基于Spike神经网络的脑组织图像分割算法研究

摘要

脑组织 MR图像分割对诸如老年痴呆症、多发性硬化、癫痫症、精神分裂症等脑部病灶的研究和诊断有着至关重要的作用，在去除脑壳的脑部 MR图像中通过应用不同标记来区分脑白质（White-Matter，WM）、脑灰质（Gray-Matter，GM）和脑脊髓液（Cerebrospinal Fluid，CSF）。当MR图像存在噪声如光强渐变时，现有多阈值灰度图像分割方法难于对WM、GM以及CSF区域进行有效分割。
　　当噪声如光强渐变导致前景与背景难于区分时，多阈值灰度图像就会因未考虑邻域像素空间相关性而分割失败。为利用邻域像素的空间相关信息，拟采用 Spike神经网络（Spike Neural Network，SNN）模拟像素及其之间的连接，利用SNN脉冲时间的同步与异步来分割脑组织不同区域。SNN采用精准脉冲时间编码方式模拟生物特性的神经元，比采用阈值和sigmoid等神经元的传统神经网络计算能力更强。
　　采用高斯接受域的群体编码将像素灰度值编码成精准的SNN脉冲时间，然后基于脑组织图像的邻域像素空间信息以及 SNN的时间编码特性，构造了基于延时Izhikevich神经元的双层反馈神经网络结构。在竞争处理层中采用兴奋、抑制神经元横向连接（兴奋与抑制神经元数量为8:2），在竞争处理层与输出结果层之间采用带反馈的全连接方式，输出结果层神经元的个数则由待分割的区域数确定。
　　利用脑组织图像梯度信息初始化突触间延时，基于winner-takes-all竞争思想并利用脉冲时间依赖可塑性（Spike Timing-Dependent Plasticity，STDP），实现了突触之间权值的动态学习与调整。随着动态学习与调整过程的进行，脑组织图像相似部分的脉冲时间越来越同步，而不同部分的脉冲时间越来越异步。最终，不同脉冲时间解码成脑组织的不同掩膜，即完成了脑组织图像三个不同区域的分割。
　　采用时钟驱动和事件驱动相结合的方式编程并进行了仿真实验，并与经典的K-means和Kohonen神经网络图像分割算法进行了对比。实验表明，基于SNN的脑组织图像分割算法比传统的分割方法更为准确。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1项目研究的背景，目的和意义

1.2国内外发展概况

1.3论文的主要研究内容

1.4论文的组织结构

2 SNN及其学习机制

2.1 Spike神经元特性

2.2 Spike神经元模型

2.3神经元的输入编码方式

2.4神经网络的动态调节学习

2.5本章小结

3 SNN脑组织图像分割算法

3.1脑组织图像Spike脉冲时间编码

3.2 Spike神经元选择及神经网络结构

3.3神经网络突触动态学习算法

3.4脑组织图像分割策略

3.5本章小结

4 SNN图像分割仿真系统的详细设计与实现

4.1系统设计总览

4.2仿真模型对象主要数据结构

4.3核心算法流程

4.4仿真策略实现与仿真优化策略

4.5本章小结

5 实验及结果分析

5.1实验准备

5.2实验参数设定

5.3实验结果

5.4结果分析

5.5本章小结

6 总结和展望

6.1总结

6.2展望

致谢

参考文献