人工神经网络模型在子宫颈癌细胞检测方面的

【摘 要】目的：对子宫颈癌细胞进行检测和诊断.方法：应用所取得的大量数据样本对人工神经网络的权值进行训练,使用人工神经网络模型的BP反向传播误差算法以及图像处理、模式识别和人工智能技术综合处理数据.结论：通过大量的实验对比结果可以知道,应用BP反向传播误差算法可以对子宫颈癌细胞进行较准确的分类.结果：BP反向传播误差算法具有比较好的分类能力.

【关 键 词】图像分割；细胞特征；人工神经网络

据统计,在各种癌症中,子宫颈癌对妇女的威胁仅次于乳腺癌.全世界每年因子宫颈癌死亡的人数为30万,确诊和发现早期症状者各为45万.虽然确诊病人的年龄一般都在35岁以上,但存在这种疾病诱因的妇女却往往远在这一年龄以下.如果及时得到诊断,早期子宫颈癌是可以治愈的.因此借助于现代先进的计算机技术结合病理专家的实践经验,开发出计算机辅助细胞学诊断系统,才是解决这一问题的关键所在.

本文从图像识别领域出发,应用人工神经网络模型对子宫颈癌细胞图像诊断进行探索.首先,对获取的子宫颈癌图像进行灰度转换.由原来的24位彩像转化为灰度图像.在对灰度图像进行分割,主要采取基于门限阈值化的分割方法.分别对细胞,细胞核进行了分割.分割后转化成为二值图像,采用八向链码算法对包括周长,面积似圆度,矩形度,核浆比等15个主要形态学参数进行测量.在取得了大量的数据样本后进行人工神经网络的训练.

人工神经网络是在对人脑神经网络的基本认识的基础上,从信息处理的角度对人脑神经网络进行抽象,用数理方法建立起来的某种简化模型[1].通过模仿脑神经系统的组织结构以及某些活动机理,人工神经网络可以呈现出人脑的许多特征,并具有人脑的一些基本功能[2].1988年,Rinehart等人提出了用于前向神经网络学习训练的误差逆传播算法（Backpropagation,简称BP算法）,成功解决了多层网络中隐含层神经元连接权值的学习问题[3].BP算法是由教师指导的,适合于多层神经网络的学习训练,是建立在梯度下降算法基础上的.主要思想是把学习过程分为两个阶段：第一阶段（信号正向传播过程）,输入信号通过输入层经隐含层逐层处理并计算每个节点的实际输出值；第二阶段（误差修正反向传播过程）,若在输出层未得到期望的输出值,则逐层递归地计算实际输出与期望输出之间的误差,并已据此误差来修正权值.在学习过程中,对于每一个输入样本逐次修正权值向量,若有n个样本,那么一次学习过程中修正n次权值.

但是BP算法也存在一定的缺陷,如多解问题、学习算法的收敛速度慢以及网络的隐含节点个数的选取尚缺少统一而完整的理论指导.为了优化BP算法,我们采用加入动向量的方法对BP算法进行改进.基于BP算法的神经网络,在学习过程中,需要不断地改变权值,而权值是和权值误差导数成正比的.通常梯度下降方法的学习速率是一个常数,学习速率越大,权值的改变越大.所以要不断地修改学习速率,使它包含有一个动向量,在每次加权调节量上加上一项正比例与前次加权变化量的值（即本次权值的修改表达式中引入前次的权值修改量）.设计模型时,人工神经网络的输入输出变量是两个重要的参数.输入变量的选择有两个基本原则：其一必须选择对输出影响大并且能够检测或提取的变量,其二要求各个输入变量之间互不相关或相关性很小.我们将细胞的形态学特征值作为人工神经网络的输入变量.输出变量代表系统要实现的功能目标,这里以TBS分类法为依据,确定了人工神经网络的三个输出变量NORMAL（正常细胞）,LSIL（低度鳞状上皮内病变）,HSIL（高度鳞状上皮内病变）[4].在人工神经网络的输入、输出确定后,就可以得到网络的结构图,从而对测得的细胞特征值进行分类.

本文中所设计的神经网络分类器,输入层15个节点、隐含层30个节点、输出层2个节点.细胞样本共161例,使用87例细胞样本数据对人工神经网络的权值进行训练.当误差小于规定值后,再用剩余的74例数据样本对人工神经网络进行测试.主要采取的算法是增加动量的BP算法.经实验,应用人工神经网络模型识别每张图片每个细胞,选出128个最有可能的异常细胞图.通过大量实验对比训练样本识别率最高达96.6%,测试样本识别率最高达87.8%,总体样本识别率最高达92.5%.

由实验可以看出增加动量的BP算法（BP标准算法）的学习次数适中,分类基本准确.增加学习速率可以加快收敛的速度,但同时也看到由于学习速率过大,而导致系统的不稳定,引起震荡.所以在增加学习不长的同时,动向量不能够过大,否则会引起震荡,影响分类的准确率.使用增加动量的BP算法对子宫颈癌细胞的识别效果比较理想,这在医学研究以及临床诊断方面具有一定的现实意义及比较广阔的应用背景.