人工神經(jīng)網(wǎng)絡圖像模式識別綜述

天津醫(yī)科大學臨床醫(yī)學院 張東東

1.引言

人工智能是以一系列程序，算法，方法等表示，關于支持針對思維，感知和行動的模型建立的人工系統(tǒng)。[1]隨著計算機科學相關理論技術和硬件設備的進步發(fā)展，人工智能越來越多的應用到社會生活的方方面面。模式識別是通過機器以算法、方法等研究模式到模式類的自動分配。[2]近年來，模式識別在人工智能領域起到的作用越來越重要，取得了很多重要的成果。人工神經(jīng)網(wǎng)絡作為模式識別的一種算法，以信息處理的方式對人腦神經(jīng)元網(wǎng)絡進行模擬，將簡單模型建立出來，將不同的網(wǎng)絡以不同的連接方式相結合。人工神經(jīng)網(wǎng)絡已成功地解決了許多較為復雜的實際問題，擁有良好的智能特性。

2.模式識別

2.1 模式識別原理

模式是對客觀現(xiàn)實事物的一種抽象化的概括和定理化的描述，其表示形式在自然中可以以圖像、聲音、物體等體現(xiàn)，在科學研究中與一定的理論相對應，作為對一種理論含義的解釋，如實驗模式、發(fā)展模式等。[3]在模式識別是指對客觀存在的各種形式（如文字、數(shù)字、邏輯關系等）所表現(xiàn)的被描述物的數(shù)據(jù)進行處理和分析，以達到對事物的現(xiàn)象和特征的描述、辨認、分類和解釋的過程。[4]模式識別是人工智能和信息科學的突出子集。當代所說的狹義的模式識別指用計算機將待識別的信息分配到各模式類的技術。由于在范圍上的大部分重疊，數(shù)據(jù)挖掘、模式識別、機器學習、數(shù)據(jù)中的知識發(fā)現(xiàn)（Knowledge discovery in databases ，KDD)很難完全剝離。模式學習和機器學習的方法也廣泛用于以感知信號為主的數(shù)據(jù)問題分析，但至今為止還沒有能夠統(tǒng)一應用于所有類型信息的模式識別的理論。學術界普遍認為，不存在某一種單一的模式識別模型或技術來解決遇到的所有模式識別問題。現(xiàn)存的特點是，解決模式識別相關問題擁有一系列方法、算法，通過對具體問題的具體分析，找尋相對應的結構模式識別、統(tǒng)計模式識別、人工神經(jīng)網(wǎng)絡模式識別、模糊模式識別等方法。

2.2 圖像模式識別

圖像模式識別就是使用通過計算機將文字、圖案、景物、圖像等模式信息進行分類辨別，并由計算機與外部的通信進行輸出。目的是用計算機或某種設備進行快速而又準確的圖像辨別分類，從而代替人完成此類任務。圖像模式識別是圖像處理技術與模式識別技術的結合。圖像模式識別系統(tǒng)主要分為三部分：一是圖像信息的簡化、突出特征；二是圖像信息原始數(shù)據(jù)進行變換，得到最能反映分類本質(zhì)的特征；三是用判別的方法給被識別對象分類。

作為各學科領域交叉研究的重點，醫(yī)學圖像模式識別融合了圖像處理、模式識別和臨床醫(yī)學等學科的多種信息。由于其對各類疾病的臨床診斷具有重要意義，醫(yī)學圖像模式識別是模式識別研究中的一個重要部分。以醫(yī)院常用的影像檢查方法為例，通過對掃描的 MRI 圖像進行腦損傷分析、軟組織損傷鑒別、X 線圖像信息分析、內(nèi)窺鏡圖像判斷、細胞分類計數(shù)等，醫(yī)學圖像識別可以為臨床診斷提供重要依據(jù)。為了使圖像處理中的問題得到更好的解決，近年來發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡作為作為一種新的有效工具，成為解決圖像模式識別的優(yōu)良辦法之一。對于人工神經(jīng)網(wǎng)絡而言，由于其具有某種程度上的記憶功能，輸出實際上是對輸入的一種變換，當使用各類元器件構建出的網(wǎng)絡進行圖像模式識別處理時，輸入至輸出可以以一種較快的速度完成。由是，相較于傳統(tǒng)方法，在圖像模式識別領域中，人工神經(jīng)網(wǎng)絡方法有巨大潛力，可視作解決圖像識別問題的有力工具。

3.人工神經(jīng)網(wǎng)絡

3.1 人工神經(jīng)網(wǎng)絡原理

人工神經(jīng)網(wǎng)絡是在生物神經(jīng)相關研究的基礎上發(fā)現(xiàn)的一類模擬生物神經(jīng)的運算模式，用來反應人腦在計算結構方面的某些特性，是生物神經(jīng)網(wǎng)絡的高度簡化。[5]

從生物學角度講，人腦由大量密切相連的神經(jīng)元組成。樹突、細胞體和軸突是生物神經(jīng)元的三個重要的構成部分。復雜的生物神經(jīng)網(wǎng)絡由神經(jīng)元組成。樹突是樹狀的神經(jīng)纖維接收網(wǎng)絡。細胞體接收的電信號由樹突傳送，細胞體整合處理這些輸入的電信號。細胞體輸出的信號由單根較長的神經(jīng)纖維，也就是軸突傳送給其他神經(jīng)元。

3.2 人工神經(jīng)網(wǎng)絡有兩個核心之處與生物神經(jīng)網(wǎng)絡高度一致

其一，人工神經(jīng)網(wǎng)絡和生物神經(jīng)網(wǎng)絡都可認為是神經(jīng)元（可計算單元）高度連接而成的網(wǎng)絡，其二，神經(jīng)網(wǎng)絡的功能由神經(jīng)元之間的連接決定。

人工神經(jīng)網(wǎng)絡的優(yōu)點主要體現(xiàn)在以下幾個方面：

第一，人工神經(jīng)網(wǎng)絡具有自組織自學習的特征，在訓練學習中可以直接接收數(shù)據(jù)，并能夠自適應的發(fā)現(xiàn)在學習過程中包含在樣本數(shù)據(jù)中的內(nèi)在特點和規(guī)律。比如，在進行圖像模式識別時，先把許多不同的樣本數(shù)據(jù)以及對應的應識別結果輸入人工神經(jīng)網(wǎng)絡，進而網(wǎng)絡通過學習，提高類似圖像的識別度。自學習能力對于未知判斷有著較為重要的意義。目前，相關的結合人工神經(jīng)網(wǎng)絡技術的軟件已經(jīng)應用在醫(yī)學圖像模式識別（例如 B 超圖像胎兒頭圍的信息采集）以及證券市場中結合相似 K 線圖對 K 線走勢進行概率推導等。

第二，神經(jīng)網(wǎng)絡有關聯(lián)記憶儲存的特點。可以實現(xiàn)于反饋神經(jīng)網(wǎng)絡網(wǎng)絡中。

第三，人工神經(jīng)網(wǎng)絡具有發(fā)散式推導特點。依據(jù)不同樣本數(shù)據(jù)間的相似之處，其可以有效的處理與初始訓練樣本數(shù)據(jù)間相似的數(shù)據(jù)。應用時獲得的數(shù)據(jù)往往含有噪聲或缺乏構成某個形式的特征等，此時神經(jīng)網(wǎng)絡可較好的處理樣本圖像失真或變形，這種處理樣本失真或不完全數(shù)據(jù)圖像的能力，是模式識別中人工神經(jīng)網(wǎng)絡的主要應用方面。

第四，人工神經(jīng)網(wǎng)絡拓撲結構具有非線性化特點。人工神經(jīng)網(wǎng)路絡能夠獲取輸入變量之間復雜的聯(lián)系。線性系統(tǒng)內(nèi)輸入的改變往往意味著輸出跟隨者成比例的改變，由于實時系統(tǒng)常常是非線性的，且這種特點可以用一個高階函數(shù)表示，因此在實時系統(tǒng)中可得到應用。例如在圖像識別問題中，圖像傳感器在圖像獲取階段常常接收到外界不同的干擾因素，神經(jīng)網(wǎng)絡在進行圖像模式識別時能夠考慮到各種影響因子的作用及變化，從而提供一個可用的解決方案。

第五，神經(jīng)網(wǎng)絡具有高度并行性的特點。人工神經(jīng)網(wǎng)絡可以同時運行大量相似運算或獨立運算，因此它在進行圖像處理、圖像識別問題的運算時，相較于傳統(tǒng)的微處理器和數(shù)字運算器擁有更快的運行速度，從而提高系統(tǒng)整體處理速度。

4.結語

作為一種較新的應用技術，人工神經(jīng)網(wǎng)絡模式識別技術充分融合了人類識別物體的特點，充分考慮到了圖像的統(tǒng)計特征與幾何空間特征等，并將人類在進行圖像識別時所獲得的經(jīng)驗加入執(zhí)行過程。在解決許多非線性問題方面，人工神經(jīng)網(wǎng)絡模式識別較為有效，并在成功應用于許多工程應用中。但另一方面，同種神經(jīng)網(wǎng)絡方法在某些應用場景中能夠取得較好的結果，但在其他的相似應用場景中卻可能完全失敗。因此，仍有許多問題存在于神經(jīng)網(wǎng)絡中未得到解決，有許多因素在實際的應用場景中要憑經(jīng)驗確定，例如怎樣選擇網(wǎng)絡節(jié)點數(shù)、學習步長以及初始權值等；怎樣解決局部極小值問題、數(shù)據(jù)過度耦合與欠耦合問題等。

[1]崔良沂,趙永昌譯.Patrick Henry Winston.Artificial Intelligence[M].北京：清華大學出版社,2005.

[2]康曉東.醫(yī)學影象圖像處理[M].北京：人民衛(wèi)生從出版社,2009.

[3]李玉景.支持向量機在模式識別領域中的應用研究[D].青島大學,2009.

[4]劉雪鷗.醫(yī)學圖像模式識別技術的研究及應用[D].太原理工大學,2016.