(5)--医学图像处理第三部分.ppt

同学们好！这一节我们主要讲神经网络分类器神经网络分类器是模拟人类的神经系统而建立起来一个数学模型。神经网络分类器在数字医学影像处理中，神经网络分类器主要用于医学影像分割，病变提取和识别。神经网络分类器人类神经系统的有关理论：神经元，又名神经细胞是神经神经系统的结构与功能单位之一神经网络分类器神经元结构由细胞体、树突、轴突、髓鞘、许旺细胞、神经末梢、蓝氏结组成。神经网络分类器树突多呈树状分支，树突小分支表面有大量的细刺状突起，称为棘突或棘刺。神经网络分类器棘突是其他神经元轴突的终末支和树突形成突触的接触点，接受刺激并将冲动传向细胞体神经网络分类器每个神经元只有一个轴突，轴突主要是传导神经冲动，能将冲动传递到另一个神经元或支配的细胞神经网络分类器神经网络分类器神经网络分类器接收区触发区传导区输出区神经网络分类器神经冲动的产生和传导过程神经网络分类器神经元的数学模型的示意图神经网络分类器神经元组成神经网络分类器表示输入层第i个节点表示隐含层第j个节点表示输出层第k个节点表示输入层与隐含层之间的连接权值表示隐含层与输出层之间的连接权值神经网络分类器神经元组成神经网络分类器 输入层输出方程神经网络分类器神经元组成神经网络分类器 隐含层输入方程 隐含层输出方程神经网络分类器神经元组成神经网络分类器 输出层输入方程输出层输出方程神经网络分类器神经网络分类器建立之后，为了能用神经网络分类器进行分类，必须对神经网络分类器进行训练或学习。训练就是使网络的输出与期望值之间的误差最小，为了满足这个条件，必须对网络中各层之间的连接权值进行不断的调整，达到输出误差最小。通过训练可以得到网络的最佳权值集合。这一节就讲到这里同学们再见同学们好！这一节我们主要讲BP训练算法BP训练算法训练也称为学习，神经网络分类器在用于分类前必须进行训练或学习。神经网络学习可以分为有监督学习和无监督学习，常用的有监督学习算法是反向误差传播算法，即BP算法。BP训练算法神经网络分类器的BP学习算法就是通过调整网络中各层直接的连接权值，使网络输出与期望值之间的误差最小，即输出误差最小。BP训练算法神经网络分类器的BP学习算法的输出误差定义如下：误差公式BP训练算法神经网络分类器的BP学习算法：学习率 权值迭代公式BP训练算法神经网络分类器BP学习算法：权值迭代公式BP训练算法神经网络分类器BP学习算法的步骤：(1)用均匀分布的随机数将各权值设定为一个小的随机数,设定输出层各节点的期望输出值 DBP训练算法神经网络分类器BP学习算法的步骤：(2)从训练样本数据取出一个样本,提取特征,并对特征归一化,将归一化的特征向量输入神经网络分类器 BP训练算法神经网络分类器BP学习算法的步骤：(3)基于神经网络分类器的数学模型公式计算出输出层的实际输出YBP训练算法神经网络分类器BP学习算法的步骤：(4)根据误差公式计算输出层的误差。(5)对每一个样本都重复步骤（2)-(4)，将所有样本训练的输出误差求平均，得到平均误差。BP训练算法神经网络分类器BP学习算法的步骤：(6)如果平均误差小于预设的门限值，停止循环，输出网络权值，神经网络学习完毕。BP训练算法神经网络分类器BP学习算法的步骤：(7)如果平均误差不小于预设的门限值，利用权值迭代公式更新网络权值。返回步骤(2)重复步骤(2)-(6)直到平均误差满足所设的精度要求，停止循环，输出网络权值，神经网络学习完毕。BP训练算法 例题1利用神经网络分类器对医学图像分割时首先需要对神经网络分类器进行训练，常用的训练算法是（）。(A)BP训练算法(B)PB训练算法(C)MC训练算法(D)AP训练算法这一节就讲到这里同学们再见同学们好！这一节我们主要讲阈值分割法阈值分割法阈值分割法是首先设置阈值，然后将医学影像中各像素值与阈值比较，大于阈值的组成感兴趣区域或目标区域提取出来。阈值分割法阈值分割法的步骤如下：(1)从原始医学影像的起始像素点开始，依次取出每一个像素点的像素值。阈值分割法阈值分割法的步骤如下：（2）将取出的像素点的值与预设的阈值相比较，则那些大于阈值的像素点组成的区域，就是要分割的目标区域，将这些区域单独分离出来，就得到要分割的目标。阈值分割法阈值分割法可分为半自动阈值分割法和自动阈值分割法。半自动阈值分割法是指利用人工方法设定阈值和改变阈值，这种方法运算量小，速度快。但自适应能力差。自动阈值分割法是通过数字医学影像处理的方法自动得到阈值，并随着不同的分割影像，自动改变阈值。这种方法自适应能力强，但速度较慢。其中，最常见的算法是基于最大熵的自动阈值分割阈值分割法基于最大熵的自动阈值分割熵是对事物所携带信息量的度量，事物发生的概率越小，则该事物所携带的信息量越大。设某事物A发生的概率为P，则事物A的熵 定义为：阈值分割法基于最大熵的自动阈值分割在对图像分割前，首先获得图像的灰度直方图，并对直方图进行归一化。设阈值为T，则阈值把直方图分为两部分，分别对应背景和感兴趣的目标。用 表示归一化直方图中各灰度级对应的概率。阈值分割法基于最大熵的自动阈值分割步骤：则背景B和目标O对应的概率分布分别为：B:O:这里阈值分割法基于最大熵的自动阈值分割步骤：与背景和目标的概率分布相对应的熵分别定义为：阈值分割法基于最大熵的自动阈值分割步骤：设H表示图像的总熵，则H定义为：在这个算法中，我们假设对应最大熵的阈值就是最佳阈值，也就是基于最大熵原则的自动阈值分割法要选取的阈值。阈值分割法基于最大熵的自动阈值分割步骤：1 获得图像的灰度直方图，并对直方图进行归一化。2 获得归一化灰度直方图中各极小值对应的灰度级。阈值分割法基于最大熵的自动阈值分割步骤：3从归一化直方图中各极小值中最小值对应的灰度级开始，设阈值依次等于各极小值对应的灰度级，根据公式 依次得到各阈值对应的总熵值，找出最大熵值对应的阈值，则该阈值就是最佳阈值。阈值分割法基于最大熵的自动阈值分割步骤：4 根据最佳阈值就可以将图像分为背景和目标区域，将目标区域单独分离出来，完成对原始医学图像的分割。阈值分割法基于最大熵的自动阈值分割的实验结果。这一节就讲到这里同学们再见同学们好！这一节我们主要讲基于神经网络分类器的分割方法基于神经网络分类器的分割方法基于神经网络的医学影像分割是对提取的医学影像特征利用训练好的神经网络分类器进行分类，根据分类结果，得到要分割的目标区域。基于神经网络分类器的分割方法具体步骤如下：（1）将待分割影像分为背景和目标两类，用手工方法得到这两类的样本影像，提取样本影像的特征，如灰度、方差、纹理等。基于神经网络分类器的分割方法具体步骤如下：（2）对提取的样本特征值进行归一化处理，输入神经网络分类器，利用BP训练算法进行训练。基于神经网络分类器的分割方法具体步骤如下：（3）输入待分类的医学影像，提取影像特征，并进行归一化处理。基于神经网络分类器的分割方法具体步骤如下：（4）将归一化后的特征值，输入已训练的神经网络分类器进行分类，根据分类结果，将感兴趣的目标类提取出来，就得到影像的分割结果。基于神经网络分类器的分割方法下面以利用神经网络对乳腺微钙化点的分割为例，说明基于神经网络的医学影像分割的具体过程。基于神经网络分类器的分割方法1 设计基于神经网络分类器。本算法中设计的神经网络分类器如下图：基于神经网络分类器的分割方法2 输入样本影像（含有微钙化点的感兴趣区域），利用形态学、中值滤波和快速傅里叶变换方法得到微钙化点的方差、残差和灰度特征。具体方法如下：基于神经网络分类器的分割方法基于神经网络分类器的分割方法方差特征提取的仿真结果基于神经网络分类器的分割方法(2）由于边缘提取得到的边缘不仅包含微钙化点的边缘，还包含对比度较大的组织和较大噪声点的边缘，仅仅利用上述方法得到的微钙化点的均方差特征进行分类，还存在较大的假阳性率。为了降低假阳性率，还需要提取其它特征。基于神经网络分类器的分割方法基于神经网络分类器的分割方法残差特征提取的仿真结果基于神经网络分类器的分割方法（3）灰度特征提取：微钙化点在频域介于低频背景和极高频噪声之间，利用这一特点可以对微钙化点的特征进行增强，然后，提取灰度特征。提取方法描述如下：利用二维傅里叶变换将原始样本影像变换到频域，对频域中的低频和极高频部分分别乘以小于 的衰减系数，然后进行二维傅里叶反变换，获得微钙化点相对增强的影像，用这种方法提取灰度特征。基于神经网络分类器的分割方法残差特征提取的仿真结果基于神经网络分类器的分割方法3 利用上述方法获得样本影像中微钙化点的方差、残差和灰度特征，归一化后组成输入特征向量，输入已经设计好的神经网络分类器，利用BP训练算法进行训练。基于神经网络分类器的分割方法4 训练完毕后，输入待分割的医学影像，提取影像特征，并进行归一化处理。将归一化后的特征值输入已训练的神经网络分类器进行分类，根据分类结果得到影像的分割结果，即提取出微钙化点。基于神经网络分类器的分割方法微钙化点提取的仿真结果例题2下面是对利用神经网络分类器进行医学图像分割的描述，哪一项描述不正确（）。(A)提取样本特征(B)利用归一化的样本特征对神经网络分类器进行训练(C)将待分割图像输入神经网络分类器直接进行分割(D)将需要分割的图像提取特征，归一化后输入训练好的神经网络分类器进行分类这一节就讲到这里同学们再见同学们好！这一节我们主要讲数字医学影像配准的流程配准的流程配准是将待配准的医学影像与参考医学影像之间进行解剖位置或空间位置的对准配准的流程数字医学影像的配准流程如下：对待配准的医学影像进行几何变换；影像插值；相似性度量和设计配准的目标函数；目标函数优化。配准的流程医学影像配准需要将待配准影像通过某种几何变换达到与参考医学影像最佳匹配。医学影像配准中常用的几何变换主要有刚体变换、仿射变换、投影变换、透视变换以及非线性变换。配准的流程刚体变换是医学影像中各部分的大小和形状不发生变化，而只有位置发生变化的变换。刚体变换是旋转和平移的组合，分为二维和三维刚体变换。配准的流程配准的流程配准的流程1.二维刚体变换配准示意图配准的流程配准的流程2.三维刚体变换配准示意图配准的流程仿射变换：医学影像的仿射变换是指影像间的相对位置关系不发生变化的变换，即变换后直线还是直线不会打弯，圆弧还是圆弧，平行线还是平行线，而且直线上点的位置顺序不变。配准的流程仿射变换：仿射变换可以通过一系列的子变换的复合来实现，这些子变换包括：平移、缩放、翻转（即镜像）、旋转和错切。仿射变换可分为二维和三维仿射变换。配准的流程配准的流程配准的流程3.仿射变换的应用 在数字医学影像处理中，仿射变换主要用于以下两种情况的配准：人体同一部位所成不同模态医学影像之间的配准，这类配准主要指人体同一部位由于所使用的成像模式不同，所得到的影像分辨率不同，融合这些影像，必须首先进 行 配 准。例 如，功 能 磁 共 振 影 像（fMRI）和结构磁共振影像(MRI)之间的配准，功能磁共振影像（fMRI）和弥散张量成像(DTI)之间的配准，CT影像和PET影像之间的配准等配准的流程医学影像同标准参考模板影像（包括医学图谱）之间的配准，这类配准也叫空间标准化,即将医学影像配准到标准空间中的模板配准的流程仿射变换配准示意图配准的流程非线性变换也叫曲线变换，是按照非线性关系对医学影像进行变换，能够将直线变换成曲线。非线性变换主要应用于具有形变的医学影像配准中，例如，弥散张量成像中由于涡流产生的脑组织扭曲的矫正。配准的流程在医学影像的配准中，待配准的医学影像经过变换后，有些网格点上的像素值会缺失，在对这些变换后的影像和参考影像之间进行相似性测度之前，必须补全这些缺失的像素值。配准的流程通常采用影像插值的方法来完成，插值方法影响图像的平滑性、优化的搜索空间以及总体的计算时间。因为在一个优化周期之中，插值算法将被执行多次。所以，在选择插值方法时，需要在计算复杂性和图像平滑性之间做一个权衡配准的流程常用的影像插值方法有以下几种：最近邻插值、线性插值、PVpartial volume插值等。配准的流程相似性度量是对参考影像和变换插值后得到的影像匹配效果的测度，是数字医学影像配准中最关键的环节。相似性度量需要寻找一种准则，这种准则称为相似性度量准则，准则的选择和配准目的、具体的影像形态、几何变换类型等有关。配准的流程常见的相似性度量的准则：基于特征的度量准则基于体素的度量准则目前研究的热点，该准则利用了影像中的所有信息，灵活性较强。配准的流程基于体素的度量准则：a 灰度均方误差准则b 归一化相关系数准则c 互信息最大化准则配准的流程配准是通过几何变换和相似度量，得到目标函数，该目标函数可以看作是以几何变换参数为自变量的单值函数，通过最优化方法改变几何变换参数，获得单值函数的最优值（即最大或最小值），达到需要配准的影像间的最佳匹配。常用的优化算法有：一维搜索法、Powell法、随机搜索法、最速下降法、遗传算法、模拟退火法等。配准的流程 例题1 下面各项是对数字医学影像配准流程的描述，其中，描述错误的选项是()。(A)对待配准的医学影像进行几何变换。(B)对变换后的影像进行插值。(C)相似性度量和设计配准的目标函数。(D）目标函数与参考影像配准。配准的流程 例题2 数字医学影像配准中常用的几何变换有以下几种，其中，描述错误的选项是()。(A)线性变换。(B)刚体变换。(C)仿射变换。(D）非线性变换。这一节就讲到这里同学们再见同学们好！这一节我们主要讲数字医学影像融合的常用方法融合常用方法医学影像配准之后，就可以根据实际应用的需要进行融合。融合是将配准后的多幅医学影像的影像信息综合到一起形成一幅影像，并通过可视化技术进行显示。融合常用方法常用的融合方法有：1 基于影像分割的融合法2 加权平均融合法3 对比度调制融合法4 小波变换融合法。融合常用方法1.基于影像分割的融合法 首先从一个三维影像中分割出感兴趣的部分，然后将其融合到另一个三维影像中，形成融合后的三维影像。融合常用方法融合常用方法融合常用方法1.基于影像分割的融合法 基于分割的影像融合方法常应用于脑功能研究中功能像与结构像的融合，或标准模板影像与结构影像的融合。融合常用方法基于分割的融合方法应用实例融合常用方法2.加权平均融合法 加权平均融合法是将需要融合的影像对应像素点的像素值乘以一个权重系数，然后再相加得到融合后的影像。融合常用方法融合常用方法3.对比度调制融合法对比度调制融合法是提取一幅医学影像中所包含细节信息的对比度，去调制另一幅影像达到融合的目的。融合常用方法融合常用方法融合常用方法融合常用方法融合常用方法融合常用方法融合常用方法4.小波变换融合法小波变换是一种正交变换。小波变换融合法就是将需要融合的医学影像进行多次小波正交分解，求对应分解系数中的最大值作为融合后的小波系数，然后进行小波逆变换得到融合后的医学影像。融合常用方法4.小波变换融合法小波变换融合对不同频带的子影像的小波分解系数进行组合，从而构成融合影像的小波系数，这样的融合有利于增强影像的局部特征。融合常用方法 例题1 下列各项中，哪一项不是数字医学影像融合中常用方法()。A.傅里叶变换融合法。B.对比度调制融合法。C.基于影像分割的融合法。D.加权平均融合法。