基于SAE的MRI圖像檢索系統(tǒng)

廣東工業(yè)大學(xué)自動(dòng)化學(xué)院 連偉烯

?

基于SAE的MRI圖像檢索系統(tǒng)

廣東工業(yè)大學(xué)自動(dòng)化學(xué)院 連偉烯

【摘要】提出了一種根據(jù)醫(yī)學(xué)專有名詞作為語義對具體人體組織進(jìn)行檢索的MRI圖像檢索方法。在構(gòu)建圖像檢索系統(tǒng)的特征提取方法上，采用了稀疏自動(dòng)編碼器模型，并通過多個(gè)稀疏自動(dòng)編碼器的堆疊構(gòu)建了深度學(xué)習(xí)網(wǎng)絡(luò)，最后采用BP分類器構(gòu)建了整個(gè)MRI圖像檢索系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，層疊自動(dòng)編碼器對于MRI圖像的高層特征具有很好的提取能力，同時(shí)避免人工選擇特征提取方法上的主觀性，具有較好的適應(yīng)性。

【關(guān)鍵詞】基于語義的圖像檢索；自動(dòng)編碼器；稀疏編碼；層疊自動(dòng)編碼器

0　引言

在當(dāng)前情況下，醫(yī)院的影像科獲取到的全部MRI圖像主要是依靠人工方式進(jìn)行分類保存。按照這個(gè)方式在檢索圖像時(shí)，在應(yīng)用過程就會(huì)有很多困擾：（1）在一次MRI成像中，我們需要從中找到感興趣區(qū)域，這就需要從這些斷層圖像中找到包含感興趣區(qū)域的圖像，再確定圖像中感興趣區(qū)域的位置。（2）隨著MRI圖像數(shù)據(jù)的膨脹，使得對MRI圖像的管理和存儲越來越困難。

基于語義的MRI圖像檢索系統(tǒng)是一種直觀、便捷、靈活的工具。利用醫(yī)學(xué)名詞上的語義定義，可迅速從MRI圖像中找到所屬的感興趣區(qū)域。首先，通過檢索可從眾多MRI圖像中找到包含對應(yīng)感興趣區(qū)域的MRI圖像。其次，從這些MRI圖像中標(biāo)注出該感興趣區(qū)域。這些都有利于醫(yī)生在診斷工作中減少相關(guān)工作量。本文提出一種基于層疊自動(dòng)編碼器（SAE，Stacked AutoEncoder）的MRI圖像檢索方法，該方法使用SAE作為圖像的特征提取工具，再結(jié)合BP分類器完成語義上的分類檢索工作，并進(jìn)行相關(guān)的實(shí)驗(yàn)分析工作。

1　基于SAE的MRI圖像檢索系統(tǒng)結(jié)構(gòu)

本文的圖像檢索系統(tǒng)主要分為兩個(gè)模塊：特征提取和查詢模塊[2]。如圖1所示。該圖像檢索系統(tǒng)主要完成兩個(gè)方面的內(nèi)容：（1）對圖像數(shù)據(jù)中包含對應(yīng)語義的MRI圖像的檢索；（2）對檢索結(jié)果的MRI圖像對應(yīng)語義內(nèi)容的區(qū)域進(jìn)行標(biāo)識。其中，預(yù)處理步驟包括：（1）對不同尺寸大小的MRI圖像進(jìn)行格式和尺寸大小的統(tǒng)一；（2）對MRI圖像進(jìn)行分塊。特征提取步驟是對分塊圖像的特征提取，本文采用無監(jiān)督學(xué)習(xí)的SAE方法進(jìn)行特征提取并建立模型。在查詢模塊中，用戶使用指定的語義對欲查詢圖像數(shù)據(jù)進(jìn)行查詢，圖像數(shù)據(jù)在建立的特征提取模型進(jìn)行特征提取，并采用BP網(wǎng)絡(luò)對所提取的特征分類，最終返回符合語義的MRI圖像。

圖1　圖像檢索系統(tǒng)結(jié)構(gòu)

1.1SAE特征提取方法

SAE是一種無監(jiān)督學(xué)習(xí)的深度學(xué)習(xí)網(wǎng)絡(luò)模型。通過對若干自動(dòng)編碼器（AE，AutoEncoder）的級聯(lián)構(gòu)成多層神經(jīng)網(wǎng)絡(luò)，它的輸出可看作是輸入數(shù)據(jù)經(jīng)過多次降維后的特征表示[3-5]。AE是一種單隱層無監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，通過對輸入信號的近似復(fù)現(xiàn)，從而得到輸入信號的表示，即特征。

利用線性代數(shù)中基的概念，即：

在自動(dòng)編碼器的基礎(chǔ)上加上一些L1的Regularity限制，這時(shí)公式（1）可以寫為：

此時(shí)我們得到即為稀疏自動(dòng)編碼器（Sparse AutoEncoder）。

把有m個(gè)輸入向量的稀疏編碼代價(jià)函數(shù)定義為：

其中第一項(xiàng)是重構(gòu)輸入數(shù)據(jù)x的代價(jià)值，它迫使稀疏編碼算法能為輸入向量x提供一個(gè)高擬合度的線性表達(dá)式，第二項(xiàng)即“稀疏懲罰”項(xiàng)，S(.)是一個(gè)稀疏代價(jià)函數(shù)，由它來對遠(yuǎn)大于零的進(jìn)行“懲罰”，它使x的表達(dá)式變得“稀疏”。常量λ是一個(gè)變換量，由它來控制這兩項(xiàng)式子的相對重要性。在實(shí)際中，稀疏代價(jià)函數(shù)S(.)的普遍選擇是L1范式代價(jià)函數(shù)及對數(shù)代價(jià)函數(shù)。

為了使分解系數(shù)中只有少數(shù)系數(shù)遠(yuǎn)遠(yuǎn)大于0，而不是大部分系數(shù)都比0大。我們對基集合中的值也做了一個(gè)約束。因此，在公式（3）的基礎(chǔ)上，要滿足：

對于無稀疏約束時(shí)網(wǎng)絡(luò)的損失函數(shù)表達(dá)式如下：

其中，第一項(xiàng)和第二項(xiàng)分別為輸入輸出的均方誤差約束和權(quán)值衰減約束。m，分別表示樣本數(shù)，網(wǎng)絡(luò)層數(shù)和l層單元數(shù)W，b分別表示層間連接權(quán)重和l層的單元偏置。對于有稀疏約束的網(wǎng)絡(luò)，需要在損失函數(shù)中加入一個(gè)額外的懲罰因子，這個(gè)罰因子基于相對熵 （KLdivergence）：

1.2SAE結(jié)合BP分類器的MRI圖像檢索實(shí)現(xiàn)

SAE作為MRI圖像的特征提取工具，本身不具備分類檢索功能，要實(shí)現(xiàn)該功能，需要分類器對體征提取結(jié)果進(jìn)行分類[7]。本文采用了BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)MRI圖像檢索的分類工作。利用SAE提取圖像的底層特征作為網(wǎng)絡(luò)的輸入，用語義期望值作為網(wǎng)絡(luò)的輸出，并用BP算法來訓(xùn)練該網(wǎng)絡(luò)。具體步驟如下：

（1）用大量無標(biāo)簽原始輸入數(shù)據(jù)作為輸入，利用稀疏自動(dòng)編碼器訓(xùn)練出第一個(gè)隱含層結(jié)構(gòu)的網(wǎng)絡(luò)參數(shù)，并將用訓(xùn)練好的參數(shù)算出第一個(gè)隱含層的輸出。

（2）根據(jù)SAE隱含層的層數(shù)重復(fù)步驟1，即將上一個(gè)隱含層的輸出作為下一個(gè)隱含層的輸入，逐層訓(xùn)練。

（3）將SAE最終的輸出作為多分類器BP網(wǎng)絡(luò)的輸入，然后利用原始數(shù)據(jù)標(biāo)簽來訓(xùn)練出BP的網(wǎng)絡(luò)參數(shù)。

（4）計(jì)算隱含層和BP分類器整個(gè)網(wǎng)絡(luò)的代價(jià)函數(shù)，以及整個(gè)網(wǎng)絡(luò)的對每個(gè)參數(shù)的偏導(dǎo)函數(shù)值。

（5）用步驟1、2和3的網(wǎng)絡(luò)參數(shù)作為整個(gè)網(wǎng)絡(luò)初始化的值，然后利用梯度下降法迭代求出代價(jià)函數(shù)最小值附近的參數(shù)值，作為整個(gè)網(wǎng)絡(luò)的最優(yōu)參數(shù)值。

2　實(shí)驗(yàn)結(jié)果與分析

本文訓(xùn)練和測試數(shù)據(jù)圖像采用十組真實(shí)病人的大腦MRI圖像。我們對MRI圖像進(jìn)行分塊，并對分塊分為眼球、腦干、面聽神經(jīng)、小腦、輪廓、其他這5類語義進(jìn)行標(biāo)注，共有35604個(gè)數(shù)據(jù)，其中3000個(gè)作為測試數(shù)據(jù)。

實(shí)驗(yàn)分別構(gòu)建了包含三層、四層和五層AE所級聯(lián)構(gòu)成隱含層的基于SAE的MRI圖像檢索系統(tǒng)。其中，三層隱含層的節(jié)點(diǎn)數(shù)分別為1500、800、200，四層隱含層的節(jié)點(diǎn)數(shù)分別為1500、800、400、200，五層隱含層的節(jié)點(diǎn)數(shù)分別為1500、1200、800、400、200。測試的結(jié)果如表2.1所示。

表2.1

實(shí)驗(yàn)結(jié)果表明，基于SAE的MRI圖像檢索系統(tǒng)能夠達(dá)到較好的準(zhǔn)確率，同時(shí)也表明了準(zhǔn)確率隨著網(wǎng)絡(luò)隱含層層數(shù)的增加而增加，這體現(xiàn)了SAE深度學(xué)習(xí)網(wǎng)絡(luò)可通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，表征輸入數(shù)據(jù)分布式表示，并展現(xiàn)了強(qiáng)大的從少數(shù)樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力[8]。隨著層數(shù)的增加，將樣本在原空間的特征表示變換到一個(gè)新特征空間，形成更加抽象的高層表示屬性類別或特征，從而使分類或預(yù)測更加容易。

3　結(jié)論

本文提出了采用基于深度學(xué)習(xí)的SAE網(wǎng)絡(luò)作為MRI圖像的無監(jiān)督特征提取工具，并進(jìn)行了相關(guān)的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，采用深度學(xué)習(xí)的SAE網(wǎng)絡(luò)能夠避免人工選取特征提取方法，從層疊的深層網(wǎng)絡(luò)中提取到更高層次的特征表達(dá)，由于其無監(jiān)督的特性，因而具有較強(qiáng)的適應(yīng)性，結(jié)合BP分類器，能夠達(dá)到很好的檢索效果。

參考文獻(xiàn)

[1]N.Kumaran,R.Bhavani.MRI Image Retrieval Using Gabor Wavelet Based Texture Features.International Journal of advanced research in Science and Technology.Volume.2, Issue 1,2013,pp40-45.

[2]馬冬梅.基于深度學(xué)習(xí)的圖像檢索研究[D].內(nèi)蒙古大學(xué),2009.

[3]G.E.Hinton,R.R.Salakhutdinov.The.Reducing the dimensionality of data with neural networks.Science 28 July 2006:454-455.

[4]杜騫.深度學(xué)習(xí)在圖像語義分類中的應(yīng)用[D].華中師范大學(xué),2014.

[5]林少飛,盛惠興,李慶武.基于堆疊稀疏自動(dòng)編碼器的手寫數(shù)字分類[J].微處理機(jī),No.1 Feb.,2015,47-51.

[6]敖道敢.無監(jiān)督特征學(xué)習(xí)結(jié)合神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識別[D].華南理工大學(xué),2014.

[7]曲建嶺,杜辰飛,邸亞洲,高峰,郭超然.深度自動(dòng)編碼器的研究與展望[J].計(jì)算機(jī)與現(xiàn)代化,2014,(8):128-129.