基于BP算法的前饋神經網絡超聲診斷方法的研究

毛 杰 冷曉妍* 李丹丹 李 琳 董來君

目前，超聲診斷工作主要是應用多普勒超聲成像技術，將患者就診部位以圖像形式反饋給診斷醫生，醫生根據圖像黑白對比度識別出病理狀態。而圖像處理技術可以應用人工智能算法，將圖像特征提取出來，通過與專家庫內的專家知識對比可以完成一次診斷。神經網絡是人工智能的一種算法，可以應用在不同行業。在此是借用神經網絡理論，拓展應用到超時診斷工作，不僅可以降低醫生的勞動強度，提高診斷效率，還可以將診斷經驗保存在數據庫內，實現專家知識的共享。本研究旨在研制提升超聲診斷水平的神經網絡超聲診斷軟件系統，以提高超聲診斷效率，降低診斷誤判率。

1 反向傳播前饋神經網絡

1.1 人工神經網絡結構

反向傳播(back propagation，BP)前饋神經網絡是近年來應用較廣的一種人工智能學習算法，在圖像處理及預報預測領域均有良好的應用。一般神經網絡由輸入層、隱含層及輸出層[1-2]3層結構組成，各層之間通過神經突出(節點)進行連接，同一層節點間不做連接，不同層節點間通過單向連接線進行連接。人工神經網絡結構見圖1。

圖1 人工神經網絡結構

1.2 工作機制

BP神經網絡是由給定的樣本訓練得到相應的網絡連接權重，再將目標樣本輸入得到相應輸出的一個過程，其中訓練完成的網絡權重不再變化。神經網絡訓練過程即獲取權重過程，一般采用誤差反向傳播和最速梯度法獲取[3]。

1.2.1 信號前向傳播過程

樣本數據首先由輸入層輸入神經網絡，由權重矩陣進行修正后，再經激勵函數變換后輸出至隱含層，隱含層經過同樣變換過程將結果輸出至輸出層[4-5]。

1.2.2 誤差反向傳播過程

輸出層數據與目標值進行比較，若誤差不滿足設計需求，則經相應權重修正后反向傳播至輸入層，依次修正輸入層、隱含層及輸出層的網絡權重。反復計算誤差，直至誤差滿足設計需求。

1.3 網絡設計

輸入層節點數一般由問題指標個數確定，隱含層個數一般根據經驗確定，輸出層節點個數由所需分類數量確定，其中隱含層節點個數經驗[6]計算為公式1和公式2：

2 應用層設計

本研究所述診斷方法是對超聲采集的圖像進行特征提取后，由訓練完成的神經網絡進行診斷的一個過程[7-8]。應用層設計主要完成特征圖像保存(數據庫設計)、神經網絡集成和Web服務器設計3部分。

2.1 數據庫設計

數據庫主要用于保存專家提供的圖像數據、分析結果及用戶信息等內容。數據庫通常包括層次式數據庫、網絡式數據庫和關系式數據庫(MySQL)3種，最常用的數據庫模型有關系型數據庫和非關系型數據庫兩種。

MySQL作為一種常用的關系型數據庫，具有數據分類性強、合并簡單等優點，因此本研究采用MySql 2008進行數據存儲。通過設計相應的存儲過程，實現對數據庫的操作。數據庫結構設計中的彩超輔助診斷系統，主要用于協助醫師進行病理診斷，因此需設計病理分類表、特征圖像存儲表、權重參數存儲表和用戶信息表，各表格內容包括：①病理分類表，內容為ID、病理分類、專家姓名和日期；②特征圖像存儲表，內容為ID、圖像、病理分類ID、專家姓名和日期；③權重參數存儲表，內容為ID、權重、病理分類、訓練專家和日期；④用戶信息表，內容為ID、用戶姓名、用戶密碼、等級和日期。

2.2 存儲過程設計

對數據庫的操作可通過結構化查詢語言(SQL)進行操作，但是通過直接嵌入Web頁面的方式進行訪問，存在一定的安全風險，服務器容易遭受注入型攻擊。為提高網絡安全性，本研究的診斷系統通過在數據庫服務器設計存儲過程，實現訪問效率及訪問安全的提高。特征圖像保存存儲程序設計如下。

專家圖像保存程序：SubmitExpertImage

同時還設計神經網絡權值讀取存儲過程、專家圖像信息讀取存儲過程以及分析結果保存存儲過程。

2.3 網絡服務器設計

網絡服務器(web server，W/S)Web端軟件主要用于實現診斷圖像的神經網絡識別及圖像處理結果的顯示和保存功能。因采用C#設計頁面具有UI與后臺邏輯分離的優勢，本系統采用的Web設計語言包括Asp.net、Css及JavaScript。

2.3.1 Web前臺設計

Web前臺主要用于采集診斷圖像、提交特征圖像及診斷結果顯示等功能。

(1)采集診斷圖像：主要讀取彩超診斷截取的圖像，并將圖像以二進制流的形式保存在數據庫服務器內。

(2)提交特征圖像：是指高級別醫師通過人工診斷確診的圖像，該類圖像主要用于訓練神經網絡獲取網絡權重。

(3)診斷結果顯示：特征圖像的提交直接影響人工智能診斷的結果，同時，特征圖像越多，特征越明顯，將越有利于減小診斷誤差。

2.3.2 Web后臺設計

Web后臺主要完成BP神經網絡訓練、圖像分類及診斷識別功能。

(1)神經網絡訓練功能：神經網絡訓練主要用于實現通過對樣本集的處理、獲取網絡特征參數的過程。其中涉及樣本預處理，目的是將特征圖像按照病理分類[9]后，進行特征提取，提取結果直接用于神經網絡訓練。BP神經網絡訓練流程見圖2。

圖2 BP神經網絡訓練流程圖

(2)智能識別功能：智能識別過程是指經驗相對較少醫師將采集的超聲圖像導入神經網絡輸入端，經訓練完成的網絡處理后得到病理分類結果的過程。超聲輔助診斷系統診斷流程見圖3。

圖3 超聲輔助診斷系統診斷流程圖

3 超聲輔助診斷驗證

通過鑒定授權確定的專家可在專家知識庫內添加影像數據與病理分類，樣本數據達到規定數量后可進行神經網絡的訓練工作。訓練完成后，通過提取目標圖像特征信息輸入神經網絡，完成分類功能。通過導入某例患者腹部彩超影像，系統自動識別特征值并給出置信區間。由置信區間可見，該系統的診斷與人工診斷意見相符，并達到預期設計目標[10-11]。超聲輔助診斷系統應用界面見圖4。

4 結論

圖4 超聲輔助診斷系統應用界面

人工智能應用于醫療超聲診斷可明顯提高診斷準確率、降低誤診率，同時可將專家知識進行共享，便于經驗的傳播[12]。本研究系統日后仍需在圖像去噪和圖像特征提取方面進行改進，減少對特征樣本的依賴。

隨著人們對自身健康狀況的關注，超聲診斷工作日趨加重。應用計算機技術、人工智能技術的BP神經網絡超聲輔助診斷系統不僅可以將超聲診斷經驗廣泛積累，而且可提高醫務工作者的診斷效率，降低醫務工作者的勞動強度。