人工神经网络及其在医学影像分析中的应用

《人工神经网络及其在医学影像分析中的应用》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、人工神经网络及其在医学影像分析中的应用摘要：人工神经网络（ANN）是在结构上模仿生物神经联结型系统，能够设计来进行模式分析，信号处理等工作。为了使医学生和医务工作者能对神经网络，特别是人工神经网络及其在医学图像和信号检测与分析中的应用有个全面了解，本文避免了繁琐的数学分析与推导，以阐明物理概念为主，深入浅出地就有关问题加以阐述，期望有所裨益。关键词：人工神经网络；产生；原理；特点；应用Applicationofman-madeneuraledicalImagetoanalysesAbstract:Man-made

2、neuralonstructuretoimitatebiologicalneuraltolink.Itcancarryonpatterndiscriminate,Signalprocessinget.inordertoletthemedicalstudentsandan-madeneuraledicalimagetoanalyses,thearticleavoidsplicatedfigure’sanalysisandreasoning.Itexplainstheconcernedprofoundquestion

3、s,mainlyaboutthephysicalconcept.Insimpleterms.Ihopeitcanadeneural.2人工神经网络的种类人工神经网络分为误差逆传播神经网络（多层感知网络）、竞争型(KOHONEN)神经网络、前馈神经网络和Hopfield神经网络四种。3人工神经网络的应用领域3.1民用领域人工神经网络在民用领域主要用于语言识别，图像识别与理解，计算机视觉，智能机器人故障检测，实时信息翻译，企业管理，市场分析，决策优化，物资调运，自适应控制，专家系统，智能接口，神经生理学，心理学和认知

4、科学研究等。3.2军用领域人工神经网络在军用领域主要用于语音，图像信息的录取与处理，雷达、声纳的多目标识别与跟踪，战场管理与决策支持系统，军用机器人控制，信息的快速录取，分类与查询，导弹的智能引导，保密通讯，航天器的姿态控制等。3.3生物医学工程领域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，Holter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。即广

5、泛应用和解释许多复杂的生理、病理现象。例如：CT脑切片。人工神经网络从MR图像分割组织和解剖物体，如肿瘤。这种基于二次扫描的方法包括无指导聚类分析，维数减少和通过非线性拓扑映射的纹理特征可视化。采用后处理技术逼近贝叶斯判断边缘，然后用人和神经网络的交互对这些结果进行优化。3.4人工神经网络在肺部CT片定量分析中的应用肺部CT图像定量分析是先通过计算ROI区域的纹理和其它形态学的特征，形成特征矢量，然后交由后续的神经网络去进行分/聚类，从而达到定量分析的目的。现以其中常用的BP网络为例加以说明。由于BP网络存在纹理

6、特征的计算很费时间和很难找到对某一病理区域有特异性的纹理特征等参数的缺陷。HEitmann等直接使用了Kohonen自组织映射网络（SOM）来对弥漫性肺病在HRCT中的典型征象——磨玻璃样影（GGO）进行自动识别。他将一55大小的ROI的CT数值直接作为SOM网络的输入，经网络聚类后，输出结果的真阳性超过95%，但也有太多的非GGO区域被误分成GGO区域，假阳性竟高达150——300%。特别是靠近胸膜和靠近气管与血管处的区域最易被误分类，而这类区域处的对比度比较高。也就是说单个SOM网络无法清楚地区分GGO相对均

7、质的区域和低密度肺组织靠近高密度结构处的强对比区域。鉴于以上情况，HEItmann又设计了一个包括三个简单网络的分层结构。其中：一个简单网络可以检测几乎所有正确的GGO区域以及高对比度处的假GGO区域，而另两个网络（一个针对靠近胸膜处的组织；另一个针对靠近气管和血管处的组织）仅仅被训练成高对比有反应，而真正的GGO区域则无法检出。将这三个网络的输出以一定的逻辑规则（即三个网络的输出都为真，则该区域才是GGO）相连，最终结果比单个网络的结果精确了许多，它去掉了约95%的假阳性区域。虽然一些强对比区域的真的GGO区域

8、也不可避免地被移走，但真阳性仍在可接受的范围内。实践证明：那些被误分类的区域实际上大多是肺内血管、气管、胸壁或纵隔的部分容积效应，以及有心脏主动脉搏动或呼吸位移引起的运动伪影。可以通过解剖结构信息来校正。神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。迄今为止，在人工神经网络研究领域中，有代表性的网络模型已达数十种，而学习算法的类型更难以统计其数量。神经网络研