（计算机软件与理论专业论文）基于SOFM的脑部MRI图像分割算法研究.pdf

基于s o f m 的脑部m ri 图像分割算法研究 中文摘要 核磁共振成像作为- f - j 新兴的影像学检查手段，能够非常准确地显示脑部解剖 结构，确定或排除绝大多数病变组织，在医疗诊断上得到了广泛的应用。随着科技 的发展，人们对成像的要求以及图像的分辨率都越来越高。因此，研究精度高、速 度快、临床应用效果好的磁共振图像分割技术是当前工作的重点。神经网络方法因 其具有快速的并行处理能力和较强的学习能力，在核磁共振图像处理领域占据着重 要的地位。本文主要研究了自组织特征映射神经网络在脑部m r i 图像分割方面的应 用问题。 本文在深入研究国内外图像分割算法研究现状的基础上，讨论了影响图像分割 的技术因素，对基于s o f m 的聚类分割算法进行了研究与比较。针对s o f m 算法对高 分辨率图像处理速度慢、分割精度不理想等问题，提出了一种基于多小波分析与 s o f m 的图像分割算法m w s o f m 。该算法以传统的s o f m 聚类算法为基础，以实现 对高分辨率的m 耐图像的准确快速分割为目标，采用了多小波变换对图像进行分解， 然后利用s o f m 算法对得到的小波系数金字塔进行逐层聚类，最终得到分割结果。针 对m 对图像的噪声较多、传统的s o f m 必须预置参数、训练过程中网络结构固化、不 能灵活调整及多小波需预滤波等问题，提出了一种基于改进的t g s o m 图像分割算法 b t s o f m 。该算法在改进的t g s o m 算法的基础上，使用平衡多小波对m 图像进行 去噪，再使用改进的t g s o m 算法对小波系数金字塔进行逐层聚类，最后得到分割结 果。对m 脑图像的仿真实验表明，m w s o f m 算法及b t s o f m 算法都加快了分割的 速度，提高了聚类精确度，分割效果得到明显改善。 关键词：图像分割；自组织特征映射神经网络；小波分析；核磁共振成像 r e s e a r c ho fb r a i nm r ii m a g ese g m e n t a t i o na l g o r i t h m b a s e do ns o f m g r a d u a t en a m e ：x i n h u a nl i m a jo r ：c o m p u t e rs o f t w a r ea n dt h e o r y d i r e c t e db y ：l i c h a oc h e n a b s t r a c t a san e wd i a g n o s i sm e a n so fm e d i c a li m a g i n g ，m a g n e t i cr e s o n a n c e i m a g i n g c a l ls h o wb r a i nd i s s e c t i o nf r a m ee x a c t l y , a n dc a nc o n f i r mo r e l i m i n a t em o s tp a t h o l o g i c a lt i s s u e s ，s oi ti sw i d e l yu s e dm d i s e a s ed i a g n o s i s l 一一。 w i t ht h ed e v e l o p m e n to ft h es c i e n c ea n dt e c h n o l o g y , t h ed e m a n df o rh i g h e r r e s o l u t i o no fi m a g i n gi sm o r eu r g e n t t h u s ，t h er e s e a r c h o nt h em r j s e g m e n t a t i o nw h i c hh a sh i g h e rp r e c i s i o n 、f a s t e rs p e e da n db e t t e r c l i n i c a p p l i c a t i o ne f f e c ti sv e r yi m p o r t a n ti na c t u a lw o r k n e r v en e t w o r k h a sf a s t e r c o l l a t e r a lc a p a c i t ya n ds g o n g e rl e a r n i n gc a p a c i t y , w h i c hp l a y sa ni m p o r t a n t r o l ei nm a g n e t i cr e s o n a n c ei m a g i n g t h j sp a p e rm a i n l yr e s e a r c h o nt h e a p p l i c a t i o no fs o f m i nb r a i n 心i m a g es e g m e n t a t i o n b a s e do nd e e p l ys t u d yt h er e s e a r c hs t a t u so fi m a g es e g m e n t a t i o n a l g o r i t h m sa th o m ea n da b r o a d ，t h i sp a p e rd i s c u s s e st e c h n o l o g yf a c t o r sw h i c h i n f e c ti m a g es e g m e n t a t i o n ，a n dt h ei m a g es e g m e n t a t i o na l g o r i t h m sw h i c h b a s e ds o f mi nc l u s t e r i n ga r ec o m p a r e d f o r t h em a t t e rt h a ti ti ss l o wa n dt h e p r e c i s i o ni s n o ti d e a lw h e ns o f md i s p o s eh i g h r e s o l u t i o n i m a g e s ， m w s o f m a ni m a g es e g m e n t a t i o na l g o r i t h mb a s e do nm u l t i w a v e l e t i s p r o p o s e d ，t h i sa l g o r i t h mi sb a s e do nt h et r a d i t i o n a ls o f m ，e x a c ta n df a s t s e g m e n t a t i o nt oh i 曲r e s o l u t i o no fm i m a g ei st h em a i nc o n c e r n i tu s e s m u l t i w a v e l e tt oa n a l y z et h ei m a g e s ，a n dt h e nu s e ss o f m t oc l u s t e r i n gt ot h e m u l t i w a v e l e tm o d u l u sp y r a m i d ；f i n a l l yt h es e g m e n t e dr e s u l ti sg o t t h e nf o r t h ei s s u et h a t 心i m a g e si n c l u d en o i s e ，t r a d i t i o n a ls o f mm u s t s e t p a r a m e t e rb e f o r e h a n d ，a n dn e t w o r kf r a m ei ss o l i d i f i e di nt r a i n i n gp r o c e s sa n d c a n ta d j u s tn e a t l y ，b t s o f m a ni m a g es e g m e n t a t i o na l g o r i t h mb a s e do nt h e 1 1 1 i m p r o v e dt g s o m i s p r o p o s e d 1 1 1 i sa l g o r i t h mi sb a s e do i l t h ei m p r o v e d t g s o ma l g o r i t h m u s e sb a l a n c e dm u l t i w a v e l e tt od e n o i s et h em i m a g e ， t h e nu s e st h ei m p r o v e dt g s o mt oc l u s t e r i n gt ot h em u l t i w a v e l e tm o d u l u s p y r a m i d ，a n df i n a l l yt h es e g m e n t e dr e s u l ti sg o t s i m u l a t i o ne x p e r i m e n to n m 对b r a i ni m a g e si n d i c a t e st h a tb o t hm w s o f ma n db t s o f mn o to n l yc a n a c c e l e r a t et h es p e e d ，b u ta l s oc a ne n h a n c et h ep r e c i s i o no fc l u s t e r i n g ，a n dt h e s e g m e n t a t i o ne f f e c ti si m p r o v e do b v i o u s l y k e yw o r d s ：i m a g es e g m e n t a t i o n ；s e l f - o r g a n i z a t i o nf e a t u r em a p s ；w a v e l e t t r a n s f o r m ；m a g n e t i cr e s o n a n c ei m a g i n g i v 声明尸明 本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下， 独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文 不包含其他个人或集体已经发表或撰写过的科研成果。对本文的研究 做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的 法律责任由本人承担。 储虢篮至至二嗍 气。了t 心 关于学位论文使用权的说明 本人完全了解太原科技大学有关保管、使用学位论文的规定，其 中包括：学校有权保管、并向有关部门送交学位论文的原件、复印 件与电子版；学校可以采用影印、缩印或其它复制手段复制并保存 学位论文；学校可允许学位论文被查阅或借阅；学校可以学术交 流为目的，复制赠送和交换学位论文；学校可以公布学位论文的全 部或部分内容( 保密学位论文在解密后遵守此规定) 。 作者签名：盔盘塑二日期：丝12 ：堑! 导师签名： 日期：掣! ：! 兰 第一章绪论 第一章绪论 1 1 课题研究背景 图像分割技术是医学图像处理和分析中的关键技术。由于医学图像通常由感兴 趣区域和背景区域构成，感兴趣区域包含重要的诊断信息，并能为临床诊疗和病理 学研究提供可靠的依据，也许它在整幅图像中所占的面积不是太大，但其错误描述 的代价却非常高，而背景区域的信息则较为次要，所以感兴趣区域是医学图像分割 的重点。那么，从图像中把感兴趣区域分离出来就成了图像分析与识别首要解决的 问题，也正是制约医学图像处理中的其它相关技术发展和应用的瓶颈，如医学图像 分割技术。 核磁共振成像( m a g n e t i cr e s o n a n c ei m a g i n g ，m r i ) 技术【1 1 ，是1 9 4 6 年由美国学者 斯坦福大学的f e l i xb l o c h 和哈佛大学的e d w a r dp u r c e l l 提出的。它与其它医学成像 模式相比没有辐射危害，可以对身体的任意平面成像，所以特别适合脑组织成像。 随着社会医疗保健需求的增长，人们不再满足仅仅得到清晰的图像，而且对磁共振 图像的定量分析和可视化要求越来越高，如对病变组织的精确定位与定量测量、组 织器官的三维重建及其显示等，因而研究适用于磁共振图像的分割算法既关系着人 们的生命健康又是顺应时代的发展，已经成为现代医学图像处理领域中的一个难点 和热点。随着人类社会物质文明的飞速发展，人类的健康永远是最值得关注的主题， 而大脑是各种神经的汇集枢纽，支配着人的一切生命活动，是一切思维活动的物质 基础，所以对脑部m r i 图像分割方法的研究也是时代的发展要求。由于m 对图像具 有多样性和复杂性，加上目前影像设备成像技术上的特点，使得医学图像存在一些 噪声，图像中目标物体部分边缘也有可能局部不清晰，使得分割更加困难。 神经网络技术因其具有高速的并行处理能力以及对噪声不敏感的特性而被引入 到图像处理领域，并已经得到了成功的应用。白组织特征映射神经网络 ( s e l f - o r g a n i z i n gf e a t u r em a p ，s o f m ) 是一种二层的前馈竞争型网络，作为一种竞争 型学习聚类算法己被广泛应用于脑组织磁共振图像分割中。自组织特征映射神经网 络模型能把高维的信息数据以有序方式映射到低维空间上，具有实现实时学习、识 别向量空间中最有意义的特征的能力，而且抗噪音能力强，作为一种无导师的聚类 算法，在聚类过程中可避免人为因素，这些优点都有利于对图像的聚类分析。 鉴于如上论述，针对脑部m 砌图像分割特点，本文深入研究自组织特征映射神 基于s o f m 的脑部m r j 图像分割算法研究 经网络模型，并提出了基于多小波分析与s o f m 的图像分割算法m w s o f m 以及一种 基于改进的t g s o m 算法的图像分割算法b t s o f m ，希望能够进一步改善图像分割质 量，提高分割的精度和速度，能够更好的满足脑部m r j 图像分割的要求。 1 2 医学图像分割 1 2 1 医学图像分割的概念 图像分割是指将把图像中的感兴趣区域与背景区域区分开来，使它们互相不交 叉，而且每一个区域都满足特定区域的一致性 2 】。医学图像分割可用的特征包括：图 像灰度、颜色、纹理、局部统计特征或频谱特征等，利用这些特征的差异可以区分 图像中不同目标物体。对给定的一副图像厂b ，y ) ( 其中0 x m a x x ，0 y m a x y ) 进行分割，其实就是将图像g ，y ) 按照一定的准则划分为不相同的、不相关联的、 非空的子区域f l ，f 2 ，f 3 ，f 4 ，划分准则如下： ( 1 ) u y 。( x ，j ，) = i ( x ，j ，) ，即所有子区域组成了整幅图像。 k = l ( 2 ) 以是连通的区域。 ( 3 ) 以g ，y ) n g ，y ) = 驴，即任何两个子区域不存在公共元素。 ( 4 ) 区域以满足一定的均匀性条件。均匀性一般指同一区域内的像素点之间的灰 度值差异较小，或灰度值的变化较缓慢。 如果连通性的约束被取消，那么对像素集的划分就称为分类( c l a s s i f i c a t i o n ) ，每 一个像素集称为类( c l a s s ) 。在下面的叙述中，为了简单，将经典的分割和像素分类通 称为分割。 1 2 2 医学图像分割的目的及意义 目前，医学图像分割主要以各种细胞、组织与器官的图像作为处理的对象。从 医学研究和临床应用的角度来看，医学图像分割的目的是把仪器所生成的原始的二 维的或三维的图像划分成具有不同特征、不相关联的区域，从而把感兴趣区域与背 景区域分开并提取显示出来，并尽可能地接近解剖结果，为临床诊疗及病理学研究 提供可靠依据。磁共振颅脑图像的分割的目的就在于清晰地描绘出颅脑各个解剖结 构的边界，如灰质、白质、脑脊液以及m 砌图像中的其它组织。 医学图像分割在临床诊断、病理分析及人体器官三维重现等方面的应用都是至 关重要的，具体表现为以下几方面【3 - 5 】： ( 1 ) 用于c t 、m r i 等医学图像的检测与分析，并测量人体器官、组织或病灶的体 2 第一章绪论 积，有助于医生诊断及制定对病人的治疗方案； ( 2 ) 用于图像的3 d 重建，有利于图像的可视化，有助于外科手术方案的制定、 病理研究及放疗计划中的三维定位等； ( 3 ) 便于对分割结果进行数据压缩和传输，而且不会丢失有用的信息；分割后的 图像能够具有不错的降噪功能，有利于图像的理解和识别。 1 2 3 医学图像分割技术的进展 医学图像分割技术的发展过程是从完全的人工分割到人机交互的半自动分割再 到自动分割，一步步逐渐趋于成熟的。完全的人工分割是指由经验丰富的临床医生 在原始胶片图像上直接勾画出相关感兴趣组织的边界，或者通过图像编辑器用鼠标 在计算机监视器上勾画出有关组织的边界或感兴趣区域。该方法是所有的分割算法 中精度是最高的，但它既费时又费力，分割结果的优劣完全取决于操作者的经验知 识，且分割结果难以重现。半自动的分割方法是随着计算机技术的发展产生的，它 把操作者的知识和计算机的数据处理能力有机地结合起来，从而完成对医学图像的 交互分割【6 】。与人工方法相比，半自动的分割方法大大减少了人为因素的影响，而且 分割速度快，分割精度高，但操作者的知识和经验仍然是图像分割过程的一个重要 组成部分。近年来，由于大量的新兴技术如模糊技术和人工智能技术在图像分割中 的应用，图像分割领域中也涌现出一些自动的分割技术r 7 1 。自动分割方法能完全脱离 人为干预，由计算机实现医学图像分割的全过程。由于自动分割方法的运算量较大， 目前大部分的自动分割方法都是在工作站上实现的弘j ，所以限制了其实际应用的领域 范围。因此，研究耗时较少的、实用的、效果好的自动分割方法来取代完全的人工 分割和人际交互的半自动分割，一直是近年来图像分割方法研究的难点也是重点。 通过研究目前图像分割技术的发展趋势，我们可以看出，新分割方法的研究大 多以下列几个方向为其目标【9 j ： ( 1 ) 自动：以最少的人机交互完成分割全过程； ( 2 ) 精确：以最优化的结果与解剖结构更加接近； ( 3 ) 快速：以实现实时处理为最终目标； ( 4 ) 自适应性：对于不同的应用可以进行自我学习、自我适应、自我调节； ( 5 ) 鲁棒性：对噪声、模糊等干扰因素具有较强的免疫力。 模糊分割技术、基于知识的分割技术以及基于人工神经网络的分割技术仍将是 今后若干年医学图像分割技术的研究热点，经典分割技术与现代分割技术的综合利 用，即集成技术是今后医学图像分割技术的发展方向。相信随着各种理论的不断发 3 基于s o f m 的脑部m r i 图像分割算法研究 展、完善和成熟，以及新理论在图像分割领域的尝试应用，医学图像分割的方法也 会更多、更成熟。 1 3 国内外研究现状 1 3 1 医学图像分割技术的研究现状 目前国内外对于广泛应用在医学图像分割的半自动或自动的m r j 图像分割方法 的研究主要集中在统计方法、c 均值聚类方法、k 近邻方法和神经网络方法等方面【l o j 。 下面主要从医学应用的角度，简单介绍一些常用的、有代表性的分割方法：基于统 计学的方法是把图像中的各个像素点的灰度值看作是具有一定概率分布的随机变 量，观察到的图像是对实际物体做了某种变换并加入噪声的结果，是近年来比较流 行的医学图像分割方法；基于信息论的方法主要借助信息论中的熵的理论进行；基 于最大熵原则进行阈值选择是最重要的阈值分割方法之一；神经网络是一种并行连 续的、大规模的处理系统，非常善于解决模式识别领域的模式分类问题，而医学图 像分割本身就是一个模式分类问题，神经网络有三种拓扑结构：前向神经网络、反 馈神经网络和自组织神经网络；基于模糊分割的方法对噪声有很强的鲁棒性，能够 很好地处理三维医学图像内在的模糊性，比较常用的是f c m 算法；基于小波的方法 能够充分考虑尺度之间的拓扑关系和对称性，大大提高分割算法的计算效率；基于 遗传算法的方法是一种鲁棒性很强又特别简单的、适用于串行处理的、具有广泛的 适用性的全局搜索方法，但其缺点是局部搜索能力不好，一般不单独使用，常与其 他算法结合；基于知识的方法能够很好地获取图像的有效特征，分割的精确度较高， 它主要包括知识的获取和知识的应用两个方面，它是所有图像分割方法中最重要的 方法之一；基于模型的方法是根据图像的先验知识建立模型，可以在少数用户交互 的基础上，快速、可靠地得到分割结果，s n a k e 模型最为常用。 核磁共振成像作为一种无辐射、无创伤成像和辅助诊断技术，已经逐渐成为研 究人体组织器官，尤其是脑部组织的生理、病理及功能变化的主要工具。但是由于 磁共振图像技术的内在不确定性，导致一些半自动的和全自动分割技术的临床应用 效果不太理想。而神经网络因其具有高速并行处理能力、通过实例学习能力和最优 搜索能力，并且对随机噪声不敏感，因此在核磁共振图像分割领域的占据着非常重 要地位。一些学者致力于这方面的研究并提出了许多算法：其中包括u l r i c hr a f t 提 出的分别采用感知器和单隐层神经网络来研究脑白质、脑灰质和脑脊液的定量对比 问题，但因为该方法仅仅利用了图像的一维信息，而大多数肿瘤部位的像素在一维 4 第一章绪论 直方图中难以检测出，所以该方法不适合肿瘤的检测；a m a r t u r 根据磁共振图像成像 机理以及所得到的数据，构造出t h o p f i e l d 网络的能量函数，并设计了一种无导师的 确定型分割磁共振图像的方法，该方法有效地加快了网络的收敛速度；c h e n g 等人提 出了一种并行的无监督的竞争h o 面e l d 网络医学图像分割方法，但是该方法只使用图 像的灰度信息，忽略图像的空间信息；k e h o n e n 的学习向量量化算法l v q 和自适应回 声理论a r t 算法都是行之有效的图像分割方法，但是由于内部的概率不确定特性， 其结果难以精确再现。自组织特征映射神经网络作为一种自适应信号处理方法，在 对外部信息输入形成拓扑映射结构的过程中，具有与人脑的信息映射相类似的特点， 与其他的核磁共振分割方法相比，具有其独特的优势：它是无导师的算法，不需要 事先知道图像灰度的概率分布，能对输入矢量进行自主训练、学习，其分割结果精 确性高，较符合原图像的真实分布；已经训练过的网络，对于再次输入的数据可以 快速地匹配，从而得到结果，有效地提高了磁共振图像的分割速度；另外，网络分 割算法对噪声具有很强的鲁棒性，有效地降低了磁共振图像内在不确定性的影响。 1 3 2 自组织特征映射神经网络的研究现状 经过近6 0 年来深入的研究与发展，神经网络技术已经从原来简单的、多单元并 行处理的算法发展成为一门种类繁多、功能强大、应用广泛的方法论。与传统数据 处理技术相比，神经网络技术具有高速并行处理能力、通过实例学习能力和最优搜 索能力，并且对随机噪声有很强的鲁棒性，因此神经网络技术可以应用在包括图像 分割在内的许多领域。自组织特征映射神经网络是由芬兰学者k o h o n e n 于1 9 8 1 年提 出，该网络是一个由全互连的神经元阵列形成的无导师自组织自学习网络【1 1 1 。s o f m 算法以其所具有的诸如拓扑结构保持、概率分布保持、无导师学习及可视化等特性 吸引了广泛的注意，各种关于s o f m 算法应用研究的成果不断涌现。而且作为一种 自适应信号处理方法，在对外部信息输入形成拓扑映射结构的过程中，具有与人脑 的信息映射相类似的特点，更接近人脑的认知过程，因此非常适合对图像进行自适 应分割。然而无导师学习算法现在发展还不太成熟，s o f m 算法仍存在一些局限性， 如：网络结构固定，不能动态改变；网络训练时有些神经元始终不能获胜，成为“死 神经元”；网络连接权的初始状态以及算法中的参数选择都对网络的收敛性能有较大 的影响等。为此，许多学者针对不同的问题，从不同的角度提出了不同的改进算法， 以希从各个方面不同程度地克服这些缺点【1 2 1 。综合目前国内外的研究成果，可以看 出对s o f m 模型的研究不管是对算法进行改进，还是和其他的方法相结合，都有效 地改善了图像分割的效果。 5 基丁二s o f m 的脑部m r i 图像分割算法研究 ( 1 ) 动态地确定网络结构和神经元数目 针对传统s o f m 模型存在的许多不足，尤其是需要预先给定网络单元数目以及 结构形状的限制，人们提出了许多在训练过程中动态地确定网络结构及单元数目的 算法来解决此类问题。比较有代表性的有【1 3 - 1 6 】：a l a h a k o o n 提出的g s o m ( g r o w i n g s e l f - o r g a n i z i n gm a p s ) ，它在生长的过程中可以动态地生成的神经元，这些神经元可 以较好地保持初始状态时规则的二维平面结构，使得训练结果的可视化效果较好， 其不足是不能按需要方便地在合适的位置生成新节点以及算法执行效率较低；c h o i 等提出了自组织、自创造的神经网络模型( s e l f - c r e a t i n ga n do r g a n i z i n gn e u r a l n e t w o r k s ，s c o n n ) ，采用树形结构生长模型，可以在合适的地方生成新的节点；王 莉等提出的树型动态增长模型t g s o m ( t r e e s t r u c t u r e dg r o w i n gs e l f - o r g a n i z i n g m a p s ) ，它引入了扩展因子s f 来控制网络生长，实现了层次聚类，使得训练结果的 可视性较好，同时它采用了灵活的树型机构，可以按需要方便地在任意合适的位置 生成新的节点，算法的执行效率相对于经典的g s o m 算法明显提高；f r l t z k e 提出了 增长细胞结构( g r o w i n gc e l ls t r u c t u r e ，g c s ) 算法，它通过一个含有临时移动细胞单 元的控制生长进程来实现自动地找到合适的网络机构及规模，而且当前的分类误差 可以用来判定在哪里插入一个新的径向基单元。 ( 2 ) 最佳匹配神经元的选择 组组织特征映射神经网络模型采用的竞争学习机制经常使得竞争层中的一些结 点始终不能获胜，即变成“死神经元。尽管s o f m 采用拓扑结构的保持性来克服 此缺点，但并没有起到特别有效地作用，针对此类问题一些学者提出了很多算法， 比较典型的有：s o f m c v ，s o f m c ，e s o m ，t a s o m ，d s o m 1 7 - 1 9 】。其中s o f m c v 的思想是将s o f m 网络的权值都初始化为1 船，每个输入向量x 要经过如下修正后： 锨+ ( 1 一a ) 刀，其中a 随时间从。逐渐增大，然后再输入网络，提高了网络的收敛 速度；s o f m c 即带“良心 的竞争学习，它的基本思想是给每个竞争层结点设置 一个阈值，每次使竞争获胜的神经元的阈值增加，使经常获胜的神经元获胜的机会 减小，有效地避免了死神经元；e s o m 的思想是把更新获胜结点c 及其领域结点的 权值公式做了修改；在t a s o m 中，每个神经元都有自己的学习率和邻域函数，并 且能根据学习时间自动地调整学习率和邻域的大小；d s o m 的思想是引入一氧化氮 的四维动态扩散特性以及它在长时间学习过程中的增强作用，并把它们应用到s o f m 神经网络中。 6 第一章绪论 ( 3 ) 与其它算法的结合 由于目前的图像大都比较复杂，使用单一的分割方法总是不可避免地存在一些 缺陷，所以目前研究热点开始向着s o f m 和其他算法结合的方向发展，下面列举几 个比较有代表性的组合算、法【2 0 也2 】：x i a o 等提出了把s o f m 和微粒群优化算法结合， 先用s o f m 对数据聚类，再用所得的权值初始化p s o 算法，然后用p s o 的寻优能 力来确定s o f m 的权重失真指数；s a n k a r 等提出了把粗糙集和s o f m 结合的r s o m 算法，利用粗糙集理论中的依赖规则获得输入数据的大致聚类情况等知识，通过这 些知识来确定s o f m 网络的结构，并用s o f m 网络对结果进行训练、优化；h u s s i n 等提出了把s o f m 和自适应共振理论( a d a p t i v er e s o n a n c et h e o r y ，a r t ) 模型相结合 用来对文档进行聚类，先用s o f m 算法对文档进行分类，然后用a r t 算法对所有的 划分进行聚类；孙放等提出了把s o f m 和多层感知器结合进行语音识别，首先用 s o f m 算法进行语音特征矢量量化，建立参数模板，然后用此模板进行语音识别。 1 4 研究内容及论文结构 本文主要研究了医学图像的自组织特征神经网络分割算法。k o h o n e n 自组织特征 映射是一种二层的前馈竞争型神经网络，并且作为一种竞争型学习聚类算法广泛应 用于医学图像分割中。随着科技的发展以及人们对图像质量要求的提高，图像的分 辨率也越来越高，如何在高分辨率下提高图像的分割速度和精度，是目前研究的热 点也是难点。针对此问题，本文在对图像进行多小波分析的基础上进行s o f m 聚类分 割，多小波分析在处理图像的过程中实现了对高分辨率图像的降维操作，有利于提 高s o f m 的聚类速度，实验表明，在高分辨下，此方法在时间复杂度的降低以及分割 精确度提高方面都取得了较好的效果。针对大多数的医学图像在成像的过程中往往 受到噪声的污染，增加了图像分割的难度，而且传统的s o f m 必须预置聚类数、在训 练过程中网络结构固化等问题，本文在利用平衡多小波对图像进行去噪处理的基础 上，采用改进的t g s o m 模型对图像聚类，实验表明，此算法不但提高了分割速度及 精度，而且可视化效果好。 本文组织如下： 第一章绪论介绍了课题的选题背景；医学图像分割的概念、目的、意义及研究 现状；s o f m 聚类算法的研究现状以及本文的主要工作。 第二章介绍了人工神经网络的基本概念，包括神经元的基本模型及几种常见的 激活函数；神经网络的拓扑分类；人工神经网络常用的学习方式、学习规则以及自 7 基于s o f m 的脑部m 鼬图像分割算法研究 组织特征映射神经网络的结构和学习算法，讨论了今后图像分割发展趋势是多种方 法的结合。 第三章在前两章描述的基础上提出了m w s o f m 算法。该算法针对传统的s o f m 算法对高分辨图像处理速度不理想、分割精度不高等问题，引入了多小波分析理论。 在对图像进行多小波分解得到的系数金字塔的前提下，利用s o f m 算法对系数金字塔 的各个层次逐层聚类，并通过仿真实验验证了此算法的有效性。 第四章分析了传统s o f m 算法存在的缺陷，提出了利用节点映射比值来改进 t g s o m 模型。针对多小波分析需要预滤波、分割速度较慢以及m 图像大都含有噪 声等问题，本章引入了平衡多小波的概念，提出了b t s o f m 分割算法。此算法在采 用平衡多小波去噪的基础上，结合改进的t g s o m 算法来实现图像分割。仿真实验表 明，该算法分割速度快、效果好，结果图像的可视化性效果较好。 第五章总结了本文所做的工作及成果，同时根据现有的研究成果给出了算法需 要继续完善的地方，并对今后s o f m 图像分割算法的改进提出设想。 8 第二章自组织特征映射神经网络 第二章自组织特征映射神经网络 2 1 人工神经网络 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，简称a n n ) 是指由简单计算单元组成的 广泛并行互联的网络，能够模拟生物神经系统的结构和功能。组成神经网络的单个 神经元的结构简单，功能有限，但是由大量神经元构成的网络系统可以实现强大的 功能。到目前为止，人工神经元网络系统己经具有了一些同人脑相类似的特点，在 信息的分布式存储、数据的并行处理以及利用外来的信息进行自学习的能力方面都 同人脑很相似，所以它在智能控制、信息处理、模式识别等领域己经起到了重要的 作用并有着广阔的应用前景j 人工神经网络模型是一种新型的智能计算模型，它能模仿人脑神经网络的结构 及某些工作机制，因而有着非常重要的研究价值。这种智能计算模型具有利用大量 的简单计算神经单元连成网络来实现大规模并行计算的特点，并具有通过学习来改 变神经元之间的连接强度的工作机理。 2 1 1 神经元模型 人工神经网络模型是生物神经元在功能上和结构上的一种数学模型，它既反映 了生物神经系统的基本特征，又是对生物神经系统的抽象、简化与模拟。人工神经 元是神经网络的基本要素和基本结构，它模拟了生物神经元的三个基本功能【2 3 】： ( 1 ) 对每个输入信号进行处理，以确定其权值； ( 2 ) 确定所有输入信号的加权值； ( 3 ) 确定其输出，即模拟生物神经元的转移特性。 在对生物神经元的性质进行深入研究的基础上，心理学家m c c u l l o c h 和数理逻辑 学家p i t t s 于1 9 4 3 年提出了以简化的符号逻辑形式描述神经元结构的方法，这种简化 的神经网络结构称为m c c u l l o c h p i t t s 模型，简称m p 模型，它在一定程度上反映了生 物神经元在结构上和功能上的特征，如图2 1 所示。其中，1 。 一1 ，1 表示输入， i ， - l ，1 ) 表示输出，权值彬 - 1 ，1 ) 表示输入的连接强度，正数权值表示兴奋性输入， 负数权值表示抑制性输入。p 表示神经元兴奋时的阈值，当神经元输入的加权和大 于p 时，神经元处于兴奋状态。神经元输出通过式( 2 一1 ) 计算： ，n、 y = s g n i 形，一日l ( 2 1 ) ，= 1 其中，s g n 为符号函数，即： 9 基y - s o f m 的脑部m r i 图像分割算法研究 s 印” 二。嚣 ( 2 2 ) 如果把阈值也看作为一个权值，并假设= 一o ，。= 1 ，则输出改写为： y = s g n i 形，i ( 2 3 ) 从式( 2 - 1 ) 可以看出，阈值也被看作是一个输入分量，也就是一个权值，在此用固定 常数来表示。在网络的设计中，偏差起着重要的作用，它使得激活函数的图形可以 左右移动而能更好的解决问题。 图2 1m - p 模型 f i g 2 1m - pm o d e l 激活函数( a c t i v a t i o nt r a n s f e rf u n c t i o n ) 是- - 个神经元的重要组成部分，其基本作 用是： ( 1 ) 控制输入对输出的激活作用； ( 2 ) 对输入、输出进行函数转换； ( 3 ) 将可能无限域的输入变换成指定的有限范围内的输出。 常用的激活函数有以下几种： ( 1 ) 硬极限函数 硬极限函数也称为阶跃函数或阈值函数，此函数只有两种输出状态，o 和1 。如 图2 2 所示。 y = 厂 ) = 三：三三 c 2 4 ， 或 少= 厂o ) = s g n ( u ) = 二1 ：三三 c 2 5 ) 1 0 第二章自组织特征映射神经网络 式中厂( ) 为转移函数，它描述了生物神经元的转移特性。对应, , 于：、2 - 4 ) 与式( 2 5 ) ，硬 极限函数的曲线如图2 2 所示。图2 2 ( a ) 对应的硬极限函数叫做单极限函数，图2 2 ( b ) 对应的硬极限函数叫做双极限函数。 【a ) yj1 1 0 p r 单极限函数 s i n g l el i m i tf u n c t i o n u 【 yjl 1 o - 1 图2 2 硬极限函数 f i g 2 2h a r dl i m i tf u n c t i o n 双极限函数 d o u b l el i m i tf u n c t i o n u ( 2 ) 准线形函数 若激活函数采用准线性函数，则是神经元的输出只有一种状态，即是输入和输 出是一样的，有什么样的输入就有一成不变的输出。如图2 3 所示。 y = 厂 ) = “( 2 - 6 ) f 1“h y = 厂( 甜) = 甜hl u l 乃( 2 - 7 ) 【一1 做o ) “一h ( 4 ) s i g m o i d 型函数 s i g m o i d 型函数一般都简称为s 型函数，它是一类非常重要的激活函数，应用范 围十分广泛，无论是神经网络用于分类、函数逼近或优化，s 函数都是经常用到的 激活函数。无论将任意输入值压缩到( o ，1 ) 的范围内，常用的s i g m o i d 型函数有对数， 即： y 2 确) 2 瓦霜1 习 2 - 8 ) 基于s o f m 的脑部m r j 图像分割算法研究 或双曲正切函数： 少= 几) = 等 ( 2 - 9 ) s i g m o i d 型函数曲线如图2 5 所示，其中图2 5 ( a ) 称为单极性s i g m o i d 型函数，图2 5 ( b ) 称为双极性s i g m o i d 型函数或者双正切函数。 ( a ) yji 1 一 。 0 一 1 图2 3 准线形函数 f i g 2 3l i n e a r i t yf u n c t i o n ( a ) yji 1 ，。一 o u u 图2 4 分段线 生饱和型函数 f i g 2 4s u b s e c t i o nl i n e a r i t ys a t u r a t i o nf u n c t i o n ( b ) yjl 1 一 o 一 一1 u 单极性s i g m o i d 型函数双极性s i g m o i d 型函数 s i n g l el i m i ts i g m o i df u n c t i o n d o u b l el i m i ts i g m o i df u n c t i o n 图2 5s i g m o i d 函数 f i g 2 5s i g m o i df u n c t i o n 2 1 2 神经网络的分类 神经网络有多种分类方式，例如，按网络性能可分为连续型与离散型网络，确 定型与随机型网络；按网络拓扑结构可分为前向神经网络与反馈神经网络【2 4 】。在此 主要介绍前向神经网络、反馈神经网络和自组织特征映射神经网络。 前向神经网络是数据挖掘中广为应用的一种网络，其原理或算法也是很多神经 1 2 第二章自组织特征映射神经网络 网络模型的基础。b p 神经网络是一种比较典型的前向型神经网络，它广泛的应用在 各个领域，如聚类分析、图像处理等。 h o p f i e l d 神经网络是反馈网络的代表。h o p f i e l d 网络的原型是一个非线性动力学 系统，目前，已经在联想记忆和优化计算中得到成功应用。 自组织特征映射网络作为一种两层的竞争型神经网络，是神经网络最富有魅力 的研究领域之一。它能够通过其输入样本学会检测其规律性和输入样本相互之间的 关系，并且根据这些输入样本的信息自适应地调整网络，使网络以后的响应与输入 样本相适应；它通过学习同样能够识别成组的相似输入向量，使那些网络层中彼此 靠得很近的神经元对相似的输入向量产生响应；它不但能学习输入向量的分布情况， 还可以学习输入向量的拓扑结构，其单个神经元对模式聚类不起决定性的作用，而 要靠多个神经元的协同作用才能完成模式聚类。自组织特征映射神经网络能识别环 境的特征并自动聚类，已成功应用于特征抽取、大规模数据处理及图像处理领域。 2 1 3 人工神经网络的学习方式 通过向环境学习获取知识并改进自身性能是神经网络的一个重要特点【2 3 1 ，一般 情况下性能的改善是按照某种预定的度量通过调节自身参数逐步达到的，即神经网 络的学习过程是指网络权值的调整。人工神经网络的学习过程，实际上就是调节权 值和阈值的过程。模仿人的学习过程，人们提出了多种神经网络的学习方法，主要 有四种形式：死记式学习、有导师学习、无导师学习和强化学习。 ( 1 ) 死记式学习 网络连接权值根据特殊记忆模式设计而成，其值不变。在网络输入相关模式时， 唤起对记忆模式的回忆，对输入模式进行相应处理。h o p f i e l d 网络在作联想记忆和 优化计算时采用死记式学习，如图2 6 所示。 i 输 期望输出 图2 6 死记式学习 f i g 2 6r o t el e a r n i n g 1 3 o 实际输出 基于s o f m 的脑部m 刚图像分割算法研究 ( 2 ) 有导师学习 有导师学习又称为有监督学习。网络将实际输出和导师指定的输出加以比较， 得到在一定范数意义下的误差，由误差函数决定连接权值的调整，目的是使误差函 数达到最小值。一般根据6 规则对连接权值进行调整。前向神经网络b p 算法采用了 有导师的学习方式，如图2 7 所示。 期望输出 o 输出 图2 7 有教师学习 f i g 2 7s u p e r v i s e dl e a r n i n g ( 3 ) 无导师学习 无导师学习又称为无监督学习。网络的学习是自我调整的过程，不存在教师示 教来指示网络输出是否正确。自组织学习根据某种规则，反复调整连接权值，以便 适应输入模式的激励，指导网络形成某种有序状态。竞争学习是一种无导师学习， 网络以某种内部规