神经网络技术及其在医学图像处理中的应用研究

山东医学高等专科学校 陈 蒙

1 神经网络技术的概念

神经网络技术指的是人工神经网络（ANN），其是一种模拟生物神经系统原理而构建的一种新型智能信息处理系统，简称神经网络。自上世纪40年代ANN概念的提出，发展至今日ANN已在诸多领域实现应用，在解剖学、生理学、社会学等研究中均有良好表现，随着ANN技术的逐步开发，其在临床医学领域也有所应用，如疾病预报、方剂配伍、医学图像处理等。神经网络的应用为临床医学的研究与发展提供了一个新的平台和方向。

2 神经网络的特点

ANN是利用大量的简单基本元件（神经元）联结而成的自适应性动态系统，虽然单个神经元的结构、功能较为简单，但大量的神经元组合后就具备了处理复杂信息的能力，从而能够模仿人脑的部分结构或功能，最终以人脑的逻辑完成信息的收集和处理。因此神经网络的特点与其神经元数量、结构、单一神经元功能有关，从整体上概括来说，神经网络主要有以下特征与功能（不同类型神经网络的共同特征）。

2.1 学习能力

学习能力是神经网络的基本特征，其具备一定程度的自动学习功能。在特定算法的影响下，神经网络可以通过不断运算和识别某一信息来提高计算速度，慢慢积累并掌握各类信息的特点、特征，从而大大提高识别准确度。

2.2 存储和联想

联想存储是一种特殊的思维逻辑模式，比如看到苹果就会流口水，就是一种特定的联想存储，神经网络的反馈机制就是基于联想存储功能实现。这种联想存储功能能够快速实现图像的对比和匹配，从而服务于临床诊断。

2.3 高速处理能力

神经网络虽然是模拟人脑神经系统构建，具备了人脑的部分功能，同时也不存在人脑计算的某些局限性，因此其在信息处理上更不容易受到干扰，信息的收集速度、处理速度、计算速度均较快，同时通过相应设定还可特化神经网络的某一种功能，使其对特定信息处理的精度、准度更上一层楼。

3 神经网络在医学图像处理中的应用

3.1 图像分割

医学图像分割是医学图像分析与理解的基础工作，通过图像分割个可以将庞大的医学图像分解成多个部分，实现局部放大和读图，从而提高读图的准确度和精确度。传统医学图像分割主要采用灰度特征和边缘检测法实现，但受限于医学图像本身的分辨率和功能性差异，这种分割方法有些时候难以检测到异常组织或病灶。而神经网络能够有效提高数据的采集、处理和输出能力，如果将这种能力与医学图像分割技术相结合，将大大提高医学图像分割的效率和质量。

临床中有专家尝试将ANN技术与传统X线、CT、MRI等技术结合以开发ANN在医学图像分割中的功能性。如Kuo曾采用分水岭分割法与模糊Hopfield神经网络算法相结合，以进一步缩小医学图像分割的最小分割区域，然后采用空间信息和搜索类聚的方法提高图像分析质量，同时配合其他算法辅助图像分割与图像分析，结果发现通过量化神经网络的基本结构，充分调动算法的全局搜索能力，可大大提高医学图像分割算法的性能，从而实现精准分割、自适应型分割，以满足临床诊断。

此外，在乳腺癌的筛查中，ANN有活跃表现。众所周知，微钙化是乳腺癌的重要图像特征，通过特定方法可以有效检验微钙化，但仍存在较高的漏诊率或误诊率。利用ANN对X线可大大提高X线图像分析效率，搭载相应算法后，ANN可自动识别并分别乳腺X线中的可疑区域，达到更高的诊断速度和准确率。Powell在其报道中指出，利用ANN构建的乳腺X线分割算法只需要进行输入和输出设定就超越向量机分割法，在经过训练后，ANN的学习能力、联想存储发挥作用后，甚至可在数秒内就完成乳腺癌的X线筛查。

与传统图像分割算法相比，神经网络的图像分割具有无可比拟的优越性。神经网络经过训练后，可以快速实现数据-图像的对比匹配，使得诊断效率大大提高；同时神经网络图像分割不依赖于灰度和边界限制，无需从概率分布下手，使得分割后的区域图像更符合真实情况，使得图像诊断准确率进一步提高；此外，ANN算法不易受到外部因素的影响，如噪声、辐射等，从而使得分割后图像伪影、虚影更少，大大降低了图像的不确定性因素影响。

3.2 神经网络在医学图像配准中的应用

医学图像配准是医学图像处理的核心，也是通过医学图像实现疾病筛查和诊断的关键所在。简单来说，医学图像配准就是将扫描获取的图像和已有的图像资料进行比对和匹配，然后对图像进行性质判断，从而实现疾病诊断。传统的医学图像配准算法主要傅里叶变换、互信息两种，这些配准方法具有计算量大、耗时久、效率低的局限，尤其是在解剖生理学特征较复杂的医学图像配准中，传统算法还存在准度低的问题。

ANN的使用改变了医学图像配准的临床格局，其大大提高了图像配准的效率，尤其是在解剖生理学特征较复杂的医学图像配准中，如颅CT、颅MRI的图像配准。Liu曾使用神经网络技术规范医学图像3D模型的坐标方向，然后利用ANN的学习能力和权值来尝试更高效率的配准，结果发现以ANN技术为核心进行算法优化后大大提高了配准的效率和准确度，其中配准时间最高可缩短80%以上，准确度最高提升100%，但是这种算法受限于提前输入的模型数系规模，对特定图像配准的效率较高，但随着分辨率的增加配准速度呈指数降低，这提示现阶段ANN技术在大规模数据处理上仍存在局限性，但可通过持续的训练来扩大联想存储克服这一弊端。另外，有学者发现，ANN下的图像配准算法和系统具有极强的稳定性，几乎不会出现顶点噪声和局部噪声的问题，这提示在图像配准中ANN技术也可有效避免外部因素对其性能的干扰，在未来的研究中可尝试利用ANN的稳定性与其他高效率配准方法的结合使用，来最大限度提高医学图像配准效率和精准度，为临床诊疗活动提供可靠的指导，这也是未来ANN在医学图像配准领域研究的重点内容。

3.3 神经网络在CAD中的应用

CAD是医学图像处理的关键环节，指的是通过影像学或特定技术对医学图像进行处理，分析医学图像的特征然后结合已有数据或模型进行计算和分析，从而得出结论的过程。简单来说，CAD就是利用医学图像自动诊断的过程及结果，其能够避免人为因素对医学图像分析和判断的局限性，从而减少漏诊和误诊，提高医学图像的临床使用效率和影像学检查的可靠性。

ANN技术应用于CAD的研究起步于上世纪80年代，多见于胸部疾病诊断和神经系统疾病诊断，在肺栓塞、胃癌、乳腺癌临床诊断中广泛应用，如多层传感器、径向基、BP神经网络、概率神经网络均是临床中较为常见的神经网络在CAD中的应用形式。

Papadopoulos曾以ANN为基础，建立了一套混合只能系统来提高医学图像处理和临床诊断效率。这套系统同时搭载了神经网络和传统医学图像CAD规则，两者结合之下CAD运算效率极高，取得了远超过预期的结果。他利用这一系统进行乳腺癌筛查和诊断，结果发现该系统可至少诊断出7种不同类型的乳腺增生或肿瘤，包括6种良性增生和1种恶性结节，准确率最高可达99%，这一数据远优于常规CAD算法或人工读图。Cascio则利用ANN技术建立了一种可疑图像搜索算法，其能够对每个疑似区域的图像特征进行抽取，然后利用ANN分析其中存在病变的风险，对于高风险地区进行多角度分析来最大限度检测潜在的、隐匿的病灶，但其在研究也发现ANN在隐匿病灶识别中的不足，若存在类型未知的隐匿病灶，ANN的自适应调整反而会降低识别效率，此外ANN对不规则肿瘤的识别效率也相对较低，远不如人工识图或其他传统算法。

虽然现阶段ANN在CAD中的应用较为有限，但是ANN具有较强的非线性映射功能和自适应的学习能力、联想存储能力，在CAD中有良好的应用前景，随着研究的深入，ANN必将在CAD中全面推广，以更好地发现诊断规律、提高诊断效率。此外，ANN与其他技术具有良好的兼容性，可与其他技术共同使用，如和符号推理技术相结合提高ANN的可理解性、和粗糙集理论技术结合提高ANN的训练效率等，这些都是值得研究的领域。

结语：只要建立合适的网络模型，利用已有的知识和经验完成训练和测试，ANN就可快速具备医学图像处理的功能，从而以其自适应性、学习能力推动医学图像处理、分析、识别和匹配的自动化、智能化。但考虑到ANN技术本身的局限性和医学图像的复杂性，单纯使用ANN技术进行医学图像处理的难度较高，准度也无法保证，不妨尝试利用ANN的兼容性将多技术、多理论和ANN共同应用于医学图像处理，以提高ANN使用效率、医学图像使用效率、临床诊断效率。

综合来说，ANN技术在医学图像处理中具有良好的应用前景，其学习能力、联想存储功能、高速处理能力与医学图像处理结合后可大大提高临床诊断效率和准确率，从而推动临床事业发展。