复杂性 复杂性 1099 - 0526 1076 - 2787 Hindawi 10.1155 / 2021/7523513 7523513 研究文章 特征提取处理基于神经网络算法的医学图像融合方法 https://orcid.org/0000 - 0001 - 6480 - 2852 首歌 天明( 1 https://orcid.org/0000 - 0002 - 3419 - 4697 余 小杨 1 余 双 1 任 哲 1 曲 刘亚伟(音译,Yawei 2 王 Shaohui 1 高等教育重点实验室测量和控制技术和黑龙江省的设备 哈尔滨科技大学 哈尔滨150080 中国 hrbust.edu.cn 2 控制科学与工程系 哈尔滨工业大学 哈尔滨150000 中国 hit.edu.cn 2021年 8 10 2021年 2021年 20. 8 2021年 17 9 2021年 8 10 2021年 2021年 版权©2021年天明(歌曲等。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

医学影像技术在医学领域变得越来越重要。它不仅提供了重要的信息关于身体的内部器官进行临床分析和医疗也帮助医生诊断和治疗各种疾病。然而,在医学图像特征提取的过程中,存在一些问题,比如不显眼的特征提取和低功能准备率。结合卷积神经网络的学习理念,形象multifeature矢量量化在更深的层面上,这使得图像特性进一步抽象,不仅弥补了单一特征描述的片面性,但也提高了鲁棒性的特征描述符。本文提出一种基于multifeature融合医学图像处理方法,具有较高的医学图像特征提取影响的胸部,肺、脑和肝脏,可以更好地表达医学图像的特性关系。实验结果表明,该方法的准确性超过5%高于其他方法,这表明该方法更好的性能。

 黑龙江省博士后财政援助 LBH-Z19071 1。介绍

小波神经网络的医学图像分割算法的基础上,结合最大熵准则来优化网络参数,得到的参数,避免相对极值和最大熵达到精确分割的最佳效果。该算法不仅缩短了训练时间样本,也大大提高了精度。与传统的BP神经网络相比,效果更准确和有效 1]。随着医学的发展,医学图像分类不仅为医生提供信息参考,也扮演了一个角色在判断和诊断各种疾病。虽然前面的监督卷积神经网络或无监督cnn广泛应用和有效的方法,他们需要很长时间,不能提供令人满意的分类精度( 2]。因此,一个轻量级的混合神经网络组成的改善PCANET和简化Densenet级联可以实现精确的医学图像分类训练数据集时小。医学专家通常由人类异常判断疾病和制定治疗计划被成像技术。专业的因素,如疲劳,粗略估计,等等,可以限制医务人员捕获的图像的理解。作为图像理解、工具卷积神经网络远优于人类专家( 3]。CNN应该广泛应用于医学图像的理解。电脑在各个领域的广泛应用,医学图像的助理分析也是一个重要的话题。没有经验的医生或缺乏训练放射科医生可以犯错误的诊断病人的条件。能力分析和评价医学图像使用基于数据的层次结构将是一个重大的一步,被证明是最先进的平台实现优越的性能在各种各样的生物医学应用程序( 4]。在医学图像分割方面,基于cnn的分割方法很容易产生不满意分割掩模在没有准确的目标边界。新的boundary-aware上下文神经网络(BAC-Net)二维医学图像分割提高图像分割的性能。一般来说,医学图像的特点,高组内变异和阶级之间的模糊。重点是提取的上下文和聚合歧视特征精细分割,从而获得丰富的上下文和保留好空间信息( 5]。空间注意体重的地图,地图是特定的重量。

在医学上,一个组的图像记录相同的症状,和所有图片共享相同的重量地图。加上这个内容,一个新的全球空间注意机制可以用于医学图像分类( 6]。它主要使用二进制分类器来决定它的边界和以像素的强度为特征的像素。传统的图像分割方法对高分辨率图像分割难以实现,这是特别重要的,在医学图像分割困难。一种图像分割方法基于细胞神经网络引入了非线性优化模板和数据量化到原始模型,有效地降低了计算复杂度。该方法结合计算机辅助系统,结合医学肿瘤研究肿瘤的x光照片,最后一个多级优化的建筑节能获得基于FPGA的细胞神经网络( 7]。

医学图像融合可以提供全面的和有用的信息以支持临床诊断和治疗。它使用nonsubsampling变换将图像分成两个部分波段,低频和高频( 8]。例如,在低频子带,定向功能映射提取第一,然后计算每个方向特性的有效信息地图,最后融合权重系数的特征映射的功能和梯度域图像过滤相结合。神经网络的实际应用将是有限的技术细节训练这些网络和手动生成注释的数量和质量要求。为了填补这个空白,研究人员创建了一个数据注释和神经网络预测显示界面。它使用“循环”减少注释的负担。当人们与自动生成的注释,分割的人类和动物肾脏microchambers一再提高( 9]。

卷积神经网络(CNN)定位和检索医学图像。它使用深度学习技术提取图像标签的强大的功能描述,然后通过适当的参数直接执行标签匹配和识别它们的查询( 10]。实验表明,该方法是有效的。由于高维度的医学图像处理,处理过程复杂。使用神经网络处理医学图像如下:(1)股票卷积核,一点压力和高维数据处理;和(2)不需要选择手动功能,和重量训练,这样功能分类效果好。特征检测层的神经网络学习训练数据,所以当使用神经网络,它避免了从训练数据显式特征提取和隐式学习;此外,由于神经元的权重相同的特征映射表面是相同的,并行网络可以学习,这也是一个很伟大的利用卷积网络与网络神经元彼此连接的地方。

 2。卷积神经网络图像处理

作为一个成熟的图像识别方法,基于深度学习的网络学习模式包括卷积神经网络,递归神经网络和重要算法,如网络生成对策。卷积神经网络近年来取得了快速发展和广泛应用,发挥了巨大的积极作用领域的图像识别和目标检测。当使用卷积神经网络模型对图像识别,它不再是必要的设计和选择手动功能,识别过程中所需的信息和功能是由CNN自学习过程中不断修改和优化培训。在过去的几十年里,深度学习已被证明是一个非常强大的工具,因为它处理大量数据的能力。在某些方面,使用深层神经网络的性能已超越传统的技术,特别是在模式识别。卷积神经网络是最流行的深层神经网络之一。

随着图像的出现净数据集和数以百万计的标记图像数据和计算能力的不断提高,研究人员re-realized,是时候CNN重用。图 1是一个传统的卷积神经网络架构。

医学图像的卷积神经网络结构。

由于图像的多样性和复杂性用于训练模型,参数将变得无序,当更新权重。如果图像样本直接输入到模型,可能会消耗大量的训练时间,模型不容易收敛。为了避免这些问题,卷积神经网络的输入数据层主要是读取图像样本和简单的预处理,它提供了方便后续网络学习图像特征。

2.1。卷积计算层

在CNN卷积计算一层一层是最重要的结构。卷积层包含不同数量的卷积过滤器(也称为卷积核),它可以提取输入图像数据的不同特征。操作之间的卷积过程形象和卷积内核可以表示如下: (1) 年代 我 , j = k ∗ 我 我 , j = ∑ 米 ∑ n 我 我 + 米 , j + n K 米 , n , 在哪里<我talic> 我是医学图像的二维矩阵像素,像素是(<我talic> 米,<我talic> n),<我talic> 年代卷积后的坐标层,它是由(<我talic> 我,<我talic> j),<我talic> K是一种卷积核,可以增加和减少维度。前的坐标变化图像分辨率变化,每一层的坐标改变每一层的图像分辨率通过卷积的内核。这是显示在图 2。

卷积转换图。

卷积核在图 2通过不断将滑动窗口的图像数据,和神经元的数量决定了神经网络的层数。小从低分辨率的医学图像提取的特征,这些小块映射到高维特征向量。卷积运算的公式如下: (2) F 1 Y = 马克斯 0 , W 1 ⊗ Y + B 1 , 在哪里<我talic> Y代表了低分辨率输入图像,<我nl在e-formula> ⊗ 定义了卷积操作,<我talic> W1代表第一层卷积运算,图像大小的变化<我talic> c×<我talic> f1×<我talic> f2大小<我talic> f1×<我talic> f2×<我talic> n1矩阵。

在图像处理的过程中,边缘特征提取,边缘通常是补充了0。应保持输入和输出图像不变的尺寸不改变原始图像的像素。图 3是一个卷积计算的过程与步骤2和卷积核的大小<我nl在e-formula> 3 ∗ 3 。其处理流程如下。

卷积的计算过程。

卷积内核越大,平滑的图像会变得和不太明显的图像中的噪声。卷积核越大,图像的不那么明显的对比。一般来说,相同的维度数据卷积检查结果没有影响;如果卷积核的尺寸是不同的,会有一定的影响但还需要其他操作资源。

 2.2。非线性映射

非线性映射的过程从一个高维图像特征映射到另一个地方,和映射向量可以表达高分辨率特性和这些功能合并到新特性的图像。在第二层,<我talic> N1维映射到<我talic> N2维,也可以通过卷积<我talic> f2×<我talic> f2。它的公式定义如下: (3) F 2 Y = 马克斯 0 , W 2 ⊗ F 1 Y + B 2 。

W2代表了二级卷积操作,和它的大小<我talic> f2×<我talic> f2×<我talic> n2,<我talic> B2的偏差<我talic> N2维。通过第二层的操作,<我talic> n2feature-sized块,如图 4。

神经网络非线性变换的结构图。

最终的图像特征可以通过平均和正常化超级从上层获得特征值,如以下公式所示: (4) F 3 Y = W 3 ⊗ F 2 Y + B 3 。

2.3。损失函数

损失函数是用来评估模型的预报值的程度不同于真正的价值。通常,更好的使用损失函数,模型的性能越强。因此,不同的模型使用的损失函数通常是不同的。损失函数是用来评估处理后两个医学图像之间的拟合程度。

2.3.1。损失函数绝对值

损失函数绝对值衡量算法的预测价值之间的差异和目标价值,如以下公式所示: (5) l Y , f x = Y − f x , 在哪里<我talic> Y代表图像的实际价值<我talic> F(<我talic> x)代表图像的预测价值。

 2.3.2。对数损失函数

损失函数是用来描述对象在图像特征值的概率分布,特别是在高频率分类。信心的分流类别是必需的。公式如下: (6) l Y , P Y | X = − 日志 P Y | X , 在哪里<我nl在e-formula> 日志 P Y | X 代表了分类得到的最大价值<我talic> Y在<我nl在e-formula> P Y | X 。

 2.3.3。平方损失函数

平方损失函数如下: (7) l Y | f X = ∑ n Y − f X 2 , 在哪里<我talic> Y是实际的价值,<我talic> F(<我talic> X)是模型的预报值,<我talic> N是样品的数量。<我talic> Y−<我talic> f(<我talic> X)平方损失残,残差的平方和损失函数值。为了提交模型的实际应用,方差可以用来评估损失函数值,公式如下: (8) 均方误差 = 1 N ∑ 我 = 1 N P 我 − P ¯ 我 2 , 在哪里<我nl在e-formula> P 我 和<我nl在e-formula> P ¯ 我 分别是实际图像和重建图像,然后呢<我talic> N是样品的数量。

 2.3.4。交叉熵损失函数

如果<我talic> X分布在同一概率分布<我talic> P(<我talic> x),<我talic> 问(<我talic> x相同的变量),吉隆坡是用来描述两个分布之间的差异如下公式所示: (9) D 吉隆坡 p 问 = ∑ 我 = 1 n p x 我 日志 p x 我 问 x 我 = ∑ 我 = 1 n p x 我 日志 p x 我 − ∑ 我 = 1 n 问 x 我 日志 问 x 我 = − H p x + − ∑ 我 = 1 n p x 我 日志 问 x 我 。

2.4。激活函数

激发函数的卷积神经网络组成。本文采用非线性激活函数来描述复杂的特点,下列公式所示: (10) 一个 我 , j , k l = f Z 我 , j , k l 。

类似于多层神经网络,卷积神经网络使用s形的函数,和常见的激活函数如下: (11) 线性整流函数（Rectified Linear Unit） : f ks x = 马克斯 x , 0 , (12) 乙状结肠 : f k 年代 x = 1 1 + e − x , (13) 双曲正切 : 颗 x = 双曲正切 x = e x − e − x e x + e − x 。

激活函数卷积操作之后,使用和一些使用preactivate函数算法在卷积。

 3所示。医学图像检测算法

传统的医学图像处理过程和神经网络检测算法显示异常数据匹配。然而,传统的医学图像分割算法使得提取特征值不合理的特点。因此,医学图像检测算法的主要关键部件可以被描述为四部分:医学图像分割,特征区域提取、功能区域分析和提取,医学图像特征分类和识别。

医学图像的图像感兴趣的领域,和图像的区域有明显的特色医学图像。实现图像处理的阈值分割方法;然后,特性进行分割和特征提取感兴趣的地区;最后提取特征值标准化,神经网络是用于检测和识别图像。检测过程如图 5。

医学图像特征提取和识别过程。

 3.1。标准化的医学图像

神经网络,由于层数越多,网络的规模越来越大,数据值不断地转移,这将导致数据的优化值,产生巨大的错误。因此,卷积的数据在不同的层网络进行了优化,和输入数据的偏差引起的不同层减少了。本文使用批处理梯度下降优化卷积神经网络和分组用于更新数据。在每一层的神经网络,输入被定义为<我talic> X= (<我talic> x1,<我talic> x2…<我talic> x n),<我talic> X 我是一组样本,然后呢<我talic> N是团体的数量。标准化过程如下:

步骤1。花的意思是每组的元素: (14) μ = 1 n ∑ 我 = 1 n x 我 。

步骤2。又找到了方差: (15) σ 2 = 1 n ∑ 我 = 1 n x 我 − μ 。

步骤3。正常化每个像素: (16) x 我 ′ x 我 − μ σ 2 + ε 。

步骤4。最终的输出是<我talic> y 我基于偏移量:

 (17) y 我 = γ 我 ∗ x 我 + β 。

3.2。医学图像分割方法

阈值法是一种分割方法基于属性,如灰色特性和图像像素。其表达式如下: (18) G x , y = 0 , f x , y < T , 255年 , f x , y > T 。

公式( 18)是一个单一的阈值分割,分割的图像并不理想在复杂的图像信息。全局阈值方法是一种自适应分割方法基于图像的不同特点。流程如下:

步骤1。在初始化过程中,选择一个最优估计值<我talic> T全球的阈值,通常选择最大和最小的平均值,如以下公式所示: (19) T = 0.5 最小值 G : + 马克斯 G : 。

步骤2。根据阈值<我talic> T段图像分成两组,分别<我talic> G1,<我talic> G2,灰色的价值更大<我talic> T在<我talic> G1,灰度值小于<我talic> T在<我talic> G2;

步骤3。计算平均灰度值,计算出的平均值<我talic> G1,<我talic> G2图像集,分别<我talic> 米1和<我talic> 米2。

步骤4。更新<我talic> T所示的值以下方程:

 (20) T = 1 2 米 1 + 米 2 。

重复步骤1到步骤4直到<我talic> T值小于指定值。

 3.3。医学图像的特征分析和提取 3.3.1。灰度特征

医学图像是显而易见的标致的灰色特性特性,包括灰色的意思是,灰色的方差,和灰色直方图熵。他们所示公式( 21)- ( 23),分别。 (21) G 米 = ∑ 我 = 0 米 ∑ j = 0 N 我 我 , j 米 × N , (22) G n = ∑ 我 = 0 米 ∑ j = 0 N 我 我 , j − G 米 2 , (23) H = − ∑ 我 = 0 l − 1 p 我 日志 2 p 我 。

3.3.2。纹理特征

纹理特征是图像的统计和基于图像的多个像素的特性,在医学图像中,病变特征更明显的一部分,和一些功能也有干扰。可以用灰度共生矩阵纹理特性,不仅可以表达有趣的特性在医学图像。灰度共生矩阵可以由以下公式描述: (24) ASM = ∑ 我 我 , j 2 。 在哪里<我talic> 我(<我talic> 我,<我talic> j)指的是标准灰度共生矩阵。 (25) ENT = ∑ 我 我 , j − ln 我 我 , j , (26) IDM = ∑ 我 我 , j 1 + 我 − j 2 。

本地二进制模型用于计算图像的纹理特征,可以更好地表达相邻区域的灰度值,和每个区域的中心值是通过权重来解决。公式如下: (27) 枸杞多糖 x c , y c = ∑ 我 = 0 n − 1 年代 f 我 , f c 2 我 , 年代 f 我 , f c = 1 , f 我 > f c , 0 , f 我 < f c , (在哪里<我talic> x c,<我talic> y c)中心像素,<我talic> f c中心像素值,<我talic> f 我是你的邻居灰度值,<我talic> n是领先的数量的邻居。

 3.3.3。特征融合

图像形状特征对图像近似形状和外观特征;multifeature用于提高融合图像的特征区域来提高图像特征提取的准确性。Multifeature融合的融合不同的特征提取结果描述图像内容,准确地表达图像的信息。流程如图 6。

特征融合的过程。

然而,这三个特征融合方法有一些需求特征维度,如参与融合的特性应该有相同的特征维度。这里提到的规范化标准化过程前面所提到的,这提高了数据融合的准确性。

 4所示。实验比较和分析 4.1。实验准备

在卷积神经网络用于本文激活函数是乙状结肠函数和损失函数是交叉熵损失函数。实验需要一个更好的实验硬件环境,本文中采用的实验环境如表所示 1。

实验环境设置。

环境配置 模型
GPU 英伟达RTX3090 24 g
CPU 英特尔银4210 r 10核20线程<我nl在e-formula> ∗ 2
内存 64克
操作系统 Ubuntu 16.04
语言 Python 3.7

Keras深学习模型是用于建立网络模型和卷积神经网络融合特性图 7。

比较算法在不同特性的图片:(一)原始图像;(b)冲浪;(c)灰色纹理特征;(d)融合功能的方法。

从上面的结果可以看出,基于融合图像的图像处理方法的特性有明显的分割效果。处理后的图像不是关键特性,显示明显的部分功能。

 4.2。比较不同的医学图像的准确性

不同数量的返回结果<我talic> K(8、16、24、32)设置对于人体的不同部位的图像,并计算图像的精度。从表可以看出 2融合后的精度明显改善冲浪角落的特征和灰度共生纹理特征。当<我talic> K= 8,精确率超过80%,显示结果的相似性很高的图像处理过程。

比较精密的几种特征提取方法。

K 冲浪 灰色纹理特征 融合功能
8 76.83 64.34 84.35
16 65.24 68.63 75.12
24 55.95 67.25 74.36
32 54.21 64.35 75.52

有医学图像不同部分的数据集。根据上述方法,图像的胸部,肺,脑,肝脏是融合功能。20医学图像数据集的每个部分是随机选为功能测试,平均精度计算通过返回<我talic> K特征提取的结果,在那里<我talic> K值是24。表 3实验结果显示医学图像的平均精度在不同地区三个特点。

特性的比较精密的医学图像在不同的部分。

图像类型 冲浪 灰色纹理特征 融合功能
胸部 73.41 68.25 81.47
肺 70.21 72.65 79.35
大脑 68.54 70.25 75.24
肝 65.24 65.21 71.65

表 3显示了医学图像的检索精度如胸部、肺、脑和肝下三个特征提取算法。分析表明,四种类型的图像检索算法相比,本章用单一特征检索精度有显著提高。这表明是非常必要的纹理特性集成到医学图像检索,以弥补单一功能的缺陷在医学图像内容描述。

本文验证融合角点的线性编码方法和纹理特性来提高检索精度。在本章的算法与冲浪相比,灰色纹理特征提取,伽柏纹理特征提取。实验结果的比较数据所示 8- - - - - - 11。

比较胸部医学图像的特点。

比较肺医学图像的特性。

比较脑医学图像的特性。

比较肝脏医学图像的特点。

数据 8- - - - - - 11医学图像的检索精度的胸部,肺,脑,肝脏在四个特征提取算法。分析表明,四种类型的图像检索算法相比,本章用单一特征检索精度有显著提高。表明,它是非常必要的医学图像特征提取纹理特征,和本文提出的特征融合方法具有良好的性能特征提取人体的不同部位的准确性,在特定的医学图像类型高出大约5%。

 5。结论

摘要提出了一种基于融合多种特征的医学图像处理方法,具有较高的医学图像特征提取影响的胸部、肺、脑、肝脏、可以更好地表达医学图像的特性关系。特征提取在医学图像处理非常重要。可有效提取特征融合的multifeatures,显示了该方法的正确性和适用性提出了。本文比较了四种医学图像,仍有许多医学图像未被研究和比较。在以后的阶段,卷积神经网络将保险丝multifeature图像特征提取。

 数据可用性

使用的实验数据来支持本研究的发现可以从相应的作者。

 的利益冲突

作者声明,关于这项工作他们没有利益冲突。

 确认

这项工作的部分支持由黑龙江省博士后资助(LBH-Z19071)。

 黄 Z。 朱 X。 丁 M。 张 X。 医学图像分类使用轻量级基于PCANet和DenseNet混合神经网络 IEEE访问 2020年 8 99年 24697年 24712年 10.1109 / access.2020.2971225 吴 X。 程ydF4y2Ba H。 吴 X。 吴 年代。 黄 J。 燃烧图像识别的医学图像基于深度学习:从cnn高级网络 神经处理信件 2021年 53 1 1 18 Sarvamangala d·R。 Kulkarni r . V。 卷积神经网络在医学图像的理解:一个调查 进化的情报 2021年 4 1 22 10.1007 / s12065 - 020 - 00540 - 3 时 年代。 Agrawal R。 神经网络在医学图像处理 深度学习在生物医学工程的手册 2021年 美国剑桥,马 学术出版社 271年 292年 10.1016 / b978 - 0 - 12 - 823014 - 5.00002 - 8所示 顾 Z。 程 J。 傅 H。 周 K。 郝 H。 赵 Y。 张 T。 高 年代。 刘 J。 CE-net:上下文编码器网络二维医学图像分割 IEEE医学成像 2019年 页 99年 1 梁 Y。 李 H。 郭 B。 余 Z。 郑 X。 Samtani 年代。 曾 D D。 融合异构的注意机制的多视点卷积神经网络用于文本分类 信息科学 2020年 548年 2021年 295年 312年 王 X。 顾 l 王 Z。 基于神经网络的计算机医学图像分割 IEEE访问 2020年 页 99年 1 王 G。 黄 Y。 医学图像融合的基础上修改脉冲耦合神经网络模型和kirsch运营商 国际期刊的小波多分辨率和信息处理 2019年 17 1983年 6 卢特尼克 B。 Ginley B。 Govind D。 McGarry s D。 LaViolette p S。 雅库巴 R。 耆那教徒的 年代。 张照片 j·E。 珍 K.-Y。 肉红玉髓 P。 一个集成迭代注释对于减轻神经网络技术培训在医学图像分析 自然机器智能 2019年 1 2 112年 119年 10.1038 / s42256 - 019 - 0018 - 3 Kalaivani N。 井斜 D。 索菲娅 d S。 Manimaran N。 Kowsalya P。 医学图像检索使用卷积神经网络 IOP会议系列:材料科学与工程 2020年 994年 012038年 10.1088 / 1757 - 899 x / 994/1/012038