Новости
09.05.2023
с Днём Победы!
07.03.2023
Поздравляем с Международным женским днем!
23.02.2023
Поздравляем с Днем защитника Отечества!
Оплата онлайн
При оплате онлайн будет
удержана комиссия 3,5-5,5%








Способ оплаты:

С банковской карты (3,5%)
Сбербанк онлайн (3,5%)
Со счета в Яндекс.Деньгах (5,5%)
Наличными через терминал (3,5%)

ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОБРАБОТКИ ДАННЫХ МАГНИТО- РЕЗОНАНСНОЙ ТОМОГРАФИИ

Авторы:
Город:
Тверь
ВУЗ:
Дата:
03 марта 2016г.

Магнитно-резонансная томография(МРТ) вызывает больший интерес среди исследователей в области диагностики инсультов головного мозга. МРТ имеет преимущества перед КТ, так как обладает большими диагностическими возможностями в ранней диагностике инсультов. Однако невысокая контрастность МРТ- изображений может быть причиной, осложняющей визуальное определение типа инсульта. Целью этой работы является разработка алгоритма для автоматической классификации инсультов головного мозга на ишемические и геморрайческие, чтобы помочь врачу точно постановить диагноз на ранних сроках лечения пациента. Последовательность обработки данных МРТ с целью диагностики типа инсульта приведена на Рисунке 1.


Предобработка заключается в удалении контуров, которые окружают вещества головного мозга и которые осложняют процесс распознавания области инсульта. Контуры изображения представляют собой кривые на изображении, в точках которых модуль градиента grad(i, j) имеет достаточно большое значение для каждого элемента изображения с координатами (i, j). Оценка модуля градиента grad(i, j) была получена с помощью оператора Собеля [2]. Извлечения области инсульта происходит с помощью пороговой обработки МРТ- изображений. Для этой цели используется функция градационного преобразования вида

s=T(e).

Были исследованы различные виды градационного преобразования – логарифмическое, степенное, кусочно линейные. Наилучшие результаты были получены при использовании пороговой функции градационного преобразования. Алгоритм устранения подобных шумов состоит из следующих шагов:

1.     определяется пороговое значение m;

2.     последовательно считываются пиксели исходного изображения и определяется их яркость;

3.     значение яркости в текущей точке e сравнивается с пороговым - m;

4.     с помощью пороговой функции градационного преобразования переменная s принимает одно из двух значений, соответствующих крайним значениям яркости.

Результат предобработки показан на Рисунке 2.

Текстурные признаки изображения обладают очень высокой информативностью в задачах классификации изображений. В качестве текстурных признаков использовались статистические моменты, получаемые в результате обработки гистограмм яркости. Пусть Zi – случайная величина яркости изображения, p(zi) – нормализованная гистограмма яркости изображения инсультов, i = 0,1,..,L-1, где L обозначает число различных значений яркости. Формула для нахождения центрального момента порядка n будет иметь следующий вид:

Таким образом, дескрипторы изображения, основанные на статических моментах, описываются следующим образом:

1. среднее значения яркости изображения  
2 .стандартное     отклонения,      которое     используется     для     измерения      средней      контрастности     - 
3.гладкость- G = 1 -1/(1 +σ2 ) ,Мера относительной гладкости яркости изображения. Для области с постоянной яркостью G = 0и близко к 1 для области с большими отклонениями уровней яркости

4.ассиметрия –As. Характеризует симметричность гистограмм. Равен 0 для симметричных гистограмм, положителен для гистограмм скошенных вправо и отрицателен для скошенных влево

5.однородность  Мера равномерности, эта величина максимальна для постоянной яркости.

6.энтропия (мера случайности) 

Таким образом, шесть текстурных признаков изображения инсульта вычисляются и становятся входными данными вероятностной нейронной сети для классификации инсультов головного мозга на ишемические и геморрагические. Обозначим значения перечисленных выше дескрипторов как x1, x2,…,x6. В качестве классификатора использовалась искусственная нейронная сеть [1]. Ее архитектура приведена на Рисунке 3.Были рассмотрены сети с прямым распространением сигнала и обратным распространением ошибки, а также сети радиального базиса. Были исследованы различные варианты таких сетей. Варьировались число нейронов в скрытом слое, функции активации, алгоритмы обучения. Более предпочтительным представляется использование вероятностной нейронной сети, которая является разновидностью сети радиального базиса. Достоинством этой сети является ее более быстрая сходимость, полученная на реальных данных.

Архитектура сети PNNбазируется на архитектуре радиальной базисной сети и состоит из двух слоев.

Первый – радиальный базисный слой с функцией активации:

radbas(n) = exp(-n2 ) .

Вход функции активации определяется как модуль разности вектора весов и вектора входа, умноженный на смещение. В качестве второго слоя используется конкурирующий слой. Он подсчитывает вероятность принадлежности входного вектора к одному из двух классов соответствующих типу инсультов головного мозга - ишемическому или геморрагическому. Конкурирующая функция активации преобразует вектор входа слоя нейронов так, чтобы нейрон с самым большим входом имел выход равный 1, а все другие нейроны имели выходы, равные 0.Выбор числа нейронов в скрытом слое осуществлялся экспериментально. В начале обучения использовалось минимальное количество скрытых нейронов. Затем число их последовательно увеличивалось вплоть до достижения требуемого уровня натренированности сети на исходном множестве обучающих выборок. Добавление нейронов, производилось по результатам оценивания способности сети к обобщению после определѐнного количества циклов обучения. Численные эксперименты показали, что погрешность обучения при увеличении количества итераций монотонно уменьшается, тогда как погрешность обобщения снижается только до определенного момента, после чего начинает расти. Таким образом, на способности сети к обобщению влияет и длительность обучения. Проверка качества обучения осуществлялась на основе вычисления среднеквадратической ошибки (SSE). Для вычисления якобиана критерия качества обучения по переменным весам и смещениям использовался метод обратного распространения ошибки. Каждая настраиваемая переменная корректировалась в соответствие с методом Левенберга-Маркварда.

Применение обученной сети на тестовых примерах показало, что вероятность правильной классификации составила 0,8847%, а среднеквадратическая ошибка – 0,243.Из этого следует, что сети PNN весьма эффективны для решения задач классификации. Если задано достаточно большое обучающее множество, то получаемое с помощью сети решение сходится к решению, получаемому по правилу Байеса.

 

Список литературы

1.     Саймон Хайкин / Нейронные сети: полный курс, 2 издание.: Пер. с англ.. – М.: Издательский дом «Виллямс», 2006. – 1104 с.

2.     Pratt W.K. Digital Image Processing: PIKS Scientific inside (4th ed.) // Wiley-Interscience, John Wiley & Sons, Inc., Los Altos, California, 2007, 782 p.