基于改进遗传神经网络MR脑组织图像分割方法.docVIP

基于改进遗传神经网络MR脑组织图像分割方法 　　摘 要： 为了提高MR脑组织图像分割的准确度，针对传统BP神经网络算法存在的问题，提出了改进的遗传神经网络算法。首先根据医学图像改进遗传算法的编码方式、适应度函数以及遗传操作，利用该算法获取最小适应度函数值，进而确定神经网络最优权值和阈值；然后将该神经网络用于MR脑部图像的分割。试验结果表明，改进的遗传神经网络算法分割效果优于传统BP神经网络算法。 　　关键词： MR图像； 神经网络； 遗传算法； 脑组织分割 　　中图分类号： TN711?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2015）19?0060?04 　　Abstract： To enhance the segmentation precision of MR brain tissue image， an improved genetic neural network algorithm is presented for the existing problems of traditional BP neural network algorithm. According to the coding mode， fitness function and genetic manipulation of the improved genetic algorithm of medical images， the minimum fitness function value is obtained from the algorithm to determine the optimal weight and threshold of the neural network. The neural network is used to segment the MR brain image. The experimental results show that the segmentation effect of the improved genetic neural network algorithm is better than the traditional BP neural network algorithm. 　　Keywords： MR image； neural network； genetic algorithm； brain tissue segmentation 　　0 引 言 　　随着磁共振（MR）成像技术在现代医学诊断和治疗中的应用日益广泛，对磁共振图像的处理也成为医学图像处理领域的研究热点。对于MR脑组织图像，如何从中将不同的脑组织分割出来是进一步对脑组织进行分析的关键步骤[1]。由于MR脑组织图像存在组织边缘模糊、伪影多样、灰度不均匀等特点，使得对其进行分割较为困难。近年来，不断有新的方法应用到MR脑组织图像的分割中，由于人工神经网络（Artificial Neural Networks，ANN）具有很强的鲁棒性，对噪声不敏感，不需预先知道图像灰度概率分布等优点，已成为医学图像处理领域的研究热点[2]。 　　前向反馈（Back Propagation，BP）网络是目前技术最成熟、应用范围最广泛的网络之一[3]。该网络的主要思想是利用训练样本对构建的BP网络进行训练，然后将未分类的样本输入网络进行分类，进而实现分割的目的。BP算法的核心是“负梯度下降”理论[4]，网络通过负梯度下降学习规则自行修正权值和阈值，使得误差平方和逐步减小以实现网络的收敛。但依据此学习规则容易陷入局部最优解。遗传算法因其具有很好的自适应性和并行性非常适合解决全局寻优问题[5]。所以用遗传算法来优化BP神经网络的初始权值和阈值，改进学习规则避免陷入局部最优解，可改善图像分割效果。 　　1 算法过程及实现 　　遗传神经网络分割图像根据流程可分为三个部分：构建神经网络结构、遗传算法优化和神经网络分割图像的实现。首先根据医学图像特征确定神经网络结构，包括网络层数，输入层、输出层以及隐含层节点个数并初始化权值和阈值；然后，根据网络结构确定染色体长度，利用遗传算法对种群进行寻优并将得到的最优染色体赋给神经网络；最后，对神经网络进行训练，利用训练好的网络对图像进行分类。遗传神经网络具体步骤如下： 　　1.1 构建神经网络结构 　　神经网络由网络拓扑结构（神经元的连接）、神经元使用的激活函数和指定用于调整权值过程的学习算法（学习规则）构成。神经网络的结构通常决定了网络的成功与否。 　　1.1.1 网络拓扑结构 　　BP神经网络的拓扑结构包括网络层数、各层节点数以及各节点间的相互连接方式。