脈沖耦合神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像處理中的應(yīng)用研究.pdf

1、目前醫(yī)學(xué)影像已成為發(fā)展最快的技術(shù)領(lǐng)域之一，廣泛應(yīng)用于診斷和治療，是現(xiàn)代醫(yī)學(xué)中的重要手段和工具。醫(yī)學(xué)圖像處理是醫(yī)學(xué)影像技術(shù)極為重要的一個環(huán)節(jié)，它能有效地對醫(yī)學(xué)圖像進行處理，從而提高醫(yī)學(xué)圖像信息的利用率，有助于實現(xiàn)對病變特征信息的提取，使臨床醫(yī)生對病變部位觀察更直接具體，提高確診率。脈沖耦合神經(jīng)網(wǎng)絡(luò)作為第三代人工神經(jīng)網(wǎng)絡(luò),有著生物學(xué)背景,是通過模擬哺乳動物視覺皮層神經(jīng)細胞活動而建立的神經(jīng)網(wǎng)絡(luò)模型，是對真實神經(jīng)元的簡化與近似。該模型具有對圖像

2、二維空間相似、灰度相似像素進行分組的特點，并能減小圖像局部灰度差值，彌補圖像局部微小間斷等特點。同時具有鏈接域特性和動態(tài)閾值衰減特性，能夠使?fàn)顟B(tài)相似的神經(jīng)元同步輸出脈沖。因此，它更接近視覺系統(tǒng)處理圖像的過程，尤其是它的非線性調(diào)制特性，在醫(yī)學(xué)圖像處理中具有廣泛的應(yīng)用前景。 本文改進了傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型理論并將其運用于對醫(yī)學(xué)圖像處理，主要做了如下幾方面的工作： 1、醫(yī)學(xué)圖像成像系統(tǒng)復(fù)雜，在獲取、顯示和傳輸過程中，不可避

3、免地引入了各種噪聲，主要是高斯噪聲和脈沖噪聲。本文根據(jù)脈沖噪聲、高斯噪聲的性質(zhì)和特點，在脈沖耦合神經(jīng)網(wǎng)絡(luò)有耦合鏈接狀態(tài)下，以相似性集群發(fā)放同步脈沖，具有空間鄰近、亮度強度相似性輸入的神經(jīng)元將在同一時刻點火。利用脈沖耦合神經(jīng)網(wǎng)絡(luò)同步脈沖發(fā)放特性來定位脈沖噪聲和高斯噪聲點的位置，在脈沖耦合神經(jīng)網(wǎng)絡(luò)控制下只對噪聲像素進行處理，鄰域內(nèi)亮度基本一致的大多數(shù)像素亮度的均值作為該噪聲像素的灰度值,提高了圖像濾波的性能。而對非噪聲像素,像素的灰度值濾波

4、前后不變化,這樣保證了噪聲污染前的圖像和濾波后的圖像之間在非噪聲像素點上無任何畸變和失真。本文算法實現(xiàn)了圖像自適應(yīng)濾波，與傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)相比，無需多次遍歷，提高了效率，節(jié)省了時間。本文方法在去除醫(yī)學(xué)圖像混合噪聲的同時能很好地保留圖像的細節(jié)和邊緣信息，處理效果明顯優(yōu)于均值濾波、中值濾波、維納濾波等去噪方法，尤其是對高密度的脈沖噪聲、高方差的高斯噪聲及其混合噪聲的醫(yī)學(xué)圖像進行處理。 2、醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像理解、三維重建、可

5、視化、配準(zhǔn)等處理的基礎(chǔ)，對疾病的診斷和治療有著重要的臨床意義。本文將脈沖耦合神經(jīng)網(wǎng)絡(luò)引入醫(yī)學(xué)圖像分割領(lǐng)域，提出了一種基于單位連接脈沖耦合神經(jīng)網(wǎng)絡(luò)、最大交叉熵和亞均值濾波的醫(yī)學(xué)圖像分割方法。該算法用單位連接脈沖耦合神經(jīng)網(wǎng)絡(luò)沿著由高亮度值的方向分層次依次分解灰度圖像，采用圖像最大交叉熵來判定單位連接脈沖耦合神經(jīng)網(wǎng)絡(luò)進行圖像分割的最優(yōu)結(jié)果，同時采用亞均值濾波來克服噪聲對分割過程的影響。該算法使用單位連接脈沖耦合神經(jīng)網(wǎng)絡(luò)解決了傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)

6、絡(luò)圖像分割參數(shù)選擇的難題，優(yōu)化了脈沖耦合神經(jīng)網(wǎng)絡(luò)模型，使神經(jīng)元鏈接輸入通道信號得到統(tǒng)一，將動態(tài)閾值劃分、區(qū)域的空間位置關(guān)系及圖像最大交叉熵有機地結(jié)合在一起，利用單位連接脈沖耦合神經(jīng)網(wǎng)絡(luò)中脈沖的傳播對圖像進行自然而迅速地自動分割，解決了迭代次數(shù)無法確定問題。本文算法可有效地自動分割各種不同醫(yī)學(xué)圖像，能分割到醫(yī)學(xué)圖像大量細節(jié)信息，檢測出病灶，有一定的抗噪能力，處理速度較快，分割效果優(yōu)于閾值分割、Otsu自適應(yīng)閾值分割等方法。 3、在

7、醫(yī)學(xué)圖像邊緣檢測方面，本文提出了一種基于單位連接脈沖耦合神經(jīng)網(wǎng)絡(luò)醫(yī)學(xué)圖像邊緣檢測方法，先用單位連接脈沖耦合神經(jīng)網(wǎng)絡(luò)將醫(yī)學(xué)圖像分割為二值圖像，再將亮區(qū)（背景）和暗區(qū)（目標(biāo)）的點火二值圖進行異或，點火脈沖依著目標(biāo)的形狀自然地同步傳播，從而迅速地得到目標(biāo)的自然而完整的邊緣。該算法無需選取參數(shù)，且神經(jīng)元參數(shù)對結(jié)果不敏感，網(wǎng)絡(luò)的鄰域相似性集群機制使得檢測算法具有一定的自適應(yīng)性，可迅速、自然而準(zhǔn)確地提取灰度圖像的邊緣。與傳統(tǒng)圖像邊緣檢測算法相比，本