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(jìn)行處理，從而提高醫(yī)學(xué)圖像信息的利用率，有助于實(shí)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(xì)胞活動而建立的神經(jīng)網(wǎng)絡(luò)模型，是對真實(shí)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(jìn)行分組的特點(diǎn)，并能減小圖像局部灰度差值，彌補(bǔ)圖像局部微小間斷等特點(diǎn)。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(jìn)了傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型理論并將其運(yùn)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(diǎn)，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(qiáng)度相似性輸入的神經(jīng)元將在同一時刻點(diǎn)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(diǎn)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(jìn)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(diǎn)上無任何畸變和失真。本文算法實(shí)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(xì)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(jìn)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(jìn)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(jī)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(jìn)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(xì)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(diǎn)火二值圖進(jìn)行異或，點(diǎn)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(jī)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