神经网络的应用PPT.ppt

BP、RBF神经网络在小细胞与非小细胞肺癌鉴别诊断中的应用 选题的背景 （1）计算机的发展 。 （2）肺癌CT图像携带着丰富的纹理信息。 （3）临床医生有一定人为失误。 选题目的和意义 （1）将肺癌CT图像进行批量处理，提高小细胞与非小细胞肺癌的正确识别率。 （2）有助于临床医生的诊断，减少人为失误，有利于医患关系的发展。 样本采集 训练完成的BP网络对10%测试集样本测试的相关指标 训练完成的BP网络对20%测试集样本测试的相关指标 训练完成的BP网络对30%测试集样本测试的相关指标 训练完成的RBF网络对10%测试集样本测试的相关指标 训练完成的RBF网络对20%测试集样本测试的相关指标 训练完成的RBF网络对30%测试集样本测试的相关指标 GUI图形用户界面设计 登陆界面 GUI图形用户界面设计 主界面 GUI图形用户界面设计 图像处理 GUI图形用户界面设计 神经网络 BP、FBR神经网络鉴别诊断 采用RBF神经网络比BP神经网络的识别率略高，但两种神经网络都得到了比较满意的效果。 总结与展望 毕业设计具有一定的创新性； 有待解决和改进的地方。 RBF网络训练（30%） 谢谢 各位老师！ * * 肺癌CT图像批量处理的实现 用如下的语句实现： pathname=uigetdir(cd,请选择文件夹); if pathname==0 msgbox(您没有正确选择文件夹); return; end filesjpg=ls(strcat(pathname,\*.jpg)) 小细胞与非小细胞肺癌 CT图像纹理特征提取 小细胞与非小细胞肺癌CT图像增强 (1)用中值滤波对肺癌CT图像进行图像平滑。 (2)采用直方图均衡化，在空间域中进行图像 增强。 相关函数如下： med=medfilt2(in); %中值滤波 [Gray,T]=histeq(med,64); %直方图均衡化 小细胞与非小细胞肺癌 CT图像纹理特征提取 步长的不同取值会对GLCM有很大的影响。 选出最佳步长。 小细胞与非小细胞肺癌 CT图像纹理特征提取 小细胞与非小细胞肺癌 CT图像纹理特征提取 小细胞与非小细胞肺癌 CT图像纹理特征提取 小细胞与非小细胞肺癌 CT图像纹理特征提取 选取最佳步长d=3。 图像灰度级取256； 计算灰度共生矩阵； 提取特征值。 用xlswrite语句将提取的特征值写入excel中。 小细胞与非小细胞肺癌 CT图像纹理特征提取 matlab中具体实现的相关函数 graycomatrix：由图像创建灰度共生矩阵 graycoprops ：得到灰度共生矩阵“对比度”、“相关性”、“能量”、“逆差距”四个属性 说明 BP神经网络 BP神经网络： BP：逆传播学习算法— Back Propagation BP模型主要用于：函数逼近、模式识别、分类、 数据压缩 BP神经网络 BP网络结构示意图： BP网络训练 样本数据归一化； 输入层的选择； 输出层的选择； 隐含层的选择。 BP网络训练 Matlab中的具体实现函数如下： 创建BP神经网络： 以批处理的方式来训练网络的函数train： BP网络训练 根据采集的样本创建BP神经网络，进行网络的训练及测试，分别取测试集为总数据的10%、20%、30%得到的结果如下： 取10%的图像作为测试样本的结果： 取20%的图像作为测试样本的结果： 取30%的图像作为测试样本的结果： RBF神经网络 RBF神经网络： RBF：径向基函数—Radial Basis Function RBF模型主要用于：函数拟合、模式识别 RBF神经网络 RBF网络结构示意图： RBF网络训练 根据采集的样本创建RBF神经网络，进行网络的训练及测试，分别取测试集为总数据的10%、20%、30%得到的结果如下： RBF网络训练（10%） RBF网络训练（20%） *