生物医学图像处理.docxVIP

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. 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.材料及方法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.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 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.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 每个神经元可以考虑用不同的输出函数,在这里我们用的输出函数由以下方程给出 其中称为S形函数 CBP算法总结初始化将权值和阈值设为小的随机复数.给定输入和预想输出给定输入向量X(1), X(2