基于模糊小波神经网络的磁共振图像分割方法

针对磁共振图像分割的特点,将小波分析优异的局部特性、模糊逻辑的定性知识表达能力和神经网络的自学习能力结合起来,提出了一种基于模糊小波神经网络的磁共振图像分割方法.该方法采用小波函数作为模糊隶属函数,利用神经网络实现模糊推理,并采用反向误差传播算法对网络进行训练.实验结果表明,这种基于模糊小波神经网络的磁共振图像分割方法与普通神经网络分割方法相比,具有更高的分割精度和更快的训练收敛速度.     

FCM算法在脑肿瘤MRI图像分割中的应用

聚类算法已广泛用于图像分割，根据模糊C－均值聚类算法（FCM）的磁共振颅脑图像的特点，我们利用FCM算法对磁共颅脑图像进行了分割。结果表明，聚类算法在脑肿瘤的MRI图像分割中能够得到比较理想的结果，优于边缘检测、域值分割等方法。     

神经网络技术在磁共振图像分割中的应用

神经网络具有类似人脑的并行处理结构,能够模拟人脑对刺激的反应方式进行工作,可以用于解决磁共振图像分割问题。近来,涌现出许多神经网络磁共振图像分割方法的应用报道,这些神经网络包括传统的确定型神经网络,以及结合模糊逻辑、混沌理论或小波理论等新理论的混合神经网络。本针对这些磁共振图像分割方法进行综述。     

神经网络技术在磁共振图像分割中的应用

神经网络具有类似人脑的并行处理结构 ,能够模拟人脑对刺激的反应方式进行工作 ,可以用于解决磁共振图像分割问题。近来 ,涌现出许多神经网络磁共振图像分割方法的应用报道 ,这些神经网络包括传统的确定型神经网络 ,以及结合模糊逻辑、混沌理论或者小波理论等新理论的混合神经网络。本文针对这些磁共振图像分割方法进行综述。     

基于B P神经网络的脑肿瘤MRI图像分割

利用BP神经网络技术对MR脑肿瘤图像中的肿瘤区域与正常组织区域进行分割,以辅助医疗诊断与治疗。首先,人工分割出部分影像中的肿瘤组织与正常组织作为已知样本;其次,在BP神经网络模型中输入已知样本中进行训练;最后,用训练好的BP神经网络处理其他脑肿瘤图像。BP神经网络能够有效分割MR脑肿瘤图像,辨别出肿瘤与周围正常组织的差异,但模糊区域也常被误判为肿瘤。因此,本研究提出进一步对模糊区域样本进行针对性训练与特殊的滤波处理,所得结果有较大改进。BP神经网络能有效地进行脑肿瘤MRI图像分割,但在使用时仍需正确选择输入样本的区域和范围并结合特殊的滤波处理。     

基于模糊K-近邻规则的多谱磁共振脑图像分割方法的研究

本文在K 近邻 (K nearestneighbor ,简称KNN)规则的基础上 ,基于模糊C 均值聚类 (FuzzyC meansclustering ,简称FCM)技术 ,提出了模糊K 近邻算法 (FuzzyK nearestneighbor ,简称FKNN) ,并利用该算法对磁共振脑图像进行分割研究。首先对磁共振颅脑图像进行预分割 ,剔除颅骨和肌肉等非脑组织 ,只保留大脑结构 ;然后利用FKNN算法对大脑结构进行分割 ,从脑组织中分别提取出白质、灰质和脑脊液。实验结果表明 ,FKNN方法能有效地从大脑结构中分割出白质、灰质和脑脊液 ,分割效果明显优于KNN方法。     

颅脑MRI图像的分水岭分割方法研究

针对颅脑MRI图像的模糊特点和实际应用的要求,提出了一种改进的分水岭算法。从图像的结构信息考虑,由于噪声产生的谷底值很小,而对应于真正的区域,每个区域的最小谷底会有一个很大的动态值,这个值与没有噪声时的谷底动态值相近。因此,只要简单地给一个阈值,就可以将那些由噪声产生的谷底滤掉,从而也就抑制了过分割问题。结果表明,该方法能够快速、准确地得到医学图像的分割结果,并且具有较强的抗噪声能力。     

磁共振颅脑图像快速模糊聚类分割算法的研究

尽管模糊C-均值（简称FCM）聚类算法已广泛应用于图像分割研究,但是,由于模糊C-均值聚类算法所固有的一些缺点,特别是运算开销太大造成了该算法在实际应用中难以推广使用。根据模糊C-均值聚类算法和磁共振颅脑图象的特点,我们提出了一种分割磁共振颅脑图象的快速模糊C-均值（简称FFCM）聚类算法,该算法利用K-均值聚类结果指导模糊聚类的初始化,使模糊聚类的迭代次数明显减少。从而极大地提高模糊聚类的速度,实际应用表明,FFCM的分割速度比FCM快6.5倍以上,而分割精度与FCM相比无显著性差异。     

腿部磁共振图像脂肪分割方法的研究

腿部磁共振图像脂肪分割对于代谢综合征和代谢功能异常诊断具有重要意义,但皮下脂肪和肌肉间脂肪存在连通区域,难以分割。本文提出水平集算法和模糊C均值算法相结合的方法,对腿部磁共振图像脂肪和其他组织进行分割提取。实验结果表明,该方法能够较好地分割出腿部的皮下脂肪组织、肌肉间脂肪组织及其他组织。     

一种分割脑磁共振图像的改进FCM聚类算法

噪声和偏移场是影响磁共振(MRI)图像质量的主要因素。以含加性噪声和乘性偏移场的脑MRI图像组织分割为目标,提出一种抗噪局部相干模糊聚类算法,通过在目标函数中加入模糊算子和一致局部信息约束,达到同时抑制噪声和偏移场不利影响的目的,提高分割准确性和稳定性。采用20例合成图像、60例来自Brain Web的模拟脑MRI图像、100例来自IBSR真实脑MRI图像,对算法的聚类性能进行评价。实验结果表明,在噪声和偏移场干扰并存的情况下,所提出算法与其他几种经典FCM改进算法相比,对合成图像集的平均分类准确度SA达到0.97,高于其他算法,最大可提高0.37;对真实脑MRI图像集的脑脊液分割有明显优势,相似性测度KI平均提高约0.1。分析表明,所提出算法有更好的分类准确性和稳定性。     

利用Stein-Weiss解析函数结合反向传播神经网络进行血管分割

针对传统反向传播（BP）神经网络对血管进行分割存在耗时长且识别率不高的问题,本研究提出一种新的基于Stein-Weiss解析函数的BP神经网络算法用于血管分割。首先为每个体素构建一个Stein-Weiss函数,然后根据Stein-Weiss解析函数的解析性,计算出相应体素的16个特征值,将这些特征值输入到BP神经网络的输入层,采用BP神经网络的自学习能力对这些数据进行分类学习,最后通过BP神经网络的泛化能力来获取血管边缘。对肝脏血管分割的实验结果表明,相对于传统的BP神经网络分割算法,该算法提取的函数血管边缘识别率高、细节丰富,分割效率也明显提高。     

生物细胞图像分割技术的进展

阐述了小波变换、遗传算法、模糊数学、神经网络，数学形态学等生物细胞图像分割算法以及边缘检测，区域分割等传统图像分割算法为主的生物细胞图像分割技术的发展现状，指明了生物细胞图像本身具有的复杂性，多样性，各自差异等属性是实现生物细胞图像全自动分割的难点，只有彻底结合生物视觉特性数学模型算法的研究和应用，才能命名生物细胞全自动分割成为可能。     

特征区域再聚焦提升全卷积神经网络勾画较小靶区准确度

在卷积神经网络基础之上介绍一种特征区域再聚焦的勾画方法。方法:利用端到端的全卷积神经网络,采用正常勾画及特征区域再聚焦勾画两种方法分别对鼻咽癌肿瘤体积（GTVnx）进行自动勾画。选取60例鼻咽癌患者数据,其中40例用于训练,20例用于测试。Dice相似系数（DSC）用于评估自动勾画准确度。结果:正常勾画方法DSC为0.352±0.084,特征区域再聚焦方法DSC为0.524±0.079。对20例测试例勾画结果进行统计学检验结果显示P<0.01。结论:相比正常勾画方法,特征再聚焦勾画方法能够提高对GTVnx的勾画效果,提升较小靶区的勾画精度。     

Combinational risk factors of metabolic syndrome identified by fuzzy neural network analysis of health-check data

ABSTRACT: BACKGROUND: Lifestyle-related diseases represented by metabolic syndrome develop as results of complex interaction. By using health check-up data from two large studies collected during a long-term follow-up, we searched for risk factors associated with the development of metabolic syndrome. METHODS: In our original study, we selected 77 case subjects who developed metabolic syndrome during the follow-up and 152 healthy control subjects who were free of lifestyle-related risk components from among 1803 Japanese male employees. In a replication study, we selected 2196 case subjects and 2196 control subjects from among 31343 other Japanese male employees. By means of a bioinformatics approach using a fuzzy neural network (FNN), we searched any significant combinations that are associated with MetS. To ensure that the risk combination selected by FNN analysis was statistically reliable, we performed logistic regression analysis including adjustment. RESULTS: We selected a combination of an elevated level of gamma-glutamyltranspeptidase (gamma-GTP, GGTP) and an elevated white blood cell (WBC) count as the most significant combination of risk factors for the development of metabolic syndrome. The FNN also identified the same tendency in a replication study. The clinical characteristics of gamma-GTP level and WBC count were statistically significant even after adjustment, confirming that the results obtained from the fuzzy neural network are reasonable. Correlation ratio showed that an elevated level of gamma-GTP is associated with habitual drinking of alcohol and a high WBC count is associated with habitual smoking. CONCLUSIONS: This result obtained by fuzzy neural network analysis of health check-up data from large long-term studies can be useful in providing a personalized novel diagnostic and therapeutic method involving the gamma-GTP level and the WBC count.     

Unsupervised Segmentation of Head Tissues from Multi-modal MR Images for EEG Source Localization

In this paper, we present and evaluate an automatic unsupervised segmentation method, hierarchical segmentation approach (HSA)–Bayesian-based adaptive mean shift (BAMS), for use in the construction of a patient-specific head conductivity model for electroencephalography (EEG) source localization. It is based on a HSA and BAMS for segmenting the tissues from multi-modal magnetic resonance (MR) head images. The evaluation of the proposed method was done both directly in terms of segmentation accuracy and indirectly in terms of source localization accuracy. The direct evaluation was performed relative to a commonly used reference method brain extraction tool (BET)–FMRIB’s automated segmentation tool (FAST) and four variants of the HSA using both synthetic data and real data from ten subjects. The synthetic data includes multiple realizations of four different noise levels and several realizations of typical noise with a 20 % bias field level. The Dice index and Hausdorff distance were used to measure the segmentation accuracy. The indirect evaluation was performed relative to the reference method BET-FAST using synthetic two-dimensional (2D) multimodal magnetic resonance (MR) data with 3 % noise and synthetic EEG (generated for a prescribed source). The source localization accuracy was determined in terms of localization error and relative error of potential. The experimental results demonstrate the efficacy of HSA-BAMS, its robustness to noise and the bias field, and that it provides better segmentation accuracy than the reference method and variants of the HSA. They also show that it leads to a more accurate localization accuracy than the commonly used reference method and suggest that it has potential as a surrogate for expert manual segmentation for the EEG source localization problem.     

人工肌肉系统神经网络建模与控制

针对广泛应用于医疗机器人等领域的空气压人工肌肉的非线性特性，运用神经网络模型，对人工肌肉系统进行建模与控制。设计了一个具有单关节的人工肌肉试验系统。采用递推预报误差(RPE)算法来训练神经网络，并给出了RPE算法的具体实现，该算法与传统的BP算法相比具有更好的收敛特性。讨论了不同的输入向量和不同的隐层节点数对建模结果的影响。在此基础上提出了一种基于神经网络的人工肌肉系统非线性控制结构，并给出了人工肌肉关节跟踪正弦波和矩形波参考信号的试验结果。试验结果表明，采用神经网络模型对人工肌肉系统进行建模与控制，能有效地克服人工肌肉系统的非线性，能够得到更快的控制速度和更高的控制精度。