PCNN的優(yōu)化及在醫(yī)學圖像分割中的應用研究.pdf

1、脈沖耦合神經網絡(PulseCoupledNeuralNetwork，PCNN)是20世紀90年代發(fā)展起來的一種新型神經網絡，其神經元模型是依據貓、猴等動物的大腦皮層上同步脈沖發(fā)放現象提出來的，具有傳統(tǒng)的神經網絡所不具備的優(yōu)點，主要包括動態(tài)性、同步脈沖發(fā)放、動態(tài)脈沖發(fā)放三個特點。
　　 一、神經元的動態(tài)性。與傳統(tǒng)的神經網絡采用輸入信號的加權和直接與閾值相比不同，PCNN采用輸入信號與突觸通道的脈沖響應函數的乘積與閾值相比較。另外

2、，神經元的閾值不是常數，而是隨時間變化的，且其變化既與上一時刻的閾值有關，也與神經元當前的輸出有關;
　　 二、同步脈沖發(fā)放特性。PCNN采用這樣的結構，即每個神經元有一個輸入(對應于圖像中一個像素的灰度值)，并與鄰近神經元的輸出相連接。從神經元的角度講，對應較亮像素的神經元可以比對應較暗像素的神經元更快地點火(即脈沖發(fā)放)，而從整個網絡的角度來看，當一個神經元點火時，它會將其輸出送至與其相鄰的神經元的輸入上，從而引起鄰近神經元

3、先于自然點火時刻而提前點火，這樣就會導致在圖像的一個大的區(qū)域內產生同步振蕩。所以，存在耦合連接的PCNN其行為特征就為:以相似性集群發(fā)放同步脈沖。這就意味著具有空間鄰近、亮度相似輸入的神經元將在同一時刻點火，這時的PCNN是以空間鄰近和亮度相似集群的特征將圖像映射變換為含有時間特性的點火圖。這一性質對于圖像分割、圖像目標自動識別、圖像融合等具有非常重要的應用意義;
　　 三、動態(tài)脈沖發(fā)放特性。PCNN神經元的變閾值特性是其動態(tài)脈

4、沖發(fā)放的根源。如果將由輸入信號與突觸通道脈沖響應函數的乘積所產生的信號稱為神經元的內部作用信號，則當此作用信號超過閾值時，相應的神經元被激活而產生高電平輸出，又由于閾值受神經元輸出的控制，導致該神經元輸出的高電平反過來提升閾值，從而使作用信號變得低于閾值，神經元立即恢復為原來的抑制狀態(tài)。這一過程在神經元輸出端明顯地形成了一個脈沖發(fā)放，其中變閾值特性直接影響神經元被抑制和激活，而硬限幅函數則實現神經元輸出端脈沖的產生，它們相互作用的結果是

5、使神經元輸出動態(tài)發(fā)放脈沖，而發(fā)放脈沖的頻率和相位則與神經元輸入有關，故神經元輸出可視為是對輸入信號的某種頻率調制或相位調制，從而攜帶了輸入信號的特征，這種特征對于我們進行模式的分類和識別、圖像處理、以及目標優(yōu)化將十分有用。
　　 通過近十幾年來的發(fā)展，PCNN的理論與應用都取得了很大進步，并逐漸替代傳統(tǒng)的人工神經網絡成為當前應用廣泛的神經模型。但是PCNN需要恰當設置其數學模型中的門限參數、衰減時間常數、加權因子等，其循環(huán)迭代的

6、終止條件的確定更是一個難題，單獨的PCNN很難滿足圖像處理或數值優(yōu)化的各種不同需要，需要對其進行優(yōu)化并結合其他相關模型或算法以達到更大的應用效果。因而，加快PCNN的理論和實際應用研究具有重要的、深遠的意義。
　　 本文以醫(yī)學圖像分割為目的，在對PCNN進行優(yōu)化的基礎上，分別提出基于PCNN的腦MR圖像分割算法及胸部CT圖像的肺葉分割算法，主要完成的工作如下:
　　 (1)PCNN模型的優(yōu)化
　　 本文在總結并分

7、析當前已有方法的優(yōu)點的基礎上，提出了一種更為簡潔高效的PCNN模型。主要從以下三個方面進行優(yōu)化:
　　 A.采用最大熵準則作為PCNN循環(huán)結束的判斷條件，避免其通過無法預計的迭代循環(huán)封閉地尋求最優(yōu)解;
　　 B.優(yōu)化PCNN模型結構，使神經元對外部刺激的反應更敏感，同時降低了PCNN對參數設置的依賴性。主要優(yōu)化包括:(i)反饋輸入直接對應外部刺激，使神經元對應的物理意義更明確，鏈接輸入維持自然變化特征，確保算法的精度;(

8、ii)針對反饋輸入等于外部刺激的改進，內部活動項采用加權和的方式耦合反饋輸入與鏈接輸入，這種改變既能保證初始狀態(tài)跟原始的PCNN過程一致，又維持了PCNN神經元集群點火的特性;(iii)脈沖產生部分采用常量點火閾值，大大減少計算量;
　　 C.采用帶權值的神經元連接模式，使其更符合生物特征。為了更好地應用圖像提供的結構信息以及提高算法的速率，鏈接輸入使用歸一化連接權值系數，同時使中心部位的神經元的權值略大于所有鄰接神經元權值之和

9、。這樣，中心神經元只受整體鄰接神經元的影響而不會受個別鄰接神經干擾，具有較強的抗干擾性。
　　 (2)基于優(yōu)化PCNN的腦MR圖像分割方法
　　 磁共振腦圖像比較復雜，腦部各組織之間相互混迭沒有清晰的邊界，不同個體之間的差異性較大，以及成像過程中磁場的不均勻性、部分容積效應以及噪聲的影響造成的圖像內在的不確定性等，使分割問題顯得更為復雜和困難。本文在預處理過程中先利用頭部MRI圖像的先驗知識將腦組織分離出來，并且根據腦組

10、織的直方圖分析得到WM與GM、GM與CSF的最優(yōu)分割閾值，然后再利用優(yōu)化的PCNN將腦組織分割為白質(WhiteMatter，WM)、灰質(GrayMatter，GM)、腦脊液(cerebrospinalfluid，CSF)。
　　 預處理的具體步驟如下:先對三維圖像采用OSTU(大津法，最大類間方差法)去背景得到腦組織和顱骨組織數據，然后采用三維形態(tài)學開操作(先腐蝕再膨脹)去除腦組織和顱骨組織的相連接的部分，再用三維區(qū)域增長得

11、到完整的腦組織，最后分析腦組織數據的直方圖，得到完整的腦組織數據以及兩個最優(yōu)分割閾值。設腦組織圖像為S，分割閾值為T，最大熵值為H(m)，最大熵值對就的分割結果為Rslt，每次迭代過程中的熵值為H(1)，最大迭代次數為Nm。算法流程如下:
　　 第一步，初始化參數。按上述模型初始化連接權系數w;令Fijk[n]=Sijk，Y(ij)k[0]=1,Hm=0,Rsltijk=0;
　　 第二步，計算內部活項U(i)jk[n]

12、及網絡輸出。Li(j)k[n]=∑Wijk(lmn)Y(lmn)[n-1]。U(ij)k[n]=Fijk[n]*Lijk[n];如果U(i)jk[n]＞T，Yijk[n]=1，否則Yijk[n]=0;
　　 第三步，計算最大互信息熵。通過Y[n]計算得到本次分割結果的熵值H(t)，如果H(t)＞Hm，則Hm=H(t)，且Rslt=Y[n];
　　 第四步，判斷迭代是否結束。如果n＞Nm‖Ht＜＜Hm，則結束迭代，Rslt

13、即為分割結果;否則返回到第二步。
　　 由于白質密度偏大，可先分割出白質，然后從剩下的部分中分離出灰質。另外，腦脊液對于影像學診斷沒有輔助意義，則直接從腦組織數據中減去白質與灰質得到腦脊液圖像。
　　 實驗證明，本文提出的三維PCNN分割算法相對于傳統(tǒng)的PCNN及其它腦部圖像分割算法更精簡、更高效。該算法無需復雜的參數選取過程，使用最大熵原則控制迭代次數，可迅速而準確地提取圖像的邊緣，保留豐富細節(jié)信息，有效地保證醫(yī)學圖像

14、邊緣的連續(xù)性、完整性，具有較強的自適應性。
　　 (3)基于PCNN在線學習的統(tǒng)計形狀模型在肺葉分割中的應用
　　 將胸部CT圖像中的肺實質細分為肺葉結構對肺癌的診療具有重要意義。但由于部分容積效應、周圍間隙現象，或者層厚過大等因素的影響，肺部裂縫在圖像上可能是不完整的，甚至在某些圖層上完全消失，且其在斷層圖像上極易與血管或氣管混淆，分割效果往往不理想，如何進一步提高肺葉分割的精確性及魯棒性是國際上的一個研究熱點。

15、>　　 本文使用統(tǒng)計形狀模型(StatisticShapeModel)來實現對肺葉的分割。在傳統(tǒng)的統(tǒng)計模型中，平均模型一般事先通過大量的樣本訓練得到，在后期實際的分割過程中則一直采用該模型進行形變。這種方法在訓練時需要提供足夠多的樣本，否則，對于待分割圖像與統(tǒng)計模型的形狀特征差異較大的情況得到的分割結果往往較差。為了解決這一矛盾，本文提出了一種基于PCNN的在線學習方法，通過使用每一次的分割結果來校正模型的形狀，以使其越來越具有代表性

16、，越來越具有統(tǒng)計意義。
　　 具體的肺葉分割流程包括六個部分:胸部CT圖像預處理、肺部裂縫初始模型的建立、統(tǒng)計模型與待分割圖像的配準、肺部裂縫的局部搜索、肺部裂縫形狀的精細調整，以及肺部統(tǒng)計模型形狀的在線學習。
　　 為了得到肺實質的形狀模型，首先將胸部CT圖像通過自動預處理得到肺實質輪廓，并提出一種近均勻模型自動計算得到肺實質輪廓的控制點，同時通過專家手動分割及均勻采樣的方式得到對應肺實質的肺部裂縫的控制點，再在標準坐

17、標系中對每個樣本的肺實質輪廓控制點與肺部裂縫控制點進行歸一化。最后，通過對少量的歸一化形狀計算得到它們的初始模型形狀。
　　 在實際的分割過程中，首先通過肺實質輪廓將模型形狀配準到待分割圖像,然后將這個形變過程施加到模型的裂縫形狀上，這樣就可以得到待分割圖像中肺部裂縫的大概位置。接著在形變后的模型中肺部裂縫形狀附近局部地搜索待分割圖像中的肺部裂縫像素點，找到少量實際的肺部裂縫點后，對其作進一步的篩選，得到比較確切的待分割圖像的肺

18、部裂縫點，利用這些像素點對形變后的模型中的裂縫形狀作精細的調整，即可以得到最終的肺部裂縫位置。
　　 得到分割結果后，對其進行與訓練樣本相同的歸一化操作，然后將它輸入到PCNN在線學習系統(tǒng)中，不斷提高模型的精確性。在這個PCNN在線學習系統(tǒng)中，同樣采用上述優(yōu)化后的模型，不同的是，采用每一次的分割結果作為外部刺激輸入，脈沖產生部分采用平均形狀作為動態(tài)點火閾值并采用內部活動項與平均模型的絕對差作為點火條件。在每一次迭代過程中，作為點