基于PCNN的醫(yī)學圖像分割算法研究.pdf

1、隨著醫(yī)療技術的飛速發(fā)展，人們對醫(yī)學圖像處理的要求也隨之增高，速度快、精度高的圖像處理算法是目前醫(yī)學圖像處理研究熱點和難點。由于醫(yī)學圖像成像過程的復雜性、不確定性以及不同個體間存在的廣泛差異性，因而研究自動而準確地分割出感興趣區(qū)域的分割方法具有重要的理論意義和實用價值。 脈沖耦合神經(jīng)網(wǎng)絡作為新一代的神經(jīng)網(wǎng)絡，在圖像處理方面具有其它分割方法無法比擬的優(yōu)點，它能夠彌補輸入數(shù)據(jù)的空間上的不連貫和幅度上的微小變化，從而較完整地保留圖像的區(qū)

2、域信息。本文在深入研究PCNN基本模型的基礎上，為了實現(xiàn)醫(yī)學圖像的最佳分割，針對傳統(tǒng)的PCNN模型需要人工設定大量參數(shù)以及閾值衰減方式不穩(wěn)定等問題，提出了一種PCNN的改進模型，并將其應用在醫(yī)學圖像的分割上。該模型簡化了PCNN的接受部分，改進了連接輸入L的取值方式，改進了PCNN的閾值衰減方式，維持了神經(jīng)元的點火狀態(tài)，從而大大減少了初始參數(shù)的數(shù)量，提高了模型對像素空間信息的描述能力，加快了模型的收斂速度。仿真實驗表明，該改進模型具有收

3、斂速度快、細節(jié)處理好的特點。 針對改進模型無法自動判定最佳迭代次數(shù)的問題，以本文提出的PCNN改進模型為基礎，以實現(xiàn)對醫(yī)學圖像的準確快速分割為目標，結合醫(yī)學圖像的模糊性和像素點的空間信息，給出了基于最大模糊熵和基于最小二維交叉熵的最佳分割迭代次數(shù)的判定準則，實現(xiàn)了模型最佳循環(huán)迭代次數(shù)的自動確定，并分別與基于香農(nóng)熵和基于最小交叉熵的分割結果進行比較。仿真實驗表明，本文給出的兩種判定準則對醫(yī)學圖像有著較好的分割效果，其中采用最大模糊