基于BP神经网络的全身骨SPECT图像分割.ppt

7.1 SPECT图像简介 7.2 病灶的自动识别 7.3 BP神经网络原理 7.4 BP神经网络法分割病变区域 7.5 识别结果 7.6 本章小结 7.1 SPECT图像简介 SPECT图像简介 图像类别 SPECT（Single Photon Emission Computed Tomography) 图像是核医学成像的一种，属于功能图像。 图像用途 全身骨SPECT图像是诊断多种恶性肿瘤骨转移的重要途径之一。 研究现状 目前国内外专门针对SPECT图像的研究还不多。 图像的读取 所用SPECT图像是标准的DICOM（Digital Imaging and Communication in Medicine ）文件，扩展名为.dcm，根据DICOM文件的数据编码规则和文件结构，参照DICOM3.0标准，逐项获取图像的信息。 图像的显示 读取图像的行数、列数和各点的灰度值，通过窗口变换将灰度值转换为0－255，逐点绘出。 7.2 病灶的自动识别 病灶的特点 －正常图像：图像显像均匀清晰 －异常图像：发生癌细胞骨转移的区域，在图像上表现为团点状的亮点。 正常图像与异常图像对比 多种方法相结合 －最佳阈值分割：去除本底，突出显示图像 －BP神经网络识别：逐个象素识别，找出异常的象素点。 －分类：将识别出的象素点按距离分类，组成若干个区域，忽略面积过大或过小的区域。 －模板匹配：去除嘴巴、鼻子和膀胱这三个容易误识别的区域。 －去对称处理：去除对称的区域。 病灶识别流程图 7.3 BP神经网络原理 7.3.1 BP神经网络介绍 7.3.2 BP神经元 7.3.3 BP网络模型 7.3.4 BP算法流程 7.4 BP神经网络法分割病变区域 所用的BP神经网络结构图 7.5 识别结果 识别的准确率 异常样本判断准确率为87.5%，正常样本判断准确率为75.8%，总的准确率80.0%。 32 (2) 动态学习率 BP算法一个主要局限性是训练过程中网络可能陷入局部最 小而不能达到全局最小，大的学习率有利于网络跳出局部 最小，但学习率过大又会引起振荡。根据这种情况，这里 采用动态学习率，当前总误差与上次总误差的比值小于某 个阈值（这里取1.04）时，增大学习率，以跳出局部最小， 反之则减小学习率以抑制振荡。 二、对网络的改进 第七章 基于BP神经网络的全身骨SPECT图像分割 33 这里取40幅全身骨SPECT图像样本，其中，正常23例， 异常17例，每幅图像取各个部位样本点60个(容易误识别的 区域不取样本)，共2400个样本进行训练。初始权值在0.1－ 0.3范围取得，动量系数取0.95，初始学习率取0.5。实践证 明，在分类问题上，过度追求小误差容易导致网络过训练 而降低网络的抗干扰能力，降低容错性，这里取识别误差 为0.5，输出大于| 1－0.5 |认为是异常，小于等于| 0－0.5 |认 为是正常。 三、网络的训练 第七章 基于BP神经网络的全身骨SPECT图像分割 34 这里根据像素间的距离将识别出的异常像素分成若干个区 域，具体方法为：选一个没有归类的异常像素作为起始类， 依次扫描所有异常像素点，与现存的类的所有点比较，若与 某类的某个像素距离小于阈值，则添加到这个类，否则，添 加到一个新类。某些误识别的区域，如骨骼组织（脊椎、胸 骨等）和大的膀胱，区域面积都比较大，一般的病变区域不 会聚集成如此大的面积，根据这点，可将大面积(大于30个像 素)的区域认为是正常区域。另外，噪声可能会产生一些小区 域，这里把少于3个像素区域，认为是正常区域。 四、网络输出分类 第七章 基于BP神经网络的全身骨SPECT图像分割 35 第七章 基于BP神经网络的全身骨SPECT图像分割 (b) BP神经网络、分类、模板匹配结果 (c)最终识别结果 (a)原图像 36 第七章 基于BP神经网络的全身骨SPECT图像分割 识别结果 37 第七章 基于BP神经网络的全身骨SPECT图像分割 识别结果讨论 本章介绍了全身骨SPECT图像计算机智能诊断程序的实现，给出了智能诊断程序的目标和处理流程。重点阐述了BP神经网络的原理和BP神经网络分割异常区域的实现，最后对智能诊断程序的结果进行了讨论。 7.6 本章小结 38 第七章 基于BP神经网络的全身骨SPECT图像分割 病灶的自动识别是本文工作的重点，系统的智能性也主要体现在这里 图a是正常图像，b是异常图像，白色圆圈内是病变区域，通过这两幅图像的对比可以看到，病灶的特征并不是很明显，相似的亮点在一副图像上是