基于混合聚类的脑部肿瘤分割算法研究

发布时间：2022-01-06 05:08

　　脑瘤是人类常见的重大疾病之一,其高发率和致死率不得不引起人们的重视,而对脑部病灶区域的分割对医生的精确诊断和精准治疗都至关重要。然而,由于脑部组织结构复杂以及医学成像设备的干扰,常常会出现噪声、边缘不明显等问题,因此,如何准确地对病灶区域进行分割依旧是一个难点和挑战,如何提高分割的精度已成为热门的话题。目前,国内外已有很多种方法应用于医学图像的分割,主要有基于阈值的分割算法、基于深度学习分割方法以及基于聚类的分割方法等。聚类算法因其具有无监督性和高效性,并且容易实现,因此受到很多学者的欢迎,而聚类算法中的模糊C均值（FCM）算法是最常见的一种方法。该算法引入了模糊性,是一种模糊的柔性划分,且实现简单,然而,传统的FCM算法对于噪声、孤立点以及聚类参数较敏感,存在不稳定性,容易导致分割的结果不准确。本文主要针对医学图像分割算法对于噪声和孤立点敏感,以及聚类不稳定等问题对脑部肿瘤图像分割算法进行了深入的研究,进而达到对病灶区域准确分割的效果,具体研究内容如下:（1）针对传统的FCM算法的不稳定性以及易受噪声干扰等因素,导致分割不准确的问题,本文提出了一种基于高斯核的混合聚类分割算法。首先,... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

论文组织结构

第2章研究基础及相关工作91111inmCinjjnuDD...............................................(2.8)11mnNinniNninnuxvu........................................................(2.9)2.2.2K-means++算法传统的K-means算法的基本思想为：对于给定的图像I，根据各个像素之间距离的大小，将所有像素划分到k个不同的类中，要使得类别内的像素点尽可能紧密地连在一起，而类间的距离尽可能拉大。假设我们将k个簇划分为(C1,C2,...Ck)，我们的目标是最小化平方误差，用数据表达式表示为：21ikiixCx.......................................(2.10)其中i是簇iC的均值向量，也称为聚类中心，可表示为：1iixCixC...................................................(2.11)接着采用的启发式方式进行迭代，该过程可以通过图2.1进行描述。图2.1启发式迭代过程

第2章研究基础及相关工作112.2.3SLIC算法SLIC(Simplelineariterativeclustering)，即简单的线性迭代聚类。它是于2010年提出的一种简单方便的算法，能够生成内容紧凑且相对均匀的超像素块，运行速度较快，且分割结果很符合人们的期望[36]。具体算法流程及原理如下：假设用I表示一个具有N个像素的输入图像，对于图像I中的每个像素p满足pI,c(p)表示CIELAB颜色空间中像素的颜色，即c(p)(l,a,b)。首先，要设定超像素的个数，并在待分割图像中均匀分布种子点。接着，要计算出种子点邻域内的所有像素点的梯度值，找到梯度最小值点，并将种子点移到该处，该操作的目的是避免种子点出现在梯度大的边缘上。最后，在各个种子点的邻域范围内为所有像素点分配标签，判断像素点属于哪个类别。如图2.2，其中图(1)表示传统K-means算法的搜索范围，其具体做法是对一整幅图像进行查找，而SLIC却是在某个指定的范围内搜索，如图2.2中的图(2)所示。若期望的超像素尺寸为SS，那么SLIC算法的搜索范围就是2S2S。(1)(2)图2.2搜索范围对比SLIC算法中用到的这种限制搜索范围的方式大大地减少了对距离的计算量，一方面可以提高分割速度，另一方面也大大降低了算法的复杂度，将其控制为线性复杂度。对于每个像素，从种子点到其他像素点的距离可以由以下公式进行计算。222()()()cjijijidllaabb......................................(2.13)22()()sjijidxxyy.....................................................(2.14)"22()()cscsddDNN.................................................................(2.15)

【参考文献】：
期刊论文
[1]基于改进的自适应差分演化算法的二维Otsu多阈值图像分割[J]. 罗钧,杨永松,侍宝玉.  电子与信息学报. 2019(08)
[2]基于级联随机森林与活动轮廓的3D MR图像分割[J]. 马超,刘亚淑,骆功宁,王宽全.  自动化学报. 2019(05)
[3]区域生长和水平集相融合的肺部CT图像分割[J]. 唐思源,杨敏,苗玥,白金牛.  电子技术应用. 2018(05)
[4]图像分割方法综述研究[J]. 周莉莉,姜枫.  计算机应用研究. 2017(07)
[5]基于3D区域增长法和改进的凸包算法相结合的全肺分割方法[J]. 代双凤,吕科,翟锐,董继阳.  电子与信息学报. 2016(09)
[6]基于多尺度卷积神经网络的磁共振成像脑肿瘤分割研究[J]. 李健,罗蔓,罗晓,蓝威,周怀恒,陈荣耀.  中国医学装备. 2016(02)
[7]一种基于高斯核化有效性指标的自适应优选聚类数的FKCM[J]. 唐苦,王昕,王振雷,钱锋.  计算机与应用化学. 2012(10)
[8]一种基于边缘与区域信息的先验水平集图像分割方法[J]. 王斌,李洁,高新波.  计算机学报. 2012(05)
[9]基于BP神经网络的CT图像骨皮质分割[J]. 卫娇,郝永强,蓝宁,戴尅戎.  医用生物力学. 2012(02)

硕士论文
[1]基于空间约束的FCM图像分割算法研究[D]. 刘洋.吉林大学 2019



本文编号：3571796