动态混合结构膜系统及算法的研究与应用

Membrane computing is one of the important new models in biological computing, which has been applied in optimization, fault diagnosis etc. For the purpose of computing, membrane systems simplify the structure into tree and graph. However, most applications (ecological population systems, optimizations in engineering, fault diagnosis etc.) need to investigate computing systems with complex topology. Clustering of large data requires high parallelism. The inherent characteristics of regional segmentation make P systems have high parallelism, distributed and scalable. Therefore, the combination of P systems and cluster analysis is significant. Clustering algorithms are widely used in the field of image segmentation. Whereas, there still exist many problems (low accuracy etc ). In this project, (1)membrane systems are extended into dynamic and hybrid structures: dynamic grid tree, dynamic partial order based graph, dynamic simplex are designed; (2) the computing power of new membrane systems is investigated, the object-oriented simulation is designed; (3) two classes of membrane systems based clustering algorithms are constructed; (4) the membrane clustering algorithms are used on OCT medical image for the segmentation of CNV and its lesion area. The project will provide a new class of membrane systems and its simulations, also extends the applications of membrane computing.

膜系统是生物计算领域的重要新型计算模型之一，已在许多领域有了一些成功的应用。膜系统以计算为目的，简化其结构为树状和网状，但许多实际应用都需要复杂拓扑结构。大规模数据聚类需要模型具有强大的并行计算能力。区域分割特点使膜系统具有高并行性、分布式及可扩展的特点，非确定性有助于加速计算方法。因此，将膜计算与聚类分析结合具有重要意义。聚类算法广泛应用于图像分割领域，但现有算法存在准确度低等问题。本项目拟(1)扩展膜系统为动态混合结构，设计动态网格树、动态偏序图和动态单纯复形三种复杂拓扑结构；(2)形式化描述动态混合结构膜系统，分析其计算能力，设计其面向对象仿真；(3)设计膜联合、膜直接聚类算法；(4)使用膜聚类算法对光学相干断层扫描血管造影图像的脉络膜新生血管进行自动分割，获得精确的脉络膜新生血管及其病变区域。期望提供新型膜系统及仿真、提高聚类算法性能。同时，拓展膜计算的应用范围。

本项目主要研究了三个方面的问题。1）提出了超图-链式混合拓扑结构膜系统及其相应的对象、规则，并通过模糊多目标聚类分析，验证了模型的计算能力；设计了单纯复形膜系统，并与玻尔兹曼机结合；设计了链式、菱形结构脉冲神经膜系统，应用于图聚类算法中；2）提出了基于改进动态细胞型膜系统的密度聚类算法和基于改进的组织型膜系统的网格聚类算法，并应用于脉络膜新生血管自动分割中；结合膜系统的并行计算能力，以及在优化算法上表现出的收敛性、鲁棒性，设计了深度膜计算模型，在新型膜计算模型中进行多个基于区域的卷积神经网络的集成学习，用于糖尿病视网膜多病变自动分割中，获得了至今最优结果；3）进一步研究了基于深度学习的医学图像处理，分析了不同类型医学图像的特点，并有针对性地改进了深度学习模型，提出了两阶段全卷积神经网络，分别使用改进的U-net模型对多发脑转移瘤进行检测和分割，达到了100%的检测率，分割结果达到80%，提高了自动检测和分割的准确度。新型膜系统的构建及其在医学图像处理中的应用，对于提高膜计算的应用范围，高效准确地获得肿瘤区域，精确评估病灶，具有重要价值。