基于仿视觉系统神经网络的肿瘤细胞识别研究

现有的神经网络模型主要用于语音、人脸、文本等模式识别领域，用于肿瘤细胞图像识别的较少，主要是肿瘤细胞图像复杂，维数高，它的高阶统计特性具有非高斯分布的特点，含有较多的冗余信息。本项目将借鉴仿生学原理，提出并实现一种适用于肿瘤细胞图像识别的基于仿视觉系统的神经网络模型，该网络由两层神经网络组成，其中第一层是基于视网膜的感知型神经网络，第二层是基于视皮层的自组织特征映射神经网络，模仿视觉具有侧抑制功能的原理，可以极大地降低图像的维数，同时将特征提取和分类识别融合在一起；其次本项目将在现有的各种神经网络学习算法的基础上，找出并改进一种适合于该模型的学习算法；再次本项目将分析和比较各种不同分类方法的优缺点，找出并改进一种适合于该模型的分类规则，并通过大量的实验进行仿真验证；最后研制出一个针对肿瘤细胞图像分类识别的应用系统，并将上述理论研究成果应用到该系统中。

肿瘤细胞图像的分类识别是医疗诊断智能化的核心之一，本课题以胃粘膜肿瘤细胞显微图像为样本，构建了一种基于仿视觉系统的两级模型。第一级采用基于NIG（Normal Inverse Gaussian）密度的非负稀疏编码（Non-negative Sparse Coding, NNSC）前馈神经网络模型构建，用于肿瘤细胞图像纹理特征提取。第二级采用量子自组织特征映射网络(quantum self-organization feature mapping neural networks, QSOFM)模型构建，用于肿瘤细胞图像分类识别，以提高处理速度和分类识别率。.本项目取得的主要成果如下： .1、通过模仿大脑初级视皮层神经细胞对外界环境的稀疏响应机制，构建基于NIG密度的NNSC神经网络。该网络为无监督和自适应的前馈式神经网络，通过对大量未标记的训练样本进行学习，得到优于传统特征提取方法提取的图像特征基，这些特征基具有良好的方向性，空间局部性和带通性。该网络在接收样本图像输入的同时，计算得到具有有效判别性和高稀疏性的NNSC系数（即特征图像）。.2、研究QSOFM模型及其分类算法，用于肿瘤细胞图像分类识别，通过学习训练样本得到分类规则。QSOFM继承了SOFM的主要模型特性，能够很好的保持网络拓扑结构和概率拓扑结构的分布，网络收敛性稳定。同时量子计算的强大搜索能力使其具有更强的模式概括能力和泛化推广能力。.3、将基于NIG的NNSC前馈神经网络和QSOFM串联起来，构建一种基于仿视觉系统的两级神经网络模型，用于肿瘤细胞图像的分类器设计。第一级采用基于NIG的NNSC前馈神经网络模型构建，用于特征提取。第二级采用QSOFM模型构建，用于实现肿瘤分类。针对第一级神经网络输出的特征图像维数高的问题，进行PCA降维后再映射为量子态，作为第二级QSOFM模型的输入，提高了QSOFM神经网络分类器的处理速度和分类效率。.4、利用上述构建的模型，设计肿瘤细胞图像分类识别算法，在不断测试之后，将该算法嵌入到肿瘤诊断病理分析软件中，初步实现了自动分类识别，可以将肿瘤细胞图像分为正常、增生、癌症三类。目前该软件已取得国家版权局颁发的软件著作权。.本课题共录用和发表论文10篇，其中SCI、EI检索3篇，培养硕士生8名。