人工神经网络及其在医学影像分析中的应用

摘要：人工神经网络（ANN）是在结构上模仿生物神经联结型系统，能够设计来进行模式分析，信号处理等工作。为了使医学生和医务工作者能对神经网络，特别是人工神经网络及其在医学图像和信号检测与分析中的应用有个全面了解，本文避免了繁琐的数学分析与推导，以阐明物理概念为主，深入浅出地就有关问题加以阐述，期望有所裨益。

关键词：人工神经网络；产生；原理；特点；应用

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

人工神经的出现与发展，从而解决了对于那些利用其它信号处理技术无法解决的问题，已成为信号处理的强有力的工具，人工神经网络的应用开辟了新的领域。二十世纪九十年代初，神经网络的研究在国际上曾经出现一股热潮，近年来有增无减，已广泛应用在民用、军用、医学生物等各个领域。

1 神经网络与人工神经网络

1.1 神经网络

神经网络就是由多个非常简单的处理单元彼此按某种方式相互连接而成的计算机系统。该系统是靠其状态对外部输入信息的动态响应来处理信息。

1.2 人工神经网络

1.2.1 神经元模型的产生

神经元（神经细胞）是神经系统的基本构造单位，是处理人体内各部分之间相互信息传递的基本单元。每个神经元都由一个简单处理作用的细胞体，一个连接其它神经元的轴突和一些向外伸出的其它较短分支——树突组成。人的大脑正是拥有约个神经元这个庞大的信息处理体系，来完成极其复杂的分析和推导工作。

人工神经网络（ARTIFICIALNEURALNETWORK，简称(A.N.N.）就是在对人脑组织结构和运动机智的认识理解基础上模拟其结构和智能功能而构成的一种信息处理系统或计算机。二十世纪40年代初期，心理学家Mcculloch、数学家Pitts就提出了人工神经网络的第一数学模型，从此开创了神经科学理论的研究时代。随后F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等学者先后又提出了感知模型，使人工神经网络技术有了新的发展。

1.2.2 人工神经网络的工作原理

人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明：为了讨论方便，先规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。因此网络学习的准则应该是：如果网络做出错误的判决，则通过网络的学习，应使得网络减小下次犯同样错误的可能性。首先，给网络各连接权值赋予（0，1）区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出是完全随机的，“1”和“0”的概率各为50%。这时如果输出为“1”（结果正确），则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能做出正确的判断。如果输出为“0”（结果错误），则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。

1.2.3 人工神经网络的特点

人工神经网络的特点是高速信息处理能力和知识存储容量很大。人工神经网络同现行的计算机所不同的是，它是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超出某一门限值后才能输出一个信号。因此，神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。

2 人工神经网络的种类

人工神经网络分为误差逆传播神经网络（多层感知网络）、竞争型(KOHONEN)神经网络、前馈神经网络和Hopfield神经网络四种。

3 人工神经网络的应用领域

3.1 民用领域

人工神经网络在民用领域主要用于语言识别，图像识别与理解，计算机视觉，智能机器人故障检测，实时信息翻译，企业管理，市场分析，决策优化，物资调运，自适应控制，专家系统，智能接口，神经生理学，心理学和认知科学研究等。

3.2 军用领域

人工神经网络在军用领域主要用于语音，图像信息的录取与处理，雷达、声纳的多目标识别与跟踪，战场管理与决策支持系统，军用机器人控制，信息的快速录取，分类与查询，导弹的智能引导，保密通讯，航天器的姿态控制等。

3.3 生物医学工程领域

人工神经网络在生物医学工程领域主要是解决用常规方法难以解决和无法解决的问题。在生物医学信号的检测和分析处理中主要集中对心电、脑电、肌电、胃肠电等信号的识别，脑电信号的分析，听觉诱发电位信号的提取，Holter系统的心电信号数据的压缩，医学图像的识别和数据压缩处理。即广泛应用和解释许多复杂的生理、病理现象。例如：CT脑切片。人工神经网络从MR图像分割组织和解剖物体，如肿瘤。这种基于二次扫描的方法包括无指导聚类分析，维数减少和通过非线性拓扑映射的纹理特征可视化。采用后处理技术逼近贝叶斯判断边缘，然后用人和神经网络的交互对这些结果进行优化。

3.4 人工神经网络在肺部CT片定量分析中的应用

肺部CT图像定量分析是先通过计算ROI区域的纹理和其它形态学的特征，形成特征矢量，然后交由后续的神经网络去进行分/聚类，从而达到定量分析的目的。现以其中常用的BP网络为例加以说明。由于BP网络存在纹理特征的计算很费时间和很难找到对某一病理区域有特异性的纹理特征等参数的缺陷。Heitmann等直接使用了Kohonen自组织映射网络（SOM）来对弥漫性肺病在HRCT中的典型征象——磨玻璃样影（GGO）进行自动识别。他将一55大小的ROI的CT数值直接作为SOM网络的输入，经网络聚类后，输出结果的真阳性超过95%，但也有太多的非GGO区域被误分成GGO区域，假阳性竟高达150——300%。特别是靠近胸膜和靠近气管与血管处的区域最易被误分类，而这类区域处的对比度比较高。也就是说单个SOM网络无法清楚地区分GGO相对均质的区域和低密度肺组织靠近高密度结构处的强对比区域。鉴于以上情况，Heitmann又设计了一个包括三个简单网络的分层结构。其中：一个简单网络可以检测几乎所有正确的GGO区域以及高对比度处的假GGO区域，而另两个网络（一个针对靠近胸膜处的组织；另一个针对靠近气管和血管处的组织）仅仅被训练成高对比有反应，而真正的GGO区域则无法检出。将这三个网络的输出以一定的逻辑规则（即三个网络的输出都为真，则该区域才是GGO）相连，最终结果比单个网络的结果精确了许多，它去掉了约95%的假阳性区域。虽然一些强对比区域的真的GGO区域也不可避免地被移走，但真阳性仍在可接受的范围内。实践证明：那些被误分类的区域实际上大多是肺内血管、气管、胸壁或纵隔的部分容积效应，以及有心脏主动脉搏动或呼吸位移引起的运动伪影。可以通过解剖结构信息来校正。

神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。迄今为止，在人工神经网络研究领域中，有代表性的网络模型已达数十种，而学习算法的类型更难以统计其数量。神经网络研究热潮的兴起是20世纪末人类科学技术发展全面飞跃的一个组成部分。它与多种科学领域的发展密切相关，纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子、生命起源等科学领域的进程之中历经了崎岖不平之路。在以人为本的21世纪，我们将会看到探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异，同时人工神经网络在医学领域的应用前景也会更加广阔。

参考文献：

[1] 陈旭，庄天戈.肺部放射影像的定量分析[J].中国医疗器械杂志。2001，26（2）：117—118.

[2] 谭欧，段会龙等.三维医学图像分割标注技术的回顾[J].中国医疗器械杂志.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.