目前医学影像已成为发展最快的技术领域之一,广泛应用于诊断和治疗,是现代医学中的重要手段和工具。医学图像处理是医学影像技术极为重要的一个环节,它能有效地对医学图像进行处理,从而提高医学图像信息的利用率,有助于实现对病变特征信息的提取,使临床医生对病变部位观察更直接具体,提高确诊率。脉冲耦合神经网络作为第三代人工神经网络,有着生物学背景,是通过模拟哺乳动物视觉皮层神经细胞活动而建立的神经网络模型,是对真实神经元的简化与近似。该模型具有对图像二维空间相似、灰度相似像素进行分组的特点,并能减小图像局部灰度差值,弥补图像局部微小间断等特点。同时具有链接域特性和动态阈值衰减特性,能够使状态相似的神经元同步输出脉冲。因此,它更接近视觉系统处理图像的过程,尤其是它的非线性调制特性,在医学图像处理中具有广泛的应用前景。本文改进了传统脉冲耦合神经网络模型理论并将其运用于对医学图像处理,主要做了如下几方面的工作:1、医学图像成像系统复杂,在获取、显示和传输过程中,不可避免地引入了各种噪声,主要是高斯噪声和脉冲噪声。本文根据脉冲噪声、高斯噪声的性质和特点,在脉冲耦合神经网络有耦合链接状态下,以相似性集群发放同步脉冲,具有空间邻近、亮度强度相似性输入的神经元将在同一时刻点火。利用脉冲耦合神经网络同步脉冲发放特性来定位脉冲噪声和高斯噪声点的位置,在脉冲耦合神经网络控制下只对噪声像素进行处理,邻域内亮度基本一致的大多数像素亮度的均值作为该噪声像素的灰度值,提高了图像滤波的性能。而对非噪声像素,像素的灰度值滤波前后不变化,这样保证了噪声污染前的图像和滤波后的图像之间在非噪声像素点上无任何畸变和失真。本文算法实现了图像自适应滤波,与传统脉冲耦合神经网络相比,无需多次遍历,提高了效率,节省了时间。本文方法在去除医学图像混合噪声的同时能很好地保留图像的细节和边缘信息,处理效果明显优于均值滤波、中值滤波、维纳滤波等去噪方法,尤其是对高密度的脉冲噪声、高方差的高斯噪声及其混合噪声的医学图像进行处理。2、医学图像分割是医学图像理解、三维重建、可视化、配准等处理的基础,对疾病的诊断和治疗有着重要的临床意义。本文将脉冲耦合神经网络引入医学图像分割领域,提出了一种基于单位连接脉冲耦合神经网络、最大交叉熵和亚均值滤波的医学图像分割方法。该算法用单位连接脉冲耦合神经网络沿着由高亮度值的方向分层次依次分解灰度图像,采用图像最大交叉熵来判定单位连接脉冲耦合神经网络进行图像分割的最优结果,同时采用亚均值滤波来克服噪声对分割过程的影响。该算法使用单位连接脉冲耦合神经网络解决了传统脉冲耦合神经网络图像分割参数选择的难题,优化了脉冲耦合神经网络模型,使神经元链接输入通道信号得到统一,将动态阈值划分、区域的空间位置关系及图像最大交叉熵有机地结合在一起,利用单位连接脉冲耦合神经网络中脉冲的传播对图像进行自然而迅速地自动分割,解决了迭代次数无法确定问题。本文算法可有效地自动分割各种不同医学图像,能分割到医学图像大量细节信息,检测出病灶,有一定的抗噪能力,处理速度较快,分割效果优于阈值分割、Otsu自适应阈值分割等方法。3、在医学图像边缘检测方面,本文提出了一种基于单位连接脉冲耦合神经网络医学图像边缘检测方法,先用单位连接脉冲耦合神经网络将医学图像分割为二值图像,再将亮区(背景)和暗区(目标)的点火二值图进行异或,点火脉冲依着目标的形状自然地同步传播,从而迅速地得到目标的自然而完整的边缘。该算法无需选取参数,且神经元参数对结果不敏感,网络的邻域相似性集群机制使得检测算法具有一定的自适应性,可迅速、自然而准确地提取灰度图像的边缘。与传统图像边缘检测算法相比,本文算法减少了边缘漏检,保留了更丰富的细节信息,有效保证医学图像边缘的连续性、完整性和精确定位,具有较强的自适应性。