本發(fā)明涉及生物醫(yī)學(xué)以及圖像處理技術(shù)，具體涉及一種基于粒子群神經(jīng)網(wǎng)絡(luò)的細(xì)胞圖像分割方法。

背景技術(shù)：

細(xì)胞圖像是細(xì)胞胚胎學(xué)、病理學(xué)的重要輔助研究手段，在傷口愈合、自主防御機(jī)制、癌細(xì)胞轉(zhuǎn)移機(jī)制、血細(xì)胞和免疫細(xì)胞統(tǒng)計分析等研究中發(fā)揮著重要作用。對細(xì)胞圖像的分割在臨床上有重要應(yīng)用價值，能夠提高疾病的診斷和治療水平，細(xì)胞圖像的分割是整個圖像處理與分析中的關(guān)鍵技術(shù)，分割質(zhì)量對隨后的診斷有十分重要的影響。

雖然目前針對細(xì)胞圖像的分割方法有很多，但是現(xiàn)有的方法存在或多或少的缺陷，例如：傳統(tǒng)的設(shè)置隱層神經(jīng)元個數(shù)不僅及其耗時而且存在許多限制，同時影響隱層神經(jīng)元個數(shù)的因素僅有訓(xùn)練集中的樣本個數(shù)、樣本的信噪比、待擬合函數(shù)的復(fù)雜度、待分類的類數(shù)等；傳統(tǒng)上利用神經(jīng)網(wǎng)絡(luò)分割圖像均采用單個對應(yīng)像素值作為神經(jīng)元，此時神經(jīng)網(wǎng)絡(luò)的作用只等同于“閾值法”，分類效果較差。

技術(shù)實現(xiàn)要素：

發(fā)明目的：本發(fā)明的目的在于解決現(xiàn)有技術(shù)中存在的不足，提供一種基于粒子群神經(jīng)網(wǎng)絡(luò)的細(xì)胞圖像分割方法，將圖像分割視作一個分類問題，采用神經(jīng)網(wǎng)絡(luò)法將如何確立一個非線性變換的泛函優(yōu)化問題轉(zhuǎn)化為求解神經(jīng)網(wǎng)絡(luò)參數(shù)這樣一個極值優(yōu)化問題，采用改進(jìn)的粒子群優(yōu)化算法優(yōu)化權(quán)值。

技術(shù)方案：本發(fā)明一種基于粒子群神經(jīng)網(wǎng)絡(luò)的細(xì)胞圖像分割方法，依次包括以下步驟：

(1)確定輸入層神經(jīng)元的個數(shù)：將對應(yīng)像素的3×3窗口內(nèi)的9個像素均作為輸入神經(jīng)元；

(2)確定輸出層神經(jīng)元的個數(shù)；

(3)確定隱層神經(jīng)元的個數(shù)：采用基于信息熵的估計法進(jìn)行確定；

(4)選取各層的激活函數(shù)：隱層激活函數(shù)選擇“l(fā)ogsig”，輸出層激活函數(shù)選擇“purelin”；

(5)實現(xiàn)神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化的映射，依次包括；神經(jīng)網(wǎng)絡(luò)權(quán)值與粒子維度空間的映射、神經(jīng)網(wǎng)絡(luò)mse與粒子適應(yīng)度函數(shù)的映射、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與粒子搜索的映射；

(6)將權(quán)值學(xué)習(xí)轉(zhuǎn)化為粒子群優(yōu)化問題，保證網(wǎng)絡(luò)權(quán)值收斂到最優(yōu)；

(7)進(jìn)行網(wǎng)絡(luò)訓(xùn)練；

(8)分析網(wǎng)絡(luò)測試結(jié)果。

步驟(1)中，當(dāng)神經(jīng)網(wǎng)絡(luò)判別某個像素時，不僅可以利用該像素本身，而且可以利用周圍像素的信息使得分類效果更好。這是由于傳統(tǒng)上利用神經(jīng)網(wǎng)絡(luò)分割圖像均采用單個對應(yīng)像素值作為神經(jīng)元，此時神經(jīng)網(wǎng)絡(luò)的作用只等同于“閾值法”，分類效果較差。

進(jìn)一步的，所述步驟(2)中，如果期望類數(shù)c已知且其值大于2，則輸出神經(jīng)元的個數(shù)等于期望類數(shù)，若期望類數(shù)的值等于2，則輸出神經(jīng)元的個數(shù)等于1，表達(dá)式如下：其中，c為期望類數(shù)，q為神經(jīng)元個數(shù)；

在q＝c的情況下，此時若判定某個樣本為第m類，則n為輸入樣本，o(n)為輸出的標(biāo)簽值，這樣能夠清楚準(zhǔn)備地從神經(jīng)元的輸出判別輸入屬于哪個類。

進(jìn)一步的，所述步驟(3)的具體確定方法為：

(3.1)將隱層神經(jīng)元數(shù)目設(shè)置為充分大；

(3.2)用給定樣本集p訓(xùn)練網(wǎng)絡(luò)，直到誤差低于預(yù)設(shè)閾值；

(3.3)將能夠通過訓(xùn)練后的網(wǎng)絡(luò)正確識別的樣本組成一個樣本子集p’；

(3.4)對網(wǎng)絡(luò)輸入p’計算每個樣本下每個隱層神經(jīng)元的激活值hij；

(3.5)將hij沿每一行重新排序，得到排序后的隱層神經(jīng)元激活矩陣h'，記每行的排序映射為fi，擬映射為

(3.6)對h'的每行分別假定一個切入點將改行分割成兩塊，計算分割后的信息增益矩陣n，n的列數(shù)＝h的列數(shù)-1，n的行數(shù)＝h的行數(shù)；

(3.7)選擇n中的最大值nmax，構(gòu)建決策樹的一個節(jié)點；

(3.8)求樣本子集，若為空集，搜索整個決策樹，尋找所有重要節(jié)點，重要節(jié)點的總數(shù)就是該網(wǎng)絡(luò)的隱層神經(jīng)元數(shù)目；

其中，i代表隱層神經(jīng)元索引，j代表樣本索引。

進(jìn)一步的，所述步驟(5)中采用粒子群優(yōu)化法實現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)從而實現(xiàn)神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化的映射，具體過程為：

(5.1)神經(jīng)網(wǎng)絡(luò)權(quán)值與粒子維度空間的映射：粒子群中每個粒子的維度分量都對應(yīng)神經(jīng)網(wǎng)絡(luò)中的一個權(quán)值，即神經(jīng)網(wǎng)絡(luò)包含權(quán)值與偏置的個數(shù)，等于粒子群優(yōu)化中每個粒子的維數(shù)；

(5.2)神經(jīng)網(wǎng)絡(luò)mse與粒子適應(yīng)度函數(shù)的映射：將神經(jīng)網(wǎng)絡(luò)的mse作為粒子群優(yōu)化的適應(yīng)度函數(shù)，通過粒子群優(yōu)化的強(qiáng)大搜索性能，使得網(wǎng)絡(luò)的mse最小化；

(5.3)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與粒子搜索的映射：神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)主要是權(quán)值和偏置不斷更新，粒子群優(yōu)化的搜索是其不同維度上粒子的速度和位置的改變，考慮到每一個粒子對應(yīng)了神經(jīng)網(wǎng)絡(luò)的一個權(quán)重與偏置的集合，因此神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程等價于粒子搜索最優(yōu)位置；

(5.4)神經(jīng)網(wǎng)絡(luò)本質(zhì)是一個輸入向量變換到輸出向量的非線性映射，通過訓(xùn)練不斷調(diào)整節(jié)點之間的權(quán)值與偏置，使網(wǎng)絡(luò)輸出逼近期望輸出：

a＝f(w,b)；

其中，w是指權(quán)重矩陣，b是指偏置矩陣，a是指網(wǎng)絡(luò)的實際輸出；t是指期望輸出，sn是指為樣本總數(shù)，mse是指網(wǎng)絡(luò)的最小均方差。

進(jìn)一步的，所述步驟(6)的詳細(xì)過程為：

(6.1)采用混沌算子來產(chǎn)生新的r1,r2，并對慣性權(quán)重ω進(jìn)行自適應(yīng)變換，r1,r2分別是指兩個在[0,1]上均勻分布的隨機(jī)數(shù)；

(6.2)引入人工免疫系統(tǒng)使得粒子可根據(jù)自身的親和度克??；

(6.3)克隆采用輪盤操作；

(6.4)選用有效的交叉與變異手段來抑制抗體“早熟”；

(6.5)采用“接收器修正”策略，每隔若干步就消除劣質(zhì)解中最差的部分：v＝ω·v+c1r1(pbest-x)+c2r2(nbest-x)—更新某粒子的速度

x＝x+vδt—更新某粒子的位置

rl(t+1)＝4rl(t)[1-rl(t)],l＝1,2—采用混沌算子重新計算r1,r2；

pbest是指當(dāng)前經(jīng)歷最好位置的粒子，nbest是指當(dāng)前粒子鄰域內(nèi)最好的粒子，c1,c2為常數(shù)表示加速度系數(shù)，δt是指時間間隔。

進(jìn)一步的，所述步驟(7)的網(wǎng)絡(luò)訓(xùn)練的過程：

從互聯(lián)網(wǎng)上搜索到142幅細(xì)胞圖像庫，將其均分為兩類，一類用photoshop進(jìn)行手工分割，最終得到的最優(yōu)分割結(jié)果作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，另一類作為測試樣本，用于輸入訓(xùn)練好的網(wǎng)絡(luò)。

進(jìn)一步的，所述步驟(7)中對網(wǎng)絡(luò)測試結(jié)果進(jìn)行分析是，采用誤判率(me)作為算法優(yōu)劣的評價標(biāo)準(zhǔn)：

其中，ik為原圖最佳分類后的第k類的集合；為tk采用算法自動分類后的第k類的集合；|·|為集合的基數(shù)。me從0變化到1，對應(yīng)著最佳分類到完全錯分，同時在此過程中將本發(fā)明提出的算法與其他算法進(jìn)行比較，通過這樣的方式驗證了所提出方法在細(xì)胞分割過程中的有效性。

有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：

(1)本發(fā)明中選取神經(jīng)網(wǎng)絡(luò)對細(xì)胞圖像進(jìn)行分割，神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力和自適應(yīng)能力，同時可以將其看作是一種具有大量鏈接的并行分布處理系統(tǒng)。

(2)本發(fā)明解決了如何確定網(wǎng)絡(luò)結(jié)構(gòu)和如何保證網(wǎng)絡(luò)收斂到全局最優(yōu)的問題，不但提高了細(xì)胞圖像的分割效果而且相對地降低了時間損耗。

(3)本發(fā)明中提出的改進(jìn)bp模型，輸入向量不僅考慮像素本身值，而且還考慮周圍的像素，可視作一種動態(tài)的局部閾值分割，這種分割方法不僅基本將細(xì)胞提取出來，而且孤立點、空白點大幅減少，利于后續(xù)處理。

(4)本發(fā)明中采用改進(jìn)的粒子群優(yōu)化法進(jìn)行網(wǎng)絡(luò)權(quán)值搜索，將權(quán)值學(xué)習(xí)轉(zhuǎn)化為粒子群優(yōu)化問題，保證網(wǎng)絡(luò)權(quán)值收斂到最優(yōu)，在保證細(xì)胞分割結(jié)果的同時耗時相對較少。

(5)本發(fā)明中采用基于信息熵的估計方法，能很好地估計隱層神經(jīng)元數(shù)目。

附圖說明

圖1為實施例中混沌免疫粒子群優(yōu)化流程示意圖；

圖2為實施例中確定隱層神經(jīng)元個數(shù)的決策樹圖；

圖3為實施例中神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化的映射圖；

圖4為實施例中血細(xì)胞分割結(jié)果示意圖；

圖5為實施例中腸細(xì)胞分割結(jié)果示意圖；

其中，圖4(a)為原始圖像，圖4(b)為bp分割且me＝0.119時示意圖；圖4(c)為lm-bp分割且me＝0.0932時示意圖，圖4(d)為實施例中采用本發(fā)明分割且me＝0.0498時示意圖；圖5(a)為原始圖像，圖5(b)為bp,分割且me＝0.1540時示意圖；圖5(c)為lm-bp分割且me＝0.0428時示意圖，圖5(d)為實施例中采用本發(fā)明分割且me＝0.0227時示意圖。

具體實施方式

下面對本發(fā)明技術(shù)方案進(jìn)行詳細(xì)說明，但是本發(fā)明的保護(hù)范圍不局限于所述實施例。

實施例1：

本實施例中的基于粒子群神經(jīng)網(wǎng)絡(luò)的細(xì)胞圖像分割方法，包括以下流程：

1、確定輸入層神經(jīng)元的個數(shù)：將對應(yīng)像素的3×3窗口內(nèi)的9個像素均作為輸入神經(jīng)元。

2、確定輸出層神經(jīng)元的個數(shù)：如果期望類數(shù)已知且其值大于2，則輸出神經(jīng)元的個數(shù)等于期望類數(shù)，若其值等于2，則輸出神經(jīng)元的個數(shù)等于1。

其中，c期望類數(shù)；q神經(jīng)元個數(shù)；

在q＝c的情況下，此時若判定某個樣本為第m類，則n為輸入樣本，o(n)為輸出的標(biāo)簽值。

3、采用基于信息熵的估計方法確定隱層神經(jīng)元的個數(shù)：

a.將隱層神經(jīng)元數(shù)目設(shè)置為充分大；

b.用給定樣本集p訓(xùn)練網(wǎng)絡(luò)，直到誤差低于預(yù)設(shè)閾值；

c.將能夠通過訓(xùn)練后的網(wǎng)絡(luò)正確識別的樣本組成一個樣本子集p’；

d.對網(wǎng)絡(luò)輸入p’，計算每個樣本下每個隱層神經(jīng)元的激活值hij(i代表隱層神經(jīng)元索引，j代表樣本索引)；

e.將h沿每一行重新排序，得到排序后的隱層神經(jīng)元激活矩陣h'，記每行的排序映射為fi，擬映射為

f.對h'的每行分別假定一個切入點將改行分割成兩塊，計算分割后的信息增益矩陣n(n的列數(shù)＝h的列數(shù)-1，n的行數(shù)＝h的行數(shù))；

g.選擇n中的最大值nmax，構(gòu)建決策樹的一個節(jié)點；

h.求樣本子集，若為空集，搜索整個決策樹，尋找所有重要節(jié)點，重要節(jié)點的總數(shù)就是該網(wǎng)絡(luò)的隱層神經(jīng)元數(shù)目。

4、各層激活函數(shù)的選?。弘[層激活函數(shù)選擇“l(fā)ogsig”，輸出層激活函數(shù)選擇“purelin”。

5、采用粒子群優(yōu)化算法實現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)從而實現(xiàn)神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化的映射：

a.神經(jīng)網(wǎng)絡(luò)權(quán)值與粒子維度空間的映射；粒子群中每個粒子的維度分量都對應(yīng)神經(jīng)網(wǎng)絡(luò)中的一個權(quán)值，即神經(jīng)網(wǎng)絡(luò)包含權(quán)值與偏置的個數(shù)，等于粒子群優(yōu)化中每個粒子的維數(shù)。

b.神經(jīng)網(wǎng)絡(luò)mse與粒子適應(yīng)度函數(shù)的映射；將神經(jīng)網(wǎng)絡(luò)的mse作為粒子群優(yōu)化的適應(yīng)度函數(shù)，通過粒子群優(yōu)化的強(qiáng)大搜索性能，使得網(wǎng)絡(luò)的mse最小化。

c.神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與粒子搜索的映射；神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)主要是權(quán)值和偏置不斷更新，粒子群優(yōu)化的搜索是其不同維度上粒子的速度和位置的改變，考慮到每一個粒子對應(yīng)了神經(jīng)網(wǎng)絡(luò)的一個權(quán)重與偏置的集合，因此神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程等價于粒子搜索最優(yōu)位置。

d.神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一個輸入向量變換到輸出向量的非線性映射，通過訓(xùn)練不斷調(diào)整節(jié)點之間的權(quán)值與偏置,使網(wǎng)絡(luò)輸出逼近期望輸出。

a＝f(w,b)；

其中，w是指權(quán)重矩陣；b是指偏置矩陣；a是指網(wǎng)絡(luò)的實際輸出；t是指期望輸出；sn是指為樣本總數(shù)；mse是指網(wǎng)絡(luò)的最小均方差。

6、采用改進(jìn)的粒子群優(yōu)化算法進(jìn)行網(wǎng)絡(luò)權(quán)值搜索，將權(quán)值學(xué)習(xí)轉(zhuǎn)化為粒子群優(yōu)化問題，保證網(wǎng)絡(luò)權(quán)值收斂到最優(yōu)。

a.采用混沌算子來產(chǎn)生新的r1與r2，并對慣性權(quán)重進(jìn)行自適應(yīng)變換；

b.引入人工免疫系統(tǒng)使得粒子可根據(jù)自身的親和度克??；

c.克隆采用輪盤操作；

d.選用有效的交叉與變異手段來抑制抗體“早熟”；

e.選用“接收器修正”策略，每隔若干步就消除劣質(zhì)解中最差的部分：

v＝ω·v+c1r1(pbest-x)+c2r2(nbest-x)

x＝x+vδt更新某粒子的速度與位置

rl(t+1)＝4rl(t)[1-rl(t)],l＝1,2采用混沌算子重新計算r1,r2；

其中，pbest為當(dāng)前經(jīng)歷最好位置的粒子；nbest為當(dāng)前粒子鄰域內(nèi)最好的粒子；ω為慣性權(quán)重；c1,c2為常數(shù)表示加速度系數(shù)；r1,r2為兩個在[0,1]上均勻分布的隨機(jī)數(shù)；δt為時間間隔。

7、進(jìn)行網(wǎng)絡(luò)訓(xùn)練：

從互聯(lián)網(wǎng)上搜索到142幅細(xì)胞圖像庫，將其均分為兩類，一類用photoshop進(jìn)行手工分割，最終得到的最優(yōu)分割結(jié)果作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，另一類作為測試樣本，用于輸入訓(xùn)練好的網(wǎng)絡(luò)。

設(shè)最初的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為9-20-1，采用一種基于信息熵的估計方法構(gòu)建決策樹，通過搜索此決策樹，最終發(fā)現(xiàn)7個重要節(jié)點，網(wǎng)絡(luò)結(jié)果最終確定為9-7-1。

8、網(wǎng)絡(luò)測試結(jié)果的分析：

采用誤判率(me)作為算法優(yōu)劣的評價標(biāo)準(zhǔn)，me從0變化到1，對應(yīng)著最佳分類到完全錯分，同時在此過程中將本發(fā)明提出的算法與其他算法進(jìn)行比較，通過這樣的方式驗證了所提出方法在細(xì)胞分割過程中的有效性。

ik為原圖最佳分類后的第k類的集合；

tk為采用算法自動分類后的第k類的集合；

|·|為集合的基數(shù)；

測試時間分析：本發(fā)明所提出的方法對血細(xì)胞和腸細(xì)胞進(jìn)行了分割，并且與其他方法所需的時間進(jìn)行了比較，分割血細(xì)胞耗時2.86秒，分割腸細(xì)胞耗時2.91秒，在保證分割效果的同時，在一定程度上降低了時間消耗。

從上述實施例的結(jié)果可以看出，本發(fā)明加快了尋找重要節(jié)點的速度，減少了次要節(jié)點以及整個算法的執(zhí)行時間，整個執(zhí)行可通過tic和toc的組合計算的。