基于SOM聚類的多模態(tài)醫(yī)學(xué)圖像大數(shù)據(jù)挖掘算法

李曉峰,李 東

(1.黑龍江外國語學(xué)院 信息工程系,黑龍江 哈爾濱 150025; 2.哈爾濱工業(yè)大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院,黑龍江 哈爾濱 150001)

0 引 言

SOM聚類是一種由自組織映射神經(jīng)網(wǎng)絡(luò)衍生出的信息處理算法,可以按照圖像或文本的一般發(fā)展規(guī)律,對需要處理的數(shù)據(jù)信息進(jìn)行分類操作,且最終歸為一類的信息參量大多都具備明顯的事物特點。從信息層面來看,這種操作方法是無指導(dǎo)性的,且在分類處理的過程中不需要對事物進(jìn)行區(qū)分判斷,只是依靠信息間的特征相似性來滿足聚類處理需求[1-2]。不同于其他聚類算法,SOM聚類對特定數(shù)據(jù)及其所處環(huán)境的密度條件進(jìn)行了嚴(yán)格限制,并且完成處理操作后的數(shù)據(jù)集中不可能含有任何不相關(guān)因素,具備較為精準(zhǔn)的聚類處理結(jié)果。

在現(xiàn)有技術(shù)手段的支持下,相關(guān)醫(yī)學(xué)研究組織只能依靠耦合字典技術(shù),對已成片的醫(yī)學(xué)圖像進(jìn)行分類存儲處理[3-4]。但隨著成片量的不斷增加,一部分圖像開始出現(xiàn)嚴(yán)重的幀率重疊行為,不僅造成原始圖像灰度的急劇下降,也會引發(fā)一系列的圖像數(shù)據(jù)冗余問題,對后續(xù)圖像信息的挖掘調(diào)度造成極大困擾。所謂圖像數(shù)據(jù)冗余是指在數(shù)據(jù)成像的過程中,由數(shù)據(jù)重復(fù)引發(fā)的存儲不均或過量存儲現(xiàn)象,不僅會造成圖像中真實信息的大量流失,也會對圖像的成像清晰度造成一定的負(fù)面影響。幀率重疊是一種常見的圖像故障問題,常與圖像數(shù)據(jù)冗余現(xiàn)象伴隨出現(xiàn)。在特定情況下,一定程度的幀率重疊可能帶來圖像清晰度的小幅提升,但過量的幀率重疊行為會導(dǎo)致圖像模態(tài)屬性的嚴(yán)重?fù)p傷,進(jìn)而造成冗余區(qū)域內(nèi)圖像數(shù)據(jù)的大量攀升。為解決上述問題,引入SOM聚類理論,搭建一種具備提升成像質(zhì)量能力的多模態(tài)醫(yī)學(xué)圖像大數(shù)據(jù)挖掘算法,并通過逐層分析運算的方式,驗證該方法的實際效果。

1 基于SOM聚類的多變量分析

1.1 SOM拓?fù)浣Y(jié)構(gòu)搭建

聯(lián)合SOM拓?fù)浣Y(jié)構(gòu),在確保良好聚類變量初始權(quán)值設(shè)定結(jié)果的基礎(chǔ)上,完成基于SOM聚類的多變量分析處理。SOM拓?fù)浣Y(jié)構(gòu)作為神經(jīng)網(wǎng)絡(luò)的分支體系,遵循嚴(yán)格的分層組織交流形式。相鄰神經(jīng)網(wǎng)絡(luò)層、鄰近神經(jīng)元、上下級神經(jīng)元等網(wǎng)絡(luò)組織間的交流連接,組成了SOM結(jié)構(gòu)的組織拓?fù)潢P(guān)系。通常情況下,每一層神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元數(shù)量基本相等,且這些結(jié)構(gòu)節(jié)點間始終保持縱橫交錯的拓?fù)溥B接關(guān)系。在神經(jīng)網(wǎng)絡(luò)下端只包含3個單獨的SOM節(jié)點,作為網(wǎng)絡(luò)與外界圖像或文本信息進(jìn)行物理交流的通路,所以在神經(jīng)網(wǎng)絡(luò)中處于末級位置的神經(jīng)元必須包含3個額外的連接通路。與其他神經(jīng)元組織相比,末級神經(jīng)元具備更加完善的圖像或文本信息感知能力,且作為與SOM節(jié)點最為靠近的物理結(jié)構(gòu),可以始終保持較為高速的數(shù)據(jù)傳輸能力。

1.2 聚類變量的初始權(quán)值設(shè)定

聚類變量初始權(quán)值設(shè)定是在SOM拓?fù)浣Y(jié)構(gòu)的基礎(chǔ)上,對可利用挖掘圖像或文本信息進(jìn)行的集成收斂能力判斷?，F(xiàn)有數(shù)據(jù)挖掘算法主要采用隨機(jī)賦權(quán)的方式,處理本體結(jié)構(gòu)的權(quán)重輸出數(shù)值,所以最終的輸出值只能在0和1之間隨機(jī)選擇,且整個挖掘輸出層模式只能處在一個有限的空間結(jié)構(gòu)之中[5-6]。而SOM聚類分析卻將可利用挖掘圖像或文本信息的初始權(quán)值作為定義變量的重要數(shù)據(jù),不僅在各個隨機(jī)方向上,對權(quán)值可能出現(xiàn)的分布區(qū)間進(jìn)行了假說模擬,也要求所有初始權(quán)值出現(xiàn)的節(jié)點位置必須達(dá)到收斂要求。如果D代表SOM拓?fù)浣Y(jié)構(gòu)的聚類變量上限,G、J分別代表可利用挖掘圖像或文本信息初始權(quán)值位置條件的上、下限定數(shù)值,聯(lián)立D、G、J可將SOM具備變量的初始權(quán)值設(shè)定結(jié)果表示為

(1)

式中:f為可利用挖掘圖像或文本信息的最大化采集數(shù)值量;s為數(shù)據(jù)挖掘系數(shù);a為可同時處理的數(shù)據(jù)挖掘量;χ為初始權(quán)值的位置限定參量。

2 多模態(tài)醫(yī)學(xué)圖像的集成聚類融合

以醫(yī)學(xué)圖像作為處理目標(biāo),利用基于SOM聚類多變量分析結(jié)果,按照圖像預(yù)處理、多模態(tài)集成正負(fù)性相關(guān)的操作流程,實現(xiàn)多模態(tài)醫(yī)學(xué)圖像聚類融合標(biāo)準(zhǔn)的建立,完成大數(shù)據(jù)挖掘算法搭建的前期準(zhǔn)備操作。

2.1 原始醫(yī)學(xué)圖像預(yù)處理

原始醫(yī)學(xué)圖像預(yù)處理以SOM聚類多變量分析作為操作基礎(chǔ),在確保圖像信息初始權(quán)值滿足應(yīng)用需求的前提下,對像素波段進(jìn)行提取、羅列等處理,使醫(yī)學(xué)圖像的成像對比清晰度得到有效提升,并通過定義原始和預(yù)處理后圖像灰度的方式,建立滿足多模態(tài)相關(guān)要求的圖像集成正負(fù)性標(biāo)準(zhǔn)。在正常情況下,原始狀態(tài)下的醫(yī)學(xué)圖像始終保持黑白表現(xiàn)關(guān)系,成像清晰度相對較低,且圖像中的腦部組織形態(tài)表現(xiàn)不明確,不能通過反射成像原理充分確定圖像背景與中心目標(biāo)間的成像溫度差,進(jìn)而易導(dǎo)致被定義的多模態(tài)集成正負(fù)性標(biāo)準(zhǔn)出現(xiàn)較大物理偏差[7]。經(jīng)過SOM聚類多變量分析處理后的人體腦組織醫(yī)學(xué)圖像。預(yù)處理后的醫(yī)學(xué)圖像成像清晰度得到顯著提升,且腦部組織形態(tài)出現(xiàn)非黑白對比關(guān)系。在反射成像原理的支持下,圖像背景與腦部組織間的成像溫差得到有效區(qū)分,與原始圖像相比,被定義的多模態(tài)集成正負(fù)性標(biāo)準(zhǔn)更易接近真實數(shù)值情況。

2.2 多模態(tài)圖像的集成正負(fù)性相關(guān)

(2)

式中:p為多模態(tài)集成的相關(guān)影響系數(shù);R(δ)為與聚類變量初始權(quán)值相關(guān)的定義函數(shù)。

2.3 圖像聚類融合標(biāo)準(zhǔn)的建立

醫(yī)學(xué)圖像聚類融合標(biāo)準(zhǔn)是大數(shù)據(jù)挖掘算法實施的前期條件,可以通過分辨集成正負(fù)性相關(guān)結(jié)果的方式,達(dá)到準(zhǔn)確限定決策樹初始位置的目的。單純從數(shù)值分析角度來看,完成信息融合前的醫(yī)學(xué)圖像始終保持預(yù)處理完結(jié)狀態(tài),且色溫條件是反應(yīng)圖像信息內(nèi)容的唯一物理條件。但這種簡單的圖像內(nèi)涵排列形式不足以支撐大數(shù)據(jù)挖掘?qū)π畔⒌奈锢硇枨?雖然預(yù)處理后的醫(yī)學(xué)圖像成像清晰度較高,且色溫對比度明顯,但大數(shù)據(jù)決策樹是一種具備較強(qiáng)信息提取能力的物理組織,不僅直接屏蔽圖像信息中的清晰度關(guān)系,也對集成正負(fù)性相關(guān)結(jié)果提出了更高的應(yīng)用限制條件[8]?？偟膩碚f,原始醫(yī)學(xué)圖像預(yù)處理為多模態(tài)圖像集成正負(fù)性相關(guān)提供了便捷條件,而在這種相關(guān)性關(guān)系支持下,建立的聚類融合標(biāo)準(zhǔn)才是后續(xù)圖像大數(shù)據(jù)挖掘所遵循的物理依據(jù)。圖像聚類融合標(biāo)準(zhǔn)的詳細(xì)函數(shù)結(jié)果如表1所示。

表 1 圖像聚類融合標(biāo)準(zhǔn)解析表

3 大數(shù)據(jù)挖掘算法研究

隨著醫(yī)學(xué)圖像多模態(tài)聚類融合標(biāo)準(zhǔn)的逐漸完善,大數(shù)據(jù)決策樹得以完整構(gòu)建,并在后續(xù)判斷與改進(jìn)原理的支持下,完成全新大數(shù)據(jù)挖掘算法的建立與應(yīng)用(后續(xù)搭建過程中,默認(rèn)醫(yī)學(xué)圖像聚類融合標(biāo)準(zhǔn)函數(shù)滿足第一組取值結(jié)果)。

3.1 大數(shù)據(jù)決策樹構(gòu)建

大數(shù)據(jù)決策樹是一種具備信息統(tǒng)計功能的挖掘固件組織,可對待處理的圖像或文本信息進(jìn)行清晰分類處理。作為大數(shù)據(jù)挖掘算法的骨架支撐結(jié)構(gòu),決策樹采用非回溯搭建原理,從一組無規(guī)則的、無序的、類標(biāo)號情況已知的訓(xùn)練數(shù)據(jù)樣本中推導(dǎo)出樹結(jié)構(gòu)的主體樹形結(jié)構(gòu),再進(jìn)行末級的枝葉結(jié)構(gòu)劃分。以多模態(tài)條件下的醫(yī)學(xué)圖像信息為例,大數(shù)據(jù)決策樹的最頂層根節(jié)點應(yīng)為已成像的醫(yī)學(xué)圖像樣本,所有葉子節(jié)點均表示不同的圖像信息類標(biāo)號,其他內(nèi)部節(jié)點則表示對挖掘結(jié)果的邏輯判斷結(jié)果,而樹體的邊則代表分級運算的分支結(jié)果[9-10]。根據(jù)固有的決策樹屬性可知,醫(yī)學(xué)圖像樣本的總量必須保持單一且固定,但由于預(yù)處理后醫(yī)學(xué)圖像的灰度條件有所提升,不同信息結(jié)構(gòu)所表現(xiàn)出的成像溫差也有所不同,所以葉子節(jié)點數(shù)量始終不固定,受到圖像信息類標(biāo)號結(jié)果的直接影響[11-13]。

3.2 醫(yī)學(xué)圖像的多模態(tài)挖掘種類判定

醫(yī)學(xué)圖像多模態(tài)挖掘種類判定可從局部特征、關(guān)聯(lián)規(guī)則、孤立點3個分析角度同時進(jìn)行。滿足局部特征分析要求的醫(yī)學(xué)圖像多模態(tài)挖掘結(jié)果具備最高的對比清晰程度,且可直觀表現(xiàn)待挖掘信息在醫(yī)學(xué)圖像中的所處位置,但依據(jù)此標(biāo)準(zhǔn)所進(jìn)行的挖掘操作相對粗糙[14-15]。滿足關(guān)聯(lián)規(guī)則分析要求的醫(yī)學(xué)圖像多模態(tài)挖掘結(jié)果能清晰反應(yīng)待挖掘信息在縱深方向的位置條件,但不能清晰確定該信息在醫(yī)學(xué)圖像中所處的真實位置。滿足孤立點分析要求的醫(yī)學(xué)圖像多模態(tài)挖掘結(jié)果真實程度最高,但位置確定水平最薄弱,只適用于單個的信息數(shù)據(jù)挖掘處理[16-18]。

3.3 圖像挖掘節(jié)點的并行化改進(jìn)

根據(jù)醫(yī)學(xué)圖像多模態(tài)挖掘種類判定結(jié)果可知,滿足大數(shù)據(jù)挖掘算法應(yīng)用需求的節(jié)點分類現(xiàn)狀,共包含3種情況[19-20]。在默認(rèn)醫(yī)學(xué)圖像聚類融合標(biāo)準(zhǔn)函數(shù)滿足第一組取值結(jié)果的前提下,利用大數(shù)據(jù)決策樹對圖像信息進(jìn)行挖掘處理,并將處理后的真實物理量定義為圖像挖掘節(jié)點的并行化改進(jìn)結(jié)果。設(shè)l1、l2、l3分別代表3種不同的圖像挖掘節(jié)點并行化改進(jìn)結(jié)果,μ1、μ2、μ3代表與其分別相關(guān)的大數(shù)據(jù)決策條件,聯(lián)立式(2)與第一組聚類融合標(biāo)準(zhǔn)函數(shù)取值結(jié)果,可將l1、l2、l3的計算過程表示為

(3)

式中:x=0,1,…,5;kx代表多模態(tài)醫(yī)學(xué)圖像中待挖掘信息的權(quán)限值;ε1、ε2、ε3分別代表3種不同的挖掘強(qiáng)度。

4 平臺搭建及算法測試

4.1 大數(shù)據(jù)挖掘平臺

大數(shù)據(jù)挖掘平臺作為本次實驗的唯一應(yīng)用背景條件,以含有32G內(nèi)存空間、2T硬盤空間的4 GHz處理器作為挖掘檢測設(shè)備。此外,所有數(shù)據(jù)編碼行為均采取Eclipse開發(fā)形式。在真實的算法測試現(xiàn)場圖中存在主機(jī)A和主機(jī)B,主機(jī)A搭載完整的大數(shù)據(jù)挖掘平臺結(jié)構(gòu),所有平臺搭建背景條件也僅適用于主機(jī)A,隨著測試時間的不斷增加,主機(jī)A中會逐漸顯示出完整的多模態(tài)醫(yī)學(xué)圖像(默認(rèn)挖掘?qū)ο鬄槿梭w腦組織)。主機(jī)B為相關(guān)實值輸出裝置,隨著測試時間的不斷增加,主機(jī)B中會顯示出于醫(yī)學(xué)圖像成像質(zhì)量、圖像數(shù)據(jù)冗余度相關(guān)的波形或數(shù)據(jù)參量。

4.2 實值比對

在確保主機(jī)A能提供穩(wěn)定輸出圖像的前提下,閉合所有電源裝置,開始實驗組和對照組的挖掘算法檢測操作。利用圖像灰度檢測軟件記錄經(jīng)過挖掘算法處理后的實驗組和對照組醫(yī)學(xué)圖像灰度數(shù)據(jù),并根據(jù)軟件繪圖功能生成如圖1，2所示的灰度直方圖。已知醫(yī)學(xué)圖像成像質(zhì)量水平與灰度數(shù)據(jù)間的關(guān)系:灰度數(shù)據(jù)越集中、單一最大值越低則成像水平越高,反之則越低。

圖 1 醫(yī)學(xué)圖像成像質(zhì)量比對圖(a)Fig.1 Medical imaging quality comparison chart(a)

在圖1中,顯示灰度下限為0、上限為255的物理條件下,以每5 min實驗時間內(nèi)最明顯的醫(yī)學(xué)圖像灰度信息作為目標(biāo)數(shù)據(jù),將45個連續(xù)的目標(biāo)數(shù)據(jù)表示在同一背景環(huán)境中。其中左半部分表示實驗組圖像灰度結(jié)果,右半部分表示對照組圖像灰度結(jié)果。對比兩圖可知,應(yīng)用實驗組挖掘算法后,醫(yī)學(xué)圖像的灰度分布情況呈現(xiàn)明顯的集中狀態(tài),且最大值僅維持在681左右;而應(yīng)用對照組挖掘算法后,醫(yī)學(xué)圖像的灰度分布情況稀疏且散亂,最大值更是達(dá)到了914左右,遠(yuǎn)超出實驗組數(shù)值。

根據(jù)圖2可知,改變圖像顯示灰度的上、下限數(shù)值,使其分別等于755和255。左、右兩部分所代表組別情況保持不變。對比兩圖可知,應(yīng)用實驗組挖掘算法后,醫(yī)學(xué)圖像灰度分布情況雖有小幅度擴(kuò)散,但總體依然呈現(xiàn)密集狀態(tài),且最大值基本保持不變;應(yīng)用對照組挖掘算法后,所有灰度指標(biāo)都不再保持單一狀態(tài),而是出現(xiàn)了一定的附加數(shù)值,從圖像來看雖然密集狀態(tài)有所提升,但混亂的灰度信息易造成醫(yī)學(xué)圖像出現(xiàn)失真現(xiàn)象,對醫(yī)學(xué)圖像成像質(zhì)量提升起到負(fù)面影響。

圖 2 醫(yī)學(xué)圖像成像質(zhì)量比對圖(b)Fig.2 Medical imaging quality comparison chart(b)

調(diào)節(jié)主機(jī)A中的大數(shù)據(jù)挖掘平臺,使其中呈現(xiàn)的醫(yī)學(xué)圖像信息達(dá)到最清晰狀態(tài),利用主機(jī)B對主機(jī)A中的圖像數(shù)據(jù)進(jìn)行5次截取處理,并在Lightroom5圖像處理軟件的支持下對所截取到的數(shù)據(jù)進(jìn)行嵌套處理，見圖3。

圖 3 圖像數(shù)據(jù)冗余度比對圖Fig.3 Image data redundancy comparison chart

圖3左半部分畫面代表利用對照組大數(shù)據(jù)挖掘算法后,得到的醫(yī)學(xué)嵌套圖像,右半部分代表利用實驗組大數(shù)據(jù)挖掘算法后,得到的醫(yī)學(xué)嵌套圖像。已知畫面中數(shù)據(jù)節(jié)點的重疊行為越明顯,圖像的幀率重疊情況就越嚴(yán)重,即圖像數(shù)據(jù)冗余度越高。分析圖3可知,應(yīng)用實驗組大數(shù)據(jù)挖掘算法后,得到的5次截取圖像基本保持全等狀態(tài),最終生成的嵌套畫面中也不包含明顯的數(shù)據(jù)節(jié)點重疊行為,即該圖像的幀率重疊程度相對較輕,圖像的數(shù)據(jù)冗余度也相對較低;應(yīng)用對照組大數(shù)據(jù)挖掘算法后,得到的5次截取圖像不存在明顯的全等屬性,基本維持相互獨立的存在狀態(tài),最終生成的嵌套畫面中數(shù)據(jù)節(jié)點重疊行為也極為明顯,即該圖像的幀率重疊程度相對較重,圖像的數(shù)據(jù)冗余度也相對較高。

5 結(jié) 語

隨著SOM聚類程度的逐漸加深,多模態(tài)醫(yī)學(xué)圖像的成像清晰度得到有效提升,為后續(xù)大數(shù)據(jù)挖掘算法的實施與應(yīng)用提供了即為便利的先決條件。在確保醫(yī)學(xué)圖像成像質(zhì)量的基礎(chǔ)上,對嵌套畫面中的顯示數(shù)據(jù)冗余度進(jìn)行有效控制,使圖像大數(shù)據(jù)挖掘算法的實效應(yīng)用價值得到最大化發(fā)揮,與現(xiàn)有Intel算法相比,也始終具備更為廣泛的應(yīng)用空間。從搭建完整性角度來看,基于SOM聚類的多模態(tài)醫(yī)學(xué)圖像大數(shù)據(jù)挖掘算法對各級基礎(chǔ)流程都進(jìn)行了逐步規(guī)劃,并細(xì)化了決策樹等重要物理執(zhí)行條件,從根本上提升了算法自身的推廣價值。