基于受限玻爾茲曼機的醫(yī)學圖像分類方法研究.pdf

1、隨著計算機技術(shù)的發(fā)展，越來越多的醫(yī)學圖像分析技術(shù)也應運而生。利用數(shù)據(jù)挖掘方法對醫(yī)學圖像做分析是目前研究的熱點之一，目前很多數(shù)據(jù)挖掘方法已經(jīng)成功應用在了醫(yī)學圖像的分類中，但這些方法中的很大一部分都是先提取醫(yī)學圖像中的統(tǒng)計學特征，然后再在此特征數(shù)據(jù)集基礎(chǔ)上對圖像進行分析，從而實現(xiàn)對醫(yī)學圖像的診斷。目前這種通過特征提取來對醫(yī)學圖像進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、支持向量機等方法。但是基于統(tǒng)計特

2、征提取的醫(yī)學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，而且特征的選擇會受到經(jīng)驗等主觀因素的影響。
　　目前比較流行的特征提取方法是深度學習方法，此方法利用深度信念網(wǎng)絡(luò)（Deep Belief Network,DBN）模型對輸入數(shù)據(jù)進行特征學習。DBN實際上是一個有向圖模型，它的基礎(chǔ)模型是無向圖模型受限玻爾茲曼機（Restricted Boltzmann Machine,RBM）,由于在多層有向圖中，推斷隱層單元的后驗分

3、布是相當困難的，于是 DBN特征的學習采用每次學習一個 RBM的方式。這是因為RBM二部圖結(jié)構(gòu)可以讓對隱層單元的狀態(tài)的推斷變得很簡單。每個 RBM學習到的特征即其隱層單元的狀態(tài)將會作為下一層 RBM的輸入數(shù)據(jù)，以此類推，完成DBN的訓練。而且Hinton等人已經(jīng)證明每增加一層RBM，DBN的訓練數(shù)據(jù)的對數(shù)概率可變邊界就會降低，即 DBN對訓練數(shù)據(jù)的表達能力就會更強。DBN因為其學習輸入數(shù)據(jù)中復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、研究和應用。本文主要研究了DBN的基礎(chǔ)模型 RBM,并從特征學習的角度，利用 RBM針對現(xiàn)有的應用在醫(yī)學圖像分類上的方法對醫(yī)學圖像的診斷做了兩個方面的改進：
　　1．提出利用RBM模型對醫(yī)學圖像進行特征學習的特征提取方法
　　RBM是 DBN模型的基礎(chǔ)模型，它有一個二部圖結(jié)構(gòu)，是一個無向圖，RBM本身也是一種有效的特征提取器。本文利用機器學習模型受限玻爾茲曼機的特征學習能力對圖像的特征提取階段進行改進，然后再利用組合分類器：

5、基于 Bagging的概率神經(jīng)網(wǎng)絡(luò)對圖像進行分類。在乳腺 X光圖像的標準數(shù)據(jù)集（MIAS）上的實驗結(jié)果表明：利用 RBM學習到的特征進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模型對醫(yī)學圖像分類的圖像分類方法
　　由于前面的改進存在一定程度的局限性，比如受限玻爾茲曼機學習到的特征可能并不適應于所有的分類器，所以本文又采用一種新的醫(yī)學圖像分析方法：判別式受限玻爾茲曼機（Discriminative Re

6、stricted Boltzmann Machine，DRBM）對醫(yī)學圖像進行分類分析。DRBM可以直接利用學習到的特征對圖像進行分類，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，它可以自動的從圖像中學習特征，并利用學習到的特征直接對圖像進行分類。在乳腺 X光圖像標準數(shù)據(jù)集上的實驗結(jié)果表明，DRBM對醫(yī)學圖像的分類準確率要好于基于 Bagging的概率神經(jīng)網(wǎng)絡(luò)利用學習到的特征對圖像進行分類的效果。