改進FCM算法在醫(yī)學(xué)圖像分割方法探究

《改進FCM算法在醫(yī)學(xué)圖像分割方法探究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、改進FCM算法在醫(yī)學(xué)圖像分割方法探究摘要：本文提出使用改進模糊C均值聚類(MFCM)算法和模糊可能性C均值聚類(FPCM)算法的圖像分割方法并應(yīng)用于醫(yī)學(xué)圖像分割過程中。MFCM算法是通過調(diào)整FCM算法的測量距離來批準(zhǔn)標(biāo)簽像素受到其他圖像像素和在切分中抑制噪聲效果來約束，從而使得成員變量沒有最大約束值?；谡鎸嶀t(yī)學(xué)圖像的實驗表明了MFCM算法和FPCM算法在醫(yī)學(xué)圖像中進行分割的實際效果，具體是通過對FCM、MFCM、FPCM進行精度對比來驗證算法有效性。關(guān)鍵詞：FCM聚類算法MFCMFPCM醫(yī)學(xué)圖像處理圖像分割中圖分類號：TP391文獻標(biāo)識碼：A文章編號:

2、1007-9416(2012)09-0116-03圖像分割問題可以看成是一個待分割圖像根據(jù)性質(zhì)不同分割成若干精確細分。早期相關(guān)文獻提出了許多圖像分割算法，其中包括直方圖技術(shù)、區(qū)域分割技術(shù)、結(jié)合區(qū)域與邊緣的分割技術(shù)等［1］。近些年來，圖像分割技術(shù)已經(jīng)在醫(yī)學(xué)圖像領(lǐng)域廣泛應(yīng)用于診斷疾病方面。圖像分割技術(shù)在機器視覺、目標(biāo)跟蹤、醫(yī)學(xué)影像［2］中起到重要作用。在醫(yī)學(xué)診斷領(lǐng)域中已經(jīng)廣泛應(yīng)用在X光放射圖片、CT(ComputedTomography)掃描圖像和MRI(MagneticResonanceImaging)核磁共振圖像的分割過程中［3］［4］。近些年來，CT掃

3、描在胸部疾病診斷影像檢查中是最為有效的方法，例如肺癌、肺結(jié)核、肺炎、肺氣腫等肺部疾病診斷。隨著醫(yī)學(xué)圖像尺寸大小和對機器速度需求上升，因此有必要使用計算機輔助診斷系統(tǒng)進行醫(yī)學(xué)圖像處理。雖然模糊C均值(FuzzyC-MeansClustering,FCM)算法應(yīng)用領(lǐng)域有利于進行自由圖像中噪聲分割，卻不能分割通信噪聲、極端值和其他人為差值。本文將提出一種利用改進模糊C均值(MFCM)算法與模糊可能性C均值(FuzzyPossibilisticC-MeansClustering,FPCM)算法的圖像分割新方法。在近期的研究成果中，文獻［5］和文獻［6］提出了新方

4、法來完善FCM算法，該方法是FCM算法的一種廣義擴展。本文的MFCM算法是通過調(diào)整FCM算法的測量距離來批準(zhǔn)標(biāo)簽像素受到其他圖像像素和在切分中抑制噪聲效果來進行約束，從而使得成員變量沒有最大約束。基于真實醫(yī)學(xué)圖像的實驗結(jié)果表明MFCM算法在醫(yī)學(xué)圖像中進行分割的實際效果，實驗部分通過對FCM、MFCM、FPCM進行精度對比來證明。本文以下部分組織：第1部分概述了在醫(yī)學(xué)圖像分割領(lǐng)域中的有關(guān)研究；第2部分描述了FCM算法，然后對本文提出的改進FCM和FPCM算法進行說明；第3部分論述基于真實醫(yī)學(xué)圖像的實驗結(jié)果；第4部分總結(jié)本文結(jié)果。1、相關(guān)研究工作KenjiS

5、uzuki［7］給出了使用大規(guī)模訓(xùn)練神經(jīng)網(wǎng)絡(luò)(MassiveTrainingArtificialNeuralNetworks,MTANN)的圖像處理方法。為了訓(xùn)練MTANN網(wǎng)絡(luò)，文獻［7］應(yīng)用線性輸出的反向傳播(Back-Propa.gation,BP)算法,生成線性輸出的多層神經(jīng)網(wǎng)絡(luò)模型。KazunoriOkada［8］提出一種魯棒性統(tǒng)計估計和驗證體系框架，其中歸納在多層X射線和CT掃描圖像中肺部幾何結(jié)構(gòu)。IngridSluimer［9］提出分段注冊方案，此方案中正常的肺部掃描將注冊含有病理特征的掃描。GhoshElO］提出了遺傳算法應(yīng)用于醫(yī)學(xué)圖像分割

6、。文獻［10］比較遺傳分割工具GENIE和紋理提取算法的算法結(jié)果。M.Antonelli［11］描述了新的測試肺部結(jié)構(gòu)的方法。Wang［12］提出一種魯棒醫(yī)學(xué)圖像分割算法。自動化圖像分割是從像素提取語義的重要中間過程。利用FCM算法對于圖像分割來說有效，但是對于FCM算法，在屬性特征空間上基于聚類的任務(wù)是獨有的像素分布，不考慮其空間分布的圖像像素。2、各種FCM算法2.1模糊C均值算法(FCM)FCM算法目標(biāo)是確定聚類中心和生成類成員矩陣。根據(jù)從相似數(shù)據(jù)點到一個子類，該子類賦予類成員到相似數(shù)據(jù)點。此矩陣是矩陣：其中為組數(shù)，是樣品數(shù)，為訓(xùn)練集，且是整數(shù)。矩

7、陣表示模糊分割區(qū)，作為一個聚類的成員，通過預(yù)測，能夠用于描述的聚類結(jié)構(gòu)。通過利用公式（1）最小化變形測量，對相關(guān)矢量進行評價。2.2改進模糊C均值算法（MFCM）FCM算法的主要弱點是目標(biāo)函數(shù)不考慮空間依賴性。因此，F(xiàn)CM算法處理圖像時就像在處理獨立像素點。為了減小噪聲在圖像分割中的影響，本文使用新標(biāo)準(zhǔn)來代替標(biāo)準(zhǔn)距離度量來將本地背景空間和非本地信息通過FCM算法進行融合。非本地信息計算意味算法試圖利用圖像的高冗余度，成員價值決定圖像分割結(jié)果。因此，距離測量對成員價值進行預(yù)測，該方法修改距離測量參數(shù)會受到本地信息和非本地信息的影響。距離測量會受本地信息影響

8、，距離測量會受非本地信息影響，為控制平衡之間的加權(quán)因子。距離測量受本地測量影響，