[发明专利]基于自适应二分多神经网络的胎盘超声图像自动分级方法

摘要

一种基于自适应二分多神经网络的胎盘超声图像自动分级方法，包括神经网络训练、利用神经网络训练确定的最优阈值即可用于胎盘图像的自动分级；神经网络训练包括：特征提取、特征优化筛选、二分多神经网络分级以及自适应分级阈值判定构成。本发明的神经网络是一个动态学习的网络，每添加一个样本都能使神经网络得到重新训练优化，这种不断学习机制将使得神经网络的胎盘分级能力得到不断增强。实验及临床实验表明：该方法能得到与专家手工分级基本吻合的自动分级结果，其阈值分割前得出的分级结果更可以给医生一个精确定量衡量胎盘成熟期的参考，因此具有较好的应用前景。

主权项

一种基于自适应二分多神经网络的胎盘超声图像自动分级方法，包括如下步骤：步骤1，神经网络的训练；步骤11，特征提取；首先由医生对胎盘功能的评估过程可以得知，胎盘图像的灰度变化程度即图像纹理的粗糙度是判断胎盘功能的主要特征，在频域上即表现为越到后期胎盘图像高频分量越多；因此，可以首先从胎盘超声图像中勾画出胎盘区域作为感兴趣的目标区域，分别从空域和频域的角度统计分析该目标区域，提取出相应的特征参量，作为后面神经网络的输入参量；空域分析采用灰度均值、灰度方差、灰度峰度、灰度偏度作为其空域分析的特征参数；频域分析采用高通和低通二维滤波器分别得到图像的高频分量及低频分量，然后再分别对高频分量和低频分量统计其均值和方差作为图像的特征参数；小波分析也是频率分析的一种，具有多分辨率、多尺度的优点，采用Daubechies小波，变换后的小波系数代表着图像的各种频率分布信息，同样对这些频率分量分别统计其均值和方差作为图像的特征参数；步骤12，特征优化筛选；采用启发式前向搜索算法(SFS)进行参数评估和筛选，评估标准以相关性、距离、信息增益、一致性作为筛选标准，所用筛选器由于与具体的分类算法无关，因此其在不同的分类算法之间的推广能力较强，而且计算量也较小；具体是对各个参数进行从底向上的搜索，根据辨识评估效果的变化，逐个优选参数加入特征参数集，从而得到一个辨识结果最优化的特征参量集；步骤13，二分多神经网络分级；采用两级二分BP神经网络设计，总共3个BP神经网络，分别位于第一级和第二级。第一级先粗分，将胎盘图像分为两类，第二级再细分分为两类，从而实现胎盘图像的自动分级。第一级BP网络将胎盘级数先分为0、1级与2、3级，第二级BP网络再分别对0、1级及2、3级进一步细分，得到胎盘级数；步骤14，自适应分级阈值判定构成；采用自适应阈值确定的算法，具体是：(141)针对神经网络的输出，将输出级数从小到大排序，并附上对应的医生指定的级数，将排好序的两列数据存放于二维数组Arr中，其中医生指定级数为数组第一列，输出级数为数组第二列；(142)设胎盘级别分类为1、2两级，在Arr中从前往后搜索医生指定的级数，直到找到第一个2级胎盘为止，记此数组元素下标为A；同样在此二维数组中从后往前搜索医生指定的级数，直到找到第一个1级胎盘为止，记此数组元素下标为B；这里有两种情况：①A>B此时的最佳输出阈值Thresh显然在A,B的中间，可以取Thresh＝[Arr(A,2)+Arr(B,2)]/2。②A<B此时可以采用穷举法，即将阈值定于A与A‑1的中间，计算此时有误样本个数，记为ErrNum(0)，且记下此时的阈值Thresh(0)；将阈值定于A+1与A的中间，计算此时有误样本个数，记为ErrNum(1)，且记下此时的阈值Thresh(1)，依次计算……，直到阈值定于B+1与B的中间为止，此刻的有误样本数为ErrNum(B‑A+1)，阈值是Thresh(B‑A+1)；从ErrNum数组中找到最小值及其下标k，则Thresh(k)就是最佳阈值，因为这个阈值下的分类错误率最低；步骤2，利用确定的最优阈值即可用于胎盘图像的自动分级。