基于Spike神经网络的脑组织图像分割算法研究-计算机技术专业论文.docxVIP

独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在 文中以明确方式标明。本人完全意识到，本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本论文属于 保密□ ，在 年解密后适用本授权书。 不保密□ 。 （请在以上方框内打“√” ） 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 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。 关键词：脑组织图像分割，Spike 神经网络，Izhikevich 神经元 I Abstract The brain tissue segmentation of Magnetic Resonance Image (MRI) is crucial to the studying and diagnosing of brain diseases such as Alzheimer’s, multiple sclerosis, epilepsy, and schizophrenia. The purpose of the segmentation is to assign distinct labels to different regions such as white-matter (WM), gray-matter (GM), and cerebrospinal fluid (CSF) in skull free brain tissue. When the MRI has light intensity gradient or noise, however, the existing multi-threshold segmentation method can hardly segment the WM, GM, and CSF into 3 regions. The light intensity gradient makes it difficult to distingui