基于神经网络的医学图象处理.docVIP

　　基于神经网络的医学图象处理 【摘要】 　　阐述一种基于神经 网络 的医学图象压缩 方法 。 【关键词】 神经网络； 图象处理； BP 算法 　　从20世纪70年代开始，随着CT的发明，医学图象处理在医学领域中占有越来越重要的地位。通过图象提供的各种相关疾病信息，临床医生可以更直接的检查病变的情况，明显的提高了诊断的准确率。医学图象资料的数据量往往非常之大，这就给图象的远程传输和存储带来很大不便，因此进行数据压缩是十分必要的，我们将数量巨大的图象信息进行压缩，只传输或存储压缩后的信息，当需要提取图象时再按一定的规则将图象恢复。神经网络的并行处理和自适应 学习 的能力使其成为医学图象数据压缩的良好工具。 神经网络图象数据压缩系统组成如下: 　　输入层 中间层 输出层 　　这是一个三层网络，输入层和输出层具有相同的节点数，中间层的节点数比输入层或输出层的节点数少。对网络进行训练的过程中网络的输入层和输出层使用相同图象信号作为学习样本，由于输入层和输出层使用的是同一图象信号，因此网络的输出层可以再现输入层信号。由于中间层的单元数大大少于输入层和输出层，可以用中间层有效的表示输入图象信号进行传输和存储。输入层到中间层的变换可以看作压缩数据编码过程，中间层到输出层的变换则是解码过程。 　　假设被编码的输入图象幅面为M*N个像素点，将其分为由m*n个像素点组成的图象块。网络的输入层和输出层均由m*n个单元构成，各单元对应图象块中的像素，网络的中间层单元数按照要压缩比和误差的要求取不同的数目。图象中每个像素的灰度值用k位表示，将２k个灰度值线性变换到［０，１］范围内，按BP算法学习。公式如下： 　　f(x)=21+exp(-x)-1 　　一般来说中间节点取１６，ｋ取８，网络将先以0.25的学习系数进行训练,再以0.01的学习系数进行训练,训练样本通常是从图象中随机抽取的,进行训练的样本数通常在10万数量级。 　　当 网络 训练完毕后，用图象的压缩比和图象的归一化二乘误差对网络的数据压缩能力进行评价。由于网络中间层的输出是在（-1，1）区间连续的，不能直接进行传输或存储，须将其转化为数字量。首先把中间层的连续量按一定的量化等级转换为数字量，然后将这一数字量变换为相应的连续值，通过网络中间层和输出层的连接传送到输出层，从而得到重建图象。并以此为依据 计算 出网络相应的压缩比及误差。 　　设网络的原输入图象块为fij经中间层模拟—数字—模拟变换后在输出层得到的重建图象为 gij，则整副图象的误差可由下式算出 ，其中 i，j表示划分图象块的行列，s表示图象块的总数。对于普通图象来说ε的值为0.413%。 　　ε=si,j=1(fij-gij)2si,j=1fij2 　　要提高网络压缩性能就要减少误差和提高压缩比。一般来说，很难在保持中间层单元数或量化等级不变的情况下同时满足压缩比和误差这两个指标。由于BP网络对中间层单元数的敏感度比对网络数据精度的敏感度低，我们在保持相同压缩比的情况下，适当减少中间层的单元数，增加量化等级就可以减少。若取网络的输入层节点数为８*８，灰度用８位表示，则误差变化如下表:（略）　　用BP算法 学习 过的网络具有自适应学习功能，可以按照相似的输入得到相似的响应。对于未曾学习过的输入图像，由于网络在对样本进行自适应学习的过程中记忆了图象在输入、输出层之间的灰度对应特征，网络仍可以对其进行压缩和重建，但误差比学习过的图象大得多。需要处理的医学图像如MRI、CT、超声结果大都是一些黑白图像，应尽可能的在网络的学习模式中包含丰富的图象灰度样本，使网络通过训练减少误差，掌握较高的图象处理能力。 【 参考