1、醫(yī)學圖像具有信息量大和無創(chuàng)傷等優(yōu)點，在臨床診斷方面已顯示出獨特的魅力。隨著醫(yī)學圖像的三維重構、定量分析和可視化的需求越來越多，這些都需要更加精確的分割結果。因此，醫(yī)學圖像分割成為當前醫(yī)學圖像研究領域的一個熱點。本文主要研究了神經網絡技術在醫(yī)學圖像分割中的應用問題。 醫(yī)學圖像在成像時不可避免的受到噪聲污染，從而影響圖像分割的精度和結果，因此，去噪聲算法研究是圖像分割的必要前提。傳統(tǒng)方法在去除噪聲的同時，往往也會造成細節(jié)信息的損失，

2、使得圖像模糊。因此，本文提出了利用小波變換、中值濾波對含有高斯和脈沖混合噪聲的醫(yī)學圖像進行去噪的一種新方法。實驗結果表明：這種方法能夠有效改善圖像質量，較好地保持圖像視覺效果，降低圖像噪聲。 Kohonen自組織特征映射(SOM)是一種二層的前饋競爭型學習網絡，并且作為一種競爭型學習聚類算法廣泛應用于醫(yī)學圖像圖像分割中。然而，大多數的醫(yī)學圖像在不同組織的過渡區(qū)域常常存在灰度值交疊現(xiàn)象，因此，本文將模糊的方法和自組織特征映射相結合

3、來克服這個問題。對于圖像數據而言，領域像素間存在著較強的相關性。為了獲得更加有意義的圖像分割，我們提出了多尺度的、具有空間自適應性的模糊自組織特征映射網絡(MSFSOM)對醫(yī)學圖像進行分割，此方法考慮了像素間的空間關系，并且多尺度的處理方法減少了噪聲對分割的影響和分類模糊的問題。而且，在分割過程中既考慮了圖像的局部信息，又兼顧了全局信息。為了加快收斂速度，我們對該方法進行了改進，提出了增強模糊自組織特征映射。本文最后對全文的工作做了總結