1、肿瘤诊断相关资料肿瘤诊断相关资料肿瘤细胞诊断肿瘤细胞诊断问题提出问题提出 肿瘤通过穿刺采样肿瘤通过穿刺采样（1）良性）良性（2）恶性）恶性 细胞核的特性细胞核的特性 直径、质地、周长、面积、光滑度、紧密度、直径、质地、周长、面积、光滑度、紧密度、凹陷度、凹陷点数、对称度、断裂度凹陷度、凹陷点数、对称度、断裂度2肿瘤诊断相关资料实验数据实验数据n500个病例个病例n每个病例包括每个病例包括10个特征量的平均值、标准差和个特征量的平均值、标准差和最坏值最坏值n模型：模型：30个特征数据个特征数据n提取特征、分类识别提取特征、分类识别问题：问题：n判断另外判断另外69名已经做穿刺采样的患者名已经做穿
2、刺采样的患者n良性、恶性良性、恶性3肿瘤诊断相关资料数学方法数学方法（1）统计方法）统计方法 欧氏距离，马氏距离欧氏距离，马氏距离（2）神经网络）神经网络 学习识别学习识别4肿瘤诊断相关资料生物神经元结构生物神经元结构 （1）细胞体）细胞体 （2）树突）树突 （3）轴突）轴突 （4）突触：可塑性）突触：可塑性5肿瘤诊断相关资料MPMP神经网络模型神经网络模型 0)(xf 1 x(b)作用函数 图2-2-2 MP神经元模型 )(ixf i （a）7肿瘤诊断相关资料MPMP神经网络模型另一式：神经网络模型另一式：8肿瘤诊断相关资料作用函数的形式作用函数的形式 图 2-2-3 （a）1 （b）2 9
3、肿瘤诊断相关资料 图 2-2-3 （c）1 （d）2 10肿瘤诊断相关资料对称型阶跃函数对称型阶跃函数图2-2-3 11肿瘤诊断相关资料感知器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。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。感知器分单层与多层，是具有学习能力的神经网络。12肿瘤诊断相关资料单层感知器单层感知器 单层感知器 njuuu1 yx nw 1w )(xf )(xf 13肿瘤诊断相关资料 学习算法步骤：学习算法步骤：14肿瘤诊断相关资料单层感知器的应用单层感知器的应用 两类模
4、式分类两类模式分类 高维样本空间中，用一个超平面将两类样本分开。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。若输入的两类模式是线性可分，则算法一定收敛。局限性局限性 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，不能进行正确分类敛，不能进行正确分类。15肿瘤诊断相关资料线性可分集合线性可分集合y表表2-3-1 uu12 y 0 0 0 1 0 0 0 1 0 1 1 1 (a)分类器结构 2w 1w 0w y 10u 21uu 1u 2u(b)平面上两类模式分界线 图 2-3-2 平面上两类模式分类
5、16肿瘤诊断相关资料三维空间上的两类模式三维空间上的两类模式 表表2-3-2 321uuu y 0 0 0 0 0 0 1 0 0 1 0 0 0 1 1 0 1 0 0 1 1 0 1 1 1 1 0 1 1 1 1 1 2u1u 0w 10u y 1w 3w 2w 321uuu 图 2-3-3 三维空间上的两类模式分类 17肿瘤诊断相关资料 （3）可引伸到可引伸到n3维空间上的线性可分集合，一定可找到一超平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。由面，将输入模式分为两类。由n输入输入/单输出的单层感知器实现。单输出的单层感知器实现。线性不可分集合。线性不可分集合。二
6、维平面上的两类模式二维平面上的两类模式异或（异或（XOR）问题，见表。）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。可分集合，见图。可见：单层感知器不能解决异或问题。可见：单层感知器不能解决异或问题。2u 1u 18肿瘤诊断相关资料多层感知器多层感知器 W2W1y 2z21uu 1z图 2-3-5 三层感知器结构 19肿瘤诊断相关资料 三层感知器解决异或（三层感知器解决异或（XOR）问题）问题 W2W1y 2z21uu 1z图 2-3-5 三层感知器结构 模式空间分两类 1u 2u y 与u1、u2 1 2uy1u 20肿瘤诊断相关资料 三层感知器可识别任一凸多边形或无界的凸区域。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。更多层感知器网络，可识别更为复杂的图形。21肿瘤诊断相关资料
