一种基于粒子群神经网络的细胞图像分割方法与流程

本发明涉及生物医学以及图像处理技术，具体涉及一种基于粒子群神经网络的细胞图像分割方法。

背景技术：

细胞图像是细胞胚胎学、病理学的重要辅助研究手段，在伤口愈合、自主防御机制、癌细胞转移机制、血细胞和免疫细胞统计分析等研究中发挥着重要作用。对细胞图像的分割在临床上有重要应用价值，能够提高疾病的诊断和治疗水平，细胞图像的分割是整个图像处理与分析中的关键技术，分割质量对随后的诊断有十分重要的影响。

虽然目前针对细胞图像的分割方法有很多，但是现有的方法存在或多或少的缺陷，例如：传统的设置隐层神经元个数不仅及其耗时而且存在许多限制，同时影响隐层神经元个数的因素仅有训练集中的样本个数、样本的信噪比、待拟合函数的复杂度、待分类的类数等；传统上利用神经网络分割图像均采用单个对应像素值作为神经元，此时神经网络的作用只等同于“阈值法”，分类效果较差。

技术实现要素：

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于粒子群神经网络的细胞图像分割方法，将图像分割视作一个分类问题，采用神经网络法将如何确立一个非线性变换的泛函优化问题转化为求解神经网络参数这样一个极值优化问题，采用改进的粒子群优化算法优化权值。

技术方案：本发明一种基于粒子群神经网络的细胞图像分割方法，依次包括以下步骤：

(1)确定输入层神经元的个数：将对应像素的3×3窗口内的9个像素均作为输入神经元；

(2)确定输出层神经元的个数；

(3)确定隐层神经元的个数：采用基于信息熵的估计法进行确定；

(4)选取各层的激活函数：隐层激活函数选择“logsig”，输出层激活函数选择“purelin”；

(5)实现神经网络与粒子群优化的映射，依次包括；神经网络权值与粒子维度空间的映射、神经网络mse与粒子适应度函数的映射、神经网络的学习与粒子搜索的映射；

(6)将权值学习转化为粒子群优化问题，保证网络权值收敛到最优；

(7)进行网络训练；

(8)分析网络测试结果。

步骤(1)中，当神经网络判别某个像素时，不仅可以利用该像素本身，而且可以利用周围像素的信息使得分类效果更好。这是由于传统上利用神经网络分割图像均采用单个对应像素值作为神经元，此时神经网络的作用只等同于“阈值法”，分类效果较差。

进一步的，所述步骤(2)中，如果期望类数c已知且其值大于2，则输出神经元的个数等于期望类数，若期望类数的值等于2，则输出神经元的个数等于1，表达式如下：其中，c为期望类数，q为神经元个数；

在q＝c的情况下，此时若判定某个样本为第m类，则n为输入样本，o(n)为输出的标签值，这样能够清楚准备地从神经元的输出判别输入属于哪个类。

进一步的，所述步骤(3)的具体确定方法为：

(3.1)将隐层神经元数目设置为充分大；

(3.2)用给定样本集p训练网络，直到误差低于预设阈值；

(3.3)将能够通过训练后的网络正确识别的样本组成一个样本子集p’；

(3.4)对网络输入p’计算每个样本下每个隐层神经元的激活值hij；

(3.5)将hij沿每一行重新排序，得到排序后的隐层神经元激活矩阵h'，记每行的排序映射为fi，拟映射为

(3.6)对h'的每行分别假定一个切入点将改行分割成两块，计算分割后的信息增益矩阵n，n的列数＝h的列数-1，n的行数＝h的行数；

(3.7)选择n中的最大值nmax，构建决策树的一个节点；

(3.8)求样本子集，若为空集，搜索整个决策树，寻找所有重要节点，重要节点的总数就是该网络的隐层神经元数目；

其中，i代表隐层神经元索引，j代表样本索引。

进一步的，所述步骤(5)中采用粒子群优化法实现网络学习从而实现神经网络与粒子群优化的映射，具体过程为：

(5.1)神经网络权值与粒子维度空间的映射：粒子群中每个粒子的维度分量都对应神经网络中的一个权值，即神经网络包含权值与偏置的个数，等于粒子群优化中每个粒子的维数；

(5.2)神经网络mse与粒子适应度函数的映射：将神经网络的mse作为粒子群优化的适应度函数，通过粒子群优化的强大搜索性能，使得网络的mse最小化；

(5.3)神经网络的学习与粒子搜索的映射：神经网络的学习主要是权值和偏置不断更新，粒子群优化的搜索是其不同维度上粒子的速度和位置的改变，考虑到每一个粒子对应了神经网络的一个权重与偏置的集合，因此神经网络的学习过程等价于粒子搜索最优位置；

(5.4)神经网络本质是一个输入向量变换到输出向量的非线性映射，通过训练不断调整节点之间的权值与偏置，使网络输出逼近期望输出：

a＝f(w,b)；

其中，w是指权重矩阵，b是指偏置矩阵，a是指网络的实际输出；t是指期望输出，sn是指为样本总数，mse是指网络的最小均方差。

进一步的，所述步骤(6)的详细过程为：

(6.1)采用混沌算子来产生新的r1,r2，并对惯性权重ω进行自适应变换，r1,r2分别是指两个在[0,1]上均匀分布的随机数；

(6.2)引入人工免疫系统使得粒子可根据自身的亲和度克隆；

(6.3)克隆采用轮盘操作；

(6.4)选用有效的交叉与变异手段来抑制抗体“早熟”；

(6.5)采用“接收器修正”策略，每隔若干步就消除劣质解中最差的部分：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—采用混沌算子重新计算r1,r2；

pbest是指当前经历最好位置的粒子，nbest是指当前粒子邻域内最好的粒子，c1,c2为常数表示加速度系数，δt是指时间间隔。

进一步的，所述步骤(7)的网络训练的过程：

从互联网上搜索到142幅细胞图像库，将其均分为两类，一类用photoshop进行手工分割，最终得到的最优分割结果作为神经网络的训练样本，另一类作为测试样本，用于输入训练好的网络。

进一步的，所述步骤(7)中对网络测试结果进行分析是，采用误判率(me)作为算法优劣的评价标准：

其中，ik为原图最佳分类后的第k类的集合；为tk采用算法自动分类后的第k类的集合；|·|为集合的基数。me从0变化到1，对应着最佳分类到完全错分，同时在此过程中将本发明提出的算法与其他算法进行比较，通过这样的方式验证了所提出方法在细胞分割过程中的有效性。

有益效果：与现有技术相比，本发明具有以下优点：

(1)本发明中选取神经网络对细胞图像进行分割，神经网络具有较强的学习能力和自适应能力，同时可以将其看作是一种具有大量链接的并行分布处理系统。

(2)本发明解决了如何确定网络结构和如何保证网络收敛到全局最优的问题，不但提高了细胞图像的分割效果而且相对地降低了时间损耗。

(3)本发明中提出的改进bp模型，输入向量不仅考虑像素本身值，而且还考虑周围的像素，可视作一种动态的局部阈值分割，这种分割方法不仅基本将细胞提取出来，而且孤立点、空白点大幅减少，利于后续处理。

(4)本发明中采用改进的粒子群优化法进行网络权值搜索，将权值学习转化为粒子群优化问题，保证网络权值收敛到最优，在保证细胞分割结果的同时耗时相对较少。

(5)本发明中采用基于信息熵的估计方法，能很好地估计隐层神经元数目。

附图说明

图1为实施例中混沌免疫粒子群优化流程示意图；

图2为实施例中确定隐层神经元个数的决策树图；

图3为实施例中神经网络与粒子群优化的映射图；

图4为实施例中血细胞分割结果示意图；

图5为实施例中肠细胞分割结果示意图；

其中，图4(a)为原始图像，图4(b)为bp分割且me＝0.119时示意图；图4(c)为lm-bp分割且me＝0.0932时示意图，图4(d)为实施例中采用本发明分割且me＝0.0498时示意图；图5(a)为原始图像，图5(b)为bp,分割且me＝0.1540时示意图；图5(c)为lm-bp分割且me＝0.0428时示意图，图5(d)为实施例中采用本发明分割且me＝0.0227时示意图。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

实施例1：

本实施例中的基于粒子群神经网络的细胞图像分割方法，包括以下流程：

1、确定输入层神经元的个数：将对应像素的3×3窗口内的9个像素均作为输入神经元。

2、确定输出层神经元的个数：如果期望类数已知且其值大于2，则输出神经元的个数等于期望类数，若其值等于2，则输出神经元的个数等于1。

其中，c期望类数；q神经元个数；

在q＝c的情况下，此时若判定某个样本为第m类，则n为输入样本，o(n)为输出的标签值。

3、采用基于信息熵的估计方法确定隐层神经元的个数：

a.将隐层神经元数目设置为充分大；

b.用给定样本集p训练网络，直到误差低于预设阈值；

c.将能够通过训练后的网络正确识别的样本组成一个样本子集p’；

d.对网络输入p’，计算每个样本下每个隐层神经元的激活值hij(i代表隐层神经元索引，j代表样本索引)；

e.将h沿每一行重新排序，得到排序后的隐层神经元激活矩阵h'，记每行的排序映射为fi，拟映射为

f.对h'的每行分别假定一个切入点将改行分割成两块，计算分割后的信息增益矩阵n(n的列数＝h的列数-1，n的行数＝h的行数)；

g.选择n中的最大值nmax，构建决策树的一个节点；

h.求样本子集，若为空集，搜索整个决策树，寻找所有重要节点，重要节点的总数就是该网络的隐层神经元数目。

4、各层激活函数的选取：隐层激活函数选择“logsig”，输出层激活函数选择“purelin”。

5、采用粒子群优化算法实现网络学习从而实现神经网络与粒子群优化的映射：

a.神经网络权值与粒子维度空间的映射；粒子群中每个粒子的维度分量都对应神经网络中的一个权值，即神经网络包含权值与偏置的个数，等于粒子群优化中每个粒子的维数。

b.神经网络mse与粒子适应度函数的映射；将神经网络的mse作为粒子群优化的适应度函数，通过粒子群优化的强大搜索性能，使得网络的mse最小化。

c.神经网络的学习与粒子搜索的映射；神经网络的学习主要是权值和偏置不断更新，粒子群优化的搜索是其不同维度上粒子的速度和位置的改变，考虑到每一个粒子对应了神经网络的一个权重与偏置的集合，因此神经网络的学习过程等价于粒子搜索最优位置。

d.神经网络本质上是一个输入向量变换到输出向量的非线性映射，通过训练不断调整节点之间的权值与偏置,使网络输出逼近期望输出。

a＝f(w,b)；

其中，w是指权重矩阵；b是指偏置矩阵；a是指网络的实际输出；t是指期望输出；sn是指为样本总数；mse是指网络的最小均方差。

6、采用改进的粒子群优化算法进行网络权值搜索，将权值学习转化为粒子群优化问题，保证网络权值收敛到最优。

a.采用混沌算子来产生新的r1与r2，并对惯性权重进行自适应变换；

b.引入人工免疫系统使得粒子可根据自身的亲和度克隆；

c.克隆采用轮盘操作；

d.选用有效的交叉与变异手段来抑制抗体“早熟”；

e.选用“接收器修正”策略，每隔若干步就消除劣质解中最差的部分：

v＝ω·v+c1r1(pbest-x)+c2r2(nbest-x)

x＝x+vδt更新某粒子的速度与位置

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

其中，pbest为当前经历最好位置的粒子；nbest为当前粒子邻域内最好的粒子；ω为惯性权重；c1,c2为常数表示加速度系数；r1,r2为两个在[0,1]上均匀分布的随机数；δt为时间间隔。

7、进行网络训练：

从互联网上搜索到142幅细胞图像库，将其均分为两类，一类用photoshop进行手工分割，最终得到的最优分割结果作为神经网络的训练样本，另一类作为测试样本，用于输入训练好的网络。

设最初的神经网络结构为9-20-1，采用一种基于信息熵的估计方法构建决策树，通过搜索此决策树，最终发现7个重要节点，网络结果最终确定为9-7-1。

8、网络测试结果的分析：

采用误判率(me)作为算法优劣的评价标准，me从0变化到1，对应着最佳分类到完全错分，同时在此过程中将本发明提出的算法与其他算法进行比较，通过这样的方式验证了所提出方法在细胞分割过程中的有效性。

ik为原图最佳分类后的第k类的集合；

tk为采用算法自动分类后的第k类的集合；

|·|为集合的基数；

测试时间分析：本发明所提出的方法对血细胞和肠细胞进行了分割，并且与其他方法所需的时间进行了比较，分割血细胞耗时2.86秒，分割肠细胞耗时2.91秒，在保证分割效果的同时，在一定程度上降低了时间消耗。

从上述实施例的结果可以看出，本发明加快了寻找重要节点的速度，减少了次要节点以及整个算法的执行时间，整个执行可通过tic和toc的组合计算的。