人工神經網絡模型在子宮頸癌細胞檢測方麵的研究

    學術交流

    作者：馬瑾　曹陽

    【摘要】目的：對子宮頸癌細胞進行檢測和診斷。方法：應用所取得的大量數據樣本對人工神經網絡的權值進行訓練，使用人工神經網絡模型的BP反向傳播誤差算法以及圖像處理、模式識別和人工智能技術綜合處理數據。結論：通過大量的實驗對比結果可以知道，應用BP反向傳播誤差算法可以對子宮頸癌細胞進行較準確的分類。結果：BP反向傳播誤差算法具有比較好的分類能力。

    【關鍵詞】圖像分割；細胞特征；人工神經網絡

    據統計，在各種癌症中，子宮頸癌對婦女的威脅僅次於乳腺癌。全世界每年因子宮頸癌死亡的人數為30萬，確診和發現早期症狀者各為45萬。雖然確診病人的年齡一般都在35歲以上，但存在這種疾病誘因的婦女卻往往遠在這一年齡以下。如果及時得到診斷，早期子宮頸癌是可以治愈的。因此借助於現代先進的計算機技術結合病理專家的實踐經驗，開發出計算機輔助細胞學診斷係統，才是解決這一問題的關鍵所在。

    本文從圖像識別領域出發，應用人工神經網絡模型對子宮頸癌細胞圖像診斷進行探索。首先，對獲取的子宮頸癌圖像進行灰度轉換。由原來的24位彩色圖像轉化為灰度圖像。在對灰度圖像進行分割，主要采取基於門限閾值化的分割方法。分別對細胞，細胞核進行了分割。分割後轉化成為二值圖像，采用八向鏈碼算法對包括周長，麵積似圓度，矩形度，核漿比等15個主要形態學參數進行測量。在取得了大量的數據樣本後進行人工神經網絡的訓練。

    人工神經網絡是在對人腦神經網絡的基本認識的基礎上，從信息處理的角度對人腦神經網絡進行抽象，用數理方法建立起來的某種簡化模型[1]。通過模仿腦神經係統的組織結構以及某些活動機理，人工神經網絡可以呈現出人腦的許多特征，並具有人腦的一些基本功能[2]。1988年，Rinehart等人提出了用於前向神經網絡學習訓練的誤差逆傳播算法（Back propagation，簡稱BP算法），成功解決了多層網絡中隱含層神經元連接權值的學習問題[3]。BP算法是由教師指導的，適合於多層神經網絡的學習訓練，是建立在梯度下降算法基礎上的。主要思想是把學習過程分為兩個階段：第一階段（信號正向傳播過程），輸入信號通過輸入層經隱含層逐層處理並計算每個節點的實際輸出值；第二階段（誤差修正反向傳播過程），若在輸出層未得到期望的輸出值，則逐層遞歸地計算實際輸出與期望輸出之間的誤差，並已據此誤差來修正權值。在學習過程中，對於每一個輸入樣本逐次修正權值向量，若有n個樣本，那一次學習過程中修正n次權值。

    但是BP算法也存在一定的缺陷，如多解問題、學習算法的收斂速度慢以及網絡的隱含節點個數的選取尚缺少統一而完整的理論指導。為了優化BP算法，我們采用加入動向量的方法對BP算法進行改進。基於BP算法的神經網絡，在學習過程中，需要不斷地改變權值，而權值是和權值誤差導數成正比的。通常梯度下降方法的學習速率是一個常數，學習速率越大，權值的改變越大。所以要不斷地修改學習速率，使它包含有一個動向量，在每次加權調節量上加上一項正比例與前次加權變化量的值（即本次權值的修改表達式中引入前次的權值修改量）。設計模型時，人工神經網絡的輸入輸出變量是兩個重要的參數。輸入變量的選擇有兩個基本原則：其一必須選擇對輸出影響大並且能夠檢測或提取的變量，其二要求各個輸入變量之間互不相關或相關性很小。我們將細胞的形態學特征值作為人工神經網絡的輸入變量。輸出變量代表係統要實現的功能目標，這以TBS分類法為依據，確定了人工神經網絡的三個輸出變量NORMAL（正常細胞），LSIL（低度鱗狀上皮內病變），HSIL（高度鱗狀上皮內病變）[4]。在人工神經網絡的輸入、輸出確定後，就可以得到網絡的結構圖，從而對測得的細胞特征值進行分類。