基于量子神經(jīng)網(wǎng)絡(luò)的腫瘤細(xì)胞圖像識(shí)別研究.pdf

1、胃粘膜腫瘤細(xì)胞圖像（簡(jiǎn)稱(chēng)腫瘤細(xì)胞圖像）屬于一種醫(yī)學(xué)圖像也是自然圖像，一方面，腫瘤細(xì)胞之間具有較大的復(fù)雜性和差異性并且組織器官的形狀不是規(guī)則的；另一方面，腫瘤細(xì)胞圖像數(shù)據(jù)具有高階統(tǒng)計(jì)的特性，使其服從非高斯分布，這樣就導(dǎo)致腫瘤細(xì)胞圖像存在大量的冗余信息。因此常用的一些分類(lèi)方法像支持向量機(jī)、貝葉斯等，在分類(lèi)非線性、高維性的胃粘膜腫瘤細(xì)胞圖像時(shí)，分類(lèi)效果并不理想。由于量子神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的模式概括和泛化能力，在圖像分類(lèi)識(shí)別上具有優(yōu)勢(shì)，將其應(yīng)用于

2、經(jīng)過(guò)基于正態(tài)逆高斯分布(normal inverse gaussian distribution, NIG)的非負(fù)稀疏編碼（ non-negativesparse coding，NNSC）神經(jīng)網(wǎng)絡(luò)提取腫瘤細(xì)胞的特征圖像上，構(gòu)建了一種基于量子神經(jīng)網(wǎng)絡(luò)的腫瘤細(xì)胞圖像分類(lèi)器，分類(lèi)效果有所提高?；狙芯克枷肴缦拢?br>　　首先，量子神經(jīng)網(wǎng)絡(luò)是量子計(jì)算理論和人工神經(jīng)網(wǎng)絡(luò)的結(jié)合，使其具有很強(qiáng)的并行處理能力，在學(xué)習(xí)能力、記憶容量、有效性、回憶速度、

3、信息處理速度和消除災(zāi)變性失憶能力等方面具有較強(qiáng)的優(yōu)勢(shì)。量子自組織特征映射神經(jīng)網(wǎng)絡(luò)（quantum self-organizing feature mapping neural network，QSOFM）具有量子計(jì)算的優(yōu)點(diǎn)也有人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，這些特點(diǎn)使其在醫(yī)學(xué)圖像的分類(lèi)識(shí)別中具有天然的優(yōu)勢(shì)，本文就是利用QSOFM的優(yōu)勢(shì)和特點(diǎn)構(gòu)建了基于QSOFM的腫瘤細(xì)胞圖像分類(lèi)器用于分類(lèi)識(shí)別。
　　其次，因?yàn)槟[瘤細(xì)胞圖像的復(fù)雜性、高維性和含有

4、大量冗余信息等特點(diǎn)，把其直接作為QSOFM腫瘤細(xì)胞圖像分類(lèi)器的輸入會(huì)導(dǎo)致分類(lèi)器運(yùn)行速度很慢和分類(lèi)效果不理想。所以需要尋找一種降維方法來(lái)解決這個(gè)問(wèn)題，在常用的數(shù)據(jù)降維方法中，主成分分析（Principal Component Analysis，PCA）具有理論完善和最優(yōu)線性重構(gòu)誤差等特點(diǎn)，可以有效的提取圖像的特征信息。因此，把 PCA應(yīng)用到腫瘤細(xì)胞圖像的降維中。經(jīng)過(guò)降維操作就得到了一個(gè)低維度包含圖像有效信息的數(shù)據(jù)作為QSOFM的輸入。

5、r>　　最后，為了進(jìn)一步提取腫瘤細(xì)胞圖像的特征信息達(dá)到提高圖像分類(lèi)器的識(shí)別率，利用基于NIG的NNSC神經(jīng)網(wǎng)絡(luò)對(duì)腫瘤細(xì)胞圖像進(jìn)行特征提取來(lái)得到特征圖像，把包含了圖像本質(zhì)信息的特征圖像作為基于QSOFM的腫瘤細(xì)胞圖像分類(lèi)器的輸入,比輸入原始圖像有更高的效率和更好的效果。所以本文融合基于NIG的NNSC的神經(jīng)網(wǎng)絡(luò)構(gòu)建一個(gè)基于NIG的NNSC和QSOFM的腫瘤細(xì)胞圖像分類(lèi)模型。該模型是一個(gè)兩層神經(jīng)網(wǎng)絡(luò)模型,第一層用于特征提取，第二層用于分類(lèi)識(shí)