基于Spike神經(jīng)網(wǎng)絡(luò)的腦組織圖像分割算法研究.pdf

1、腦組織 MR圖像分割對(duì)諸如老年癡呆癥、多發(fā)性硬化、癲癇癥、精神分裂癥等腦部病灶的研究和診斷有著至關(guān)重要的作用，在去除腦殼的腦部 MR圖像中通過應(yīng)用不同標(biāo)記來區(qū)分腦白質(zhì)（White-Matter，WM）、腦灰質(zhì)（Gray-Matter，GM）和腦脊髓液（Cerebrospinal Fluid，CSF）。當(dāng)MR圖像存在噪聲如光強(qiáng)漸變時(shí)，現(xiàn)有多閾值灰度圖像分割方法難于對(duì)WM、GM以及CSF區(qū)域進(jìn)行有效分割。
　　當(dāng)噪聲如光強(qiáng)漸變導(dǎo)致前景

2、與背景難于區(qū)分時(shí)，多閾值灰度圖像就會(huì)因未考慮鄰域像素空間相關(guān)性而分割失敗。為利用鄰域像素的空間相關(guān)信息，擬采用 Spike神經(jīng)網(wǎng)絡(luò)（Spike Neural Network，SNN）模擬像素及其之間的連接，利用SNN脈沖時(shí)間的同步與異步來分割腦組織不同區(qū)域。SNN采用精準(zhǔn)脈沖時(shí)間編碼方式模擬生物特性的神經(jīng)元，比采用閾值和sigmoid等神經(jīng)元的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)計(jì)算能力更強(qiáng)。
　　采用高斯接受域的群體編碼將像素灰度值編碼成精準(zhǔn)的SNN脈

3、沖時(shí)間，然后基于腦組織圖像的鄰域像素空間信息以及 SNN的時(shí)間編碼特性，構(gòu)造了基于延時(shí)Izhikevich神經(jīng)元的雙層反饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在競爭處理層中采用興奮、抑制神經(jīng)元橫向連接（興奮與抑制神經(jīng)元數(shù)量為8:2），在競爭處理層與輸出結(jié)果層之間采用帶反饋的全連接方式，輸出結(jié)果層神經(jīng)元的個(gè)數(shù)則由待分割的區(qū)域數(shù)確定。
　　利用腦組織圖像梯度信息初始化突觸間延時(shí)，基于winner-takes-all競爭思想并利用脈沖時(shí)間依賴可塑性（Spik

4、e Timing-Dependent Plasticity，STDP），實(shí)現(xiàn)了突觸之間權(quán)值的動(dòng)態(tài)學(xué)習(xí)與調(diào)整。隨著動(dòng)態(tài)學(xué)習(xí)與調(diào)整過程的進(jìn)行，腦組織圖像相似部分的脈沖時(shí)間越來越同步，而不同部分的脈沖時(shí)間越來越異步。最終，不同脈沖時(shí)間解碼成腦組織的不同掩膜，即完成了腦組織圖像三個(gè)不同區(qū)域的分割。
　　采用時(shí)鐘驅(qū)動(dòng)和事件驅(qū)動(dòng)相結(jié)合的方式編程并進(jìn)行了仿真實(shí)驗(yàn)，并與經(jīng)典的K-means和Kohonen神經(jīng)網(wǎng)絡(luò)圖像分割算法進(jìn)行了對(duì)比。實(shí)驗(yàn)表明，