基于受限玻爾茲曼機(jī)的醫(yī)學(xué)圖像分類方法研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的發(fā)展，越來越多的醫(yī)學(xué)圖像分析技術(shù)也應(yīng)運(yùn)而生。利用數(shù)據(jù)挖掘方法對(duì)醫(yī)學(xué)圖像做分析是目前研究的熱點(diǎn)之一，目前很多數(shù)據(jù)挖掘方法已經(jīng)成功應(yīng)用在了醫(yī)學(xué)圖像的分類中，但這些方法中的很大一部分都是先提取醫(yī)學(xué)圖像中的統(tǒng)計(jì)學(xué)特征，然后再在此特征數(shù)據(jù)集基礎(chǔ)上對(duì)圖像進(jìn)行分析，從而實(shí)現(xiàn)對(duì)醫(yī)學(xué)圖像的診斷。目前這種通過特征提取來對(duì)醫(yī)學(xué)圖像進(jìn)行分析的方法主要有關(guān)聯(lián)規(guī)則、決策樹、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)、粗糙集、支持向量機(jī)等方法。但是基于統(tǒng)計(jì)特

2、征提取的醫(yī)學(xué)圖像分析方法中特征提取的好壞直接影響著圖像的分析結(jié)果，而且特征的選擇會(huì)受到經(jīng)驗(yàn)等主觀因素的影響。
　　目前比較流行的特征提取方法是深度學(xué)習(xí)方法，此方法利用深度信念網(wǎng)絡(luò)（Deep Belief Network,DBN）模型對(duì)輸入數(shù)據(jù)進(jìn)行特征學(xué)習(xí)。DBN實(shí)際上是一個(gè)有向圖模型，它的基礎(chǔ)模型是無向圖模型受限玻爾茲曼機(jī)（Restricted Boltzmann Machine,RBM）,由于在多層有向圖中，推斷隱層單元的后驗(yàn)分

3、布是相當(dāng)困難的，于是 DBN特征的學(xué)習(xí)采用每次學(xué)習(xí)一個(gè) RBM的方式。這是因?yàn)镽BM二部圖結(jié)構(gòu)可以讓對(duì)隱層單元的狀態(tài)的推斷變得很簡(jiǎn)單。每個(gè) RBM學(xué)習(xí)到的特征即其隱層單元的狀態(tài)將會(huì)作為下一層 RBM的輸入數(shù)據(jù)，以此類推，完成DBN的訓(xùn)練。而且Hinton等人已經(jīng)證明每增加一層RBM，DBN的訓(xùn)練數(shù)據(jù)的對(duì)數(shù)概率可變邊界就會(huì)降低，即 DBN對(duì)訓(xùn)練數(shù)據(jù)的表達(dá)能力就會(huì)更強(qiáng)。DBN因?yàn)槠鋵W(xué)習(xí)輸入數(shù)據(jù)中復(fù)雜的高層次的特征結(jié)構(gòu)的能力，已經(jīng)得到了廣泛的

4、研究和應(yīng)用。本文主要研究了DBN的基礎(chǔ)模型 RBM,并從特征學(xué)習(xí)的角度，利用 RBM針對(duì)現(xiàn)有的應(yīng)用在醫(yī)學(xué)圖像分類上的方法對(duì)醫(yī)學(xué)圖像的診斷做了兩個(gè)方面的改進(jìn)：
　　1．提出利用RBM模型對(duì)醫(yī)學(xué)圖像進(jìn)行特征學(xué)習(xí)的特征提取方法
　　RBM是 DBN模型的基礎(chǔ)模型，它有一個(gè)二部圖結(jié)構(gòu)，是一個(gè)無向圖，RBM本身也是一種有效的特征提取器。本文利用機(jī)器學(xué)習(xí)模型受限玻爾茲曼機(jī)的特征學(xué)習(xí)能力對(duì)圖像的特征提取階段進(jìn)行改進(jìn)，然后再利用組合分類器：

5、基于 Bagging的概率神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分類。在乳腺 X光圖像的標(biāo)準(zhǔn)數(shù)據(jù)集（MIAS）上的實(shí)驗(yàn)結(jié)果表明：利用 RBM學(xué)習(xí)到的特征進(jìn)行的分類精度比起人工選擇的分類精度更高。
　　2.提出利用DRBM模型對(duì)醫(yī)學(xué)圖像分類的圖像分類方法
　　由于前面的改進(jìn)存在一定程度的局限性，比如受限玻爾茲曼機(jī)學(xué)習(xí)到的特征可能并不適應(yīng)于所有的分類器，所以本文又采用一種新的醫(yī)學(xué)圖像分析方法：判別式受限玻爾茲曼機(jī)（Discriminative Re

6、stricted Boltzmann Machine，DRBM）對(duì)醫(yī)學(xué)圖像進(jìn)行分類分析。DRBM可以直接利用學(xué)習(xí)到的特征對(duì)圖像進(jìn)行分類，避免了特征形式與要求的數(shù)據(jù)形式不匹配的問題。DRBM是一種無向判別模型，它可以自動(dòng)的從圖像中學(xué)習(xí)特征，并利用學(xué)習(xí)到的特征直接對(duì)圖像進(jìn)行分類。在乳腺 X光圖像標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，DRBM對(duì)醫(yī)學(xué)圖像的分類準(zhǔn)確率要好于基于 Bagging的概率神經(jīng)網(wǎng)絡(luò)利用學(xué)習(xí)到的特征對(duì)圖像進(jìn)行分類的效果。