基于BP神经网络的脑肿瘤MRI图像分割*

王锦程，郁芸，2△，杨坤，胡新华

（1.南京医科大学基础医学院，江苏南京，210029；2.南京航空航天大学自动化学院，江苏南京210000；3.南京医科大学脑科医院，江苏南京210029）

1 引 言

基于脑肿瘤MRI进一步进行图像分割等处理，有着广泛的应用和研究价值，比如：测量病灶的尺寸，有助于医生诊断及制定治疗方案；提取感兴趣肿瘤区域，有助于医学图像的分析和识别；进行医学图像的三维构建和可视化，有助于放射计划的三维定位和外科手术方案的制定等。

近年来随着计算机分割技术的发展，已有许多MRI分割方法被提出，常用的有阈值法［3］、边缘检测法［4］、区域分割法［5］等，对分割图像起到了很大的作用。其中，人工神经网络（artificial neural networks，ANN），是一种基于生理学的智能仿生模型，是由大量处理单元互联组成的非线性大规模自适应动力学系统，由于具有较强的自适应性和较好的鲁棒性［6］，能有效抵抗噪声、模糊等干扰。ANN技术的发展，已在预测［7-10］、模式识别［11-12］、故障诊断［13］、聚类分析［14］等方面得到广泛应用。而 BP（back propagation，BP）神经网络，作为 ANN中的一种，在图像处理中发挥了重要作用。本研究将介绍基于BP神经网络方法的MRI图像分割原理和方法应用。

2 BP神经网络方法原理

BP神经网络，即多层前馈神经网络，其核心思想是利用已知结果的样本对网络模型进行基本训练，再将训练好的神经网络应用于未知的待处理的样本，其结构见图1：

图1 BP网络结构Fig 1 BP network structure

图 1中，x1，x2，…，xn为输入信号，y1，y2，…，ym为输出信号，BP神经网络包括输入层、隐含层和输出层，是具有三层或三层以上神经元的神经网络。

输入信号会先向前传播到隐含层神经元，经过作用函数后，再把隐含层神经元的输出信息传播到输出神经元，最后给出输出结果。各层的传递函数通常用Sigmoid型函数，其输入和输出关系是高度非线性映射关系。如果输入神经元数为n，输出神经元数为m，则网络是从n维欧氏空间到m维欧氏空间的映射。通过调整BP神经网络的连接权值、网络规模就可以实现聚类等问题，并且可以以任意精度逼近任何非线性函数［16］。

3 基于BP神经网络进行MRI分割的结果与分析

根据上述算法，基于BP神经网络的MRI图像分割分为网络训练和聚类两个阶段，采用区别目标和背景的MRI图像像素灰度值作为MRI聚类的重要特征［17］。

实验所用图像来自南京脑科医科医院神经外科肿瘤患者MRI检查结果，并已完成配准、平滑等预处理。

对于中央空调而言，目前普遍情况下的使用是预先设置好主机的工作状态后让其自主运行。首先，对于预先设置的状态是否合理仅靠人为经验或主观判断。在运行过程中，若用户感觉冷或热的时候通常去调节末端设备（如风机盘管）的工作状态，来达到理想效果，而此操作对于主机的运行状况丝毫没有影响；如：空调主机在设置好的状态下运行，用户觉得温度较低就把风量关小或温度调高，而这只是改变了末端的热量交换的设置，并不能让主机输出功率降低，主机仍然在正常制冷输出，这就造成了能量的浪费。

3.1 网络的基本训练

事先选择2例样本，利用图像处理软件人工分割出肿瘤组织区域，见图2。然后，将完整的原始图像作为输入图像样本，将分割出的肿瘤组织区域作为期望输出结果样本，进行基本训练。

图2 BP网络训练样本对Fig 2 BP network training samples

对网络进行训练时，以输入图像样本各像素点及其周围8个相邻点的灰度值组成一个具有9维向量的输入模式，如下式：

其中，GrL、GrLA、GrLB、GrCA、GrCB、GrR、GrRA和 GrRB为与指定像素相邻的8个像素的灰度值，其与指定像素的位置关系见表1。

输出模式为一维，取0或1（正常组织区域取0，肿瘤组织区域取1）。

所有的输入和输出模式应用于网络计算，当达到设定的总训练次数或者总体误差小于设定的一定数值后训练结束。经过多次试验，BP神经网络的隐含层设定为21层。

表1 像素位置关系Table 1 Pixel position relation

3.2 网络聚类

将经过基本训练后的神经网络应用于其他图像样本聚类，聚类结果见图3，包括之前的输入样本2例（样本1、2）和待分割样3例（样本3、4、5）。

图3 经基本训练后的BP网络分割后的结果（其中1A、2A为2例输入样本，1B、2B为其分割结果；3A、4A、5A为3例待分割样本，3B、4B、5B为其分割结果）Fig 3 BP network segmentation results after basic training

4 讨论

3.1 由图1B～3B可见，经基本训练后的BP神经网络可以实现对绝大多数脑MRI的正常组织和肿瘤组织的正确分类。但是，图4B、5B作为相同 BP神经网络分割后的结果，其效果与前三例有着很大的差异：分割后的肿瘤区域与部分正常组织区域边界不清，说明BP神经网络模型并没有对正常的组织区域进行准确聚类。

进一步分析可知，由于模糊的正常组织区域与肿瘤区域灰度值差异小，且训练样本中模糊区域在输入样本图像中所占比例小，样本训练时产生误差对总体误差影响小，训练所得神经网络忽略了对相关神经元间连接权的修改。

因此，针对图3中4A、5A样本中左下和右下部分的模糊区域被错误聚类为肿瘤区域的此类误分割问题，需要对被误判的模糊区域进行大量提取作为输入样本，将其输出模式结果都修改为0（非肿瘤区域），从而增大模糊区域像素点在输入样本中所占比例，有针对性的增大输出误差，促使网络继续修改权系数。如图4所示，提取样本的模糊区域，重新输入网络中进行训练。

图4 提取的模糊区域Fig 4 Extraction of fuzzy area

再对2例带有模糊区域的样本进行聚类，结果见图5，可以看出，通过针对性训练后的BP神经网络有很大的改善，能将肿瘤区域分割开来，误判区域明显缩小。

图5 针对性训练前、后的BP网络进行脑MRI分割后的对比结果Fig 5 Comparison between images before and after targeted training of BP network

3.2 从图5中分割结果可以发现，在白色正常组织中会零星分布被误判为肿瘤组织的黑点，在黑色肿瘤组织中也同样有被误判为正常组织的白点。我们采用特殊的滤波算法来减少这些与一定区域灰度值不同的点。

此滤波算法是将分割结果的二值化图像中待处理像素点的局部区域的边界像素值进行判断。在这黑白图像中，若所有的边界像素值与待处理像素值不一致，则待处理像素值将被修改与边界像素值一致。经过多次试验，将此滤波算法模板大小设定为5，能取得较好的处理效果。

3.3 为了评价分割效果，将临床医生手动分割的脑组织图像作为金标准［18］。将图5中针对性训练后的结果进行滤波处理，处理后的结果见图6D。

图6 各项处理后的结果与金标准图4D、5D为滤波处理后的结果；4E、5E为各自的金标准Fig 6 Results of the processed results and gloden standards

采用四个定量指标分别为Dice相似性系数（dice similarity coefficient，DS）、Jaccard相似性系数（jaccard similarity coefficient，JS）、假阳性率（false positive rate，FPR）和假阴性率（false negative rate，FNR）来评价分割结果［18］。其定义如下：

其中A代表处理后的结果，B代表金标准。

表2 三个步骤处理后的分割结果比较Table 2 The comparison of image segmentation processed by three steps

由表2可以看出，滤波处理后的图像分割结果降低了误判率，分割的准确率显著提高。

5 结论

根据BP神经网络的特性，经过训练后的BP神经网络已经记忆了各种输入样本与输出结果之间的非线性映射关系。经过预处理的大脑MRI图像，按照基本训练时的输入模式，从网络的输入层进入网络，经过网络运算，就可以从网络的输出层获得相应的结果。

经过加强针对模糊区域训练，BP神经网络可以有效分割含有模糊区域的大脑MRI。分割出的肿瘤区域边界十分明显，左下角和右下角的模糊区域大部分被聚类为正常组织，总体上分割较为精确。

此外，在BP神经网络分割的基础上引入特殊的滤波处理算法，减少了正常组织与肿瘤组织中的误判现象，进一步提高了分割的准确率。

综上所述，和一般的MRI分割方法相比，BP神经网络只需考虑各像素的灰度值，省去了复杂的特征提取，而且由于其较好的鲁棒性和自适应性，噪声、模糊等干扰因素不用加以考虑，可进行有效图像分割。