腦瘤是人類常見的重大疾病之一,其高發(fā)率和致死率不得不引起人們的重視,而對腦部病灶區(qū)域的分割對醫(yī)生的精確診斷和精準(zhǔn)治療都至關(guān)重要。然而,由于腦部組織結(jié)構(gòu)復(fù)雜以及醫(yī)學(xué)成像設(shè)備的干擾,常常會出現(xiàn)噪聲、邊緣不明顯等問題,因此,如何準(zhǔn)確地對病灶區(qū)域進(jìn)行分割依舊是一個難點(diǎn)和挑戰(zhàn),如何提高分割的精度已成為熱門的話題。目前,國內(nèi)外已有很多種方法應(yīng)用于醫(yī)學(xué)圖像的分割,主要有基于閾值的分割算法、基于深度學(xué)習(xí)分割方法以及基于聚類的分割方法等。聚類算法因其具有無監(jiān)督性和高效性,并且容易實現(xiàn),因此受到很多學(xué)者的歡迎,而聚類算法中的模糊C均值（FCM）算法是最常見的一種方法。該算法引入了模糊性,是一種模糊的柔性劃分,且實現(xiàn)簡單,然而,傳統(tǒng)的FCM算法對于噪聲、孤立點(diǎn)以及聚類參數(shù)較敏感,存在不穩(wěn)定性,容易導(dǎo)致分割的結(jié)果不準(zhǔn)確。本文主要針對醫(yī)學(xué)圖像分割算法對于噪聲和孤立點(diǎn)敏感,以及聚類不穩(wěn)定等問題對腦部腫瘤圖像分割算法進(jìn)行了深入的研究,進(jìn)而達(dá)到對病灶區(qū)域準(zhǔn)確分割的效果,具體研究內(nèi)容如下:（1）針對傳統(tǒng)的FCM算法的不穩(wěn)定性以及易受噪聲干擾等因素,導(dǎo)致分割不準(zhǔn)確的問題,本文提出了一種基于高斯核的混合聚類分割算法。首先,... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【部分圖文】：

論文組織結(jié)構(gòu)

第2章研究基礎(chǔ)及相關(guān)工作91111inmCinjjnuDD...............................................(2.8)11mnNinniNninnuxvu........................................................(2.9)2.2.2K-means++算法傳統(tǒng)的K-means算法的基本思想為：對于給定的圖像I，根據(jù)各個像素之間距離的大小，將所有像素劃分到k個不同的類中，要使得類別內(nèi)的像素點(diǎn)盡可能緊密地連在一起，而類間的距離盡可能拉大。假設(shè)我們將k個簇劃分為(C1,C2,...Ck)，我們的目標(biāo)是最小化平方誤差，用數(shù)據(jù)表達(dá)式表示為：21ikiixCx.......................................(2.10)其中i是簇iC的均值向量，也稱為聚類中心，可表示為：1iixCixC...................................................(2.11)接著采用的啟發(fā)式方式進(jìn)行迭代，該過程可以通過圖2.1進(jìn)行描述。圖2.1啟發(fā)式迭代過程

第2章研究基礎(chǔ)及相關(guān)工作112.2.3SLIC算法SLIC(Simplelineariterativeclustering)，即簡單的線性迭代聚類。它是于2010年提出的一種簡單方便的算法，能夠生成內(nèi)容緊湊且相對均勻的超像素塊，運(yùn)行速度較快，且分割結(jié)果很符合人們的期望[36]。具體算法流程及原理如下：假設(shè)用I表示一個具有N個像素的輸入圖像，對于圖像I中的每個像素p滿足pI,c(p)表示CIELAB顏色空間中像素的顏色，即c(p)(l,a,b)。首先，要設(shè)定超像素的個數(shù)，并在待分割圖像中均勻分布種子點(diǎn)。接著，要計算出種子點(diǎn)鄰域內(nèi)的所有像素點(diǎn)的梯度值，找到梯度最小值點(diǎn)，并將種子點(diǎn)移到該處，該操作的目的是避免種子點(diǎn)出現(xiàn)在梯度大的邊緣上。最后，在各個種子點(diǎn)的鄰域范圍內(nèi)為所有像素點(diǎn)分配標(biāo)簽，判斷像素點(diǎn)屬于哪個類別。如圖2.2，其中圖(1)表示傳統(tǒng)K-means算法的搜索范圍，其具體做法是對一整幅圖像進(jìn)行查找，而SLIC卻是在某個指定的范圍內(nèi)搜索，如圖2.2中的圖(2)所示。若期望的超像素尺寸為SS，那么SLIC算法的搜索范圍就是2S2S。(1)(2)圖2.2搜索范圍對比SLIC算法中用到的這種限制搜索范圍的方式大大地減少了對距離的計算量，一方面可以提高分割速度，另一方面也大大降低了算法的復(fù)雜度，將其控制為線性復(fù)雜度。對于每個像素，從種子點(diǎn)到其他像素點(diǎn)的距離可以由以下公式進(jìn)行計算。222()()()cjijijidllaabb......................................(2.13)22()()sjijidxxyy.....................................................(2.14)"22()()cscsddDNN.................................................................(2.15)

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)的自適應(yīng)差分演化算法的二維Otsu多閾值圖像分割[J]. 羅鈞,楊永松,侍寶玉.  電子與信息學(xué)報. 2019(08)
[2]基于級聯(lián)隨機(jī)森林與活動輪廓的3D MR圖像分割[J]. 馬超,劉亞淑,駱功寧,王寬全.  自動化學(xué)報. 2019(05)
[3]區(qū)域生長和水平集相融合的肺部CT圖像分割[J]. 唐思源,楊敏,苗玥,白金牛.  電子技術(shù)應(yīng)用. 2018(05)
[4]圖像分割方法綜述研究[J]. 周莉莉,姜楓.  計算機(jī)應(yīng)用研究. 2017(07)
[5]基于3D區(qū)域增長法和改進(jìn)的凸包算法相結(jié)合的全肺分割方法[J]. 代雙鳳,呂科,翟銳,董繼陽.  電子與信息學(xué)報. 2016(09)
[6]基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的磁共振成像腦腫瘤分割研究[J]. 李健,羅蔓,羅曉,藍(lán)威,周懷恒,陳榮耀.  中國醫(yī)學(xué)裝備. 2016(02)
[7]一種基于高斯核化有效性指標(biāo)的自適應(yīng)優(yōu)選聚類數(shù)的FKCM[J]. 唐苦,王昕,王振雷,錢鋒.  計算機(jī)與應(yīng)用化學(xué). 2012(10)
[8]一種基于邊緣與區(qū)域信息的先驗水平集圖像分割方法[J]. 王斌,李潔,高新波.  計算機(jī)學(xué)報. 2012(05)
[9]基于BP神經(jīng)網(wǎng)絡(luò)的CT圖像骨皮質(zhì)分割[J]. 衛(wèi)嬌,郝永強(qiáng),藍(lán)寧,戴尅戎.  醫(yī)用生物力學(xué). 2012(02)

碩士論文
[1]基于空間約束的FCM圖像分割算法研究[D]. 劉洋.吉林大學(xué) 2019



本文編號：3571796