bp神经网络在眼底造影图像分割中地应用

《bp神经网络在眼底造影图像分割中地应用》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、实用文案BP神经网络在眼底造影图像分割中的应用院系信息学院专业信号与信息处理学号YS20102109姓名高月华标准文档实用文案BP神经网络在眼底造影图像分割中的应用背景：通过眼底荧光血管造影（FFA）所得到的数字图像以及对其进行处理所得到的数据，可反映视网膜血管结构、血流动力学改变、血管病理生理变化及其相关结构的病理改变，广泛应用于视网膜、脉络膜及视神经疾病的鉴别诊断。目的：通过分析眼底造影图像和BP神经网络的特点，利用BP神经网络对眼底造影图像进行分割，并将其利用到眼科的临床辅助诊断之中。方法：将待分割图像区域分为背景和目标

2、两类，用手工方法得到这两类的样本图像，提取样本图像的特征，如灰度、方差、纹理等；对提取的样本特征值进行归一化处理，输入神经网络分类器，利用BP训练算法进行训练；输入待分类的医学图像，提取图像特征，并进行归一化处理；将归一化后的特征值，输入已训练的神经网络分类器进行分类，得到眼底造影图像的分割结果。结果与结论：本文使用的眼底造影图像分割方法抗干扰能力强，分割的眼底造影图像清晰。可以为眼科医生的临床诊断提供较大帮助。关键词：BP神经网络；图像分割；眼底造影图像1前言眼底即视网膜，是眼睛这一感觉器官的一个重要组成部分，眼睛的大部分病

3、变来自于眼底。人类的视网膜分布着大量的各种动静脉血管，也是人类唯一能在活体上直接观察到的血管。在眼底图像处理中，视网膜血管系统是评估处理效果的重要指标之一，也是诊断糖尿病视网膜病变、高血压视网膜病变等疾病需要测量的重要参数之一。本文利用BP神经网络根据眼科临床需要对眼底造影图像进行分割，首先将待分割图像区域分为背景和目标两类，用手工方法得到这两类的样本图像，提取样本图像的特征，对提取的样本特征值进行归一化处理，输入神经网络分类器，利用BP训练算法进行训练。然后，输入待分类的医学图像，提取图像特征，并进行归一化处理。最后，将归一

4、化后的特征值，输入已训练的神经网络分类器进行分类，从而得到临床诊断所需要的分割结果。标准文档实用文案2神经网络的BP学习算法BP网络是基于BP误差反向传播算法的多层前馈神经网络，是人工神经网络中研究最深入、应用最广的一种模型，BP学习算法是神经网络中一种非常有效的有监督学习方法，其结构如图1所示。首先我们定义网络的学习误差函数为：（1）式中，D表示网络的期望输出，D是一个向量，是向量的第k个分量，表示网络的实际输出，Y是一个向量，是向量的第k个分量，其中，，C是一个正整数，表示输出层总的节点数，符号T表示矩阵转置。令，对式（1

5、）求的偏导数，得下式：（2）设表示第t次迭代时的权值，表示第t＋1次迭代时的权值，则可得到权值的迭代修正公式：（3）式中，η表示学习率。同理，对式（1）求的偏导数，得下式：（4）标准文档实用文案设表示第t次迭代时的权值，表示第t+1次迭代时的权值，则可得到权值的迭代公式为：（5）基于上述的分析，可以得到BP算法的训练步骤为：①用均匀分布的随机数将各权值设定为一个小的随机数，如，设定输出层各节点的期望输出值D，这里，，表示输出层的节点总数。②从训练样本数据中，将一个输入数据加入在输入端。③计算出输出层的实际输出Y，这里。④基于式

6、（1）计算输出层的误差E，如果

7、E

8、小于预设的门限值，停止循环，输出网络权值，否则，转步骤⑤。⑤基于式（3）和（5）对网络所有权值更新。⑥返回步骤②重复进行循环，直到误差满足所设的精度要求。3眼底造影图像分割使用BP神经网络对图像进行分割包括以下几个步骤：图像信息提取、图像变换、特征提取、特征数据归一化、用神经网络分类器进行优化处理、分类决策，最后输出分类结果。如图2所示。标准文档实用文案图2神经网络分类过程首先输入利用手工方法得到不同的样本图像，利用形态学、中值滤波和快速傅立叶变换方法得到这些样本图像的方差、残差和灰度特征。

9、具体方法如下：对样本图像进行灰度腐蚀运算。设I表示原始样本图像，I（x，y）表示图像I中（x，y）处的像素值，g表示对图像I进行腐蚀的结构函数，如图3所示，结构中每点的函数值都为1。设表示用结构函数g对图像I腐蚀后所得到的（x，y）处的像素值，定义如下：（6）图3形态学结构元素按列扫描边缘图像中的每一像素点，则根据式对像素点（x，y）进行腐蚀得被腐蚀的图像。将原始样本图像I与图像相减，得到差值图像标准文档实用文案求出差值图像的方差，并用图像中的最大方差进行归一化处理，就可得到样本图像的输入特征之一。方差的获取方法如下：设μ表示

10、图像中的像素平均值，μ定义如下：（7）式中，W和H分别表示差值图像Id的宽和高，N=W×H表示图像Id中的总像素数，表示图像中（x，y）处的像素值。设σ（x，y）表示图像中像素（x，y）的方差，σ（x，y）定义如下：（8）基于式（8）对差值图像Id中的每一像素点进行计算，得到