1、腫瘤細胞圖像作為一種常用的醫(yī)學圖像和自然圖像,具有細胞結構復雜、圖像冗余度高和圖像高階統(tǒng)計特性服從非高斯分布的特點。不少研究學者通過提取圖像的幾何特征來實現(xiàn)腫瘤細胞圖像的分類,但并未取得較好的分類效果。為此,本文從統(tǒng)計學角度出發(fā),提出了一種基于非負稀疏編碼和神經(jīng)網(wǎng)絡的腫瘤細胞圖像分類模型。該模型利用非負稀疏編碼(NNSC)和自組織特征映射(SOFM)神經(jīng)網(wǎng)絡的原理,能夠自適應的提取腫瘤細胞圖像中的本質特征,最終較好地實現(xiàn)腫瘤細胞圖像的分

2、類。其基本思想如下所述:
　　首先,通過模仿大腦初級視皮層神經(jīng)細胞對外界環(huán)境的稀疏響應機制,構建了一層基于非負稀疏編碼的腫瘤細胞圖像特征提取神經(jīng)網(wǎng)絡。該層網(wǎng)絡為無監(jiān)督和自適應的前饋式神經(jīng)網(wǎng)絡,通過對大量未標記的訓練樣本進行學習,能夠得到優(yōu)于傳統(tǒng)編碼方法提取的圖像特征基。實驗結果表明本文方法提取的特征基具有良好的方向性,空間局部性和帶通性。該層網(wǎng)絡在接收樣本圖像輸入的同時,計算得到具有有效判別性和高稀疏性的NNSC系數(shù)(即特征圖像)

3、。
　　其次,由于特征圖像作為一種紋理圖像,像素之間存在的統(tǒng)計相關性使得其維數(shù)仍然較高。因此,為了消除這種統(tǒng)計相關性和降低特征圖像的維數(shù),本文利用了L-矩的方法計算得到特征圖像子塊的高階統(tǒng)計特征(方差、偏度和峭度),并將其作為下一步分類神經(jīng)網(wǎng)絡的特征輸入。
　　然后,構建了基于NNSC和SOFM神經(jīng)網(wǎng)絡的腫瘤細胞圖像分類器模型。該模型是在成功獲取 NNSC系數(shù)的高階統(tǒng)計特征的基礎上,通過利用 SOFM神經(jīng)網(wǎng)絡的學習算法,對計