神經網絡技術及其在醫學圖像處理中的應用研究

山東醫學高等專科學校 陳 蒙

1 神經網絡技術的概念

神經網絡技術指的是人工神經網絡（ANN），其是一種模擬生物神經系統原理而構建的一種新型智能信息處理系統，簡稱神經網絡。自上世紀40年代ANN概念的提出，發展至今日ANN已在諸多領域實現應用，在解剖學、生理學、社會學等研究中均有良好表現，隨著ANN技術的逐步開發，其在臨床醫學領域也有所應用，如疾病預報、方劑配伍、醫學圖像處理等。神經網絡的應用為臨床醫學的研究與發展提供了一個新的平臺和方向。

2 神經網絡的特點

ANN是利用大量的簡單基本元件（神經元）聯結而成的自適應性動態系統，雖然單個神經元的結構、功能較為簡單，但大量的神經元組合后就具備了處理復雜信息的能力，從而能夠模仿人腦的部分結構或功能，最終以人腦的邏輯完成信息的收集和處理。因此神經網絡的特點與其神經元數量、結構、單一神經元功能有關，從整體上概括來說，神經網絡主要有以下特征與功能（不同類型神經網絡的共同特征）。

2.1 學習能力

學習能力是神經網絡的基本特征，其具備一定程度的自動學習功能。在特定算法的影響下，神經網絡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確度。

2.2 存儲和聯想

聯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，就是一種特定的聯想存儲，神經網絡的反饋機制就是基于聯想存儲功能實現。這種聯想存儲功能能夠快速實現圖像的對比和匹配，從而服務于臨床診斷。

2.3 高速處理能力

神經網絡雖然是模擬人腦神經系統構建，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，同時通過相應設定還可特化神經網絡的某一種功能，使其對特定信息處理的精度、準度更上一層樓。

3 神經網絡在醫學圖像處理中的應用

3.1 圖像分割

醫學圖像分割是醫學圖像分析與理解的基礎工作，通過圖像分割個可以將龐大的醫學圖像分解成多個部分，實現局部放大和讀圖，從而提高讀圖的準確度和精確度。傳統醫學圖像分割主要采用灰度特征和邊緣檢測法實現，但受限于醫學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。而神經網絡能夠有效提高數據的采集、處理和輸出能力，如果將這種能力與醫學圖像分割技術相結合，將大大提高醫學圖像分割的效率和質量。

臨床中有專家嘗試將ANN技術與傳統X線、CT、MRI等技術結合以開發ANN在醫學圖像分割中的功能性。如Kuo曾采用分水嶺分割法與模糊Hopfield神經網絡算法相結合，以進一步縮小醫學圖像分割的最小分割區域，然后采用空間信息和搜索類聚的方法提高圖像分析質量，同時配合其他算法輔助圖像分割與圖像分析，結果發現通過量化神經網絡的基本結構，充分調動算法的全局搜索能力，可大大提高醫學圖像分割算法的性能，從而實現精準分割、自適應型分割，以滿足臨床診斷。

此外，在乳腺癌的篩查中，ANN有活躍表現。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，搭載相應算法后，ANN可自動識別并分別乳腺X線中的可疑區域，達到更高的診斷速度和準確率。Powell在其報道中指出，利用ANN構建的乳腺X線分割算法只需要進行輸入和輸出設定就超越向量機分割法，在經過訓練后，ANN的學習能力、聯想存儲發揮作用后，甚至可在數秒內就完成乳腺癌的X線篩查。

與傳統圖像分割算法相比，神經網絡的圖像分割具有無可比擬的優越性。神經網絡經過訓練后，可以快速實現數據-圖像的對比匹配，使得診斷效率大大提高；同時神經網絡圖像分割不依賴于灰度和邊界限制，無需從概率分布下手，使得分割后的區域圖像更符合真實情況，使得圖像診斷準確率進一步提高；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 神經網絡在醫學圖像配準中的應用

醫學圖像配準是醫學圖像處理的核心，也是通過醫學圖像實現疾病篩查和診斷的關鍵所在。簡單來說，醫學圖像配準就是將掃描獲取的圖像和已有的圖像資料進行比對和匹配，然后對圖像進行性質判斷，從而實現疾病診斷。傳統的醫學圖像配準算法主要傅里葉變換、互信息兩種，這些配準方法具有計算量大、耗時久、效率低的局限，尤其是在解剖生理學特征較復雜的醫學圖像配準中，傳統算法還存在準度低的問題。

ANN的使用改變了醫學圖像配準的臨床格局，其大大提高了圖像配準的效率，尤其是在解剖生理學特征較復雜的醫學圖像配準中，如顱CT、顱MRI的圖像配準。Liu曾使用神經網絡技術規范醫學圖像3D模型的坐標方向，然后利用ANN的學習能力和權值來嘗試更高效率的配準，結果發現以ANN技術為核心進行算法優化后大大提高了配準的效率和準確度，其中配準時間最高可縮短80%以上，準確度最高提升100%，但是這種算法受限于提前輸入的模型數系規模，對特定圖像配準的效率較高，但隨著分辨率的增加配準速度呈指數降低，這提示現階段ANN技術在大規模數據處理上仍存在局限性，但可通過持續的訓練來擴大聯想存儲克服這一弊端。另外，有學者發現，ANN下的圖像配準算法和系統具有極強的穩定性，幾乎不會出現頂點噪聲和局部噪聲的問題，這提示在圖像配準中ANN技術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利用ANN的穩定性與其他高效率配準方法的結合使用，來最大限度提高醫學圖像配準效率和精準度，為臨床診療活動提供可靠的指導，這也是未來ANN在醫學圖像配準領域研究的重點內容。

3.3 神經網絡在CAD中的應用

CAD是醫學圖像處理的關鍵環節，指的是通過影像學或特定技術對醫學圖像進行處理，分析醫學圖像的特征然后結合已有數據或模型進行計算和分析，從而得出結論的過程。簡單來說，CAD就是利用醫學圖像自動診斷的過程及結果，其能夠避免人為因素對醫學圖像分析和判斷的局限性，從而減少漏診和誤診，提高醫學圖像的臨床使用效率和影像學檢查的可靠性。

ANN技術應用于CAD的研究起步于上世紀80年代，多見于胸部疾病診斷和神經系統疾病診斷，在肺栓塞、胃癌、乳腺癌臨床診斷中廣泛應用，如多層傳感器、徑向基、BP神經網絡、概率神經網絡均是臨床中較為常見的神經網絡在CAD中的應用形式。

Papadopoulos曾以ANN為基礎，建立了一套混合只能系統來提高醫學圖像處理和臨床診斷效率。這套系統同時搭載了神經網絡和傳統醫學圖像CAD規則，兩者結合之下CAD運算效率極高，取得了遠超過預期的結果。他利用這一系統進行乳腺癌篩查和診斷，結果發現該系統可至少診斷出7種不同類型的乳腺增生或腫瘤，包括6種良性增生和1種惡性結節，準確率最高可達99%，這一數據遠優于常規CAD算法或人工讀圖。Cascio則利用ANN技術建立了一種可疑圖像搜索算法，其能夠對每個疑似區域的圖像特征進行抽取，然后利用ANN分析其中存在病變的風險，對于高風險地區進行多角度分析來最大限度檢測潛在的、隱匿的病灶，但其在研究也發現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的自適應調整反而會降低識別效率，此外ANN對不規則腫瘤的識別效率也相對較低，遠不如人工識圖或其他傳統算法。

雖然現階段ANN在CAD中的應用較為有限，但是ANN具有較強的非線性映射功能和自適應的學習能力、聯想存儲能力，在CAD中有良好的應用前景，隨著研究的深入，ANN必將在CAD中全面推廣，以更好地發現診斷規律、提高診斷效率。此外，ANN與其他技術具有良好的兼容性，可與其他技術共同使用，如和符號推理技術相結合提高ANN的可理解性、和粗糙集理論技術結合提高ANN的訓練效率等，這些都是值得研究的領域。

結語：只要建立合適的網絡模型，利用已有的知識和經驗完成訓練和測試，ANN就可快速具備醫學圖像處理的功能，從而以其自適應性、學習能力推動醫學圖像處理、分析、識別和匹配的自動化、智能化。但考慮到ANN技術本身的局限性和醫學圖像的復雜性，單純使用ANN技術進行醫學圖像處理的難度較高，準度也無法保證，不妨嘗試利用ANN的兼容性將多技術、多理論和ANN共同應用于醫學圖像處理，以提高ANN使用效率、醫學圖像使用效率、臨床診斷效率。

綜合來說，ANN技術在醫學圖像處理中具有良好的應用前景，其學習能力、聯想存儲功能、高速處理能力與醫學圖像處理結合后可大大提高臨床診斷效率和準確率，從而推動臨床事業發展。