基于RBF神經網絡的醫學圖像分類算法研究

周 慧，張尤賽，龔 淼

（江蘇科技大學 電子信息學院，江蘇 鎮江 212000）

基于RBF神經網絡的醫學圖像分類算法研究

周 慧，張尤賽，龔 淼

（江蘇科技大學 電子信息學院，江蘇 鎮江 212000）

本文提出一種基于RBF神經網絡的醫學圖像分類算法，利用像素的特征信息作為訓練樣本對RBF神經網絡進行訓練，使用訓練后的RBF神經網絡圖像的分類識別，對不同的分類結果賦予不同rgb值進行顯示。實驗結果表明，RBF神經網絡的結構簡單、學習權值數量少且收斂速度快，不僅能有效的區分醫學圖像中的不同結構，顯示圖像細節，同時其誤差曲線收斂穩定、速度快。

醫學圖像；特征信息；RBF神經網絡；圖像分類

人工神經網絡[1]由元器件和物理處理單元構成。它是用來模擬人腦生物神經網絡的結構和功能，試圖將生物神經網絡簡單化、抽象化、模擬化，從而將其應用到其他工程領域中的計算機應用技術。RBF神經網絡[2-3]是前饋型神經網絡中的一種新網絡，具有結構簡單、訓練速度快、函數逼近能力和分類能力強等特點，由該網絡構成的系統是有界的、穩定的。RBF神經網絡的上述特點使得它在各個領域中都得到了廣泛的應用。尤其在解決分類問題中，它的優勢在于用線性的學習算法解決非線性算法所解決的工作。不僅可以保持結果的準確性，同時實現分類工作的高效性。

文中提出一種基于RBF神經網絡的醫學圖像分類[4-5]算法，該方法通過獲取像素數據特征構建神經網絡訓練集對RBF神經網絡進行訓練學習，完成學習訓練后保存網絡參數，再利用訓練好的RBF神經網絡對整幅圖像進行分類操作。通過實驗表明，基于RBF神經網絡的醫學圖像分類算法能有效的區分醫學圖像中的不同結構，具有良好的分類結果。

1 RBF神經網絡

1.1 RBF神經網絡模型

RBF神經元結構[6-7]如圖1所示。其中，RBF神經網絡的激活函數是以輸入向量和權值向量之間的距離D作為自變量的徑向基函數。即：

由上式可知，隨著權值和輸入向量之間距離的減少，網絡輸出遞增，當輸入向量和權值向量一致時，神經元輸出1。在圖1中，b為閾值，用于調整神經元的靈敏度。

圖1 RBF神經元模型

RBF神經網絡類似于多層前向網絡，是一種由輸入層、隱含層和輸出層構成的三層網絡，其網絡結構如圖2所示。

圖2 RBF神經網絡的結構

式中‖Xp-ci‖為歐式范數，是第p個輸入樣本，p=1，2，…，P，P為數據樣本總數。i=1，2，…，k為隱含層的節點數，ci為高斯函數的中心，σi為高斯函數的方差，可用下式計算：

其中，X=（x1，x2，…，xm）是RBF神經網絡的輸入向量，輸入層僅僅起到傳輸信號的作用，它和隱含層之間可以看作權值為1的連接。隱含層為徑向基函數，徑向基函數通常為高斯函數，可表示為：

其中cmax為所選取中心之間的最大距離。

由圖2所示的RBF神經網絡結構可得到網絡的輸出：

其中j=1，2，…，n為輸出層的節點數，yj∈（0，1）為與輸入樣本對應的網絡的第個輸出節點的實際輸出，表示屬于j類的概率，構成輸出向量Y=（y1，y2，…，yn）。ωij為輸出層與隱含層之間的連接權值，可以用最小二乘法直接計算得到，計算公式如下：

RBF神經網絡的輸出為隱含層各個節點輸出的線性加權和[8-9]。其中，隱含層與輸出層之間的權值可調。判別權值是否需要調整利用如下誤差公式：

1.2 RBF神經網絡學習算法

文中選用RBF神經網絡學習法中自組織選取中心法[10-11]，該學習算法具簡要步驟如下：

1）確定學習中心：K均值聚類算法[12]常用于自組織學習過程中，文中選用用K均值聚類算法確定函數的中心；

2）求解方差：當基函數中心確定好之后，可根據高斯函數求解基函數的方差；

3）計算權值：當隱含層參數被確定后，使用最小二乘法[13]計算隱含層到輸出層的權值。

2 基于RBF神經網絡的醫學圖像分類算法

2.1 驗證RBF神經網絡分類正確性

基于RBF神經網絡的醫學圖像分類算法使用醫學圖像上的像素的相關數據特征構建訓練樣本對神經網絡進行學習訓練，如坐標、灰度值f和梯度模值‖Δf‖等。那么，文中設計的RBF神經網絡結構是否能對這些數據進行分類識別，需驗證該網絡的分類性能。主要步驟為：

1）提取圖像上若干像素，通過像素坐標提取相關特征構建訓練樣本。

2）初始化RBF神經網絡各個參數，構建初始網絡。

3）利用訓練樣本對RBF神經網絡進行訓練學習，訓練完成后保存權值等參數，供測試網絡時使用。

4）再次提取若干像素構建測試樣本，此時應避開步驟1）所提取的像素。

5）將測試樣本輸入步驟3）所得網絡進行測試，根據輸出判別RBF神經網絡的分類性能。

2.2 醫學圖像分類

基于RBF神經網絡的醫學圖像分類算法，首先要在圖像上提取若干像素對RBF神經網絡的進行訓練學習，然后通過RBF神經網絡的學習，實現圖像不同區域局部特征的標識；最后利用訓練好的RBF神經網絡實現全部像素的分類識別，并賦予不同的rgb值，繪制圖像[14-15]。RBF神經網絡訓練步驟如下：

1）將提取的局部特征矢量Xp=（xp，yp，fp，‖Δf‖p，，…，，…），p=1，2，…，P構成神經網絡的訓練集Ω=（X1，X2，…，XP）。

2）確定隱含層節點數k，選取k個訓練樣本作為聚類中心ci（I），且對應集合 Γi，i=1，2，……，k，令迭代運算次數I=1。

3）計算訓練樣本Xp與中心ci之間的歐式距離D（Xp，ci（I）），若 D（Xp，ci（I））=min{D（Xp，ci（I）），i= 1，2，…，k}，則Xp∈Γi。

4）重新計算Γi的聚類中心：

其中Mi為聚類Γi樣本的個數。

若 ci（I+1）≠ci（I），則I=I+1，返回 3）；否則得最終聚類中心ci。

5）利用公式（3），計算高斯函數方差σi。

6）利用公式（4）和（6），計算隱含層到輸出層之間的權值ωij和實際網絡輸出Yp。

7）利用公式（7）判別是否滿足訓練終止條件。若滿足，完成神經網絡訓練；否則，返回步驟6）。

完成神經網絡的訓練學習后，利用神經網絡的分類結果，為不同類別的體素賦予不同的rgb值，實現醫學圖像的分類。

3 實驗結果與分析

本章將實驗采用VC++6.0編程方法，實驗環境為Intel Core i5-3337U CPU，內存3.89 GB，顯卡NVIDIA GeForce GT 720M，操作系統Windows7。

3.1 驗證RBF神經網絡的分類性能

根據本文2.3.1小節內容對RBF神經網絡的分類性能進行實驗驗證。在醫學圖像上隨機提取90個像素，任意選取其中60個像素構建訓練樣本，剩余30個像素則為測試樣本。通過像素坐標自動提取其數據特征，如：灰度值、梯度值構建訓練樣本和測試樣本中的輸入向量。目標輸出向量為0和1，分別代表類別。為便于神經網絡訓練，將特征數據均歸一化到（0，1）區間。訓練樣本主要數據信息如表1所示。

對RBF神經網絡初始化，確定神經網絡隱含層節點個數為3，輸出層節點個數為1。將訓練樣本輸入神經網絡訓練學習完成后，保存網絡參數如表2所示。

表1 訓練樣本數據信息

表2 RBF神經網絡參數信息

將測試樣本輸入已經訓練好的神經網絡進行測試，實驗主要結果如表3所示。所有測試樣本的實際輸出均與目標輸出幾乎一致，說明該網絡能有效的區分此類數據。實驗表明，RBF神經網絡對于本文采用的數據信息構建的樣本具有良好的分類性能，可將其拓展到整幅醫學圖像中的分類過程中去。

3.2 醫學圖像分類

圖3是針對頭顱CT醫學圖像分類的效果圖，分辨率是256*256。其中，圖3（a）為未分類圖像；圖3（b）為分類后圖像。由圖可知骨骼呈現較亮的像素，其余部分全顯示黑色，說明該網絡能對次圖像進行有效的分類。

表3 測試樣本數據信息

圖3 頭顱CT醫學圖像分類的效果圖

圖4是針對大腦MR醫學圖像分類效果圖，分辨率是256*256。圖4（a）為未分類圖像；圖4（b）分類后圖像。由圖可知臉龐呈現較亮的像素，其余部分全顯示黑色，說明該網絡能對此圖像進行有效的分類。

圖4 大腦MR醫學圖像分類效果圖

圖5是針對頭顱CT圖像和大腦MR圖像的RBF神經網絡訓練時的迭代誤差曲線。從訓練曲線可以看出，CT曲線在開始的10萬次學習中，神經網絡的迭代總誤差迅速下降，并最終穩定在0.071左右；MR曲線在開始的5萬次學習中，神經網絡的迭代總誤差迅速下降，并最終穩定在0.038左右。

實驗表明，基于RBF神經網絡的醫學圖像分類方法，能夠在保證正確分類圖像結構的前提下，呈現出迭代誤差曲線收斂穩定、速度快的特點。

圖5 神經網絡迭代誤差圖

4 結束語

文中提出了一種基于RBF神經網絡的醫學圖像分類方法，試圖利用RBF神經網絡區分醫學圖像中的不同結構。實驗結果表明，RBF神經網絡具有良好的分類性能，能夠有效的顯示出圖像中的不同結構細節。由于本文方法未考慮實際圖像存在的噪聲的情況。但由于噪聲的存在，實際應用中獲取的圖像的特征信息容易受到噪聲的干擾，使得分類效果不盡人意。與特征信息相比，統計量能夠反映同一類像素的分布情況，不易受到噪聲的干擾，并且不同物質的統計量的分布情況各不相同，因此可將基于統計量的分類策略作為下一步的研究內容。

[1]林霞.基于人工神經網絡的學生綜合素質管理系統設計與實現[D].廈門：廈門大學，2014.

[2]許楠，劉麗杰.徑向基函數混沌神經元系統及其應用[J].計算機工程與應用，2014（4）:73-76，102.

[3]張雨濃，王茹，廖柏林，等.權值與結構雙確定法的RBF神經網絡分類器[J].計算技術與自動化，2014（3）:1-7.

[4]張翔，田金文，肖曉玲，等.支持向量機及其在醫學圖像分類中的應用 [J].信號處理，2004，20（2）: 208-212.

[5]孫君頂，李琳.基于BP神經網絡的醫學圖像分類[J].計算機系統應用，2012，21（3）:160-162，212.

[6]郭洛丹，孔金生.MRBF神經網絡在圖像分類中的應用[J].計算機工程與設計，2009，30（13）:3154-3156.

[7]王欣欣，賴惠成.改進的RBF文本分類算法[J].通信技術，2011，44（12）:156-158.

[8]黃鋒.基于徑向基函數神經網絡的圖像識別研究[D].太原：太原理工大學，2007.

[9]黃國宏，劉剛.一種新的RBF神經元網絡分類算法[J].計算機仿真，2008，25（8）:144-147.

[10]張燕，謝峰.基于改進RBF神經網絡的電力負荷預測[J].電子設計工程，2013，21（1）:117-118，121.

[11]郭珂，傘冶，朱亦，等.基矛PSO—RBF神經網絡的模擬電路故障診斷研究[J].電子設計工程，2011，19（24）:17-20，23.

[12]周娟.基于初始點選擇的K-均值聚類改進算法及應用研究[D].長沙：湖南大學，2015.

[13]趙銳.最小二乘法估計感應電機參數的研究[D].大連：大連理工大學，2014.

[14]張尤賽，陳福民.基于紋理映射與Phong光照模型的體繪制加速算法[J].中國圖象圖形學報，2003，8（9）:1048-1054.

[15]范翠萍，張尤賽.基于K均值聚類的體繪制傳遞函數設計方法研究[J].計算機應用與軟件，2011，28（9）:245-247，277.

The classification of medical image based on the RBF neural network

ZHOU Hui，ZHANG You-sai，GONG Miao
（Department of Electronics and Information，Jiangsu University of Science and Technology，Zhenjiang 212003，China）

This paper presents a medical image classification algorithm based on RBF neural network using feature information of pixels as training samples to train the RBF neural network，trained in the use of RBF neural network image classification and recognition，classification of different results give different RGB values are displayed.Experimental results show that by using RBF neural network，users not only can effectively distinguish between the medical images of different structure and displaying the image details，and the error curve can stable and fast convergence.

medical image；feature information；RBF neural network；classification of images

TN911.73

：A

：1674－6236（2017）03-0113-04

2016-01-01稿件編號：201601001

周 慧（1992—），女，安徽銅陵人，碩士研究生。研究方向：圖像處理與計算機視覺。