資源描述：
《人工神經(jīng)網(wǎng)絡及其在醫(yī)學影像分析中的應用》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在應用文檔-天天文庫。
1、人工神經(jīng)網(wǎng)絡及其在醫(yī)學影像分析中的應用摘要：人工神經(jīng)網(wǎng)絡（ANN）是在結構上模仿生物神經(jīng)聯(lián)結型系統(tǒng)，能夠設計來進行模式分析，信號處理等工作。為了使醫(yī)學生和醫(yī)務工作者能對神經(jīng)網(wǎng)絡，特別是人工神經(jīng)網(wǎng)絡及其在醫(yī)學圖像和信號檢測與分析中的應用有個全面了解，本文避免了繁瑣的數(shù)學分析與推導，以闡明物理概念為主，深入淺出地就有關問題加以闡述，期望有所裨益。關鍵詞：人工神經(jīng)網(wǎng)絡；產(chǎn)生；原理；特點；應用Applicationofman-madeneuraledicalImagetoanalysesAbstract:Man-made
2、neuralonstructuretoimitatebiologicalneuraltolink.Itcancarryonpatterndiscriminate,Signalprocessinget.inordertoletthemedicalstudentsandan-madeneuraledicalimagetoanalyses,thearticleavoidsplicatedfigure’sanalysisandreasoning.Itexplainstheconcernedprofoundquestion
3、s,mainlyaboutthephysicalconcept.Insimpleterms.Ihopeitcanadeneural.2人工神經(jīng)網(wǎng)絡的種類人工神經(jīng)網(wǎng)絡分為誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡（多層感知網(wǎng)絡）、競爭型(KOHONEN)神經(jīng)網(wǎng)絡、前饋神經(jīng)網(wǎng)絡和Hopfield神經(jīng)網(wǎng)絡四種。3人工神經(jīng)網(wǎng)絡的應用領域3.1民用領域人工神經(jīng)網(wǎng)絡在民用領域主要用于語言識別，圖像識別與理解，計算機視覺，智能機器人故障檢測，實時信息翻譯，企業(yè)管理，市場分析，決策優(yōu)化，物資調(diào)運，自適應控制，專家系統(tǒng)，智能接口，神經(jīng)生理學，心理學和認知
4、科學研究等。3.2軍用領域人工神經(jīng)網(wǎng)絡在軍用領域主要用于語音，圖像信息的錄取與處理，雷達、聲納的多目標識別與跟蹤，戰(zhàn)場管理與決策支持系統(tǒng)，軍用機器人控制，信息的快速錄取，分類與查詢，導彈的智能引導，保密通訊，航天器的姿態(tài)控制等。3.3生物醫(yī)學工程領域人工神經(jīng)網(wǎng)絡在生物醫(yī)學工程領域主要是解決用常規(guī)方法難以解決和無法解決的問題。在生物醫(yī)學信號的檢測和分析處理中主要集中對心電、腦電、肌電、胃腸電等信號的識別，腦電信號的分析，聽覺誘發(fā)電位信號的提取，Holter系統(tǒng)的心電信號數(shù)據(jù)的壓縮，醫(yī)學圖像的識別和數(shù)據(jù)壓縮處理。即廣
5、泛應用和解釋許多復雜的生理、病理現(xiàn)象。例如：CT腦切片。人工神經(jīng)網(wǎng)絡從MR圖像分割組織和解剖物體，如腫瘤。這種基于二次掃描的方法包括無指導聚類分析，維數(shù)減少和通過非線性拓撲映射的紋理特征可視化。采用后處理技術逼近貝葉斯判斷邊緣，然后用人和神經(jīng)網(wǎng)絡的交互對這些結果進行優(yōu)化。3.4人工神經(jīng)網(wǎng)絡在肺部CT片定量分析中的應用肺部CT圖像定量分析是先通過計算ROI區(qū)域的紋理和其它形態(tài)學的特征，形成特征矢量，然后交由后續(xù)的神經(jīng)網(wǎng)絡去進行分/聚類，從而達到定量分析的目的?，F(xiàn)以其中常用的BP網(wǎng)絡為例加以說明。由于BP網(wǎng)絡存在紋理
6、特征的計算很費時間和很難找到對某一病理區(qū)域有特異性的紋理特征等參數(shù)的缺陷。HEitmann等直接使用了Kohonen自組織映射網(wǎng)絡（SOM）來對彌漫性肺病在HRCT中的典型征象——磨玻璃樣影（GGO）進行自動識別。他將一55大小的ROI的CT數(shù)值直接作為SOM網(wǎng)絡的輸入，經(jīng)網(wǎng)絡聚類后，輸出結果的真陽性超過95%，但也有太多的非GGO區(qū)域被誤分成GGO區(qū)域，假陽性竟高達150——300%。特別是靠近胸膜和靠近氣管與血管處的區(qū)域最易被誤分類，而這類區(qū)域處的對比度比較高。也就是說單個SOM網(wǎng)絡無法清楚地區(qū)分GGO相對均
7、質(zhì)的區(qū)域和低密度肺組織靠近高密度結構處的強對比區(qū)域。鑒于以上情況，HEItmann又設計了一個包括三個簡單網(wǎng)絡的分層結構。其中：一個簡單網(wǎng)絡可以檢測幾乎所有正確的GGO區(qū)域以及高對比度處的假GGO區(qū)域，而另兩個網(wǎng)絡（一個針對靠近胸膜處的組織；另一個針對靠近氣管和血管處的組織）僅僅被訓練成高對比有反應，而真正的GGO區(qū)域則無法檢出。將這三個網(wǎng)絡的輸出以一定的邏輯規(guī)則（即三個網(wǎng)絡的輸出都為真，則該區(qū)域才是GGO）相連，最終結果比單個網(wǎng)絡的結果精確了許多，它去掉了約95%的假陽性區(qū)域。雖然一些強對比區(qū)域的真的GGO區(qū)域
8、也不可避免地被移走，但真陽性仍在可接受的范圍內(nèi)。實踐證明：那些被誤分類的區(qū)域?qū)嶋H上大多是肺內(nèi)血管、氣管、胸壁或縱隔的部分容積效應，以及有心臟主動脈搏動或呼吸位移引起的運動偽影?？梢酝ㄟ^解剖結構信息來校正。神經(jīng)網(wǎng)絡的研究內(nèi)容相當廣泛，反映了多學科交叉技術領域的特點。迄今為止，在人工神經(jīng)網(wǎng)絡研究領域中，有代表性的網(wǎng)絡模型已達數(shù)十種，而學習算法的類型更難以統(tǒng)計其數(shù)量。神經(jīng)網(wǎng)絡研
