彌散張量成像為人類大腦白質(zhì)結(jié)構(gòu)無創(chuàng)檢測提供了良好的前景,但是這類方法往往會產(chǎn)生龐大且難以理解的纖維數(shù)據(jù)集,如何對纖維集合進行有效地可視分析是臨床研究中的重要問題。為解決該問題,采用動態(tài)時間規(guī)整算法,該算法通過拉伸和壓縮兩時間序列將其整合成同一長度然后計算最短折疊路徑距離作為其相似距離,并將其擴展用于腦纖維相似性測量并得到快速且準確的結(jié)果。相似度是纖維聚類的唯一信息來源,纖維相似度矩陣的計算占據(jù)主要的計算時間,對密度峰值搜索算法進行改進,在連續(xù)聚類框架中對腦纖維進行聚類。最后通過實驗證明這種連續(xù)聚類方法在滿足聚類精度要求的同時能顯著降低計算復雜度。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖3-8快速密度峰值搜索聚類去除噪聲效果圖

圖3-8快速密度峰值搜索聚類去除噪聲效果圖圖3-8給出了本文基于快速密度峰值搜索的腦纖維聚類算法的去除噪聲效果圖。由圖可知，本文聚類方法具有較強的處理噪聲和異常值的能力，可以在不影響纖維集群主體結(jié)構(gòu)顯示的同時去除噪聲和異常纖維帶來的視覺干擾。3.5本章小結(jié)本章針對腦神經(jīng)....

圖4-3DBSCAN、快速密度峰值搜索和連續(xù)聚類框架算法聚類效果對比圖

浙江工業(yè)大學碩士學位論文圖4-3給出了本文基于連續(xù)聚類框架的聚類算法和快速密度峰值搜索聚類、DBSCAN聚類的腦纖維聚類效果實驗結(jié)果圖。由圖可知，本文的聚類方法可以根據(jù)不同的纖維空間結(jié)構(gòu)對纖維數(shù)據(jù)進行聚類，較快速密度峰值搜索聚類、DBSCAN聚類能取得與其相當?shù)木垲愋Ч?/span>

本文編號：3946089