Тезисы докладов Всероссийской научной конференции "Проектирование научных и инженерных приложений в среде MATLAB" (28-29 мая 2002 г.). М.: ИПУ РАН. 2002. 207 С.: Ил.

Нейронно-сетевая сегментация биомедицинских изображений (опыт применения NEURAL NETWORK TOOLBOX MATLAB)

Ильин С.В., Маслобоев Ю.П., Рычагов М.Н.
Московский государственный институт электронной техники (технический университет), г.Москва

Современные биомедицинские изображения, формируемые в процессе обработки данных многоракурсного или многочастотного сканирования, представляют собой в большинстве случаев результат реализации тех или иных алгоритмов цифровой реконструкции (в частности, алгоритмов обработки данных ультразвукового томографического эксперимента [1]). Эти изображения довольно специфичны и требуют от персонала большого и разностороннего опыта работы для их адекватной интерпретации [2].

Целью настоящего исследования является разработка алгоритмов сегментации подобных изображений, позволяющих выделять области, соответствующие тканям с одинаковыми характеристиками.

Представляемый в докладе алгоритм сегментации основан на использовании нейронной сети встречного распространения. Собственно процесс сегментации включает в себя формирование обучающей выборки из элементов изображения, создание и тренировку нейронной сети и классификацию каждого элемента изображения полученной нейронной сетью. Для тестирования программы использованы монохромные ультразвуковые изображения, имевшие размерность 100х100 пикселей. Как исходные, так и результирующие изображения представлены в формате TIF. Для изображений, характеризуемых набором параметров трех различных биотканей, наилучший результат достигнут при использовании нейронной сети со следующей архитектурой: количество входных нейронов - 9, количество нейронов слоя Кохонена - 7, количество выходных нейронов - 3. Алгоритм реализован с помощью нейронно-сетевого инструментария Neural Network Toolbox система MATLAB 6.1 и функционирует в интерактивном режиме. Погрешность метода, оцениваемая на модельных ультразвуковых изображениях, составляет около 88%.

Литература

1. Буров В.А., Ким Е.Л. Конфигурационная классификация стохастических структур: модель процедуры классификации тканей в акустическом томографе //Акустические измерения. Геоакустика. Электроакустика. Ультразвук. Сборник трудов ХI сессии Российского акустического общества. Том.2. М. ГЕОС, 2001. С.26-29.
2. Рычагов М.Н. Ультразвуковая медицинская визуализация: В-сканирование и цифровая реконструкция. М.:МИЭТ, 2001. 140с.