脈沖耦合神經(jīng)網(wǎng)絡(luò)在超聲圖像中的研究.pdf

1、隨著近年來(lái)各學(xué)科研究的飛速發(fā)展，人們對(duì)醫(yī)學(xué)圖像處理的要求也隨之增高。雖然目前已經(jīng)有很多學(xué)者針對(duì)醫(yī)學(xué)圖像的處理目的研究出一些相關(guān)的算法，但尋求速度快、精度高的圖像處理算法仍是目前醫(yī)學(xué)圖像處理的難點(diǎn)和熱點(diǎn)。脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network, PCNN)來(lái)自于研究人員對(duì)哺乳動(dòng)物視覺(jué)皮層細(xì)胞的研究成果，通過(guò)對(duì)其脈沖同步現(xiàn)象進(jìn)行觀察研究，總結(jié)出了PCNN的神經(jīng)元模型。目前，國(guó)內(nèi)外 PCNN的研究還處于起步

2、階段，還有待于進(jìn)一步的擴(kuò)展和深化。
　　本文在借鑒前人經(jīng)驗(yàn)思想的基礎(chǔ)上，經(jīng)過(guò)分析比較現(xiàn)有文獻(xiàn)中的PCNN模型，選用了合理的PCNN簡(jiǎn)化模型。然后將其應(yīng)用到圖像處理中，在每一步處理中對(duì)模型中的各個(gè)參數(shù)進(jìn)行分析研究，解決了PCNN模型在超聲圖像處理中的相關(guān)應(yīng)用問(wèn)題，進(jìn)一步深化了對(duì)PCNN的理解。
　　本文結(jié)合PCNN和圖像處理的最新理論研究成果，開(kāi)展了如下的研究工作：(1)針對(duì)受混合噪聲（脈沖噪聲和高斯噪聲）干擾的灰度圖像，提出

3、了基于簡(jiǎn)化PCNN模型的綜合濾波算法。通過(guò)在實(shí)驗(yàn)中與傳統(tǒng)降噪算法的比較得出，該算法不但能有效濾除混合噪聲的干擾，還能保護(hù)圖像中的邊緣和細(xì)節(jié)信息，降噪后圖像的主觀視覺(jué)效果較好，客觀評(píng)價(jià)指標(biāo)性能較高，在信噪比和去噪能力方面都有一定的提高。
　　(2)將PCNN引入到醫(yī)學(xué)超聲圖像的處理領(lǐng)域，針對(duì)超聲圖像的成像特點(diǎn)，通過(guò)選擇適當(dāng)?shù)腜CNN網(wǎng)絡(luò)參數(shù)，模擬人眼視覺(jué)特性，提出了一種基于PCNN的超聲圖像增強(qiáng)算法。經(jīng)過(guò)計(jì)算機(jī)仿真表明，使用本文的增

4、強(qiáng)算法能夠得到比傳統(tǒng)經(jīng)典算法更好的處理結(jié)果，能為臨床提供內(nèi)容清晰的超聲圖像，便于醫(yī)生診斷觀察以及對(duì)超聲圖像的進(jìn)一步分析處理。本方法對(duì)于后續(xù)的醫(yī)學(xué)圖像的病灶自動(dòng)分割有著重要的意義，大大提高計(jì)算機(jī)輔助診斷的正確率。
　　(3)提出了針對(duì)超聲圖像病灶區(qū)域的分割算法。針對(duì)以往基于PCNN的分割算法網(wǎng)絡(luò)參數(shù)難以確定的問(wèn)題，結(jié)合粒子群算法的自動(dòng)尋優(yōu)能力，同時(shí)以改進(jìn)的最大熵函數(shù)作為適應(yīng)度函數(shù)，在熵函數(shù)達(dá)到最大時(shí)，自動(dòng)終止迭代過(guò)程，省去了人工交互