交互式Kohonen神经网络在医学图像处理中的应用-控制论专业论文.docxVIP

交互式Kohonen神经网络在医学图像处理中的应用摘 交互式Kohonen神经网络在医学图像处理中的应用 摘 要 图像分割最重要的一个应用就是医学图像分割。很多牛物医学信 息都是以图像形式表现出来的，如x射线图像、断层CT图像以及超 声图像，它使人类视觉从表面向内部延伸。人们可以通过他们来获耿 人体内部器官在解剖形态、生物化学和生理功能上的有用信息。由于 医学图像中的病灶有时会与周围的正常组织在灰度、形状上相似，用 肉眼不易分辨，所以需要进行图像分割，使病灶明显的呈现出来。 自组织神经网络是一种无导师指导的非监督学习算法，通过学习 它可以提取一组数j)ii；中的重要特征或某种内在规律性(ON分枷特征，或 按某种特征聚类)。在这种学习算法中，仅根据输入数据的属性而调整 权值，进而完成向环境学习、自动分类和聚类等任务。本文选用kohonen 神经网络进行医学图象分割。 在利用Kohonen神经网络进行训练时，确定聚类个数f即输出结点 的个数)的方法，通常有两种：(11是按照Hunts．beiger等人提出的，把 聚类个数确定为4：(2)是按照图像直方图中峰值点的个数来确定聚类的 个数。这两种常见方法，在某些应用中，能够得出较满意的训练结果。 但是在医学图像分割中，却不能达到理想的结果。因为，对于一幅图 像，其直方图是固定的，进而峰值点的个数也是固定的，所以对其进 行的图像分割结果也是唯一的。所以，无论是规定聚类的个数为4，还 是规定按照峰值点的个数来确定聚类个数，两种方法都使得对医学图 像的分割变的很机械，失去了适应性，进而影响医生对病情的分析。 为了能够对医学图像进行灵活的分割，我们提出了交互式的 Kohonen神经网络图像分割。对于每一幅医学图像，它的聚类个数不按 事先规定的模式来确定，也就是说Kohonen神经网络中输出层的结点 个数事先不确定，而是由医生根据分析病情的需要而自行决定。即图 像的聚类个数由医生输入电脑之后，神经网络才确定输出结li的个数， 进行网络训练。这就建立了一种人机交互式的神经网络训练方式。 利用这种交互式的网络训练方式，对于同一幅医学图像，医生可 交互式Kohonen神经网络在医学图像处理巾的麻用以灵活的变换聚类的个数来得到不同的医学图像分割结果，并从多幅 交互式Kohonen神经网络在医学图像处理巾的麻用 以灵活的变换聚类的个数来得到不同的医学图像分割结果，并从多幅 分割图像中，选出有助于病情分析的分割图像。 利用Kohonen神经网络进行图像分割，运算量非常大。为了减少 运算量，提高运算速度，我们引入了塔型数据结构(PDS)，把图像分成 不同级的量化图像，使得在不影响图象分割精度的前提下，将运算量 大大减少，从而提高了图象分割的速度。 关键词：kohonen神经网络、图像分割、输出结点、交■：式、PDS 交互式Kohonen种经阿络在医学图像处理中的应用第一章 交互式Kohonen种经阿络在医学图像处理中的应用 第一章 引言 一、 数字图像的有关知识 1、数字图像的基木概念 数字图像处理作为--f]学科形成于20世纪60年代初期。1964年， 美国喷气推进实验室利用计算机对太空飞船发回的月球图像信息进行 处理，收到了明显效果。此后不久，图像处理这门学科便诞生了。作 为一门交叉学科，数字图像处理在40年的时问里获得了蓬勃发展，它 所包括的内容涉及到信息科学、计算机科学、数学、物理学以及生理 学等科目。随着计算机技术的发展，数字图像处理技术山|二iI趋完善成 熟，而且越来越广泛地应用于空间探测、遥感、生物医学、人：F智能 以及工业检测等许多领域，并促使这些学科产生了新的发展。 数字图像处理，即用计算机对图像进行处理。数字图像处理系统 基本的三个部件是：处理图像的计算机、图像数字化仪、图像显示设 备。 数字图像处理的过程，第一步是要在图像之间根据具体的需要进 行各种变换。通过对图像进行各种加工来改善图像的视觉效果，为图 像的自动识别打基础。第二步，就是对图像进行分析。通过对冈像中 感兴趣的目标进行检测和测量，获得客观信息从而建立对图像的描述。 2、图像分割的基木概念 图像分割是数字图像处理中非常重要的组成部分，也是上述第一 步转到第二步的关键。图像分割，是指把图像分成各具特性的区域并 提耿出感兴趣目标的技术和过程。这罩的特性可以是灰度、颜色、文 理等，目标可以对应单个区域，也可以对应多个区域。 图像分割可以借助集合概念用如下方法定义： URi瑚： k1 b． 对所有的i和^i≠，，有飓nRj．=庐； 对i=，■3．．’月，有P(R。)=TRUE； 交互式Kohonen神经网络在医学图像处理巾的应用d． 交互式Kohonen神经网络在医学图像处理巾的应用 d． 对i≠，，有P(R，uR，)=FALSE：