基于神经网络的肝脏图像特征提取应用研究_汪辉进.pdf

第 卷 第期佳 木 斯 大 学 学 报（自 然 科 学 版）年 月 （）文章编号：（）基于神经网络的肝脏图像特征提取应用研究汪辉进，曾叶纯，徐宝娣（池州职业技术学院 电子信息与传媒系，生物与健康系，安徽 池州 ）摘要：由于人体腹腔的特殊构造，肝脏往往在影像学中与其他器官不易辨别。提出一种采用自适应动量估计 算法来对肝脏的影像图形进行分析，辅助医疗人员辨别肝脏是否存在病变以及定位存在病灶的确切位置，对于肝脏的影像学分析特别是在影像学图像中的精确识别具有一定的参考与应用价值。关键词：神经网络；算法；语义分割中图分类号：文献标识码：引言现今，随着计算机技术、人工智能技术的快速发展，特别是在医学领域，医学图像的自动化处理越来越多地应用到实际的临床，进行辅助诊断与治疗中。然而，受制于医疗仪器的本身精度和操作的问题以及医疗专业人员的人为因素影响，在这个背景下，对于医学图像的进一步自动化处理，以期对于病情做进一步正确的判断尤为重要。为此，医学影像技术在人工神经网络方向的日益发展，现今也呈现出愈来愈复杂、多样化的趋势。研究基于浅层神经网络的医学图像特征提取，提出了一种基于改进的 的深度学习算法来完成人体重要器官 肝脏影像资料的提取法方法，主要是指对医学图像进行语义分割，并且利用浅层神经网络对医学图像数据集进行学习训练。通过 张肝脏图片进行训练比对，提取出对于医疗从业人员有所裨益的医学图像特征，加以更精确地把握病人的病情，做出相应准确的医学诊断，有助于提高肝脏影像图像的异常部分定位及精准性。具体方法为：（）选取深度学习网络模型；（）用 架构来进行一个捕获上下文信息的收缩路径和一个精确定位的对称扩展路径。采用通道的拼接进行上采样操作，在每个阶段都允许解码器学习编码器池化层中丢失的相关特征，以此来更好的进行实验的语义分割，完成实验成效；（）使用 语言以及 深度学习框架构建神经网络模型，采用交叉熵函数作为训练的损失函数，尝试用可视化工具 进行训练的可视化，以期降低训练过程的误差，提高图像的精准性。深度学习网络模型的选取深度学习技术在医学图像方面快速发展，特别以肝脏和肝肿瘤的分割研究方兴未艾，研究者们基于神经网络技术提出了一些具有高精度的图像识别算法。在复杂医学图像领域进行多尺度感知病灶区域得到了一定发展。在 架构方面也有了新的研究，特别是利用 这一经典的网络架构，解决医学图像模糊问题的研究，有了长足进步。利用 架构来探究肝脏肿瘤图像分割方法，探讨其评价指标，有了初步发展。在肝脏图像方面 等人也将深度学习方法应用于对于 图像、肝脏图像地分割之中，取得了有益的效果。上述研究，对现有的图像分割方法进行了一定的改进，取得了一系列可预期的研究成果，但是有的方法是直接利用图像的低级特征如颜色、纹理、形状等，不能有效地表示图像内容中的空间上下文信息；而有的是用复杂统计特征或模型的方法，存在计算复杂度比较高和计算结果不稳定等问题。为此，图像分析特别是在影像学图像中的精确计算和识别是一个亟待研究的开放性问题，显得尤为重要。模型训练本实验采用的 网络是一个总层数为级的网络，每个层级由不同类型和数量的卷积层、池化层构成，整个模型结构主要分为左边的压缩通道和右边的扩展通道，所采用的激活函数为线性整流函数（）。在模型训练过程中，通过特收稿日期：基金项目：年度安徽高校自然科学研究重点项目（）；安徽省 年度高校学科（专业）拔尖人才学术资助项目（）；年安徽省高等学校省级质量工程教学研究重大项目（）。作者简介：汪辉进（），男，安徽池州人，教授，硕士，研究方向：计算机信息安全及图像分析研究。佳 木 斯 大 学 学 报（自 然 科 学 版）年征向量得到各个类别的非线性预测值并且得到最终的预测图像。利用损失函数可以量化肝脏影像真实数据与模型所预测数据间的差异，从而得到一个 值，值越小，表明分类越准确。本实验采用损失优化算法是自适应动量估计（，），在训练样本的过程中，不断优化损失函数，并且使得损失值不断降低。（具体流程图如图所示）图 模型训练流程图 算法分析 算法是基于 的延伸，有效结合了 和 思想，对一阶动量使用指数移动平均计算。综合了梯度下降算法的优势以及考虑了动量对于问题收敛性的影响，算法可能会不收敛。等学者的实验就探究了这一重要问题，由于实验的设计过于固化，分析了 算法中的不足，受到了一些质疑，同时也开辟了研究算法收敛性的新的方向。为此，本实验采用迭代更新来解决收敛问题。迭代更新形式为：?（）其中，是一个平滑项，取值 （防止分母为）。通过实验进行校正后就可以保持迭代的平稳。同时，也可以保证收敛的速度和鲁棒性。在测试阶段，根据记录的每个 的，计算出所有训练数据的均值和方差，通过?（）将输入标准化，算法通过加入一阶动量和二阶动量可以极大的提升算法的收敛性，仅仅加入了两个可以通过手动调整而进行优化的超参数，通过实验分析发现 算法收敛很快，可以大大减轻神经网络模型对于算力的消耗以及时间复杂度，取得更好的深度学习效果。损失函数分析对于图像的语义分割方法，可以通过对每个输出像素计算交叉熵，然后求像素平均来得到训练损失。设同一个随机变量，它的概率表示为（），（），等式由的熵和交叉熵两部分组成：（，）（）（）（）在图像的语义分割任务中，真实的标签数据集可以用分布（）来表示，而预测的数据集可以用分布（）来表示。由于标签数据本身的熵是不会改变的，故只需要关注（），（）的交叉熵也就是预测结果与真实结果之间的差异的程度即可。实验采用交叉熵函数作为训练的损失函数。本实验由于是二分类判别实验，故使用的交叉熵形式为：?（）（?）（）其中损失函数符号 为，为标签值被视作为先验分布，?为模型分布。图 训练损失数据图图测试集交叉熵 误差曲线实验结果及分析实验环境与分析实验环境配置为：操作系统选用 ，本文实验的算法即运用 算法来实现，通过谷歌公司的云计算平台 ，进行网络图形的训练。采用 语言、深度学习框架构建神经网络模型，进一步利用 工具，为训练过程中产生的误差进行有效分析。实验结果分析将数据集分为训练集（张图片）和测试集第期汪辉进，等：基于神经网络的肝脏图像特征提取应用研究（张图片）。首先通过归一化将像素值归一于，区间，为了便于网络的训练，节约计算资源，提高模型的鲁棒性，实验通过使用 个 （表 训练损失数据）训练初始网络，并将训练后的网络参数量进行保存。在进行测试集训练时，将之前训练的网络结果迁移于测试集上，得到最终测试集结果如图所示，训练损失数据图。图测试训练图及结果分析图表 训练损失数据 图展示的是训练过程中 个 的总误差，其中横坐标代表 ，纵坐标 代表误差值。可以看到随着训练的进行，网络对于数据的学习能力的不断 提升，网络训练初期的误差降低较快，最后 降低到左右最小误差趋于稳定状态。表 误差曲线 表每隔个 选取一个 值，实验共选取 个 进行训练和误差分析，从实验数据可以看出 数据基本达到平稳状态，误差波动较小，量级降低到 程度，精度已经达到最优。（由于训练误差数据较多，故仅仅展示最具有代表性的 个 的平稳误差）图展示的是交叉熵 误差曲线，在每个 内的每个 的训练误差。图的横坐标佳 木 斯 大 学 学 报（自 然 科 学 版）年代表 ，纵坐标代表 误差值，通过图形可以看出，训练伊始，模型的训练误差变化较剧烈，稳定性相对较差，但是随着训练的增加，模型的稳定性逐步增强，代表 模型的学习效果相对处于稳定。如图所示，本实验从 张选取 张原始图像进行标签、训练、测试等关于肝脏图像的特征提取的相关数据分析，通过数据比对分析，来提示进行相应警示数据，从而得出对于医疗从业人员有所裨益的数据。有望对医疗从业人员诊断病人提供可靠参考数据依据，从而提高图像诊断过程中的精准率。结语基于 联合使用 优化算法的策略全面完整地完成了肝脏的分割任务，该方法目前支持对肝脏图像数据的分割，具有实际开发价值与应用潜力。所提出的架构可以通过更改数据集的方式快速稳健的重新训练一个新的网络，抑或是在精度要求不高的情况下，采用该预训练模型可借此拓展到肾脏分割、肺分割等多个其他的医学应用领域，这对于医学交叉发展和诊治大有裨益。本文涉及网络层数较少，算法较为规范和普适，对于后续的深度学习进入内部更深入的研究与可解释性的探究具有前瞻性的作用。参考文献：刘畅，张剑，林建平基于改进全卷积神经网络的图像单像素边缘提取计算机工程，（）：王雪，李占山，吕颖达 基于多尺度感知和语义适配的医学图像分割算法吉林大学学报（工学版），（）：王海鸥，刘慧，郭强，等 面向医学图像分割的超像素 网络设计计算机辅助设计与图形学学报，（）：张欢，刘静，冯毅博，等 及其在肝脏和肝脏肿瘤分割中的应用综述计算机工程与应用，（）：，（），（），（），（，；，）：，（），：；（上接 页），（，；，）：，：；