肿瘤诊断课件

,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,肿瘤诊断,1,肿瘤诊断1,肿瘤细胞诊断,问题提出,肿瘤通过穿刺采样,（1）良性,（2）恶性,细胞核的特性,直径、质地、周长、面积、光滑度、紧密度、凹陷度、凹陷点数、对称度、断裂度,2,肿瘤细胞诊断问题提出 细胞核的特性2,实验数据,500个病例,每个病例包括10个特征量的平均值、标准差和最坏值,模型：30个特征数据,提取特征、分类识别,问题：,判断另外69名已经做穿刺采样的患者,良性、恶性,3,实验数据500个病例问题：3,数学方法,（1）统计方法,欧氏距离，马氏距离,（2）神经网络,学习识别,4,数学方法（1）统计方法4,生物神经元结构,（1）细胞体,（2）树突,（3）轴突,（4）突触：可塑性,5,生物神经元结构 5,神经元功能,（1）兴奋与抑制：,（2）学习与遗忘：,6,神经元功能 （1）兴奋与抑制：6,MP神经网络模型,图2-2-2 MP神经元模型,（a）,7,MP神经网络模型 图2-2-2 MP神经元模型（a）7,MP神经网络模型另一式：,8,MP神经网络模型另一式：8,作用函数的形式,9,作用函数的形式9,10,10,对称型阶跃函数,图,2-2-3,11,对称型阶跃函数图2-2-3 11,感知器,感知器是模拟人的视觉，接受环境信息，并由神经冲动进行信息传递的神经网络。,感知器分单层与多层，是具有学习能力的神经网络。,12,感知器感知器是模拟人的视觉，接受环境信息，并由神经冲动进行信,单层感知器,单层感知器,13,单层感知器 单层感知器13,学习算法步骤：,14,学习算法步骤： 14,单层感知器的应用,两类模式分类,高维样本空间中，用一个超平面将两类样本分开。,若输入的两类模式是线性可分，则算法一定收敛。,局限性,若输入模式为线性不可分集合，网络的学习算法不收敛，不能进行正确分类,。,15,单层感知器的应用 两类模式分类15,线性可分集合,16,线性可分集合16,三维空间上的两类模式,17,三维空间上的两类模式17,（3）,可引伸到,n,3维空间上的线性可分集合，一定可找到一超平面，将输入模式分为两类。由,n,输入/单输出的单层感知器实现。,线性不可分集合。,二维平面上的两类模式异或（XOR）问题，见表。,二维平面中不存在一条直线，将输入模式分为两类，此输入模式称线性不可分集合，见图。,可见：单层感知器不能解决异或问题。,18,（3） 可引伸到n3维空间上的线性可分集合，一定可,多层感知器,19,多层感知器19,三层感知器解决异或（XOR）问题,20,三层感知器解决异或（XOR）问题20,三层感知器可识别任一凸多边形或无界的凸区域。 更多层感知器网络，可识别更为复杂的图形。,21,三层感知器可识别任一凸多边形或无界的凸区域。,