神經(jīng)網(wǎng)絡(luò)技術(shù)在醫(yī)學(xué)圖像處理的應(yīng)用

導(dǎo)語：神經(jīng)網(wǎng)絡(luò)技術(shù)在醫(yī)學(xué)圖像處理的應(yīng)用一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1神經(jīng)網(wǎng)絡(luò)技術(shù)的概念

神經(jīng)網(wǎng)絡(luò)技術(shù)指的是人工神經(jīng)網(wǎng)絡(luò)（ANN），其是一種模擬生物神經(jīng)系統(tǒng)原理而構(gòu)建的一種新型智能信息處理系統(tǒng)，簡稱神經(jīng)網(wǎng)絡(luò)。自上世紀(jì)40年代ANN概念的提出，發(fā)展至今日ANN已在諸多領(lǐng)域?qū)崿F(xiàn)應(yīng)用，在解剖學(xué)、生理學(xué)、社會學(xué)等研究中均有良好表現(xiàn)，隨著ANN技術(shù)的逐步開發(fā)，其在臨床醫(yī)學(xué)領(lǐng)域也有所應(yīng)用，如疾病預(yù)報、方劑配伍、醫(yī)學(xué)圖像處理等。神經(jīng)網(wǎng)絡(luò)的應(yīng)用為臨床醫(yī)學(xué)的研究與發(fā)展提供了一個新的平臺和方向。

2神經(jīng)網(wǎng)絡(luò)的特點

ANN是利用大量的簡單基本元件（神經(jīng)元）聯(lián)結(jié)而成的自適應(yīng)性動態(tài)系統(tǒng)，雖然單個神經(jīng)元的結(jié)構(gòu)、功能較為簡單，但大量的神經(jīng)元組合后就具備了處理復(fù)雜信息的能力，從而能夠模仿人腦的部分結(jié)構(gòu)或功能，最終以人腦的邏輯完成信息的收集和處理。因此神經(jīng)網(wǎng)絡(luò)的特點與其神經(jīng)元數(shù)量、結(jié)構(gòu)、單一神經(jīng)元功能有關(guān)，從整體上概括來說，神經(jīng)網(wǎng)絡(luò)主要有以下特征與功能（不同類型神經(jīng)網(wǎng)絡(luò)的共同特征）。

2.1學(xué)習(xí)能力

學(xué)習(xí)能力是神經(jīng)網(wǎng)絡(luò)的基本特征，其具備一定程度的自動學(xué)習(xí)功能。在特定算法的影響下，神經(jīng)網(wǎng)絡(luò)可以通過不斷運算和識別某一信息來提高計算速度，慢慢積累并掌握各類信息的特點、特征，從而大大提高識別準(zhǔn)確度。2.2存儲和聯(lián)想聯(lián)想存儲是一種特殊的思維邏輯模式，比如看到蘋果就會流口水，就是一種特定的聯(lián)想存儲，神經(jīng)網(wǎng)絡(luò)的反饋機制就是基于聯(lián)想存儲功能實現(xiàn)。這種聯(lián)想存儲功能能夠快速實現(xiàn)圖像的對比和匹配，從而服務(wù)于臨床診斷。

2.3高速處理能力

神經(jīng)網(wǎng)絡(luò)雖然是模擬人腦神經(jīng)系統(tǒng)構(gòu)建，具備了人腦的部分功能，同時也不存在人腦計算的某些局限性，因此其在信息處理上更不容易受到干擾，信息的收集速度、處理速度、計算速度均較快，同時通過相應(yīng)設(shè)定還可特化神經(jīng)網(wǎng)絡(luò)的某一種功能，使其對特定信息處理的精度、準(zhǔn)度更上一層樓。

3神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像處理中的應(yīng)用

3.1圖像分割

醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像分析與理解的基礎(chǔ)工作，通過圖像分割個可以將龐大的醫(yī)學(xué)圖像分解成多個部分，實現(xiàn)局部放大和讀圖，從而提高讀圖的準(zhǔn)確度和精確度。傳統(tǒng)醫(yī)學(xué)圖像分割主要采用灰度特征和邊緣檢測法實現(xiàn)，但受限于醫(yī)學(xué)圖像本身的分辨率和功能性差異，這種分割方法有些時候難以檢測到異常組織或病灶。而神經(jīng)網(wǎng)絡(luò)能夠有效提高數(shù)據(jù)的采集、處理和輸出能力，如果將這種能力與醫(yī)學(xué)圖像分割技術(shù)相結(jié)合，將大大提高醫(yī)學(xué)圖像分割的效率和質(zhì)量。臨床中有專家嘗試將ANN技術(shù)與傳統(tǒng)X線、CT、MRI等技術(shù)結(jié)合以開發(fā)ANN在醫(yī)學(xué)圖像分割中的功能性。如Kuo曾采用分水嶺分割法與模糊Hopfield神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，以進(jìn)一步縮小醫(yī)學(xué)圖像分割的最小分割區(qū)域，然后采用空間信息和搜索類聚的方法提高圖像分析質(zhì)量，同時配合其他算法輔助圖像分割與圖像分析，結(jié)果發(fā)現(xiàn)通過量化神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，充分調(diào)動算法的全局搜索能力，可大大提高醫(yī)學(xué)圖像分割算法的性能，從而實現(xiàn)精準(zhǔn)分割、自適應(yīng)型分割，以滿足臨床診斷。此外，在乳腺癌的篩查中，ANN有活躍表現(xiàn)。眾所周知，微鈣化是乳腺癌的重要圖像特征，通過特定方法可以有效檢驗微鈣化，但仍存在較高的漏診率或誤診率。利用ANN對X線可大大提高X線圖像分析效率，搭載相應(yīng)算法后，ANN可自動識別并分別乳腺X線中的可疑區(qū)域，達(dá)到更高的診斷速度和準(zhǔn)確率。Powell在其報道中指出，利用ANN構(gòu)建的乳腺X線分割算法只需要進(jìn)行輸入和輸出設(shè)定就超越向量機分割法，在經(jīng)過訓(xùn)練后，ANN的學(xué)習(xí)能力、聯(lián)想存儲發(fā)揮作用后，甚至可在數(shù)秒內(nèi)就完成乳腺癌的X線篩查。與傳統(tǒng)圖像分割算法相比，神經(jīng)網(wǎng)絡(luò)的圖像分割具有無可比擬的優(yōu)越性。神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練后，可以快速實現(xiàn)數(shù)據(jù)-圖像的對比匹配，使得診斷效率大大提高；同時神經(jīng)網(wǎng)絡(luò)圖像分割不依賴于灰度和邊界限制，無需從概率分布下手，使得分割后的區(qū)域圖像更符合真實情況，使得圖像診斷準(zhǔn)確率進(jìn)一步提高；此外，ANN算法不易受到外部因素的影響，如噪聲、輻射等，從而使得分割后圖像偽影、虛影更少，大大降低了圖像的不確定性因素影響。

3.2神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像配準(zhǔn)中的應(yīng)用

醫(yī)學(xué)圖像配準(zhǔn)是醫(yī)學(xué)圖像處理的核心，也是通過醫(yī)學(xué)圖像實現(xiàn)疾病篩查和診斷的關(guān)鍵所在。簡單來說，醫(yī)學(xué)圖像配準(zhǔn)就是將掃描獲取的圖像和已有的圖像資料進(jìn)行比對和匹配，然后對圖像進(jìn)行性質(zhì)判斷，從而實現(xiàn)疾病診斷。傳統(tǒng)的醫(yī)學(xué)圖像配準(zhǔn)算法主要傅里葉變換、互信息兩種，這些配準(zhǔn)方法具有計算量大、耗時久、效率低的局限，尤其是在解剖生理學(xué)特征較復(fù)雜的醫(yī)學(xué)圖像配準(zhǔn)中，傳統(tǒng)算法還存在準(zhǔn)度低的問題。ANN的使用改變了醫(yī)學(xué)圖像配準(zhǔn)的臨床格局，其大大提高了圖像配準(zhǔn)的效率，尤其是在解剖生理學(xué)特征較復(fù)雜的醫(yī)學(xué)圖像配準(zhǔn)中，如顱CT、顱MRI的圖像配準(zhǔn)。Liu曾使用神經(jīng)網(wǎng)絡(luò)技術(shù)規(guī)范醫(yī)學(xué)圖像3D模型的坐標(biāo)方向，然后利用ANN的學(xué)習(xí)能力和權(quán)值來嘗試更高效率的配準(zhǔn)，結(jié)果發(fā)現(xiàn)以ANN技術(shù)為核心進(jìn)行算法優(yōu)化后大大提高了配準(zhǔn)的效率和準(zhǔn)確度，其中配準(zhǔn)時間最高可縮短80%以上，準(zhǔn)確度最高提升100%，但是這種算法受限于提前輸入的模型數(shù)系規(guī)模，對特定圖像配準(zhǔn)的效率較高，但隨著分辨率的增加配準(zhǔn)速度呈指數(shù)降低，這提示現(xiàn)階段ANN技術(shù)在大規(guī)模數(shù)據(jù)處理上仍存在局限性，但可通過持續(xù)的訓(xùn)練來擴(kuò)大聯(lián)想存儲克服這一弊端。另外，有學(xué)者發(fā)現(xiàn)，ANN下的圖像配準(zhǔn)算法和系統(tǒng)具有極強的穩(wěn)定性，幾乎不會出現(xiàn)頂點噪聲和局部噪聲的問題，這提示在圖像配準(zhǔn)中ANN技術(shù)也可有效避免外部因素對其性能的干擾，在未來的研究中可嘗試?yán)肁NN的穩(wěn)定性與其他高效率配準(zhǔn)方法的結(jié)合使用，來最大限度提高醫(yī)學(xué)圖像配準(zhǔn)效率和精準(zhǔn)度，為臨床診療活動提供可靠的指導(dǎo)，這也是未來ANN在醫(yī)學(xué)圖像配準(zhǔn)領(lǐng)域研究的重點內(nèi)容。

3.3神經(jīng)網(wǎng)絡(luò)在CAD中的應(yīng)用

CAD是醫(yī)學(xué)圖像處理的關(guān)鍵環(huán)節(jié)，指的是通過影像學(xué)或特定技術(shù)對醫(yī)學(xué)圖像進(jìn)行處理，分析醫(yī)學(xué)圖像的特征然后結(jié)合已有數(shù)據(jù)或模型進(jìn)行計算和分析，從而得出結(jié)論的過程。簡單來說，CAD就是利用醫(yī)學(xué)圖像自動診斷的過程及結(jié)果，其能夠避免人為因素對醫(yī)學(xué)圖像分析和判斷的局限性，從而減少漏診和誤診，提高醫(yī)學(xué)圖像的臨床使用效率和影像學(xué)檢查的可靠性。ANN技術(shù)應(yīng)用于CAD的研究起步于上世紀(jì)80年代，多見于胸部疾病診斷和神經(jīng)系統(tǒng)疾病診斷，在肺栓塞、胃癌、乳腺癌臨床診斷中廣泛應(yīng)用，如多層傳感器、徑向基、BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)均是臨床中較為常見的神經(jīng)網(wǎng)絡(luò)在CAD中的應(yīng)用形式。Papadopoulos曾以ANN為基礎(chǔ)，建立了一套混合只能系統(tǒng)來提高醫(yī)學(xué)圖像處理和臨床診斷效率。這套系統(tǒng)同時搭載了神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)醫(yī)學(xué)圖像CAD規(guī)則，兩者結(jié)合之下CAD運算效率極高，取得了遠(yuǎn)超過預(yù)期的結(jié)果。他利用這一系統(tǒng)進(jìn)行乳腺癌篩查和診斷，結(jié)果發(fā)現(xiàn)該系統(tǒng)可至少診斷出7種不同類型的乳腺增生或腫瘤，包括6種良性增生和1種惡性結(jié)節(jié)，準(zhǔn)確率最高可達(dá)99%，這一數(shù)據(jù)遠(yuǎn)優(yōu)于常規(guī)CAD算法或人工讀圖。Cascio則利用ANN技術(shù)建立了一種可疑圖像搜索算法，其能夠?qū)γ總€疑似區(qū)域的圖像特征進(jìn)行抽取，然后利用ANN分析其中存在病變的風(fēng)險，對于高風(fēng)險地區(qū)進(jìn)行多角度分析來最大限度檢測潛在的、隱匿的病灶，但其在研究也發(fā)現(xiàn)ANN在隱匿病灶識別中的不足，若存在類型未知的隱匿病灶，ANN的自適應(yīng)調(diào)整反而會降低識別效率，此外ANN對不規(guī)則腫瘤的識別效率也相對較低，遠(yuǎn)不如人工識圖或其他傳統(tǒng)算法。雖然現(xiàn)階段ANN在CAD中的應(yīng)用較為有限，但是ANN具有較強的非線性映射功能和自適應(yīng)的學(xué)習(xí)能力、聯(lián)想存儲能力，在CAD中有良好的應(yīng)用前景，隨著研究的深入，ANN必將在CAD中全面推廣，以更好地發(fā)現(xiàn)診斷規(guī)律、提高診斷效率。此外，ANN與其他技術(shù)具有良好的兼容性，可與其他技術(shù)共同使用，如和符號推理技術(shù)相結(jié)合提高ANN的可理解性、和粗糙集理論技術(shù)結(jié)合提高ANN的訓(xùn)練效率等，這些都是值得研究的領(lǐng)域。

結(jié)語：

只要建立合適的網(wǎng)絡(luò)模型，利用已有的知識和經(jīng)驗完成訓(xùn)練和測試，ANN就可快速具備醫(yī)學(xué)圖像處理的功能，從而以其自適應(yīng)性、學(xué)習(xí)能力推動醫(yī)學(xué)圖像處理、分析、識別和匹配的自動化、智能化。但考慮到ANN技術(shù)本身的局限性和醫(yī)學(xué)圖像的復(fù)雜性，單純使用ANN技術(shù)進(jìn)行醫(yī)學(xué)圖像處理的難度較高，準(zhǔn)度也無法保證，不妨嘗試?yán)肁NN的兼容性將多技術(shù)、多理論和ANN共同應(yīng)用于醫(yī)學(xué)圖像處理，以提高ANN使用效率、醫(yī)學(xué)圖像使用效率、臨床診斷效率。綜合來說，ANN技術(shù)在醫(yī)學(xué)圖像處理中具有良好的應(yīng)用前景，其學(xué)習(xí)能力、聯(lián)想存儲功能、高速處理能力與醫(yī)學(xué)圖像處理結(jié)合后可大大提高臨床診斷效率和準(zhǔn)確率，從而推動臨床事業(yè)發(fā)展。

作者：陳蒙 單位：山東醫(yī)學(xué)高等專科學(xué)校