327-1344,2004.15 S. H. Ong, N.C. Yeo, K. H. Lee, Y. V. Venkatesh, D. M. Cao,“Segmentation of color images using a two-stage self-organizingnetw
22、ork”, Image and Visual Computing vol. 20, pp. 279-289, 2002.16 Y. 謟bay, M. Ceylan, “Effects of window types on classification ofcarotid artery Doppler signals in the early phase of atherosclerosis usingcomplex-valued artificial neural network”, Computers in Biology and-！-精品文档，值得下载，可以编辑！ -！-！-精品文档，值得
23、下载，可以编辑！-！-Medicine, vol. 37, pp. 287-295, 2007.17 M. Ceylan, Y. 謟bay, O. N. U鏰n, E. Yldrm, “A novel method forlung segmentation on chest CT images: Complex-valued artificial neuralnetwork with complex wavelet transform”, Turk. J. Elec. and Comp.Sciences, vol. 18 (4), 2010.18 G. Beylkin, R. Coifman,
24、 V. Rokhlin, “Fast wavelet transforms andnumerical algorithms”, Communications on Pure and AppliedMathematics, pp. 141-183, 1991.19 M. Unser, “Texture classification and segmentation using waveletframes”, IEEE Trans. Image Processing, vol.4, pp. 1549-1560, 1995.20 I. Selesnick, W. R. G. Baraniuk, N. G. Kingsbury, “The dual-treecomplex wavelet transform”, IEEE Signal Processing Magazine,vol.22, pp. 123-151, 2005.21 T. Nitta (Edt.), Complex-Valued Neural Networks: Utilizing High-Dimensional Parameters, Inf. Science Reference, Penns., USA, 2009.
