自组织特征映射网络在脂肪肝B超图像识别中应用研究.docVIP

自组织特征映射网络在脂肪肝B超图像识别中应用研究 　　摘 要 通过分析肝脏B超图像的纹理特征，利用自组织特征映射神经网络（SOFM）的聚类特性对脂肪肝B超图像进行分类识别，建立较人为经验识别更为准确的计算机B超脂肪肝医学辅助诊断系统。实验结果表明SOFM网络对脂肪肝的识别率达88.89%，轻度识别率达71.42%，中度识别率达79.82%，重度识别率达85.71%，该辅助系统可提高脂肪肝的诊效率和准确性。 　　【关键词】脂肪肝 B超图像 自组织特征映射神经网络 特征提取 　　脂肪肝是脂肪（主要是甘油三脂）在肝脏中过度沉积引起的病变，目前已成为国人的常见病、多发病，是仅次于病毒性肝炎的第二大肝病，是公认隐蔽性肝硬化的常见原因，严重威胁国人的健康。慢性脂肪肝如不及时治疗，可发展为肝纤维化和肝硬化，造成肝脏的永久损害，而早期或轻度脂肪肝经过治疗，可以逆转正常。因此，通过图像处理技术自动识别脂肪肝，加强脂肪肝的早期诊断、发现，已成为当代医学辅助诊断领域的重要研究方向。 　　临床上诊断脂肪肝最可靠的办法是活检（超声引导下肝穿刺活检组织细胞），但会给病人带来很大的痛苦。随着超声医学的蓬勃发展，目前临床上常采用B超成像技术诊断脂肪肝。但B超成像技术诊断脂肪肝在很大程度上是凭医生肉眼进行判断，这种经验的、感性的认识常导致脂肪肝的误诊，以及对局灶性脂肪肝与肝血管瘤和原发性肝癌的混淆等。因此，需要研究一种脂肪肝B超图像辅助诊断系统，提高诊效率和准确性。本文利用自组织特征映射神经网络（Self-Organizing 　　Feature Map，即SOFM）的聚类特性对脂肪肝B超图像进行识别，实现正常肝与脂肪肝的划分，并对脂肪肝进行轻、中、重度分类。 　　1 特征提取 　　由于肝脏微结构对超声波的反射和散射作用使得肝脏B超图像呈现出纹理特性，脂肪肝患者的肝细胞中由于脂肪沉积，肝脏微结构发生了明显的变化，从而正常肝与脂肪肝B超图像之间的纹理特征也出现了较大的差别，这就为利用纹理特征来区分正常肝与脂肪肝提供了可能。从肝脏B超声像图上看，正常肝脏的B超表现为：肝脏表面光滑、边缘呈锐角、内部回声为细光点、分布均匀、肝内管道显示清晰；病变肝脏的B超表现为：肝脏肿大、肝实质回声增强，大于肾脏和脾脏的回声强度，而且轻、中、重度又各有不同。因此，特征提取是一个重要环节，对神经网络分类识别的正确性有直接影响。 　　一般来说，对B超图像纹理特征的描述方法主要有空间灰度矩阵、傅立叶能量谱、灰度差分统计、Laws’纹理能量测量和小波变换分形特征等方法，通过实验对比分析，本文将脂肪肝B超图像的纹理特征作为分析对象，采用对肝脏B超图像描述能力较好的灰度共生矩阵进行进行特征值的提取与分析，分别取，四个不同方向来描述同一肝脏图像，计算其角二阶矩、熵、逆差矩。经实验比较发现，这三个统计量对正常肝和脂肪肝的描述差别明显，而且相对稳定，因此，将这三个统计量选作特征值作为神经网络分类器的输入。 　　2 基于SOFM网络的脂肪肝B超图像分类识别 　　SOFM网络是模仿动物和人大脑皮层中具有自组织信号处理的特征，它可以根据样本自身的规律，自动提取样本内在的重要统计特征，是一个由全连接的神经元阵列组成的无教师自组织、自学习网络。SOFM神经网络算法更接近于人脑的认知规律，可以实现实时学习，网络具有自稳定性，不需要外界评价函数，能够识别向量空间最有意义的特征，抗噪能力强。它所形成的聚类中心能够映射到一个平面或曲面上而保持拓朴结构不变，可以对目标的固有特征作出客观的划分。 　　2.1 输入与竞争层的设计 　　根据本文设计的需要，我们从项目合作医院采集了48张肝脏图片，最后选定28张典型的图片作为我们的训练样本：其中正常肝、轻、中、重度脂肪肝各7张，余下的20张不同类别的图片作为测试样本。由于每幅图像大小和灰度级不一定完全相同，这样不宜于设计各层节点数目，所以为了提高网络的收敛速度，我们对给定的B超脂肪肝图像进行预处理。在医生的指导下，从中划分出感兴趣的区域（ROI），选取了64×200，灰度级为256的图像，对这部分区域进行特征提取，计算出每一幅图像的灰度共生矩阵，并提取它们的二次统计量构成特征矢量，得到了角二阶、熵以及反差分矩12个反映其图像纹理特征的特征值，也即是我们可以将一幅脂肪肝图像用一个12维的向量表征。这12维的向量特征值便作为了神经网络的输入。神经网络一般根据输入特征量的多少确定网络输入层神经元个数，因此，本次设计的输入层神经元个数为12。对于竞争层（输出层），我们设定神经元个数为4，即分别代表正常和轻度、中度、重度四种分类结果。 　　2.2 SOFM网络的训练 　　SOFM网络是模仿动物和人大脑皮层中具有自组织信号处理的特征，它是一种无监督的学习方式，它可以根据样本自身的规律，自动