论文部分内容阅读
图像分割最重要的一个应用就是医学图像分割。很多生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取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据中的重要特征或某种内在规律性(如分布特征,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(即输出结点的个数)的方法,通常有两种:(1)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点的个数,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中的应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(P DS),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。