基于小波和神经网络的骨髓细胞识别方法的研究.pdfVIP

第14届中国神经网络学术会议论文嶷 基于小波与神经网络的骨髓细胞识别方法的研究 侯振杰麻硕士裴喜春潘新 内蒙古农业大学计算机与信息工程学院呼和浩特010018 hhderek@163．COrn 摘要针对骨髓细胞图像的特点．采用连续小波变换对图像进行了处理，在消除原始图像噪声的同时， 从不同的角度检测出图像的主要边缘．采用两级神经网络，利用基于神经网络的PCA算法获得图像的三 个主分量，然后采用模拟退必算法和BP算法进行细胞的分类识别。获得了较好的识别效果． 关键词连续小波变换，主分量分析，模拟退火算法，BP网络 1．引言 利用计算机对细胞图像进行特征提取与分类、计数等工作是现代生物医学工程领域的一个研究热 点。这些任务的实现都可以归结为图像分割以及模式识别问题。在对细胞及细胞核等进行正确分割的基 础上．计算出目标的各类特征．为医务人员的正确诊断提供帮助． Xu等利用活动轮廓模型对经过边缘检测的图 在这一领域已经进行了非常多的有益探索。Chengyang 像进行了轮廓拟台和分割．尤其是对U型图像取得了较好的效果Ⅲ。 也有大量的应用是使用数学形态 学对细胞图像送行处理¨J．利用形态学中的开、闭运算以及骨架提取等操作实现对细胞的正确分割。还 有的学者利用统计学模型”】【刮等方法分别从不同的角度对细胞图像进行了分割与处理。但这些方法均不 同程度地存在着算法复杂，参数确定困难等问题。基于上述考虑，我们在采用连续小波检测出细胞主要 边缘轮廓后．利用PCA神经网络提取出主分量，之后进行细胞种类的识别工作，获得了较好的效果。 2．小波分析 ，J、波变换(WaveletTransform)是80年代后期发展起来的应用数学的一个分支。 傅立叶分析只擅长处理线性问题，对非线性问题力不从心，并且，在L7以外的空间，傅立叶变换系 数不能刻画re4(0所在的空间．无法做到时一频局部分析。 Dennis Gabor于1946年提出了加窗傅立叶变换，对弥补傅立叶变换的不足起到了一定的作用。但由 F加窗傅立叶变换的时频窗大小固定．所以并没有很好地解决时频局部化问题。两小渡分析正是为了克 服t述变换的不足而提出来的。 ，J、渡变换的含义是：把某一被称为基本小波的函数∥Ⅲ作位移r后，再在不同尺度口下与待分析信号 做内积∽ 呢(叫)=专EXo)甲+(；)at V¨ 一 r相当于使镜头相对于物体平行移动．a相当于使镜头向物体推进或远离。上述公式为一维小波变 换 延伸至二维就可以对数字图像进行处理。二维离散小波变换(DwT)对图像的搜索只能在X，Y轴方 向进行 而连续小波变换(CWT)；；fq仅可以做尺度的伸缩，还可以做坐标的旋转，这样就使其具有了极化 能力．可以多角度地选择最佳方向进行分析．对信号细微变化的探测更为灵敏。 由于骨髓细胞图像中细胞种类多，胞核形状复杂，在进行边缘检测与分割时，其方向性也很强。基 于以上考虑，采用CWT对图像进行先期处理，检测出细胞核边缘。 cwr的变化形式为： 人工神经阿络与自然计算研究进展 VI／Ts(a一幻=三』，(二)y‘【∥厂-l(o；埘二 卜S19sin0] 其中。r口。l—sin日cosDI是旋转因子’二：【c。毒2r，占：B，62】r 随着小波变换尺度的增加，噪声对图像的影响越来越小．边缘在数据中表现为阶跃性的跳变，在多 尺度下小波变换的系数表现出较大的峰值，而噪声信号所表现出的峰值随着尺度的增加迅速降低． 行尺度为6的分解获得的结果．由图可以看出，原始图像中存在的噪声干扰被极大地降低了，并且细胞 边缘经过小波变换都显示出了较大的峰值．而其他部分都得到了平滑，为后续的处理提供了很好的基础。 在获得这样的主轮廓图像的基础上，我们设计了两级神经网络分别进行细胞的特征提取与识别。第 一级是基于神经网络的主分量分析，借以提取细胞的特征值，之后级联第二级神经网络，将第一级的输 出