1. 程式人生 > >人工神經網路及其在醫學影像分析中的應用

人工神經網路及其在醫學影像分析中的應用

摘要:人工神經網路(ANN)是在結構上模仿生物神經聯結型系統,能夠設計來進行模式分析,訊號處理等工作。為了使醫學生和醫務工作者能對神經網路,特別是人工神經網路及其在醫學影象和訊號檢測與分析中的應用有個全面瞭解,本文避免了繁瑣的數學分析與推導,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:人工神經網路;產生;原理;特點;應用 


Application of man-made neural network and medical Image to analyses 






Abstract: Man-made neural network (ANN)is a binding system on structure to imitate biological neural to link. It can carry on pattern discriminate, Signal processing et. in order to let the medical students and workers understand the neural network, especially understand the man-made neural network which applies to the medical image to analyses, the article avoids complicated figure’s analysis and reasoning. It explains the concerned profound questions, mainly about the physical concept. In simple terms. I hope it can work ! 


Key words: Man-made neural network; Produce; Principle; Characteristic; Application 


     人工神經的出現與發展,從而解決了對於那些利用其它訊號處理技術無法解決的問題,已成為訊號處理的強有力的工具,人工神經網路的應用開闢了新的領域。二十世紀九十年代初,神經網路的研究在國際上曾經出現一股熱潮,近年來有增無減,已廣泛應用在民用、軍用、醫學生物等各個領域。 
1 神經網路與人工神經網路 
1.1 神經網路 
    神經網路就是由多個非常簡單的處理單元彼此按某種方式相互連線而成的計算機系統。該系統是靠其狀態對外部輸入資訊的動態響應來處理資訊。 
1.2 人工神經網路 
1.2.1 神經元模型的產生 
    神經元(神經細胞)是神經系統的基本構造單位,是處理人體內各部分之間相互資訊傳遞的基本單元。每個神經元都由一個簡單處理作用的細胞體,一個連線其它神經元的軸突和一些向外伸出的其它較短分支——樹突組成。人的大腦正是擁有約個神經元這個龐大的資訊處理體系,來完成極其複雜的分析和推導工作。 
    人工神經網路(ARTIFICIALNEURALNETWORK,簡稱(A.N.N.)就是在對人腦組織結構和運動機智的認識理解基礎上模擬其結構和智慧功能而構成的一種資訊處理系統或計算機。二十世紀40年代初期,心理學家Mcculloch、數學家Pitts就提出了人工神經網路的第一數學模型,從此開創了神經科學理論的研究時代。隨後F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等學者先後又提出了感知模型,使人工神經網路技術有了新的發展。 
1.2.2 人工神經網路的工作原理 
   人工神經網路首先要以一定的學習準則進行學習,然後才能工作。現以人工神經網路對手寫“A”、“B”兩個字母的識別為例進行說明:為了討論方便,先規定當“A”輸入網路時,應該輸出“1”,而當輸入為“B”時,輸出為“0”。因此網路學習的準則應該是:如果網路做出錯誤的判決,則通過網路的學習,應使得網路減小下次犯同樣錯誤的可能性。首先,給網路各連線權值賦予(0,1)區間內的隨機值,將“A”所對應的影象模式輸入給網路,網路將輸入模式加權求和、與門限比較、再進行非線性運算,得到網路的輸出。在此情況下,網路輸出是完全隨機的,“1”和“0”的概率各為50%。這時如果輸出為“1”(結果正確),則使連線權值增大,以便使網路再次遇到“A”模式輸入時,仍然能做出正確的判斷。如果輸出為“0”(結果錯誤),則把網路連線權值朝著減小綜合輸入加權值的方向調整,其目的在於使網路下次再遇到“A”模式輸入時,減小犯同樣錯誤的可能性。如此操作調整,當給網路輪番輸入若干個手寫字母“A”、“B”後,經過網路按以上學習方法進行若干次學習後,網路判斷的正確率將大大提高。這說明網路對這兩個模式的學習已經獲得了成功,它已將這兩個模式分佈地記憶在網路中所含的神經元個數越多,則它能記憶、識別的模式也就越多。 
1.2.3 人工神經網路的特點 
    人工神經網路的特點是高速資訊處理能力和知識儲存容量很大。人工神經網路同現行的計算機所不同的是,它是一種非線性的處理單元。只有當神經元對所有的輸入訊號的綜合處理結果超出某一門限值後才能輸出一個訊號。因此,神經網路是一種具有高度非線性的超大規模連續時間動力學系統。它突破了傳統的以線性處理為基礎的數位電子計算機的侷限,標誌著人們智慧資訊處理能力和模擬人腦智慧行為能力的一大飛躍。


2 人工神經網路的種類 
    人工神經網路分為誤差逆傳播神經網路(多層感知網路)、競爭型(KOHONEN)神經網路、前饋神經網路和Hopfield神經網路四種。 
3 人工神經網路的應用領域 
3.1 民用領域 
    人工神經網路在民用領域主要用於語言識別,影象識別與理解,計算機視覺,智慧機器人故障檢測,實時資訊翻譯,企業管理,市場分析,決策優化,物資調運,自適應控制,專家系統,智慧介面,神經生理學,心理學和認知科學研究等。 
3.2 軍用領域 
   人工神經網路在軍用領域主要用於語音,影象資訊的錄取與處理,雷達、聲納的多目標識別與跟蹤,戰場管理與決策支援系統,軍用機器人控制,資訊的快速錄取,分類與查詢,導彈的智慧引導,保密通訊,航天器的姿態控制等。 
3.3 生物醫學工程領域 
    人工神經網路在生物醫學工程領域主要是解決用常規方法難以解決和無法解決的問題。在生物醫學訊號的檢測和分析處理中主要集中對心電、腦電、肌電、胃腸電等訊號的識別,腦電訊號的分析,聽覺誘發電位訊號的提取,Holter系統的心電訊號資料的壓縮,醫學影象的識別和資料壓縮處理。即廣泛應用和解釋許多複雜的生理、病理現象。例如:CT腦切片。人工神經網路從MR影象分割組織和解剖物體,如腫瘤。這種基於二次掃描的方法包括無指導聚類分析,維數減少和通過非線性拓撲對映的紋理特徵視覺化。採用後處理技術逼近貝葉斯判斷邊緣,然後用人和神經網路的互動對這些結果進行優化。 
3.4 人工神經網路在肺部CT片定量分析中的應用  
    肺部CT影象定量分析是先通過計算ROI區域的紋理和其它形態學的特徵,形成特徵向量,然後交由後續的神經網路去進行分/聚類,從而達到定量分析的目的。現以其中常用的BP網路為例加以說明。由於BP網路存在紋理特徵的計算很費時間和很難找到對某一病理區域有特異性的紋理特徵等引數的缺陷。Heitmann等直接使用了Kohonen自組織對映網路(SOM)來對瀰漫性肺病在HRCT中的典型徵象——磨玻璃樣影(GGO)進行自動識別。他將一55大小的ROI的CT數值直接作為SOM網路的輸入,經網路聚類後,輸出結果的真陽性超過95%,但也有太多的非GGO區域被誤分成GGO區域,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域最易被誤分類,而這類區域處的對比度比較高。也就是說單個SOM網路無法清楚地區分GGO相對均質的區域和低密度肺組織靠近高密度結構處的強對比區域。鑑於以上情況,Heitmann又設計了一個包括三個簡單網路的分層結構。其中:一個簡單網路可以檢測幾乎所有正確的GGO區域以及高對比度處的假GGO區域,而另兩個網路(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區域則無法檢出。將這三個網路的輸出以一定的邏輯規則(即三個網路的輸出都為真,則該區域才是GGO)相連,最終結果比單個網路的結果精確了許多,它去掉了約95%的假陽性區域。雖然一些強對比區域的真的GGO區域也不可避免地被移走,但真陽性仍在可接受的範圍內。實踐證明:那些被誤分類的區域實際上大多是肺內血管、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。可以通過解剖結構資訊來校正。 
    神經網路的研究內容相當廣泛,反映了多學科交叉技術領域的特點。迄今為止,在人工神經網路研究領域中,有代表性的網路模型已達數十種,而學習演算法的型別更難以統計其數量。神經網路研究熱潮的興起是20世紀末人類科學技術發展全面飛躍的一個組成部分。它與多種科學領域的發展密切相關,縱觀當代新興科學技術的發展歷史,人類在征服宇宙空間、基本粒子、生命起源等科學領域的程序之中歷經了崎嶇不平之路。在以人為本的21世紀,我們將會看到探索人腦功能和神經網路的研究將伴隨著重重困難的克服而日新月異,同時人工神經網路在醫學領域的應用前景也會更加廣闊。 


參考文獻: 
[1] 陳旭,莊天戈.肺部放射影像的定量分析[J].中國醫療器械雜誌。2001,26(2):117—118. 
[2] 譚歐,段會龍等.三維醫學影象分割標註技術的回顧[J].中國醫療器械雜誌.2002,26(3):204. 
[3] K. Heitmann et al .Autonaric Detection of Ground Glass Opacities on Lung HRCT using Multiple Neural Networks. Euro.Radio .1997.7:1463-1472.
本論文轉載於論文天下:http://www.lunwentianxia.com/product.free.4576312.1/