以深度学习方法为载体的医学影像实时变化检测算法分析

罗琪

摘要：文章将以深度学习方法为裁体，分析医学影像实时变化检测算法，使用这种方法可以省去滤波和差异图构造操作，从而提高检测效率。文章首选对检测流程进行分析，主要包含四步，即构建深度神经网络、构建合适样本、训练网络和检测。通过实验结果表明，该算法应用于医学影像实时变化检测中具有较好的效果，能够提高检测准确率和效率。

关键词：深度学习;医学影像;变化检测

中图分类号：TP753

文献标识码：A

文章编号：1001-5922（2020）12-0132-04

在医学领域，影像实时变化检测技术有助于分析人体器官和病变组织变化区域，属于当前最为重要的图像处理方式之一[1]。深度学习方法的优势较多，主要利用神经网络模型进行分析问题，对特征进行提取和分类，能够具有比较广泛的应用，于是受到广大研究者的青睐[2-3]。于是文章将以深度学习方法为载体，研究医学影像实时变化检测算法，文章提供的医学影像为脑白质疏松症MRI图像，能够进行医学辅助诊断。

1 以深度学习方法为载体的变化检测算法流程

在医学影像实时变化检测中，只要是两幅原始影像之间就会存在较为复杂的关系，所以获得变化检测会相当困难，但是通过使用深度学习方法能够表达复杂抽象的关系，于是将其应用到医学影像实时变化检测中，通过算法的应用能够分析出两幅影像未变化类和变化类，这种方式不仅能够获得变化检测结果，而且还省去了滤波和差异图构造过程，这样就可以提高工作效率[4-5]。

变化检测技术往往在灾害风险评估和医疗中进行应用，由于这些领域中特点，没有先验知识，于是对其进行检测所使用的方式就是深度神经网络[6]。于是文章将以深度学习方法为载体，分析医学影像实时变化检测算法，其主要分析步骤包含四步，分别为构建深度神经网络、构建合适样本、训练网络，最后一个步骤就是将训练好的算法进行分类然后获取检测结果。以深度学习方法为载体的实时变化检测算法流程如图1所示。

2 深度神经网络的构建

2.1 RBM能量模型

构建深度神经网络需要对其分类器进行训练，目的在于优化权值和偏重，为了得到满意度较高的权重，需要对每一层进行计算和分析，于是使用RMB能够完成该步骤。

在RBM能量模型中存在可见层和隐含层，其之间存在的能量函数如下所示[7]：

当能量越小时，系統的稳定性将会越好，所以文章进行预训练的主要作用是使得能量函数达到最小值，于是就可以时系统稳定性达到最大化。

2.2 DBN网络的训练

对DBN网络进行训练时必须要有几个RBM作为基础，训练过程中所使用到的初始值是由RBM预训练所得到的权重，其公式在建立过程中涉及到的损失函数为交叉熵，然后还需要对函数进行微调，使用到方式为反向传播策略，于是得到如下所示[8]：

DBN的训练过程如下：

1）首先需要将每个位置的邻域特征进行输入，然后再对两个影像对应位置所涉及到的邻域进行矢量化处理，然后再将其进行连接，将其作为神经网络的输入。

2）完成上述步骤之后，就需要将RBM进行预训练处理，目的在于获取初始化权重和偏移量。

3）预处理完成之后，再将RBM进行展开处理，从而形成一个多层神经网络，即深度置信网络。

4）最后就是对深度置信网络进行优化和微调，其中使用的方法为反向传播算法。

3 构造样本集

完成上述工作之后即可以得到神经网络，然后再构造合适的样本，目的在于对网络进行训练。首先需要对原始MRI图像使用归一化方式进行处理，由于文章是以两张脑白质MRI作为研究影像，将10%和90%作为灰度值的最小和最大值，然后归一化处理之后得到0-255。

然后通过预分类方式选择合适的标签，使用FGFCM联合分类算法进行聚类，给方式更加适合于医学影像变化检测研究。联合分类算法的具体流程如图2所示。

3.3特征的筛选

上述所获得的结果比不是最终结果，准确率比较低，于是再对其进一步处理，从而得到精度更高的结果，其中使用的算法为JFCM，作用就是对特征进行过滤。特征的筛选主要流程如图3所示。

3.4快速广义FCM算法

传统的FCM算法不利于医院影像研究，因为其对伪影和噪声比较敏感，所以研究误差会比较大。于是文章使用快速广义FCM，即FCFCM进行研究。FC-FCM的计算流程图如图4所示。

4 实验结果

为了检验算法的有效应，将其应用到脑白质疏松症脑部MRI图像处理上。实验数据来源与15为病人样本，通过分析样本之后选择两组样本作为测试对象，每一组中都包含三个部分，第一部分和第二部分分别为治疗之前和之后的MRI影像，第三部分为人工检测结构。

图5和图6即为两组检测结果，为了突出本文算法的优势，将改进后的NSST算法作为对比试验。表1和表2即为检测结果定量分析。从图表中可以看出，相比于RNSST算法，本文所研究的算法能够降低漏检率和错检率，而且得到的图像更加与真实图像类似，从而有助于找到病变区域的变化部分，从而提高医学检测结果。

5 结语

文章对以深度学习方法为载体，研究医学影像实时在线检测算法，通过将其应用实际医学图像中，具有较好的应用效果，能够准确的检测出变化部分，从而有助于医学影像分析，能够为临床治疗提供更过的参考依据，将会具有较好的应用价值。

参考文献

[1]刘芬，基于变化检测技术的脑瘤计算机辅助诊断方法应用研究[D].济南：山东大学，2010.

[2]孙志军，薛磊，许阳明，等.深度学习研究综述[J].计算机应用研究，2012，29（08）：2806-2810.

[3]吕乐，吴山东.深度学习和医学影像在预防医学中的机会[J]放射学实践，2018，33（10）：24-26.

[4]庞浩，王枞，用于糖尿病视网膜病变检测的深度学习模型[J].软件学报，2017，28（11）：3018-3029.

[5]夏黎明，沈坚，张荣国，等.深度学习技术在医学影像领域的应用[J].协和医学杂志，2018，9（01）：10-14.

[6]周林浩.基于深度神经网络的SAR图像变化检测[D].西安：西安电子科技大学，2018.

[7]张浩，吴秀娟.深度学习的内涵及认知理论基础探析[J].中国电化教育，2012（10）：7-11+21.

[8]郭杨.癌症放疗影像变化检测算法研究[D].太原：中北大学，2018.