脉冲神经网络与距离正则级集演化：乳腺癌自动分割的精细策略

本文探讨了在计算机辅助诊断（CAD）系统中，如何利用脉冲耦合神经网络（Pulse-Coupled Neural Network, PCNN）与距离正则化水平集演化（Distance Regularized Level Set Evolution, DR-LSE）相结合，开发一种高效且精确的乳腺肿块分割算法，以实现自动乳腺质量分析。传统的水平集方法通过级集函数（Level Set Function, LSF）来描述轮廓的演变，然而在演化过程中，LSF可能会出现不规则性，导致数值误差并影响稳定性。作者针对这一问题，提出了将PCNN的特性与DR-LSE的优点相融合的"从粗到细"方法。 首先，脉冲耦合神经网络作为一种并行处理的生物启发式模型，在图像分割中具有并行性和自适应性，能够快速捕获图像特征并学习局部结构。PCNN的这些特性使得它在处理大规模数据和复杂结构时表现出色，对于乳腺肿块这样的目标检测尤为适用，因为它可以有效识别并区分肿块与背景组织。 另一方面，距离正则化水平集演化通过引入距离信息，优化了传统LS方法中的演化过程。DR-LSE能够保持轮廓的平滑性，减少不规则性，从而提高分割精度和稳定性。这种方法通过平衡扩散速度和收缩力度，使得分割边界更加精确，减少了可能产生的错误。 结合这两种方法，研究者设计了一种迭代策略，首先利用PCNN进行初步的粗略分割，然后通过DR-LSE对PCNN的结果进行细化和优化。这种"从粗到细"的过程确保了分割结果既具有全局的把握，又保持了局部的细节，提高了乳腺肿块分割的准确性和可靠性。 本文的研究主要集中在开发一个自动化、准确的乳腺肿块分割系统，通过将PCNN的高效性和DR-LSE的精确性相结合，旨在提升CAD系统在乳腺癌早期检测中的应用效果。通过实验验证，该方法在乳腺X线摄影图像上展现出了良好的性能，有望为乳腺癌的早期筛查提供有力支持。