图像序列的深度学习研究-管亚亭

图像序列的深度学习研究1.研究背景1.1.国内外研究现状和发展趋势目前，在医学图像处理领域，常分为图像分割，配准，融合和三维重建过程。现有的分割和配准等技术。在针对图像序列的处理中，通过对多维度CT图像的分析，利用图像中的边缘等特征，来对图像进行三维还原，帮助医生来进行分析。深度学习相比简单神经网络来说，其在网络结构上具备更深的层数以及更复杂的结构，其在非线性问题的解决上也优于普通的网络。深度学习中数据有局部表示、分布表示和稀疏分布表示三种表示形式。稀疏性意思是向量中的许多单元的取值为0，对应的含义为给定一个特定的输入分布时，一些网络节点对其的激活度为0。典型的深度学习模型有卷积神经网络，DBN和堆栈自编码网络。1)卷积神经网络：在无监督训练出现之前，训练深度神经网络非常困难，其中一个特例是卷积神经网络。卷积神经网络受视觉系统的结构启发而产生，基于神经元之间的局部连接和分层组织图像转换，将有相同参数的神经元应用于之前一层神经网络的不同位置，利用误差梯度设计并训练卷积神经网络，取得了优越的性能。卷积神经网络由卷积层和子抽样层两种类型的神经网络层组成。为了使网络对平移、旋转和比例缩放等形式变换具有不变性，对网络结构进行了一些约束限制：a)特征提取。每一个神经元从上一层的局部接受与得到输入，迫使其提取局部特征；b)特征映射。网络的每一个计算层由多个特征映射组成，每个特征映射都以二维平面的形式存在，平面中的神经元在约束下共享相同的权值集。c)子抽样。该计算曾跟随在卷积层中，实现局部平均和子抽样，使特征映射的输出对平移等变换的敏感度下降。如下图中手写识别的卷积神经网络：2)深度信念神经网络模型DBNDBN可以理解为贝叶斯概率生成模型，由多层随机隐变量组成，上面两层具有无向对称连接，下面的层得到来自上一层的自顶向下的有向连接，最底层单元的状态为可见输入数据向量。DBN由若干结构单元堆栈组成，结构单元通常为受限玻尔兹曼机RBM。利用输入样例训练第一层RBM，并利用其输出训练第二层RBM模型，将RBM模型进行堆栈通过增加层来改善模型性能。在无监督预训练中，DBN编码输入到顶层RBM后解码顶层的状态到最底层的单元实现输入的重构。3)堆栈自编码网络模型：堆栈自编码网络的结构与DBN类似，不同在于其结构单元为自编码模型而不是RBM自编码模型是一个两层的神经网络，第一层为编码层，第二层为解码层。训练该模型的目的是用编码器将输入的x编码表示成c(x)，再用解码器从c(x)中解码重构输入r(x)。通过最小化重构误差来执行训练。2.主要研究2.1.研究内容随着技术的发展，医学图像的使用称为临床诊断的不可或缺的工具。而医学图像具有识别难度大，分类精确度要求高等因素。准确的对医学图像的分类，是医学图像的研究重点。纹理特征，是反应图像本身重要的属性。近年来，BP神经网络能很好的将不同类别图像分类，被广泛应用于医学图像的识别和分类中。有研究[2]将BP网络应用于肺癌的诊断中，具有较高的准确性，有利于肺癌的早期发现和治疗。LBP算子通过刻画图像中每个像素点与其8-邻域像素间的灰度变化来描述图像局部纹理特征，其纹理直方图为256维。但若用来描述图像的局部特征，将导致特征维数快速增长。为了降低描述的维数，使其适用于描述图像的局部纹理特征，Heikkila提出了中心对称局部二值模式CS_LBP，该方法通过比较8-邻域与中心像素相对称的四对像素间的灰度关系来定义局部纹理模式，有效将纹理谱描述符降到16维。同时，该方法还可以通过设置全局阈值来判断纹理区域的平坦性。CS_LBP的计算方式：虽然CS_LBP降低了LBP的维数，但忽略了中心像素对局部纹理特征的影响，造成局部纹理信息的丢失。同时，判断纹理区域的平坦性的阈值很难确定，确定后也难以使用其他类别的图像。故引用一种新的描述子，即方向纹理谱描述符D-LBP，其计算方式：利用BP网络进行医学分类的步骤如下1)利用D-LBP方法提取出图像的16维纹理特征向量；2)将上面提取出来的16维特征向量作为网络的输入数据P;3)写入期望数据T，采用二进制方法表示，类别图像的目标输出分别为00,01,10,11类似；4)将P和T代入BP神经网络中进行训练，建立一个网络。5)将其余的图像作为测试样本代入上面已经训练好的网络，计算准确度等引用文献中使用BP神经网络进行分类，在400个样本的基础上，能够达到90%左右的准确率，其效果能够极大提高医生的效率。Deepneuralnetworksfortimeseriespredictionwitapplicationsinultra-short-termwindforecasting介绍了深度神经网络在天气预测中的应用，该论文使用了时序的信息来