基于SOFM神经网络的肺小细胞癌的自动识别研究.pdfVIP

2005中团科协掌术年会《生物物理与t大疾病》分会 掌术交流 基于SOFM神经网络的肺小细胞癌的自动识别 一 塑匡蕉苏万芳陈棉辰李防震 中国科学院生物物理研究所．北京100101 (h迹龟s毽毪§；通毯二哩皂：皂氇1 近20年来全球肺癌发病率和死亡率一直居恶性肿瘤之首，发病率高达24／10 万…．而且发病率和死亡率仍在不断地增长。由于肺癌病因尚未完全确定，肺癌病 变的早期发现以及病患者治疗过程中肿瘤生物学参数的评估存在着困难。目前评 价病理诊断各类方法与标准在不断完善lz‘6】，而细胞病理学诊断是肿瘤诊断的重 要手段之一，通常是以病理学观察的定性描述为基础，不同观察者、不同时间内 有可能得出不一致的结论。肺癌细胞的亚类型中【7】，小细胞癌的判别最为困难。 基于数学形态学和色度学的肺癌细胞多参数的表征【8．131，建立模式样本集数据系 统，研究提出自组织特性映射神经网络结构与算法【1406】及分类器设计。网络收敛 后，对于输入的任意模式样本，网络均可以通过自组织竞争方式，依据训练样本 数据来调整网络的权值，最终判别输入模式所属类别。该研究对于癌病理学研 究、临床辅助诊断和疗效评估有着重要价值。 1．肺小细胞癌图像信息处理 基于质心坐标的多尺度形态学细胞核轮廓的提取，确定每一个细胞核的质 心，构建用多尺度形态梯度算子，获得胞核外轮廓的二维模式，其梯度算子为： 叫伊告嘻[((厂。㈣一(声㈣)6叫 选用一组不同尺寸的结构元素，能准确地探测和增强肺癌细胞核边缘(见 图1a,b)。 2．自组织特性映射神经网络的自动判别 Feature 自组织特性映射(Self-OrganizingMapping，SOFM)法是基于无导师学 习矢量化方法，以自组织方式进行模式聚类，从而获得有序的特征目标。网络模 型结构分为两层：第一输入层的节点由需要识别向量数决定，用于细胞特征参数 的提取。第二输出层的节点为二维阵列，分类数的大小决定了阵列的大小，用于 小细胞癌的识别。 2．I细胞的数学形态学和色度学特征参数 以数学形态学多种参数特征的一组取值作为一个向量来描述【8，9】： Am=(Rc，A，P，Ed，F，Ab) 对病理学样品染色的图像进行颜色的量化分析【101，分析参数为红R、绿G、蓝B 三基色含量和三色系数n、您、鼢以及色度‘12,13]： H=cos-I L[(R—G)2+(R—B)(G—B)】¨2。c面筹篙卷研， 饱和度S以及亮度Br。根据细胞色度学特征，特征数据空间聚类的特征向量为 Ac=(R，G，B，Fr，露，Fb，H，S，Br) -50． 2005中田科协掌术年会((生物物理与t大勇毛病》分会 掌术交流 2．2SOFM神经网络识别的基本算法 网络的算法是在输出特征平面上，寻找输入节点的最佳匹配点及其邻域内的 所有节点的权值。选择具有最小距离的节点j·作为获胜的节点，即： D；．(X，矿)=minD，I 网络权值的修正式： w“七+1)=w『i(七)，J诺NE．，水(f) 输出层邻域节点间，存在局部相互连接，相近的节点相互“兴奋”，远处节点相互“抑 制”。通过自组织方式大量训练样本数据来调整网络权值，最终判别输入模式类 别。 3．结果与讨论 3．1SSC胞核形态学分析 cellcarcinoma 选择的肺小细胞癌(Small scc)患者是经过临床和肿瘤生物学等方 法确诊癌患者的样品共158例，作为自动识别的训练样本。正常淋巴细胞80例 作为对照组。每例随机选取200个细胞检测。图lc为SSC细胞与正常淋巴细胞 形态参数的直方分布图，两者有着显著差异(PO．oi)，这就确保识别的准确性和 可靠性。