生物醫(yī)學圖像處理

1、新的空物供學圖像分割方法-人工聯(lián)合復值神經(jīng)網(wǎng)絡分析法研究案例:基于胸部CT圖像的肺部分離摘要圖像分割的主要目的是將一幅圖根據(jù)相同的一種或幾種特性或特征分割成不同類別或子集. 在醫(yī)學圖像處理中，圖像分割在圖像特征提取，圖像測最，圖像顯示中都有很重要的作用這篇 文章講述了-種新的面向生物醫(yī)學圖像分割的人工復值神經(jīng)網(wǎng)絡系統(tǒng)(CVANN).這種被稱為 CVANN的系統(tǒng)足由兩個人工復值神經(jīng)網(wǎng)絡系統(tǒng)的組介.我們通過肺部圖像分離的實現(xiàn)證明了 這個方法的町行性.為了檢測系統(tǒng)，我們用到了包括6名女性和26名男性病人的共32張胸部 CT圖像.這些圖像由土耳其Bskant人學無線電系提供.繪后的實驗結(jié)果顯示，這個方

2、法的準確 性比單個CVANN模式更讓人滿意.i. 介紹圖像分割是指將一幅圖依據(jù)不同組成特性或特征分割成子圖,是圖像處理屮最為困 難的任務之-.分割的準確度決定了圖像分析的成敗也就是說在完全計算機口動分 析的分割層發(fā)生的錯誤將影響后續(xù)的所仃分析在許多醫(yī)學圖像處理應用中，分割也 可以用于從計算機斷層攝影(CT)圖像或磁共振(MR)圖像中甄別人體器官如人腦，心臟 肺，肝.另外，也用于辨別病變組織和正常組織，如腫瘤檢測，異變組織檢測.在各種科學 文獻中可看到圖像分割技術(shù)被廣泛的應用但是目前還沒有一種適用所有圖像處理 應用的標準分割技術(shù).與傳統(tǒng)方法相比,ANN在并行處理(要求冇適宜的硬件)，魯棒性, 噪

3、聲容限適應性方面都有優(yōu)勢.神經(jīng)網(wǎng)絡提供了用干像素分類的范式.應用神經(jīng)網(wǎng)絡 分割法町以較人幅度地改變我們感興趣的圖像結(jié)構(gòu)，從而便于醫(yī)學圖像處 理.3.Sha.and Sutton設計了 一個用于對腦部數(shù)字圖像分割分類的神經(jīng)網(wǎng)絡系 統(tǒng).Nattkempe及其合作者i殳計了一個混合神經(jīng)網(wǎng)絡，它由基于規(guī)則的網(wǎng)絡和一個神 經(jīng)網(wǎng)絡兩部分組成.他們利用混合神經(jīng)網(wǎng)絡對趙聲波圖像進行了分割.Vilarino及其合 作者設計了細胞神經(jīng)網(wǎng)絡，并應用到基于活動輪廓技術(shù)的圖像分割中.Middleton用聯(lián) 介神經(jīng)網(wǎng)絡和活動輪廓模式實現(xiàn)MR圖像的分割.在11'|提到的基于區(qū)域分割和神 經(jīng)網(wǎng)絡邊緣檢測技術(shù)實現(xiàn)了對M

4、R,CT和超聲波圖像分割.Dokur和Kurnaz提出了稱作 增強型神經(jīng)網(wǎng)絡分析法.Wismuller及其合作者,Ong及其合作者應用自組織模式實現(xiàn) 圖像分割.一個人工復值神經(jīng)網(wǎng)絡有復值輸入，權(quán)值，閾值和激勵函數(shù),以及輸出組成.CVANN在信 號處理和圖像處理中應用都有了廣泛的擴展.許多以存在的神經(jīng)網(wǎng)絡不能直接應用 到復信號和圖像處理問題當中.雖然對于某些應用，町以轉(zhuǎn)化復信號問題，以便利用實 值網(wǎng)絡和學習算法解決.但這不是通用的方法.在這篇論文屮提到的全新的激勵結(jié)構(gòu) 的網(wǎng)絡，也即聯(lián)合人工復值神經(jīng)網(wǎng)絡(CCVANN).CCVANN的總方案在兩個層面冇了加 強和補充第一層面，利用原始的數(shù)據(jù)集實現(xiàn)C

5、VANN的自我學習,之后將前一級的預測 和原始目標數(shù)據(jù)作為第二層的輸入，以實現(xiàn)肺部圖像分離.ii. 材料及方法1. 圖像數(shù)據(jù)為了測試系統(tǒng)的運行性能和系統(tǒng)評估，我們用了一組圖像(6位女性和26位男性 病人的共32張胸部CT圖像).這些圖像來自土耳其Baskent k學無線電系.這些圖 片中有10張胸部有良性腫瘤,22張右惡性腫瘤.病人的平均年齡在46歲.每張圖 片都足/52*/52像素的尺寸.這些圖片全部由相關(guān)專家拍攝的.2.復域小波變換(CWT)小波變換技術(shù)目前己經(jīng)成功的應用到信號處理和圖像處理中的各種問題.對以 認為小波變換是信號圖像處理的重要工貝.雖然目前己冇它的計算機算法，但是 小波變換

6、還是有其3各主要缺點.那就是，對漂移敏感，定向性差，缺少相位信息. 而CWT卻克服了這些缺點.CWTs的址近的研究方向主要可分為兩個:冗余復小波變換(RCWT)和II：冗余 復小波變換(NRCWT).RCWT包仟兩個幾乎完全相似的CWT,故也稱RCWT為二元 樹復小波(DT-DWT).冃前有兩個相似的版本分別叫做Kingsbury CWT和Selesnick CWT.在本次研究中，我們用到了 Kingsbury CWT以對待分割圖像進行特征提取.3.聯(lián)合人工復值神經(jīng)網(wǎng)絡(CCVANN)在此次研究中，模式識別用到了復域反向傳播算法(CBP).我們現(xiàn)在各層CVANN中 加載CBP算法.圖一展示了一

7、個CVANN模型圖一 O/ANN模型它的相關(guān)輸入信號，權(quán)值，閾值和輸出信號的是復數(shù).定義神經(jīng)元n的活性Yn如卜I這里Wnm是連系神經(jīng)元n和神經(jīng)元m的復值(CV)權(quán)值.Xm是來自神經(jīng)元m的 復值輸入仁'J .Vn是神經(jīng)元n的復值閾值.為得到復值輸岀信號，將Yn寫成如卜實 部和虛部的形式：其中i2 = -1每個神經(jīng)元町以考左用不同的輸出函數(shù)，在這里我們用的輸出函數(shù)由以I、方程 給出其中加M)=l/(l+exp(")稱為$形函數(shù)CBP算法總結(jié)1. 初始化將權(quán)值利閾值設為小的隨機復數(shù).2. 給定輸入和預想輸出給定輸入向量X,X(2),XX(N)和相關(guān)預想輸出T,T(2),T.T(N)

8、.一次給定一對,N是模式訓練總數(shù).3. 計算實際輸出用方程計算輸出信號.4. 調(diào)整權(quán)值和閾值當卜面條件得到滿足時，運算停止權(quán)值和偏移被確定記錄卜來.N2三即_。倍 =10- n=l其中TW)和0血)都是復數(shù),分別代表預想輸出和實際輸出在P模式卜：神經(jīng)元n 的實際輸出值也即(4)的左邊代表了實際模式與預想模式之間的誤差.N代農(nóng)輸 出層的神經(jīng)元總數(shù)總的CCVANN模型就是兩個CVANN的組合如圖二所顯示：Output of 3如21 /input$ of CVOhW2/);VVSecond LewdFirst level MNN圖二 CCVANN模型在第一級與第二級使用CVANN以實現(xiàn)復制模式識別

9、.hi.系統(tǒng)預測性能測量在這篇論文中，我們用到了一個計算機算法以評估CVANN經(jīng)訓練后的分類輸出，并檢 測包含肺部及肺部邊緣區(qū)域像素點分割后的圖像的正確分類像索點數(shù)町以通過一卜算法來計算：IFIt - 工。=0classified pixelclassified pixelTHENNumber of correct(CCP) increase by 1 ELSENumber of incorrect(iCCP) increase by 1b和b分別是網(wǎng)絡的目標輸出與實際輸出最后我們用以下這個公式計算這個方法的 準確度：Accuracy (%) = (CCP / (CCP + iCCP) x 1

10、00(5)iv. 結(jié)果及討論在這篇論文中，肺部區(qū)域的分離是通過基于CCVANN的CWT方法實現(xiàn)的.復小波變換 能用于減小輸入訓練矩陣的大小和測試圖像的大小.在這種及連結(jié)構(gòu)中，原始CT圖像 (752x752)的特征向量可以用二階，三階，四階CWT提取出來.用二階，三階，四階CWT提 取出的特征向量的人小分別為188x188,94x94,47x47.提取的特征向量分別作為 CCVANN的輸入圖三顯示了這種方法的框圖表示Original CT image(5ize:752x752)FeatureExtraction(size reducing) 188x188for 2nd Level 94x94

11、for 3th Level 47x47 for 4th LevelSegmentationSegme ntedImage圖三圖像肺部分離系統(tǒng)框圖衣示其中復值反向傳播算法用于訓練該網(wǎng)絡.式表示的稱確度達到時，訓練就停止.在訓練過程中用到了 16副圖,之后用剩下的16 副圖測試網(wǎng)絡的性能.計算出來的平均準確率達99.80%.圖四顯示了最好準確率下四階 CWT和CCVANN分離出的圖像.圖洌有良性腫瘤的肺部圖像(a) (B10號圖像)有惡性腫瘤的肺部圖像(b)(M16號圖像)a圖分離后結(jié)果(c) b圖分離后結(jié)果(d)為與單CVANN系統(tǒng)相比，我們將第一級CVANN學習效率,隱藏點數(shù),最人相互影響點數(shù)

12、分 別被設為0.1,10,10 £17相似.第二個CVANN的這些參數(shù)有實驗結(jié)果決定.網(wǎng)絡結(jié)構(gòu)如 下表一表一網(wǎng)絡結(jié)構(gòu)NetworkLearning RateNa ofHiddenNodesNo. ofIterationlth CVANN 170.110102nd CVANNle-6401()CCVANN的結(jié)果與3階CWT CVANN27的結(jié)果列在表二和表三中TABLE HCOMPARISON OF CVANN AND CCVANN USING NUMBER OF CCP AND iCCPCWTNumber of CCPNumber of iCCPCVANNCCVANNLevelIma

13、i»e No.CVANNCCVANNBlO(tet)564279564477122510272Bl (worst)56348356360920211895M16(best)56415056425513S41249M19 (worsi)56348356373220211772BlO(besl)56432256438011S211243Bl (worst)56280856294226962562M6 (b<»t>56422656446012781044MIO (worst>56354856390719561597BIO (best)56416956455913

14、359454B1 (w>rst)56120156148043034024MI6(best)56407956446514251041M4 (worst)56334956387221551632TABLE IIICOMPARISON OF CVANN AND CCVANNUSING ACCURACY RATECWTAccuracy (%)LevelImage No.CVANNCCVANNBIO (best)99.783499.81842Bl (worst)99.642699.6649M16 (best)99.760699.7791M19 (worst)99.642699.6867BIO (b

15、est)99.791099.80123Bl (worst)99.523399.5470M6 (best)99.774099.8154MIO( worst)99.654199.7176BIO (best)99.763999.83294Bl (worst)99.239199.2884M16 (best)99.748099.8159M4 (worst)99.618999.7114TABLE 111COMPARISON OF CVANN AND CCVANN USING ACCURACY RATECWTAccuracy (%)Levellinage No.CVANNCCVANN99.783499.81

16、842Bl (vsvrst)99.642699.6649MI6(befl)99.760699.7791MI9(wwst>99.M2699.6&67BlO(best)99.791099.«O123Bl (wwsU99.523?99.5470M6(best)99774099.8154M10 (worst99.6S4199.7176B10(be$t>99.763999.83294Bl (worst)99.239199.2KS4M16(baa)99.748099.8159M4 (worst)99.618999.7114表中的結(jié)果給出了 CVANN址好與最壞榕度卜的數(shù)據(jù)結(jié)果

17、在衣二B表明有良性腫瘤的圖 像,M表示仃惡性腫瘤的圖像.由表二和表三町推知,CCVANN比單CVANN的CWT的每層 分離的肺部區(qū)域圖像結(jié)果都要好.V. 總結(jié)在這篇論文中，提出了一種用于生物醫(yī)學圖像切割的聯(lián)合人工復值神經(jīng)網(wǎng)絡模型有 實驗數(shù)據(jù)結(jié)果我們可以得出以下結(jié)論：1. CCVANN的結(jié)果£17實驗結(jié)果相比更令人滿意,CCVANN結(jié)果的誤像素點數(shù)比單 CAVNN 小.2. 雖然發(fā)展了的CCVANN模型只能用在本文提到的用于訓練和測試的輸入數(shù)據(jù), 但是我們可以很容易的增加性的數(shù)據(jù)集以作為輸出.說明本項研究得到了 Selcuk人學的科學研究計劃的支持.參考文獻1 K S. Fu. J.

18、K Mui.“A survey on image segmentation *, PatternRecognition, vol. 13-1, pp. 3-16,1981.2 R. M. Haralick , L G Shapiro: a<Survey: image segmentation techniques", Comp. Vision Graph Image Procvol. 29, pp. 100-132, 1985.3 A P. Dhawan, Medical Image Analysis, Wiley-lnt.r USA. 2003.4 B. M. Ozkan,

19、R.丄 Dawant,；cNeuraknetwork based segmentation of multimodal medical images: a comparative and prospective study0, IEEE Trans. Med. Imaging vol. 12.1993.5 D. D. Sha. J P. Sutton. "Towards automated enhancement, segmentation and classification of digital brain images using networks of networks*,

20、Information Sciences, vol. 138, pp. 45-77,2001.6 T. W. Nattkemper. H Wersing. W. Schubert. H Ritter, “ A neural network architecture for automatic segmentation of fluorescence micrographs”，NeurocomputingoL 48, pp. 357-367,2002.7 A Papadopoulos, D. I. Fotiadis, A Likas, “An automatic microcalcificati

21、on detection system based on a hybrid neural network classifier', Artificial Int. in Medicine vol. 25, pp 149-167 20028 Z. Dokur, T. Olmez, 'Segmenation of ultrasound images by using a hybrid neural network”，Pattern Recognition Letters vol. 23, pp. 1825 1836.20029 D. L Vilarino. D. Cabello,

22、X. M Pardo. V. M. Brea, “Cellular neural networks and active contours: a tool for image segmentation". Image and Vision Computing vol 21, pp. 189-204.2003.10 I Middleton. R I. Damper. "Segmentation of magnetic resonance images using a combi nation of n eural networks and active contour mod

23、els", Medical Engineering and Physics vol. 26, pp. 71-86? 2004.11 M. I. Rajab. M S. Woolfson, S. P Morgan,Application of region-based segmentation and neural network edge detection to skin leaons Comp. Med. Imaging and Graphics vol 28, pp. 61-68,200412 Z. Dokur, MA unified framework for image c

24、ompression andsegmentation by using an incremental neural network".Expert Systemswith Applications vol. 34. pp 611 -619.2008.13 M. N. Kurnaz,.乙 Dokur, T. Olmez» "An incremental neural network for tissue segmentation in ultrasound images”，Computer Methods an Programs in Biomedicine vol

25、 85, pp. 187-195.2007.14 A Wismuller, F. Vietze, J. Behrens. A. Meyer-Baese, M. Reiser H Ritter. 'Fully automated biomedical image segmentation by selforganized model adaptation". Neural Networks vol. 17, pp.1327-1344,2004.15 S. H. Ong. N.C. Yeo, K. H. Lee. Y. V Venkatesh.D, M Cao, "Se

26、gmentation of color images using a two-stage self-organizing network", Image and Visual Computing vol. 20, pp. 279-289,2002.16 Y. 21bay, M Ceylan. "Effects of window types on classification of carotid artery Doppler signals in the early phase of atherosclerosis using complex-valued artificial neural networkM, Computers in Bi