论文部分内容阅读
如何更好地利用神经网络在信息处理方面的优势解决B超图像识别问题是本文研究的目的和重点。本文围绕B超图像识别这一中心课题,研究了目标图像特征数据的提取,神经网络串并联拓扑结构和学习算法,以及神经网络识别技术。研究结果使我们进一步增强了对神经网络的理解和认识,拓宽了它们解决更多实际问题的应用空间。B超作为医学图像的一种重要诊断手段,研究其图像识别技术具有重要的现实意义和应用价值。本文的主要工作总结如下:在神经网络的学习算法部分,本文给出了神经网络串并联模型的拓扑结构,提出了两个学习算法的定理。详细介绍了神经网络串并联学习算法的学习过程。神经网络串并联是在传统神经网络的基础上,根据解决实际问题的需要发展起来的一种新型神经网络模型。神经网络串并联网络将一个复杂的网络输入分解成较简单的一系列子神经网络的输入,各子神经网络通过串联或并联连接,它们大大降低了单个神经网络的规模,加快了学习速度。在对B超图像的处理和特征提取部分,先对B超图像进行灰度化,去机密信息和图像感兴趣区域选择。再对图像进行特征提取,包括不变矩特征、频谱特征、纹理统计矩特征以及基于灰度共生矩阵的纹理特征四大类特征数据。文中数据显示,所提取的四类特征数据都具有很好的旋转不变性,都较好地符合了医学B超图像的识别参数。在神经网络串并联对B超图像的识别部分,结合计算机技术、生物医学工程和模式识别技术,提出利用神经网络串并联方法对肝脏B超图像进行识别。采用120个样本,四类图像各30个样本,均来自同一医师和同一超声仪器。从每幅图像中,选择200×200的感兴趣区域,提取特征数据,考虑数据形式的差异较大,先将特征值进行归一化,再对标准化后的特征数据进行分类测试,试验结果表明,神经网络串并联在识别正确率,识别速度方面获得了较理想的效果。最后,本文利用MATLAB 7.4开发了基于神经网络串并联结构的B超图像识别系统,实现了对正常肝脏、脂肪肝、血吸虫肝和肝癌四类超声图像的识别。