基于粒子群和生物地理学算法优化BP网络的脑图像检测研究

发布时间：2020-04-03 01:27

【摘要】：计算机技术辅助病脑检测是医学领域和计算机领域中的热点问题,该问题的解决对于脑疾病预防和治疗具有显而易见的有益作用。本文以磁共振脑图像为实验对象,研究计算机辅助医疗检测方法对健康脑图像和多种病脑图像的有效分类。该方法是一种为了提升脑图像分类性能的基于机器学习的智能分类方法,主要针对传统技术的缺点来提出的,如手工分类存在时间代价高和经验影响大的问题;传统神经网络分类存在易陷入局部最优和性能不高的问题。首先,本文从哈佛大学医学院网站上获取61张人脑磁共振数据,采用数据增强技术将数据集扩增至732张,并对样本数据进行特征提取与选择。采用离散小波变换(Discrete Wavelet Transform,DWT)和小波熵(Wavelet Entropy,WE)的方法提取脑图像的多尺度特征,将提取脑图像的7个特征输入到单一隐藏层的BP神经网络中进行分类训练。其次,为了避免在训练过程中网络陷入局部最优解本文提出了以下三种方法:一是考虑到粒子群优化算法(Particle Swarm Optimization,PSO)具有精度高、收敛快和较强的历史信息记忆能力的优势,提出粒子群算法确定网络的权值和偏置;二是考虑到生物地理学优化算法(Biogeography-Based Optimization,BBO)具有良好迁移机制和较强搜索能力的优势,提出生物地理学算法确定网络的权值和偏置;三是提出粒子群优化和生物地理学融合算法确定网络的权值和偏置,进一步提升最终的分类效果。最后,在相同脑图像数据集上验证所采用方法的可行性和有效性。通过将PSO+BBO-BPNN与PSO-BPNN、BBO-BPNN等方法进行病脑分类准确率的对比证明本文采用的方法在磁共振脑图像分类中具有相对优越性。实验过程中采用10折交叉验证方法防止出现过拟合现象,“WE+PSO+BBO-BPNN”对病脑图像平均识别率达到83.16%,平均分类时间为43.68s。实验结果显示,本文研究脑图像分类的方法在保证检测性能的同时,提高分类运行效率。
【图文】：

磁共振,脑图像,样本,胶质瘤

５类病脑样本分别为：阿尔茨海默病、胶质瘤、亨廷顿病、肉瘤和脑膜瘤。同时，逡逑本文所采用的研宄样本都进行了图像配准处理，图像尺寸均为２５６ｘ２５６像素，图逡逑２－１中列举了部分磁共振脑图像样本，图２－１邋（ａ）、图２－１邋（ｂ）、图２－１邋（ｃ）、图２－１逡逑（ｄ）、图２－１邋（ｅ）和图２－１邋（ｆ）分别对应于上述６类脑图像。逡逑姞＿逡逑（ａ）正常逦（ｂ）阿尔茨海默病逦（ｃ）胶质瘤逡逑（ｄ）亨廷顿病逦（ｅ）肉瘤逦（ｆ）脑膜瘤逡逑图２－〗脑图像样本逡逑关于图２－１邋（ｂ）阿尔茨海默病，其又被称为老年痴呆症，高发人群为老年人。逡逑该病症的具体临床表现为记忆障碍，患有此病的老年人分不清周围的亲朋好友同逡逑时会逐渐丧失语言表达能力，难以与他人沟通。目前该疾病还未能找到有效的解逡逑决方案，因此在早期体检过程中能够识别该病症并能够做好相应的预防和治疗措逡逑施显得尤为重要；关于图２－ｌ（ｃ）胶质瘤，世界卫生组织将其分为４级，１？２级为逡逑低级别胶质瘤，，即分化良好的胶质瘤，３？４级为高级别胶质瘤，即恶性肿瘤。该逡逑７逡逑

结构模型,三层,网络训练,输入层

重是通过网络训练得出的。ＢＰ神经网络结构中输入层和输出层的神经元的个数逡逑通过具体的问题和解的数目确定，则包含三个层次的ＢＰ神经网络模型的具体网逡逑络结构如图２４。逡逑１２逡逑
【学位授予单位】：南京师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R741.044;TP391.41;TP18

【相似文献】