人工神經(jīng)網(wǎng)絡(luò)圖像模式識別綜述

天津醫(yī)科大學(xué)臨床醫(yī)學(xué)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(guān)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(jī)科學(xué)相關(guān)理論技術(shù)和硬件設(shè)備的進(jìn)步發(fā)展，人工智能越來越多的應(yīng)用到社會生活的方方面面。模式識別是通過機(jī)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(lǐng)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(luò)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(luò)進(jìn)行模擬，將簡單模型建立出來，將不同的網(wǎng)絡(luò)以不同的連接方式相結(jié)合。人工神經(jīng)網(wǎng)絡(luò)已成功地解決了許多較為復(fù)雜的實(shí)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(shí)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(xué)研究中與一定的理論相對應(yīng)，作為對一種理論含義的解釋，如實(shí)驗(yàn)?zāi)Ｊ?、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(guān)系等）所表現(xiàn)的被描述物的數(shù)據(jù)進(jìn)行處理和分析，以達(dá)到對事物的現(xiàn)象和特征的描述、辨認(rèn)、分類和解釋的過程。[4]模式識別是人工智能和信息科學(xué)的突出子集。當(dāng)代所說的狹義的模式識別指用計算機(jī)將待識別的信息分配到各模式類的技術(shù)。由于在范圍上的大部分重疊，數(shù)據(jù)挖掘、模式識別、機(jī)器學(xué)習(xí)、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(xué)習(xí)和機(jī)器學(xué)習(xí)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(yīng)用于所有類型信息的模式識別的理論。學(xué)術(shù)界普遍認(rèn)為，不存在某一種單一的模式識別模型或技術(shù)來解決遇到的所有模式識別問題?，F(xiàn)存的特點(diǎn)是，解決模式識別相關(guān)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(yīng)的結(jié)構(gòu)模式識別、統(tǒng)計模式識別、人工神經(jīng)網(wǎng)絡(luò)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(jī)將文字、圖案、景物、圖像等模式信息進(jìn)行分類辨別，并由計算機(jī)與外部的通信進(jìn)行輸出。目的是用計算機(jī)或某種設(shè)備進(jìn)行快速而又準(zhǔn)確的圖像辨別分類，從而代替人完成此類任務(wù)。圖像模式識別是圖像處理技術(shù)與模式識別技術(shù)的結(jié)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(jìn)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(xué)科領(lǐng)域交叉研究的重點(diǎn)，醫(yī)學(xué)圖像模式識別融合了圖像處理、模式識別和臨床醫(yī)學(xué)等學(xué)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(xué)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(jìn)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(xì)胞分類計數(shù)等，醫(yī)學(xué)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(luò)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(luò)而言，由于其具有某種程度上的記憶功能，輸出實(shí)際上是對輸入的一種變換，當(dāng)使用各類元器件構(gòu)建出的網(wǎng)絡(luò)進(jìn)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(lǐng)域中，人工神經(jīng)網(wǎng)絡(luò)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(luò)

3.1 人工神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)是在生物神經(jīng)相關(guān)研究的基礎(chǔ)上發(fā)現(xiàn)的一類模擬生物神經(jīng)的運(yùn)算模式，用來反應(yīng)人腦在計算結(jié)構(gòu)方面的某些特性，是生物神經(jīng)網(wǎng)絡(luò)的高度簡化。[5]

從生物學(xué)角度講，人腦由大量密切相連的神經(jīng)元組成。樹突、細(xì)胞體和軸突是生物神經(jīng)元的三個重要的構(gòu)成部分。復(fù)雜的生物神經(jīng)網(wǎng)絡(luò)由神經(jīng)元組成。樹突是樹狀的神經(jīng)纖維接收網(wǎng)絡(luò)。細(xì)胞體接收的電信號由樹突傳送，細(xì)胞體整合處理這些輸入的電信號。細(xì)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(luò)有兩個核心之處與生物神經(jīng)網(wǎng)絡(luò)高度一致

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

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)主要體現(xiàn)在以下幾個方面：

第一，人工神經(jīng)網(wǎng)絡(luò)具有自組織自學(xué)習(xí)的特征，在訓(xùn)練學(xué)習(xí)中可以直接接收數(shù)據(jù)，并能夠自適應(yīng)的發(fā)現(xiàn)在學(xué)習(xí)過程中包含在樣本數(shù)據(jù)中的內(nèi)在特點(diǎn)和規(guī)律。比如，在進(jìn)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(yīng)的應(yīng)識別結(jié)果輸入人工神經(jīng)網(wǎng)絡(luò)，進(jìn)而網(wǎng)絡(luò)通過學(xué)習(xí)，提高類似圖像的識別度。自學(xué)習(xí)能力對于未知判斷有著較為重要的意義。目前，相關(guān)的結(jié)合人工神經(jīng)網(wǎng)絡(luò)技術(shù)的軟件已經(jīng)應(yīng)用在醫(yī)學(xué)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(jié)合相似 K 線圖對 K 線走勢進(jìn)行概率推導(dǎo)等。

第二，神經(jīng)網(wǎng)絡(luò)有關(guān)聯(lián)記憶儲存的特點(diǎn)?？梢詫?shí)現(xiàn)于反饋神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)中。

第三，人工神經(jīng)網(wǎng)絡(luò)具有發(fā)散式推導(dǎo)特點(diǎn)。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(xùn)練樣本數(shù)據(jù)間相似的數(shù)據(jù)。應(yīng)用時獲得的數(shù)據(jù)往往含有噪聲或缺乏構(gòu)成某個形式的特征等，此時神經(jīng)網(wǎng)絡(luò)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(luò)的主要應(yīng)用方面。

第四，人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)具有非線性化特點(diǎn)。人工神經(jīng)網(wǎng)路絡(luò)能夠獲取輸入變量之間復(fù)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(shí)時系統(tǒng)常常是非線性的，且這種特點(diǎn)可以用一個高階函數(shù)表示，因此在實(shí)時系統(tǒng)中可得到應(yīng)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(luò)在進(jìn)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(luò)具有高度并行性的特點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)可以同時運(yùn)行大量相似運(yùn)算或獨(dú)立運(yùn)算，因此它在進(jìn)行圖像處理、圖像識別問題的運(yùn)算時，相較于傳統(tǒng)的微處理器和數(shù)字運(yùn)算器擁有更快的運(yùn)行速度，從而提高系統(tǒng)整體處理速度。

4.結(jié)語

作為一種較新的應(yīng)用技術(shù)，人工神經(jīng)網(wǎng)絡(luò)模式識別技術(shù)充分融合了人類識別物體的特點(diǎn)，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(jìn)行圖像識別時所獲得的經(jīng)驗(yàn)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(luò)模式識別較為有效，并在成功應(yīng)用于許多工程應(yīng)用中。但另一方面，同種神經(jīng)網(wǎng)絡(luò)方法在某些應(yīng)用場景中能夠取得較好的結(jié)果，但在其他的相似應(yīng)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(luò)中未得到解決，有許多因素在實(shí)際的應(yīng)用場景中要憑經(jīng)驗(yàn)確定，例如怎樣選擇網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)、學(xué)習(xí)步長以及初始權(quán)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(xué)出版社,2005.

[2]康曉東.醫(yī)學(xué)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(jī)在模式識別領(lǐng)域中的應(yīng)用研究[D].青島大學(xué),2009.

[4]劉雪鷗.醫(yī)學(xué)圖像模式識別技術(shù)的研究及應(yīng)用[D].太原理工大學(xué),2016.