基于粒子群神经网络细胞图像分割方法.docVIP

更多电子资料请登录赛微电子网 基于粒子群神经网络的细胞图像分割方法* 张煜东 吴乐南 韦 耿 (东南大学信息科学与工程学院, 南京 210096) 摘 要: 为了更好地分割细胞图像, 对传统的BP神经网络进行改进: 首先将输入神经元设置为一个3×3窗口, 以代替传统的单像素通道; 其次采用一种基于信息熵的方法估计隐层神经元的个数; 最后采用一种改进的PSO算法来保证网络权值收敛到最优。对血细胞和肠细胞的分割结果表明, 本文方法得到的隐层神经元数大幅减少, 误判率也优于BP与LM算法, 耗时较BP算法少且近似接近LM算法。本文提出的估计隐层神经元的方法有效, 且改进的PSO算法能够跳出误差函数局部极小点, 收敛到全局最小点。 关键词: 神经网络；细胞图像分割；隐层神经元个数；粒子群优化 中图分类号: TN911.73　　　文献标识码: A　　　国家标准学科分类代码: 510.4050 Cellular image segmentation based on particle swarm neural network Zhang Yudong Wu Lenan Wei Geng (School of Information Science Engineering, Southeast University, Nanjing 210096, China) Abstract: In order to segment cellular images more efficiently, traditional BP neural network was improved in following aspects: first, the input layer was set as a 3×3 window in replace of mono-pixel channel; second, the number of neurons in hidden layer was estimated by an information entropy based approach; finally, a improved PSO (particle swarm optimization) algorithm was proposed to guarantee the network to converge to the global optimum. The experiments on blood bacteria and intestine bacteria show that the number of neurons in hidden layer is quite reduced, the misclassification rate is less than the results via BP and LM, and the computation time is far less than that of BP and close to that of LM. In conclusion, the method of estimating number of neurons in hidden layer is effective, and the improved PSO is capable of jumping from local minima of the error surface and converging into global minima. Keywords: neural network; cellular image segmentation; number of neurons in hidden layer; particle swarm optimization 1 引 言 细胞图像是细胞胚胎学、病理学的重要辅助研究手段, 在伤口愈合、自主防御机制、癌细胞转移机制、血细胞和免疫细胞统计分析等研究中发挥着重要作用。 对细胞图像的分割在临床上有重要应用价值, 其目的是抽取临床有用的重要信息, 以提高疾病的诊断与治疗水平。细胞图像的分割是整个图像处理与分析中的关键技术, 分割质量对随后的诊断有十分重要的影响[1]。 目前, 细胞图像的分割方法有很多, 但由于神经网络(NN)具有较强的学习能力和自适应能力, 并可以看作是一种具有大量链接的并行分布处理系统, 较之传统方法具有很大优越性[2]。因此, 本文选取NN对细胞图像进行分割, 碰到的主要问题一是如何确定网络结构, 二是如何保证网络收敛到全局最优。 本文介绍了基于分类的图像分割技术, 将权值学习转化为粒子群优化问题, 提出一种改进的P