脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)是20世纪90年代发展起来的一种新型神经网络,其神经元模型是依据猫、猴等动物的大脑皮层上同步脉冲发放现象提出来的,具有传统的神经网络所不具备的优点,主要包括动态性、同步脉冲发放、动态脉冲发放三个特点。一、神经元的动态性。与传统的神经网络采用输入信号的加权和直接与阂值相比不同,PCNN采用输入信号与突触通道的脉冲响应函数的乘积与阈值相比较。另外,神经元的阈值不是常数,而是随时间变化的,且其变化既与上一时刻的闽值有关,也与神经元当前的输出有关；二、同步脉冲发放特性。PCNN采用这样的结构,即每个神经元有一个输入(对应于图像中一个像素的灰度值),并与邻近神经元的输出相连接。从神经元的角度讲,对应较亮像素的神经元可以比对应较暗像素的神经元更快地点火(即脉冲发放),而从整个网络的角度来看,当一个神经元点火时,它会将其输出送至与其相邻的神经元的输入上,从而引起邻近神经元先于自然点火时刻而提前点火,这样就会导致在图像的一个大的区域内产生同步振荡。所以,存在耦合连接的PCNN其行为特征就为：以相似性集群发放同步脉冲。这就意味着具有空间邻近、亮度相似输入的神经元将在同一时刻点火,这时的PCNN是以空间邻近和亮度相似集群的特征将图像映射变换为含有时间特性的点火图。这一性质对于图像分割、图像目标自动识别、图像融合等具有非常重要的应用意义；三、动态脉冲发放特性。PCNN(?)神经元的变阈值特性是其动态脉冲发放的根源。如果将由输入信号与突触通道脉冲响应函数的乘积所产生的信号称为神经元的内部作用信号,则当此作用信号超过阈值时,相应的神经元被激活而产生高电平输出,又由于阈值受神经元输出的控制,导致该神经元输出的高电平反过来提升阈值,从而使作用信号变得低于阈值,神经元立即恢复为原来的抑制状态。这一过程在神经元输出端明显地形成了一个脉冲发放,其中变闽值特性直接影响神经元被抑制和激活,而硬限幅函数则实现神经元输出端脉冲的产生,它们相互作用的结果是使神经元输出动态发放脉冲,而发放脉冲的频率和相位则与神经元输入有关,故神经元输出可视为是对输入信号的某种频率调制或相位调制,从而携带了输入信号的特征,这种特征对于我们进行模式的分类和识别、图像处理、以及目标优化将十分有用。通过近十几年来的发展,PCNN的理论与应用都取得了很大进步,并逐渐替代传统的人工神经网络成为当前应用广泛的神经模型。但是PCNN需要恰当设置其数学模型中的门限参数、衰减时间常数、加权因子等,其循环迭代的终止条件的确定更是一个难题,单独的PCNN很难满足图像处理或数值优化的各种不同需要,需要对其进行优化并结合其他相关模型或算法以达到更大的应用效果。因而,加快PCNN(?)的理论和实际应用研究具有重要的、深远的意义。本文以医学图像分割为目的,在对PCNN进行优化的基础上,分别提出基于PCNN的脑MR图像分割算法及胸部CT图像的肺叶分割算法,主要完成的工作如下：(1) PCNN模型的优化本文在总结并分析当前已有方法的优点的基础上,提出了一种更为简洁高效的PCNN模型。主要从以下三个方面进行优化：A.采用最大熵准则作为PCNN循环结束的判断条件,避免其通过无法预计的迭代循环封闭地寻求最优解；B.优化PCNN模型结构,使神经元对外部刺激的反应更敏感,同时降低了PCNN对参数设置的依赖性。主要优化包括：(i)反馈输入直接对应外部刺激,使神经元对应的物理意义更明确,链接输入维持自然变化特征,确保算法的精度；(ii)针对反馈输入等于外部刺激的改进,内部活动项采用加权和的方式耦合反馈输入与链接输入,这种改变既能保证初始状态跟原始的PCNN过程一致,又维持了PCNN(?)神经元集群点火的特性；(iii)脉冲产生部分采用常量点火阈值,大大减少计算量；C.采用带权值的神经元连接模式,使其更符合生物特征。为了更好地应用图像提供的结构信息以及提高算法的速率,链接输入使用归一化连接权值系数,同时使中心部位的神经元的权值略大于所有邻接神经元权值之和。这样,中心神经元只受整体邻接神经元的影响而不会受个别邻接神经干扰,具有较强的抗干扰性。(2)基于优化PCNN的脑MR图像分割方法磁共振脑图像比较复杂,脑部各组织之间相互混迭没有清晰的边界,不同个体之间的差异性较大,以及成像过程中磁场的不均匀性、部分容积效应以及噪声的影响造成的图像内在的不确定性等,使分割问题显得更为复杂和困难。本文在预处理过程中先利用头部MRI图像的先验知识将脑组织分离出来,并且根据脑组织的直方图分析得到WM与GM、GM与CSF的最优分割阈值,然后再利用优化的PCNN(?)将脑组织分割为白质(White Matter, WM)、灰质(Gray Matter,GM)、脑脊液(cerebrospinal fluid, CSF)。预处理的具体步骤如下：先对三维图像采用OSTU(大津法,最大类间方差法)去背景得到脑组织和颅骨组织数据,然后采用三维形态学开操作(先腐蚀再膨胀)去除脑组织和颅骨组织的相连接的部分,再用三维区域增长得到完整的脑组织,最后分析脑组织数据的直方图,得到完整的脑组织数据以及两个最优分割阂值。设脑组织图像为S,分割阈值为T,最大熵值为Hm,最大熵值对就的分割结果为Rslt,每次迭代过程中的熵值为Ht,最大迭代次数为Nm。算法流程如下：第一步,初始化参数。按上述模型初始化连接权系数w；令Fijk[n]=SjikYijk[0]=1,Hm=0,Rsltijk＝0；第二步,计算内部活项Uijk[n]及网络输出。Lijk[n]=∑WijkmnYlmn[n-1]。Uijk[n]=Fijk[n]*Lijk[n]；如果Uijk[n]>T,Yijk[n]=1,否则Yijk[n]=0；第三步,计算最大互信息熵。通过Y[n]计算得到本次分割结果的熵值H1如果H1>Hm,则Hm=Ht,且Rslt=Y[n]；第四步,判断迭代是否结束。如果n>Nm‖Ht<<Hm,,则结束迭代,Rslt即为分割结果；否则返回到第二步。由于白质密度偏大,可先分割出白质,然后从剩下的部分中分离出灰质。另外,脑脊液对于影像学诊断没有辅助意义,则直接从脑组织数据中减去白质与灰质得到脑脊液图像。实验证明,本文提出的三维PCNN分割算法相对于传统的PCNN及其它脑部图像分割算法更精简、更高效。该算法无需复杂的参数选取过程,使用最大熵原则控制迭代次数,可迅速而准确地提取图像的边缘,保留丰富细节信息,有效地保证医学图像边缘的连续性、完整性,具有较强的自适应性。(3)基于PCNN在线学习的统计形状模型在肺叶分割中的应用将胸部CT图像中的肺实质细分为肺叶结构对肺癌的诊疗具有重要意义。但由于部分容积效应、周围间隙现象,或者层厚过大等因素的影响,肺部裂缝在图像上可能是不完整的,甚至在某些图层上完全消失,且其在断层图像上极易与血管或气管混淆,分割效果往往不理想,如何进一步提高肺叶分割的精确性及鲁棒性是国际上的一个研究热点。本文使用统计形状模型(Statistic Shape Model)来实现对肺叶的分割。在传统的统计模型中,平均模型一般事先通过大量的样本训练得到,在后期实际的分割过程中则一直采用该模型进行形变。这种方法在训练时需要提供足够多的样本,否则,对于待分割图像与统计模型的形状特征差异较大的情况得到的分割结果往往较差。为了解决这一矛盾,本文提出了一种基于PCNN的在线学习方法,通过使用每一次的分割结果来校正模型的形状,以使其越来越具有代表性,越来越具有统计意义。具体的肺叶分割流程包括六个部分：胸部CT图像预处理、肺部裂缝初始模型的建立、统计模型与待分割图像的配准、肺部裂缝的局部搜索、肺部裂缝形状的精细调整,以及肺部统计模型形状的在线学习。为了得到肺实质的形状模型,首先将胸部CT图像通过自动预处理得到肺实质轮廓,并提出一种近均匀模型自动计算得到肺实质轮廓的控制点,同时通过专家手动分割及均匀采样的方式得到对应肺实质的肺部裂缝的控制点,再在标准坐标系中对每个样本的肺实质轮廓控制点与肺部裂缝控制点进行归一化。最后,通过对少量的归一化形状计算得到它们的初始模型形状。在实际的分割过程中,首先通过肺实质轮廓将模型形状配准到待分割图像,然后将这个形变过程施加到模型的裂缝形状上,这样就可以得到待分割图像中肺部裂缝的大概位置。接着在形变后的模型中肺部裂缝形状附近局部地搜索待分割图像中的肺部裂缝像素点,找到少量实际的肺部裂缝点后,对其作进一步的筛选,得到比较确切的待分割图像的肺部裂缝点,利用这些像素点对形变后的模型中的裂缝形状作精细的调整,即可以得到最终的肺部裂缝位置。得到分割结果后,对其进行与训练样本相同的归一化操作,然后将它输入到PCNN在线学习系统中,不断提高模型的精确性。在这个PCNN在线学习系统中,同样采用上述优化后的模型,不同的是,采用每一次的分割结果作为外部刺激输入,脉冲产生部分采用平均形状作为动态点火阈值并采用内部活动项与平均模型的绝对差作为点火条件。在每一次迭代过程中,作为点火阈值的模型平均形状不断变化,直至整个网络不再点火,这时点火阈值对应的值即为在新的分割影响下的学习结果。随着分割实例的增多,那么这个模型将越来越精确,具有更好的适应性。