《2022年BP神经网络在眼底造影图像分割中的应 .pdf》由会员分享，可在线阅读，更多相关《2022年BP神经网络在眼底造影图像分割中的应 .pdf（8页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、BP神经网络在眼底造影图像分割中的应用院系信息学院专业信号与信息处理学号YS20102109 姓名高月华名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 8 页 - - - - - - - - - BP神经网络在眼底造影图像分割中的应用背景 ： 通过眼底荧光血管造影 （FFA ）所得到的数字图像以及对其进行处理所得到的数据， 可反映视网膜血管结构、 血流动力学改变、 血管病理生理变化及其相关结构的病理改变，广泛应用于视网膜、脉络膜及视神经疾病的鉴别诊断。目的 ： 通过分析眼
2、底造影图像和BP 神经网络的特点， 利用 BP 神经网络对眼底造影图像进行分割，并将其利用到眼科的临床辅助诊断之中。方法 ： 将待分割图像区域分为背景和目标两类，用手工方法得到这两类的样本图像，提取样本图像的特征，如灰度、方差、纹理等；对提取的样本特征值进行归一化处理，输入神经网络分类器，利用BP 训练算法进行训练；输入待分类的医学图像，提取图像特征，并进行归一化处理； 将归一化后的特征值， 输入已训练的神经网络分类器进行分类，得到眼底造影图像的分割结果。结果与结论 ： 本文使用的眼底造影图像分割方法抗干扰能力强，分割的眼底造影图像清晰。 可以为眼科医生的临床诊断提供较大帮助。关键词 ： BP
3、 神经网络；图像分割；眼底造影图像1 前言眼底即视网膜， 是眼睛这一感觉器官的一个重要组成部分，眼睛的大部分病变来自于眼底。 人类的视网膜分布着大量的各种动静脉血管，也是人类唯一能在活体上直接观察到的血管。 在眼底图像处理中， 视网膜血管系统是评估处理效果的重要指标之一， 也是诊断糖尿病视网膜病变、 高血压视网膜病变等疾病需要测量的重要参数之一1。本文利用 BP 神经网络根据眼科临床需要对眼底造影图像进行分割， 首先将待分割图像区域分为背景和目标两类，用手工方法得到这两类的样本图像， 提取样本图像的特征，对提取的样本特征值进行归一化处理，输入神经网络分类器，利用 BP 训练算法进行训练。然后，
4、输入待分类的医学图像，提取图像特征，并进行归一化处理。 最后， 将归一化后的特征值，输入已训练的神经网络分类器进行分类，从而得到临床诊断所需要的分割结果。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 8 页 - - - - - - - - - 2 神经网络的 BP 学习算法BP 网络是基于BP 误差反向传播算法的多层前馈神经网络，是人工神经网络中研究最深入、应用最广的一种模型2，BP 学习算法是神经网络中一种非常有效的有监督学习方法，其结构如图1 所示4,3。首先我们定
5、义网络的学习误差函数为：)()(21YDYDET（1）式中，DTcDDD,.,21表示网络的期望输出， D 是一个向量，kD是向量的第 k 个分量，TcYYYY,.,21表示网络的实际输出， Y 是一个向量，kY是向量的第 k 个分量，其中，Ck,.2, 1，C 是一个正整数， 表示输出层总的节点数， 符号 T 表示矩阵转置。令kkooY，对式（ 1）求kjw的偏导数，得下式：kjkkkkkjwOIOIYYEwEjkkkkHOOIOIYD2)exp(1)exp(-）（2）设)(twij表示第 t 次迭代时的权值，)1(twkj表示第 t 1 次迭代时的权值，则可得到权值kjw的迭代修正公式：k
6、jkjkjwEtwtw)()1(jkkkkkjHOOIOIYDtw2)exp(1)exp()()(（3）式中， 表示学习率。同理，对式（1）求jiw的偏导数，得下式：ijjckkjkkkkjijjjjkkkckkjiOIIwOIOIYDwIIHOHOOIOIYYEwE2121)exp(1)exp()exp(1)exp()(（4）名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 8 页 - - - - - - - - - 设)(twji表示第 t 次迭代时的权值，)1(twj
7、i表示第 t+1 次迭代时的权值，则可得到权值jiw的迭代公式为：ckjjjkjkkkjijijijiOIIwOIOIYDtwwEtwtw122)exp(1)exp()exp(1)exp()()()()1(（5）基于上述的分析，可以得到BP 算法的训练步骤为：用 均 匀 分 布 的 随 机 数 将 各 权 值 设 定 为 一 个 小 的 随 机 数 ， 如2.0,2.0)0(w， 设定输出层各节点的期望输出值D ， 这里，TcDDDD,.,21，CCk,.2,1表示输出层的节点总数。从训练样本数据中，将一个输入数据加入在输入端。计算出输出层的实际输出Y，这里kkTcOOYYYYY,.,21。基
8、于式（ 1）计算输出层的误差E，如果 |E| 小于预设的门限值，停止循环，输出网络权值，否则，转步骤。基于式（ 3）和（ 5）对网络所有权值更新。返回步骤重复进行循环，直到误差满足所设的精度要求。3 眼底造影图像分割使用 BP 神经网络对图像进行分割包括以下几个步骤：图像信息提取、图像变换、特征提取、特征数据归一化、 用神经网络分类器进行优化处理、分类决策，最后输出分类结果。如图2 所示6,5。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 8 页 - - - - - -
9、 - - - 图像信息处理图像变换特征提取特征数据归一化分类决策图像分类结果.首先输入利用手工方法得到不同的样本图像，利用形态学、 中值滤波和快速傅立叶变换方法得到这些样本图像的方差、残差和灰度特征。 具体方法如下： 对样本图像进行灰度腐蚀运算。设I 表示原始样本图像， I （x，y）表示图像 I 中（x，y）处的像素值， g 表示对图像 I 进行腐蚀的结构函数，如图3 所示，结构中每点的函数值都为1。设),(yxIe表示用结构函数g 对图像 I 腐蚀后所得到的（x，y）处的像素值，),(yxIe定义如下：),(),(),(1111)(sup),(inf11yxgyyxxIyxIgpyxe（6
10、）图 3 形态学结构元素按列扫描边缘图像中的每一像素点，则根据式对像素点（ x，y）进行腐蚀得被腐蚀的图像eI。将原始样本图像I 与图像eI相减，得到差值图像dI求出图 2 神经网络分类过程名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 8 页 - - - - - - - - - 差值图像dI的方差，并用图像dI中的最大方差进行归一化处理，就可得到样本图像的输入特征之一。方差的获取方法如下：设 表示图像dI中的像素平均值，定义如下：WxdHyyxIN11),(1（7）式中
11、， W 和 H 分别表示差值图像Id 的宽和高， N = W H 表示图像 Id 中的总像素数，),(yxId表示图像dI中（x，y） 处的像素值。设 （x，y）表示图像dI中像素（ x，y）的方差， （x，y）定义如下：2),(,yxIyxd）（8）基于式（8）对差值图像 Id 中的每一像素点进行计算， 得到差值图像中各像素点的方差值。由于病变图像中含有较多噪声点，仅仅利用上述方法得到的方差特征进行分类，还存在较大的假阳性率。为了降低假阳性率，利用中值滤波和快速傅立叶变换提取样本图像的残差和灰度特征。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，具有简单和速度快的特点，
12、而且滤除噪声的同时对图像的细节信息（如边缘、锐角等）进行了较好的保护。它非常适合于一些线性滤波器无法胜任的数字图像处理工作。中值滤波器是一种邻域运算，类似于卷积，但计算的不是加权求和，而是把待滤波像素的邻域中的像素值按灰度进行排序，然后选择中间值作为输出像素值赋给待滤波像素。 设 I 表示待滤波的原始样本图像， I（x，y）表示图像 I 中（x，y）处的像素值， M 表示（ 2K+1）（ 2K+1）的一个二维中值滤波器，Im表示用中值滤波器M 对原始样本图像 I 滤波后所得到的滤波图像，Im（x，y）表示图像 Im 中（x，y）处的像素值，则Im（x，y）定义如下：),(),(),(Mjiiy
13、ixIMedianyxIm（9）式中， 符号 Median 表示求像素的中值， i 和 j 是整数，且 i -k ，k ，j -k ，k 。用（ 2K+1 ）（ 2K+1）的二维中值滤波器对图像I 滤波，具体方法描述如下： 首先对图像 I 进行列边界像素的对称性扩展，扩展像素名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 8 页 - - - - - - - - - 数为 k，然后对扩展后的图像进行行边界像素的对称性扩展，扩展像素数也为 k， 对图像 I 中的每一个像素点（
14、x， y） ，取一个以该像素点为中心的 （2K+1）（2K+1）区域，基于式（ 9）得到该区域的像素中值，用该中值代替（x，y）处的像素值，用这样的方式处理每一个像素点，就可以得到中值滤波图像。将原始样本图像I 与滤波图像 Im 相减得残差图像，利用最大残差值对残差图像中的像素值归一化，就可以得到样本图像的第二个输入特征。由于病变区域在频域介于低频背景和极高频噪声之间，利用这一特点可以对病变的特征进行增强，然后，提取灰度特征。提取方法描述如下：利用二维傅立叶变换将原始样本图像I 变换到频域，变换公式如下：)(21010),(1),(NknNimjNkNiekiINnmG（10）式中，N 表示图
15、像 I 的宽度和高度， m 、n、i 和 k 是整数， I （i ，k）表示图像 I 中（i ，k）处的像素值， G （m ，n）表示图像的频率。对G （m ，n）的低频和极高频部分分别乘以小于1 的衰减系数，得G（m ，n） ，对 G（m ，n）进（a）原始图像（b）边缘增强后的血管图像（c）中值滤波后的血管图像（d）阈值法分割后的血管图像（e）BP 神经网络分割后血管图像（f）血管边缘分割图像行二维傅立叶反变换，获得相对增强的图像I ，反变换公式如下：10)(210),(1),(NnNnkNmijNmenmGNkiI（11）名师资料总结 - - -精品资料欢迎下载 - - - - - -
16、- - - - - - - - - - - - 名师精心整理 - - - - - - - 第 7 页，共 8 页 - - - - - - - - - 为了减少运算量， 提高算法的速度， 在算法的实现中采用了二维快速傅立叶正反变换。由于低频背景和极高频噪声得到衰减，在反变换后的图像中病变的灰度值得到相对增强，明显高于周围的背景灰度值，这样可以较容易地分离病变和背景，因此，经过傅立叶正反变换病变得到增强的图像，灰度值可以作为输入特征进行提取。利用上述方法获得样本图像的方差、残差和灰度特征， 归一化后组成输入特征向量，输入到如图 1 所示的神经网络分类器，利用神经网络BP 训练算法进行训练。训练完毕
17、后， 输入待分类的眼底荧光图像，提取图像特征， 并进行归一化处理。将归一化后的特征值， 输入已训练的神经网络分类器进行分类，根据分类结果就可得到眼底荧光图像中的目标区域。图4 所示为视网膜血管图像分割结果。其中（ d）图为基于最大熵的阈值方法分割后的血管图像，（e） 图为本文方法分割后的血管图像。采用神经网络分割后的血管图像噪声更小，图像更清晰。4 结论本文采用 BP 神经网络对视网膜图像进行分割和提取后可以对眼底许多组织进行对比和观测，帮助医生更好的分析患者病情并做出诊断。与传统的图像分割算法相比，神经网络分割算法具有独特的优势。神经网络经过训练以后，对于输入数据可以快速得到结果，有效地提高
18、了图像的分割速度；以此为基础可以进一步对视网膜血管管径进行定量测量，从而在正常和异常之间进行鉴别，使眼底系统的研究向标准化和功能分析化方向进展。5 参考文献：1 惠延年 . 眼科学 ( 第六版 )M. 北京 : 人民卫生出版社,2006.6. 2 GAO Ning, SHAO Lu -shou. Application of bp neural network prediction nodel on corps pests level by MATLAB J.Computer andAgriclture,2003,7:16-18. 3 王传勇 , 孙杰等 . 基于BP 神经 网络的血液图像 细胞色 彩分割 J. 光电子 激光 , 2005,16(12):1506-1509. 4 杨治明 , 王晓蓉 , 等 . BP 人 工神经 网络在图像分割中的应用 J. 计算机科学, 2007,34(2):234-236. 5 章毓晋 . 图像分割 M. 北京 : 科学出版社 , 2001. 6 周志华 , 曹存根 . 神经网络及其应用M. 北京 :清华大学出版社,2004,9. 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 8 页，共 8 页 - - - - - - - - -