结论
本设计针对脂肪肝B超图像识别，主要研究三种模式识别方法，包括BP神经网络、自组织特征映射神经网络和模糊C-均值聚类算法。通过Matlab仿真结果可以看到，三种方法都达到了一定的识别率，其中BP网络的识别率最高，因此只对BP神经网络用VC++编程实现。以处理灰度共生矩阵特征值的BP网络为例，输入神经元数为12,输出神经元数为2,隐层神经元数分别取为15和25。在训练过程中，每训练一个样本的特征矢量修正一次权值，我们选取期望训练误差为10-3，最大训练步数为l0000 ,如果在最大训练步数以内，网络的误差降到期望误差之下，则训练停止，而且认为网络已经训练成功；如果训练步数超过最大训练步数，而网络误差还没有降到期望误差之下，则训练停止，且认为网络训练失败。经过网络训练测试，针对我们所选取测试样本，BP网络对正常肝的识别率可达85.71%，对脂肪肝的识别率可达84.78%；网络训练耗时在40秒左右，实现了对脂肪肝的识别目的，具有一定的推广、概括能力。
在设计过程中遇到的主要问题有：
1、在仿真阶段，数据的有效性很大程度上影响着分类器的训练时间以及识别效果，针对数据本身的问题，在不违背选取原则的基础上尽量选用比较典型的数据。
2、网络的层数以及各层的神经元数目也有很大的影响，针对网络构建，则是经过很多次的仿真才最终确定下网络参数经验值。
脂肪肝B超图像识别涉及到了医学超声学知识、图像处理、模式识别等多方面的知识。本文的研究工作还需要进一步改善，可以从以下几个方面入手：
1、在对脂肪肝的判别上，到目前为止，国内外都没有统一的标准，本次设计中所用到的标准是通过对大量已知结果图片进行特征提取而得出的。这些已知图片是医生凭经验得出的，具有一定的主观性。这就需要国内外各方面的专家共同努力，早日攻克医学标准化这一世界难题，实现医学诊断精确性。
2、在多层前向BP网络训练的过程中也出现了不少问题，网络结构直接影响网络的逼近能力及推广性质，但是到目前为止尚无一种统一而完整的理论指导，一般只能由经验选定，所以本设计选择的网络的结构有可能没有达到最优。网络的预测能力与训练能力存在矛盾。在设计的过程中出现了所谓的“过拟合”现象，即随着训练能力的提高，预测能力反而下降。针对这个问题，本课题采取了整理和调整训练样本，避免发生了“过拟合”现象。但如果本系统要投入实际的应用，如何更好地解决“过拟合”现象，也将是进一步研究的重点。
随着科学技术的不断发展，越来越多的人投身到医学图像领域，在未来的发展中有很大的潜力。经过研究工作者的努力，医学图像识别率一定能得到很大提高，从而促进医学事业的发展。


本电子电气通信自动化毕业设计“脂肪肝B超图像特征识别方法研究”论文由清风毕业设计网[www.lunwen550.com]征集整理！