Источник: http://dgma.donetsk.ua/~ek/sc/neyro2002/2002/art17.htm
В статье рассмотрены основные этапы процесса текстурного анализа изображений. Показана целесообразность применения нейронных сетей при выполнении сегментации и классификации текстур. Рассмотрены основные топологии классифицирующих нейронных сетей, а также критерии и методика выбора рациональной топологии и структуры нейронной сети для классификации текстур.
В настоящее время в медицинских учреждениях Украины нашли широкое применение компьютеризированные диагностические системы, использующие для выявления патологий различные изображения, в том числе и ультразвуковые снимки. Однако в большинстве этих систем недостаточно используются возможности современных ЭВМ для вынесения предварительного диагноза. В ультразвуковой диагностике различают два основных класса патологий: очаговые и структурные. Очаговые представляют из себя различные образования и могут быть выявлены с использованием методов контурного анализа. Структурные выражаются в изменении ткани всего органа, что может быть выявлено путем анализа текстуры ультразвукового изображения. Такой анализ может быть проведен с использованием современных аппаратных и программных средств и включает в себя сегментацию и классификацию текстур.
При текстурной сегментации изображения производится разделение исходного изображения на участки с однородным свойством - текстурой, затем определяются основные параметры этих участков, необходимые для принятия решения. Текстура объектов представляет из себя некоторый повторяющийся рисунок, из которого формируются различные участки объекта. Так свою текстуру имеют такие объекты, как черепица, вода, дерево, шерсть, трава и т.д. Примеры текстур подобных объектов приведены на рис. 1.
а) б) в) г)
Рис. 1 - Примеры текстур: а) черепица; б) вода; в) дерево; г) шерсть
За последние десять лет был разработан ряд различных методов текстурной сегментации, в функционировании которых можно выделить четыре основных этапа: предварительная обработка, расчет признаков текстуры, сегментация изображения и классификация текстур. Обобщенно процесс текстурного анализа изображения можно представить в виде схемы, показанной на рис. 2.
Рис. 2 - Обобщенная схема текстурного анализа изображения.
Используемые на этапах расчета признаков и сегментации алгоритмы определяют основные показатели эффективности реализованной методики - точность и быстродействие обработки изображения.
В качестве текстурных признаков для сегментации текстуры ультразвуковых эхограмм могут использоваться статистики, рассчитываемые по разностной гистограмме второго порядка - статистики GLDS (Gray Level Difference Statistics) и SGLD (Spatial Gray Level Dependence) [1].
Основными критериями выбора способа классификации текстур в данной работе принимаются точность и скорость функционирования алгоритма классификации. В настоящее время основными способами эффективной классификации являются следующие [2]:
Как показано в работе [3], использование корреляционных методов сопряжено с некоторыми трудностями. Используемые в настоящее время корреляционные методы применяются при решении задач классификации со следующим допущением. Оно состоит в том, что корреляционные матрицы выбранных для классификации факторов одинаковы в каждой классифицируемой группе. Это допущение позволяет значительно сократить количество вычислительных операций, выполняемых ЭВМ.
Однако при решении задачи классификации текстур внутренних органов указанное выше допущение не выполняется [3]. Корреляционные матрицы в каждой группе факторов различны, что существенно увеличивает объем вычислений, так как при этом производится отдельная обработка каждого пикселя.
Свободны от этого недостатка и гораздо быстрее работают метод Байеса и классификатор, использующий искусственные нейронные сети.
Метод Байеса является классическим методом принятия решения [3]. Суть данного метода состоит в анализе вероятностей появления отдельных факторов для данного класса. На основе этого вычисляется вероятность того, что данный объект относится к одному из рассматриваемых классов. Существенным ограничением методов теории статистических решений, таких как метод Байеса, является сложность их практической реализации. Если плотности вероятностей не удается представить аналитически, то, даже если они известны, необходимо хранить в памяти их значения для каждой точки n-мерного пространства. Объем требуемой памяти при этом велик, что приводит к снижению быстродействия. Поэтому часто предполагается, что характер распределений известен, но неизвестны его параметры, то есть законы распределения задаются с точностью до параметров. В этом случае задача обучения существенно упрощается, но при этом точность метода неизбежно страдает.
Таким образом, можно сделать вывод, что статистические классификаторы, в том числе и классификатор Байеса, обладают существенным для решения данной задачи ограничением - невысокой точностью, за счет чего применять такие методы для классификации текстур ультразвуковых снимков внутренних органов нецелесообразно. Поэтому наиболее подходящим в данных условиях является классификатор, основанный на использовании искусственных нейронных сетей.
Для эффективного проведения текстурного анализа ультразвуковых эхограмм необходимо определить рациональную структуру и топологию нейронной сети. Топологию нейронной сети следует выбирать исходя из типа решаемой задачи - задачи классификации. Основными топологиями классифицирующих нейронных сетей являются одно- и многослойный перцептрон, нейросетевой Гауссов классификатор, сеть Кохонена, сеть встречного распространения, прямоточая и каскадная сети [4].
Однослойный перцептрон предназначен для распознавания простейших образов. Отдельный нейрон вычисляет взвешенную сумму элементов входного сигнала, вычитает значение смещения и пропускает результат через жесткую пороговую функцию, выход которой равен +1 или -1. В зависимости от значения выходного сигнала принимается решение: +1 - входной сигнал принадлежит классу A, -1 - входной сигнал принадлежит классу B. Многослойный предполагает объединение нескольких перцептронов в слои. Основным достоинством перцептрона является легкость программной или аппаратной реализации и простота алгоритма обучения. Существенный недостаток - примитивные разделяющие поверхности (гиперплоскости).
Нейросетевой Гауссов классификатор предназначен для решения задач распознавания образов и классификации. В модели гауссова классификатора может использоваться перцептрон. В классическом алгоритме обучения перцептрона не используются предположения относительно распределений примеров обучающих выборок, а рассматривается функция ошибки. Этот алгоритм работает более устойчиво, если входные сигналы формируются в результате нелинейных процессов и распределены несимметрично и не по гауссову закону. В основе построения Гауссова классификатора лежат предположения о распределениях входных сигналов. Считается, что эти распределения известны и соответствует закону Гаусса. Преимуществом данного классификатора является простота программной или аппаратной реализации модели, а также легкость и скорость алгоритма формирования синаптических весов и смещений. Однако имеются существенные недостатки: примитивные разделяющие поверхности (гиперплоскости) дают возможность решать лишь самые простые задачи распознавания. К тому же считаются априорно известными распределения входных сигналов, соответствующие разным классам, что также снижает точность классификации.
Основной областью применения сетей Кохонена является кластерный анализ. Сеть состоит из нейронов, образующих прямоугольную решетку на плоскости. Элементы входных сигналов подаются на входы всех нейронов сети. В процессе работы алгоритма настраиваются синаптические веса нейронов. Сеть Кохонена способна функционировать в условиях помех, так как число классов фиксировано. Недостаток сети: она может быть использована для кластерного анализа только в том случае, если заранее известно число кластеров, что при решении задачи классификации текстур внутренних органов не выполняется, так как на ультразвуковых снимках может присутствовать различное число патологий и здоровых тканей.
Сети с прямыми связями используются для решения задач распознавания образов, а также для решения задач классификации. В основном, сети этого типа строятся следующим образом. Первый слой принимает взвешенные значения входов, каждый следующий - взвешенные значения выходов предыдущего слоя. Каждый слой имеет порог. Эти сети имеют большое количество реализаций и могут решать задачи классификации практически любой сложности. Сети с каскадными связями, как и сети с прямыми связями, могут применяться для выполнения классифицирующих функций, а также функций распознавания образов. Такие нейронные сети имеют в каждом слое синаптические связи не только от предыдущего слоя, но и от входного. Эти связи, как правило, вызывают более длительное обучение нейронной сети по сравнению с сетью с прямыми связями.
В сети встречного распространения объединены два алгоритма: самоорганизующаяся карта Кохонена и звезда Гроссберга. Их объединение приводит к появлению у модели встречного распространения свойств, которых нет у каждого из этих алгоритмов в отдельности. Сеть встречного распространения имеет два слоя с последовательными связями. Первый слой - слой Кохонена, второй - слой Гроссберга. Каждый элемент входного сигнала подается на все нейроны слоя Кохонена. Каждый нейрон слоя Кохонена соединен со всеми нейронами слоя Гроссберга. Отличие сети встречного распространения от других многослойных сетей с последовательными связями состоит в операциях, выполняемых нейронами Кохонена и Гроссберга. Слой Кохонена классифицирует входные векторы в группы схожих. Это достигается с помощью такой подстройки весов слоя Кохонена, что близкие входные векторы активируют один и тот же нейрон данного слоя. Выход каждого нейрона слоя Кохонена является просто взвешенной суммой входов.
Затем задачей слоя Гроссберга является получение требуемых выходов. Слой Гроссберга выполняет взвешенное суммирование выходов слоя Кохонена.
В полной модели сети встречного распространения имеется возможность получать выходные сигналы по входным и наоборот. Этим двум действиям соответствуют прямое и обратное распространение сигналов
Какой именно нейрон будет активироваться при предъявлении конкретного входного сигнала, заранее трудно предсказать.
Сети встречного распространения хорошо подходят для реализации ассоциативной памяти, сжатия данных. К тому же она быстро обучается. Недостатком сети является то, что в ней используются в качестве разделяющих поверхностей гиперплоскости.
Исходя из сказанного выше можно сделать вывод, что из стандартных топологий наиболее целесообразно применять для решения задачи классификации текстур прямоточные и каскадные нейронные сети (рис. 3).
Рис. 3 - Прямоточная и каскадная нейронная сеть
Однако имеется возможность построения нейронной сети с гибридной топологией, обладающей иным качеством классификации, нежели входящие в нее в качестве составных частей сети. Можно отметить, что сети встречного распространения обладают хорошей разрешающей способностью, но при этом используют простые разделяющие поверхности. Таким образом, если предъявить на вход сети встречного распространения результат, полученный от другой нейронной сети с более сложными разделяющими поверхностями, теоретически можно повысить качество проводимой классификации. Возможные структуры таких гибридных нейронных сетей показаны на рис. 4.
Рис. 4 - Топологии гибридных классифицирующих нейронных сетей
Так как при использовании признаков текстуры, рассчитываемых по разностной гистограмме второго порядка число входов нейронной сети относительно невелико и практически все нейронные сети будут функционировать достаточно быстро, то основным фактором, влияющим на выбор рациональной структуры гибридной сети является точность классификации. Для выбора такой структуры может быть предложена следующая методика:
Таким образом на основании изложенной выше методики возможен выбор рациональной структуры гибридной нейронной сети для сегментации и классификации текстур ультразвуковых изображений.
Литература: