随着现代医学的迅猛发展，CT、MRI等医学图像设备在临床工作中应用日益广泛，医学数据库中的图像也随之迅速增长[1]。据统计目前一个拥有现代化的医疗影像设备的大型医院，每天影像检查产生的数据量多达4GB左右，为管理如此海量的医学数据，许多医院开始着手建设卫生信息系统（HIS）和图像归档机通讯系统（PACS）。怎样在这类系统的海量医学图像数据库中进行医学图像的检索是现代医学领域的研究热点之一。
1什么是CBIR
传统的基于文本的图像检索（Text-Based Image Retrieval，TBIR）技术是先通过人工方式对图像进行文字标注，再用关键字来检索图像，这种方式耗时并且主观，无法满足大规模图像数据的检索需要。基于内容的图像检索（Content-Based Image Retrieval，CBIR）技术是根据图像对象的内容及上下文联系在大规模多媒体数据库中进行检索。
2神经网络的特点
神经网络是在现代神经学的研究基础上发展起来的一种模仿人脑信息处理机制的网络系统，它具有自组织、自学习和极强的非线性处理能力，能够完成学习、记忆、识别和推理等功能，它已在控制、模式识别、图像和视频信号处理、人工智能、自造应滤波等方面获得了应用。医学上，神经网络这一智能的诊断方法，能够排除各种人为因素，得到准确客观的诊断结果，对医学图像数据若用传统的线性处理模式通常不太好处理， BP神经网络是众多神经网络中应用最广泛的一种多层前馈神经网络，图1所示为三层BP神经网络。
3蚁群算法
蚁群算法[6]（Ant Colony Optimization，ACO）是由意大利学者Dorigo等人于20世纪90年代初期通过模拟自然界中蚂蚁集体寻径的行为而提出的一种基于种群的启发式随机搜索算法。蚁群算法作为一种新型的智能仿生模型，近几年在图像分割、图像特征提取、图像匹配、影像纹理分类、图像检索等领域都取得了研究成果[8]。
4神经网络算法和蚁群算法在医学图像检索中的应用
CBIR检索过程是一个逐步求精的过程，其在医学上的应用可以看成是用户（放射学者、医师等）和医学图像数据库之间的一个交互过程。其基本原理是：对医学图像数据库中的每幅图像先进行特征分析，提取图像的特征；建立医学图像数据库的同时，建立与图像库相关联的特征库；在进行图像检索时，对给定的查询例图，先提取特征向量，再将该特征向量与特征库中的特征向量进行匹配，根据匹配的结果在医学图像数据库中搜索，即可检索出所需的图像。本文结合神经网络算法结合蚁群算法，将其应用于医学图像检索，见图2。
4.1医学图像预处理 在医学方面，图像预处理的主要目的是消除图像中无关的信息、增强有关信息的可检测性并最大限度地简化数据，从而提高医务人员对图像判读的准确性及效率。本课题中图像预处理方法由图像增强、图像分割组成。
4.1.1图像增强 图像增强[2]是进行图像检索的先行步骤，可以用公式 来表示，其中 是输入图像， 是增强后的图像， 是对输入图像所进行的操作。本文主要采用直方图均衡化方法来进行图像增强，直方图均衡化是将一已知灰度概率密度分布的图像，经过某种变换变成一幅具有均匀灰度概率密度分布的新图像。与其他方法相比，直方图均衡化方法适用范围广，易于实现，可达到较好的增强效果，暗区中的图像能清楚的显示出来，能够展示更多诊断信息。
4.1.2图像分割 医学图像分割是根据医学图像的某种相似性特征将图像划分为若干个互不相交的"连通"区域的过程。医学图像中，大多数情况下都需要对医学图像作分割，来突出需要的目标物体，如病灶。采用sobel算子计算医学图像边缘和阈值，在此基础上修改阈值使边缘更加精确，以此实现图像分割。
4.2神经网络算法（如图3所示）的实现。
基本步骤如下：①确定问题：对问题做出详细的调研，明确目标，然后考虑如何引入粗糙集从而更好地解决问题。②对数据进行收集，即采集经过图像预处理之后得到的特征数据。③数据处理：把要处理的数据建立成一张二维决策表，每一行描述一个对象，每一列描述对象的一种属性。在本步中，如果无法得到完备的数据表，就有必要将信息表进行完备化操作；如果初始数据是连续值，还要经过连续属性离散化操作。④根据粗糙集理论[5]对数据进行属性约简，利用属性重要度去掉数据表中的冗余条件属性，并消去重复的样本。⑤根据上步中得到的训练数据样本设计BP神经网络，根据约简结果确定神经网络的输入层单元数和隐含层节点数。采用一个 的3层BP神经网络。隐藏层神经元的传递函数设计为S型正切函数，输出层神经元的传递函数设计为S型对数函数。⑥用约简后形成的学习样本对神经网络进行学习，得到神经网络的权值。然后将测试样本输入网络进行测试，输出最终结果。本算法中，规定BP神经网络的训练指标为0.01，训练次数C<5000次。
4.3蚁群算法的实现（如图4所示）。
目前，CBIR方面现已有了大量研究，但CBIR的系统很少用于临床，如遵义医学院附属医院在进行医学图像检索时，更常用的方式还是传统的基于文本的图像检索方式，其最大的原因是CBIR方式检索速度慢，响应时间长。为此，如何保证医学图像数据检索的有效性和准确性是目前CBIR迫切需要解决的问题之一。本文将BP神经网络和蚁群算法结合起来，借助蚁群算法易于与其他算法相结合的优势，利用蚁群算法对粗神经网络算法的参数进行优化的同时，结合医学图像的特殊性，提出将神经网络算法和蚁群算法结合起来应用于CBIR中具有一定的现实意义。
参考文献：
[1]蒋历军.应用网格和水印技术对基于内容的肝脏CT图像检索的研究[D].上海交通大学，2009.
[2]冈萨雷斯.数字图像处理（MATLAB版）[M].北京：电子工业出版社，2012.
[3]史元春，徐光祐，高原.中国多媒体技术研究：2011[J].中国图象图形学报，2012.
[4]H Zhang， JE Fritts， SA Goldman.Image segmentation evaluation： A survey of unsupervised methods[J].Computer Vision and Image
Understanding， 2008.
[5]蒋世忠，易法令，汤浪平，等.基于图割与粗糙集的MRI脑部肿瘤图像检索方法[J].中国组织工程研究与临床康复，2010.
[6]张小冬.蚁群算法在医学图像识别中的研究与应用[D].扬州大学，2009.
[7]李旭超，刘海宽，王飞，等.图像分割中的模糊聚类方法[J].中国图象图形学报，2012.
[8]Veenman C，Reinders M，Backer E.A Cellular Coevolutionary Algorithm for Image Segmentation [J].IEEE Transaction on Image Processing， 2003.
. IEEE Transactions on Information Technology in Biomedicine，2007.
[10]Marco Dorigo， Christian Blum.Ant colony optimization theory： A survey [J]. Theoretical Computer Science，2005.
