Abstract
應用類神經綱路於超音波肝臟組織的分類，到目前為止仍然是一種新的嘗試。本質上，超音波影像的品質並不好。雜訊太強、影像取得不易等因素，使得這方面的研究不易獲得突破。雖然曾經有人使用傳統的分類方法來做分析，其結果卻往往不盡理想。為了提高準確率，並加快處理的速度，在本篇論文裡，我們特別選擇了於眾多應用中均有不凡表現的類神經綱路，來為超音波肝臟影像分類眾所熟悉的向後傳輸型網路(Back Propagation)，自然是第一個選擇。它的確擁有相當高的準確度，但是，訓練學習時間太長與所需神經處理單元的數目過多，整體而言，這種方法並不符合經濟效益。因此，我們選擇了另一稱為自我組織映射法 (Self Organizing Maps) 的架構。除了也擁有不差的準確度之外，自我組織映射法所須的神經處理單元與訓練學習時間，均較向後傳輸型綱路為少，是頗值得重視的地方。但是，由於受到自我組織映射法本身訓練法則的影響，除了造成部分訓練時間的浪費之外，並使得神經處理單元不能做更有效的利用。為了彌補這些缺憾，我們更提出了一套機動神經處理單元增加法 (Dynamic Neurons-Adding Method)，並觀察到兩種有關於收斂情況的現象，可以完全針對上述自找組織映射法的缺點而加以改進。由於自我組織映射法對神經元比重的調整方法是每送入一組訓練向量，便將一群神經元往這組向量移動。如此，久而久之，不免造成許多神經元集中於某一訓練族群的現象。原則上，一個較疏的族群應該要比一個較密的族群須要更多的神經元去描述它的邊界。自我組織映射法要做到這一點並不容易。機動神經處理單元增加法(Dynamic Neurons-Adding Method) 就是要克服這一項困難，利用逐漸增加神經處理單元的做法，以避免神經元過於集中，並進而提高準確率。另一項亟待克服的問題便是收斂問題。以我們所提出的方法而言，當訓練漸漸到達收斂狀態時，所有神經元的比重調整量與獲勝率應該趨於一固定值。如此，便可適時停止訓練，對節省訓練時間相富有幫助。