CN1127940C - 自动确定人工神经网络识别癫痫样放电阈值的方法及装置 - Google Patents

Abstract

一种自动确定人工神经网络识别癫痫样放电阈值的方法及装置，包括以双向电路联结的数据采集器、计算机，并在该计算机内存建立BP人工神经网络输入暂存区，参数暂存区，该人工神经网络输出总峰值分布曲线，特点是包括以程序联结的确定阈值程序模块，使得可依藉本发明装置实现无医生参与的全自动确定用人工神经网络识别脑电图中的癫痫样放电的阈值。

Description

自动确定人工神经网络识别癫痫样放电阈值的方法及装置

本发明涉及一种检测癫痫病情的装置，具体地说，是一种自动确定人工神经网络识别癫痫样放电(Epileptiform Discharges，简称ED)阈值的方法及装置。

众所周知，癫痫是一种常见病，患病率约占人口的0.4％，患者发病时常有失去知觉倒地，全身抽搐等表征，是危害人民健康的重要疾病。首先要正确地诊断是否癫痫，使之和其它有类似症状的疾病区分开来，采取正确的治疗措施，目前常用的方法是记录患者的脑电图，再由医生来分析脑电图，看其中是否有癫痫样放电，作为癫痫诊断的主要客观依据，关于这方面，本申请人已于1998年12月30日向中国专利局提交名称为“全自动判断脑电图中有无癫痫样放电的装置”的发明专利申请(申请号CN 98122894.1)，在这份申请中主要解决“有”和“没有”ED的定性判断。这对于采取正确的治疗路线是十分重要的。对于有ED的病人，如综合其他病症判断为癫痫病人，接着医生就需要了解病人的癫痫病发作的具体情况，发作频繁程度如何，ED的数量和在什么时间、什么情况下发作等等，以决定用什么药、用药量多少等，在治疗一阶段以后，医生需要知道治疗的效果如何、有效、无效、效果好不好等等，考虑是否继续用同类药继续治疗下去，药量是否要增减，还是改用另一种药。癫痫病的病情可主要在ED的数量和其时间分布上看到。除非病人的发作十分频繁，则在医院里，常规的脑电图记录中也可以看到ED，一般需要作动态脑电记录，就是连续记录24小时的病人脑电。由医生来人工分析动态脑电图是十分费时、费力的，因为24小时记录得到的数据量十分庞大，如果逐页显示，再由医生来判读，每一份动态脑电图就需要花费医生几个小时的时间，而且还得不到定量的结果，只是一个定性印象。如果要做定量测量，那么医生再要做很多测量和统计工作，还要把结果绘成图表，这样一天时间也许医生只能处理一个病人的动态脑电记录。有丰富经验的脑电分析医生目前在大城市中还不多，自然中小城市则更少，甚至没有，而广大农村、边缘地区，更是没有这方面专业人才，因此癫痫病人将不可能得到有效的、有针对性的治疗。

对于动态脑电的判读迫切需要计算机的自动化，这项工作国际学术界经过了20多年的努力，效果已明显改进，尤其是近年来用“人工神经网络”来检测ED，更是把这项工作推向一个新水平，ED的识别率已明显提高，假阳性率已大大下降，到目前为止以张彤等在《(中国生物医学工程学报》1998，17(1)：1-11发表的“脑电图癫痫波的自动检测与分类”之技术方案水平最高，他们采用分层次，多方法整合途径将自动适应预测、小波变换、人工神经网络、模糊识别系统、专家系统等信号处理技术结合起来，检测癫痫波取得了良好的结果，还能对癫痫波进行分型。但该方法相当复杂，需用高速和大容量计算机，成本较高，也不利于快速识别。该论文距实用、特别是到广大的小城市、边疆地区去推广应用尚有很大距离，如果把该文所得的具体方法、参数、网络连接权重等固定下来，推广应用，则由于癫痫病人的情况多种多样，不同地区、民族也可能有所不同等等，所得的测试结果不可能都好，也很有可能出现较大性能下降的情况。

在用人工神经网络识别ED的过程中，阈值的确定非常重要，当一片段脑电信号输入人工神经网络使其网络输出值超过阈值时，就判断它为ED。低于阈值时就判断它不是ED。当阈值设定偏高时，则识别率下降，当阈值设定偏低时，则假阳性率上升，只有在阈值设定合适时才能同时兼顾识别率高和假阳性率低。

张彤等论文中设定的是一个固定的阈值，为了使识别率高，必须将阈值设定偏低，为了消除由此而引起的假阳性率上升问题，他们引入了专家系统等方法，自然，这也不是容易的事。因此他们论文中的“结论”部分中写着“专家系统的知识规则还有很大补充、修改的余地”。

我们在实验中看到同一个网络对不同病人的ED识别的最佳阈值是不同的，有的甚至相差较大。如果给网络设定一固定阈值或者只定下一个阈值范围，这样会因阈值不准确而影响识别结果，这是很难适应对于所有病人的ED的自动检测。

以前，最佳阈值都是由有经验的医生来确定的。他们也要先设定一个值，然后看识别率和假阳性率的情况，再慢慢调节阈值，使识别率仍然高而假阳性率相当低，才得到最佳阈值。

目前，动态脑电记录都是在记录完以后才回放和识别的。在记录的过程中由于没有设定好阈值，无法判断是否ED。再则由于动态脑电记录中的微控制器计算能力有限，无法完成复杂的识别工作，只能等记录完成以后把数据送回主机，由主机来完成识别工作。

由主机来做识别工作，要化费不少时间才能处理完记录下来的大量数据，使整个系统的效率大大下降。

癫痫发作时病人常会有失去知觉、倒地、全身抽搐等症状，如果病人正在驾驶汽车就会酿成重大事故。如果发作前ED增多的情况能及时发现，并作出报警，病人即使在驾车，他可以立即把车停到路边，就可以避免这类事故。但是，现在的动态脑电记录仪只能在记录完以后告诉病人昨天癫痫病的情况。希望动态脑电记录仪在一边记录的同时，一边识别，当识别出ED增多有癫痫发作前兆时能立即报警，病人可立即做出应对措施，避免发作造成的伤害。对于这一类智能动态记录仪，需要有一个装置，能计算出该病人的ED识别阈值，而且下载给它，它就可以边记录，边识别了。

迄今为止，能自动确定人工神经网络识别ED阈值的装置未见报导，人们一直找不到这样一项即使对有经验的医生也是相当复杂的工作如何交给计算机来做的算法。

本发明的目的提供一种确定用人工神经网络检测ED的阈值的方法和无需医生参与的全自动确定人工神经网络检测ED的阈值的装置。

本发明是这样实现的，根据本发明人多年来对ED病人的脑电图的研究、分析，得出了如何确定ED阈值的方法，其包括如下步骤：

1、将病人脑电输入人工神经网络，并由该网络输出总峰值分布曲线。网络输出一个个的峰，把每个峰值和其出现的次数画成一条网络输出峰值分布曲线，即总峰值分布曲线；

2、该总峰值分布曲线上存在ED区，非ED区和混合区；

对该总峰值分布曲线上的非ED区用幂函数y＝A(C-X)^B进行拟合，形成拟合曲线；

3、将该拟合曲线逐步向总峰值分布曲线上的混合区外推，直至拟合曲线与X轴相交，便完成对非ED分布曲线的最后确定；

4、将该总峰值分布曲线减去非ED分布曲线，得出ED分布曲线；

5、从该ED分布曲线和非ED分布曲线确定ED阈值。

根据上述的本发明的确定ED阈值的方法而制造的全自动确定人工神经网络识别癫痫样放电网值的装置。其包括以双向电路相联结的数据采集器和计算机，该数据采集器与一多路脑电放大器相连接，该计算机连接打印机或直接下载给智能动态脑电记录仪(图1，图2)，在该计算机中的内存储器中建立人工神经网络的输入暂存区，参数暂存器，并驻留有BP(前馈逆传播学习算法)算法程序，每一路脑电信号在该神经网络中有相应的输入节点，该人工神经网络(图3)由二个三层BP子网络组成，分别称为左子网络和右子网络，左子网络和右子网络的输出经加权平均后，组成网络输出0，左、右子网络各有三层：输入层、隐含层和输出层，在该计算机的内存中分别设置输入层数据存贮区、隐含层数据存贮区和输出层数据存储区，对于一个BP子网络，W_ji表示输入层第i个节点到隐含层第j个节点的联接权重，W_ji表示隐含层第j个节点到输出层第1个节点的联接权重，隐含层和输出层的节点含有偏置值；θ_j表示隐含层第j个节点的偏置值，θ_l表示输出层第1个节点的偏置值；隐含层节点和输出层节点的输入输出激励函数为：

f(X)＝1/(1+exp(-X))；其中，X为节点输入，f(x)为节点输出；

一个输入层有ni个节点，隐含层有nj个节点，输出层有nl个节点的子网络，Pi表示子网络第i个节点的输入值，H_INj表示隐含层第j个节点的输入值，H_OUTj表示隐含层第j个节点的激活值，O_INl表示输出层第1个节点的输入值，O_OUTl表示输出层第1个节点的输出值，其前馈按下列前馈公式进行计算； $H_{\mathrm{Inj}}=\underset{i=1}{\overset{n_i}{\mathrm{\Σ}}}(W_{\mathrm{ji}}\×P_i)+{\mathrm{\θ}}_j$

 H_OUTj＝1/(1+exp(-H_INj)) $O_{\mathrm{INl}}=\underset{j=1}{\overset{n_j}{\mathrm{\Σ}}}(W_{\mathrm{lj}}\×H_{\mathrm{OUTj}})+{\mathrm{\θ}}_l$

 O_OUTl＝1/(1+exp(-O_INl))

输出层只有一个节点，左、右两个子网络的输出分别表示为O_l和O_r，左子网络的加权系数为φ，则右子网络的加权系数为1-φ，网络的输出：

O＝φO_l+(1-φ)O_r，其输出值为0～1之间的一个确定值；

本发明的特点是在该计算机内存贮器中驻留如后面要说明的确定阈值程序模块。脑电信号输入本发明装置后，人工神经网络输出的峰值组成峰值分布曲线，据此曲线经阈值确定程序处理后，产生确定的阈值，最后由打印机打印阈值数值或直接下载给智能动态脑电记录仪。

上述的与多路脑电放大器相连接的电极，其安置系采用国际10-20系统，头皮单极16通道记录结构；而该前馈逆传播学习算法网络的误差函数预置值E＝0.01，学习因子η＝0.01；动量因子α＝0.05，隐含层节点个数H＝16，左子网络加权系数φ＝0.5，ED与非ED模式的标准差倍数M＝10。

本装置处理的病人是用“全自动判断脑电图中有无癫痫样放电装置”分析过而且判定为有ED的病人。

本发明的优点：

1、实现不需医生参与的全自动确定人工神经网络识别ED的阈值，其结果接近有经验医生的水平。

2、省却了医生的繁琐、艰苦的劳动，省时，省力，因此特别适用于广大的小城镇、农村和边远地区，因为那里根本就没有有经验的脑电医生。病人得癫痫病后，必须到大中城市才能治疗、费钱又费时。

3、本装置和智能动态脑电仪结合，可使该记录仪发展成为有实时报警功能的装置，有利于病人在报警后，采取措施避免发作引起的伤害，使之成为边记录、边识别的动态脑电记录仪，使主机效率大大提高，产生明显的经济效益。

4、由于本装置对于每个病人，计算出适合该病人的阈值，再对该病人进行检测，因此有很强的适应能力，可以在不同地区、不同民族的区域内应用。

本发明的附图简单说明如下：

图1是使用本发明与一多路脑电放大器及打印机或一智能动态脑电记录仪构成全自动确定用人工神经网络检测脑电图中ED的阈值的系统的方块示意图。

图2是本发明中的数据采集器电路原理图。

图3是本发明中的BP网络的拓扑结构图。

图4是本发明中的确定阈值程序模块的流程图。

图5是病人A三种峰值分布曲线图。

图6是病人B三种峰值分布曲线图。

图7是病人C三种峰值分布曲线图。

下面根据图1～图4给出本发明一个较好实施例，并予以详细描述，以使能更好地说明本发明的结构特征、功能，而不是用来限制本发明的权利要求保护范围。

请参阅图1和图2，如图所示，本发明装置包括以双向电路联结的数据采集器2和计算机3，该数据采集器2与多路脑电放大器1相连接，该计算机3输出的阈值由打印机4打印，也可由显示屏显示，或通过串口下载到智通动态脑电记录仪。在本实施例中，多路脑电放大器1为16道脑电放大器；实验时采用日本光电公司(NIHON KOHDEN)4217型脑电图机记录脑电图，记录电极的安置采用国际10-20系统头皮单极16道记录，经高通0.3Hz和低通60Hz滤波后描记在纸上，同时把放大后的脑电信号送入数据采集器2、该数据采集器2的模数转换的位数为10bit，采集频率为200次/秒，计算机3采用486微型计算机。

请参阅图3，它显示本发明的人工神经网络的拓补结构，它是以盖博(Gabor)等的方法为基础，经对网络参数优化后的BP网络，它由二个三层BP子网络组成，分别称为左子网络和右子网络，各有三层：输入层、隐含层和输出层，对于一个BP子网络，W_Ji表示输入层第i个节点到隐含层第j个节点的联接权重，W_lj表示隐含层第j个节点到输出层第1个节点的联接权重，隐含层和输出层的节点含有偏置值。θ_j表示隐含层第j个节点的偏置值，θ_j表示输出层第1个节点的偏置值。隐含层节点和输出层节点的输入输出激励函数为：

f(X)＝1/(1+eXp(-X))

该网络的误差函数预置值E＝0.01；学习因子η＝0.01；动量因子α＝0.05；输入层节点和隐含层节点个数均为16，输出层节点数为1。左子网络加权系数少＝0.5；ED与非ED模式之问的标准差倍数M＝10。

设对于一个输入层有n_i个节点，隐含层有n_j个节点，输出层有n_l个节点的子网络，Pi表示子网络第i个节点的输入值，H_INj为隐含层第j个节点的输入值。H_OUTj表示隐含层第j个节点的激活值。O_INl表示输出层第1个节点的输入值。O_OUTl表示输出层第1个节点的输出值，本发明的前馈按下列公式进行计算； $H_{\mathrm{Inj}}=\underset{i=1}{\overset{\mathrm{ni}}{\mathrm{\Σ}}}(W_{\mathrm{ji}}\×P_i)+{\mathrm{\θ}}_j,$

   H_OUTj＝1/(1+exp(-H_INj))， $O_{\mathrm{INl}}=\underset{j=1}{\overset{\mathrm{nj}}{\mathrm{\Σ}}}(W_{\mathrm{lj}}\×H_{\mathrm{OUTj}})+{\mathrm{\θ}}_l,$

   O_OUTl＝1/(1+exp(-O_INl))。

输出层只有一个节点，左右两个子网络的输出分别表示为O_l和O_r。左子网络的加权系数为φ，右子网络的加权系数为1-φ，则网络输出为：

   O＝φO_l+(1-φ)O_r

我们在计算机3的内存区建立了上述BP网络的算法，16路脑电信号送入BP网络的相应的16个输入节点Pl₁、Pl₂……Pl₁₆；Pr₁、Pr₂……Pr₁₆；网络输出值为0～1之间的某一确定值。

自动确定阈值的方法说明如下：

本发明中确定阈值的算法的基础是网络输出峰值分布曲线，将病人脑电输入人工神经网络，网络输出曲线的高低变化形成一个个的峰，每个峰有峰值。把峰值和该峰值发生的次数画成一条曲线即网络输出值分布曲线(简称总峰值分布曲线)。在这些峰中间，有的是ED形成的峰，有的是非ED形成的峰，总峰值分布曲线是由这二部分叠加而成的，对于ED形成的峰由其峰值与该峰值发生的次数可画出ED峰值分布曲线，同样方法可画出非ED峰值分布曲线，本算法的要点是要把总峰值分布曲线分解开来，分成ED和非ED二条峰值分布曲线。

一、总峰值分布曲线的特点：对ED为弥漫型棘慢复合波的病人A，ED为弥漫型尖慢复合波的病人B和ED为局灶型的棘波病人C，对它们三人的总峰值分布曲线进行仔细观察，如图5、图6和图7所示，可以看到总峰值分布曲线存在三个显著区分的区域：ED区(ED的峰占95％以上)，非ED区(非ED区的峰占95％以上)和混合区(ED的峰约占30％，非ED的峰约占70％)。

二、对上述病人和另外7位病人的非ED峰值分布曲线进行分析，它们可用幂函数y＝A(C-X)^B进行回归分析，y是峰的个数，x是峰值，A、B、C三个是常数。非ED峰值分布曲线用幂函数拟合后，其相关系数均大于相关系数临界值r_0.01，表明幂函数回归方程是有效的。

三、峰值分布曲线的分解：分解方法的思路是在总峰分布曲线的非ED区内简化地认为就是非ED峰值分布曲线，用幂函数y＝A(C-X)^B进行拟合。然后再将此拟合曲线向混合区外推。

为了提高拟合的精度，把某一峰值PV_i的总的出现次数小于从拟合曲线计算出的出现次数，该峰值PV_i以下的各峰值的出现次数均认为近似是非ED形成的，再重新拟合，一直到这种情况不再出现为止。拟合曲线计算出来的出现次数是非ED的出现次数，总出现次数应大于等于非ED的出现次数，因为还有ED的出现次数叠加在上面。如果小于非ED出现次数，则实验表明就可作上述近似简化。这样不断增加参加拟合的曲线上的点，就可以提高拟合精度，因为非ED峰值分布曲线有相当大的涨落。

当拟合曲线与x轴相交即y＝0时，拟合结束。y不可能是负数。这时的拟合曲线就代表非ED峰值分布曲线，总峰值分布曲线减去非ED峰值分布曲线，就得ED峰值分布曲线，分解完成。

请参阅图4，它示出了本发明的确定阈值程序的流程图，其步骤如下：

程序开始→步骤10，判别该病人是否有专用人工神经网络，有则→步骤11，输入专用神经网络的连接权重，偏置值等→步骤13，把它们存入现用人工神经网络参数存储区。若该病人没有专用网络→步骤12，从内部存储区取出基本人工神经网络的连接权重，偏置值等→步骤13。→步骤14，将病人脑电信号输入现用人工神经网络→步骤15，测量网络输出峰值PV，计算PV与其出现次数y的关系，即峰值分布曲线y＝f(PV)→步骤16，判别峰的总个数≥3000吗？若小于3000个，则返回步骤14，若大于等于3000个，则→步骤17，找出PV在0.70以下范围内的y的最大值y_o，此时PV＝PV_o，则→步骤18，从PV_o开始逐渐增大PV值，找出PV_w，使y(PV_w)≤(1/8)y_o，令PV_k＝PV_w，→步骤19，从PV_o到PV_k的峰值分布曲线用幂函数yc＝A(C-PV)^B进行拟合，→步骤20，将此拟合曲线从PV_k向PV值增加的方向逐步外推，并计算yc，→步骤21，判别yc≤0？若yc≤0执行步骤24，若Y_c＞0则执行步骤22，若y≥yc，则返回，执行步骤20，若y＜yc，→步骤23，使PV_k＝PV_i，并返回执行步骤19；若执行步骤21时之yc≤0，则执行步骤24，拟合曲线结束，近似认为yc＝A(C-PV)^B是非ED的网络输出峰值分布曲线，→步骤25，计算ED分布曲线ye＝g(PV)即在相同PV时，ye＝y-yc，若在某一PV_i值时y＜yc，则此时令g(PV_i)＝0，→步骤26，计算各PV值时的假阳性率，→步骤27，设在PV＝PV_s时假阳性率最接近10％，则定义阈值PV_T＝PV_s，-步骤28，将阈值PV_T打印输出并在监视器上显示，程序结束。

还要说明的是：

一、步骤10-13决定现用人工神经网络的参数，若病人有专用神经网络，则此专用人工神经网络即为现用人工神经网络，若病人没有专用人工神经网络，本装置以基本人工神经网络为现用人工神经网络，该基本人工神经网络由ED为弥漫性棘慢复合波的病人的ED训练而得。

二、步骤14-16是为获得总峰值分布曲线。峰的总个数如不足3000，则涨落现象引起曲线的统计误差偏大。

三、步骤17-19将总峰值分布曲线的非ED区作为非ED分布曲线，用幂函数拟合。

四、步骤19-23将拟合曲线逐步向混合区外推。

步骤24-29拟合结束，把拟合曲线yc＝A(C-PV)^B就近似作为非ED分布曲线(步骤24)，用总峰值分布曲线减去非ED分布曲线就剩下ED分布曲线(步骤25)。根据ED分布曲线可算出ED的总数TN，在某一阈值PV以上区域内非ED的个数总和为FN，则可算出相对于该阈值PV时的假阳性率FP＝FN/TN就可以据此定出阈值(步骤26-27)。

定义假阳性率多少时为阈值，国际上并不一致，有的定为20％、有10％、也有5％。比较下来10％比较适中，因此选定这个值，这说明根据本算法定出的阈值而确定ED中约有10％的假阳性率。

步骤28，打印和显示阈值PV_T或下载至一智能动态脑电记录仪，程序结束。

Claims (3)

1、一种确定识别癫痫样放电阈值的方法，其步骤包括：

a、将病人脑电输入人工神经网络，并由该网络的输出计算出总峰值分布曲线，网络输出一个个的峰，把每个峰值和其出现的次数画成一条网络输出峰值分布曲线，即总峰值分布曲线，

b、对该总峰值分布曲线的非ED区用幂函数y＝A(C-X)^B进行拟合，形成拟合曲线，其中，y是峰的个数，X是峰值，A，B和C是常数，

c、将该拟合曲线逐步向总峰值分布曲线上的混合区外推，直至拟合曲线与x轴相交，便完成对非ED分布曲线的最后确定，

d、将该总峰值分布曲线减去非ED分布曲线，得出ED分布曲线，

e、从该ED分布曲线和非ED分布曲线确定ED阈值。

2、根据权利要求1所述的确定识别癫痫样放电的阈值的方法制成的自动确定人工神经网络识别癫痫样放电阈值的装置，包括以双向电路相联结的数据采集器和计算机，该数据采集器与一多路脑电放大器相连接，该计算机连接打印机或直接下载给智能动态脑电记录仪，在该计算机中建立人工神经网络，每一路脑电信号在该神经网络中有相应的输入节点，以及驻留有BP算法程序，该人工神经网络由二个三层BP子网络组成，分别称为左子网络和右子网络，左子网络和右子网络的输出经加权平均后，组成网络输出O，左、右子网络各有三层：输入层、隐含层和输出层，在该计算机的内存中分别设置输入层数据存贮区、隐含层数据存贮区和输出层数据存储区，对于一个BP子网络，W_ji表示输入层第i个节点到隐含层第j个节点的联接权重，W_lj

表示隐含层第j个节点到输出层第1个节点的联接权重，隐含层和输出层的节点含有偏置值；θ_j表示隐含层第j个节点的偏置值，θ_l表示输出层第1个节点的偏置值；隐含层节点和输出层节点的输入输出激励函数为：

f(X)＝1/(1+exp(-X))

其中，X为节点输入，f(x)为节点输出，

一个输入层有n_i个节点，隐含层有n_j个节点，输出层有n_l个节点的子网络，P_i表示子网络第i个节点的输入值，H_INj表示隐含层第j个节点的输入值，H_OUTj表示隐含层第j个节点的激活值，O_INl表示输出层第1个节点的输入值，O_OUTl表示输出层第1个节点的输出值，则前馈按下列公式进行一计算； $H_{\mathrm{INj}}=\underset{i=1}{\overset{n_i}{\mathrm{\Σ}}}(W_{\mathrm{ji}}\×P_i)+{\mathrm{\θ}}_j$ H_OUTj＝1/(1+exp(-H_INj)) $O_{\mathrm{INl}}=\underset{j=1}{\overset{n_j}{\mathrm{\Σ}}}(W_{\mathrm{lj}}\×H_{\mathrm{OUTj}})+{\mathrm{\θ}}_l$ O_OUTl＝1/(1+exp(-O_INl))

对于输出层只有一个节点的子网络，左右两个子网络的输出分别表示为O_l和O_r，左子网络的加权系数为φ，则右子网络的加权系数为1-φ，并网络输出算出总峰值分布曲线，其特征在于：

在该计算机的内存贮器中还驻留与该人工神经网络以程序联结的确定识别癫痫样放电阈值程序模块。

3、根据权利要求2所述的自动确定人工神经网络识别癫痫样放电阈值的装置，其特征在于所说的确定识别癫痫样放电阈值程序模块，其流程包括：决定现用人工神经网络的参数；获得总峰值分布曲线y＝f(PV)；用幂函数对该峰值分布曲线进行拟合；将拟合曲线不断向PV增大方向外推，得到非ED网络输出峰值分布曲线，并由此计算ED分布曲线；根据ED分布曲线得出阈值并打印、显示。

Images