人工神经网络在医学图像处理中的部分应用    

人工神经网络((Artificial Neural Nets, ANN)是近年来发展起来的十分热门的交叉学科，它涉及生物、电子、计算机、数学和物理等学科，具有非常广泛的应用背景。它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。    

人工神经网络具有以下主要特点:①能较好地模拟人的形象思维;②具有大规模并行协同处理能力;③具有较好的学习能力;④高速信息处理能力;⑤具有较强的容错能力和联想能力;⑥是一个大规模自组织、自适应的非线性动力系统。    

人工神经网络在生物医学工程领域主要是解决用常规方法难以解决和无法解决的问题。在生物医学信号的检测和分析处理中主要集中对心电、脑电、肌电、胃肠电等信号的识别，脑电信号的分析，听觉诱发电位信号的提取，Holte:系统的心电信号数据的压缩，医学图像的识别和数据压缩处理。本文主要是介绍人工神经网络应用在图像识别、边缘检测、分割、压缩等方面的应用。

一、图像识别    

人工神经网络所具有的学习能力和容错性对图像识别问题具有独到之处。神经网络目标识别一般需要两个过程:训练过程和实际识别过程。训练过程得到一组合适的网络连接权值，在识别过程中把未知模式输入到网络中根据学习结果对未知模式进行模式判断。    

RBF网络具有设计简单、训练速度快等优点。何苗等通过实验发现，RBF人工神经网络在宫颈细胞图像识别中，RBF网络对训练集的拟合度为97. 3%，对测试集的分类准确率为95. 4%，测试集中正常细胞的识别率为96%, LS工L细胞识别率为94%, HS工L细胞识别率为100%，癌细胞识别率为88%, RBF网络输入参数的敏感度排序与细胞病理学特征基本一致。

二、图像边缘提取    

图像的边缘提取是寻找图像灰度剧烈变化的地方。边缘检测是图像处理与计算机视觉领域中占有最重要的位置。传统的边缘检测方法是构造对像素灰度级阶跃变化敏感的微分算子，并且存在域值确定问题。而神经网络不存在域值确定问题，也具有显著的抗噪能力。

三、图像分割    

即人工神经网络在理论上具有实现任意非线性映射的能力，具有自学习、自适应及鲁棒性强的特点，己成功地运用于印鉴图像分割、车牌号码图像的分割等工作中，取得了良好的图像分割效果。    

BP学习算法主要思想是利用己知确定结果的样本模式对网络进行训练，然后利用训练好的网络进行图像分割。即网络在分割图像时，本质上是将待处理图像中的各点聚类为目标像素和非目标像素，正确聚类后去除非目标像素，从而得到目标像素。

四、图像压缩    

即神经网络可以直接提供数据压缩能力。把一组输入模式通过少量的隐含层单元映射到一组输出模式，并使输出模式尽可能等于输入模式。输入层到隐含层相当于编码器，对信号进行线性或非线性变换;隐含层到输出层相当于解码器，对压缩后的信号进行线性或非线性反变换，恢复原图像数据。输入层和输出层均含有n X n个神经元，各神经元对应于n X n图像分块中的每一像素，隐含层神经元数比输入、输出层的神经元数少得多，从隐含层输出的数据值即为压缩值，通过设计隐含层神经元数来实现不同压缩的目的。训练好的网络隐含层神经元矢量即是数据压缩的结果，输出神经元矢量便是重建的数据。

五、医学影像诊断    

用于颅内星形胶质细胞瘤良恶性的影像诊断:姜兴岳等「3」搜集280例星形胶质细胞肿瘤病例的MR工影像资料，由放射科医生对MR工图像进行12方面的特征提取作为输入层，隐含层含4个节点，输出层有两个结点，分别对应良性及恶性星形胶质细胞肿瘤。输出结果为0，系统诊断为良性肿瘤，为1诊断为恶性肿瘤。结果显示人工神经网络的诊断准确性接近放射科专家。    

用于乳腺癌的普查Bake:等以美国放射学会的乳腺影像记录与数据系统标准化词典为依据，构建BP网络。网络输入层18个结点，其中10项放射学所见，8项临床表现;输出层1个结点，代表恶性病变可能性。结果显示，经过训练的网络在指定输出阂值时，活检阳性的预测率由35%提高到61%，敏感度100%。人工神经网络的自适应非线性等特点，使之能够处理很多传统的图像处理方法不能解决的问题，但目前人工神经网络的处理效果与训练样本的选取有很大关系，相信随着在这方面研究的不断深入，人工神经网络在图像处理方面的应用将越来越广泛。