醫(yī)學(xué)圖像分析中的基于模糊聚類分割算法的研究.pdf

1、隨著計算機(jī)、自動化、電子技術(shù)等各項技術(shù)的發(fā)展，醫(yī)學(xué)成像技術(shù)(如B超、CT、MRI等技術(shù))迅速發(fā)展，這使得臨床醫(yī)生對人體內(nèi)部病變部位更直接、更清晰、更準(zhǔn)確的觀察成為可能。在醫(yī)學(xué)臨床實踐和研究中，經(jīng)常需要對人體某種組織和器官的形狀、邊界、截面面積以及體積進(jìn)行測量，從而得出該組織病理、或功能方面的重要信息。因此精確的測量對疾病的診斷和治療有重要的臨床意義。由于人體解剖的個體差異較大，臨床應(yīng)用對醫(yī)學(xué)圖像分割的準(zhǔn)確度和分類算法的速度要求較高，目前

2、雖然已有多種分割算法，但是遠(yuǎn)未達(dá)到完善。因此，醫(yī)學(xué)圖像分割算法的研究仍是當(dāng)前醫(yī)學(xué)圖像處理和分析的熱點。 在本文中，提出了一種改進(jìn)的模糊Kohonen’s競爭算法(MFKCL)可以對腦核磁共振圖像進(jìn)行自動的分割。在醫(yī)學(xué)圖像中，往往存在著大量噪聲，這些噪聲會嚴(yán)重影響分割結(jié)果的準(zhǔn)確性。傳統(tǒng)的模糊Kohonen’s競爭學(xué)習(xí)算法雖然能抵御部分噪聲對分割結(jié)果的影響，但是分割的結(jié)果仍包含部分噪聲，效果也不是非常理想。針對以上的問題，本文主要做

3、了以下幾個工作： 1.在深入研究傳統(tǒng)FKCL算法和FCM算法的基礎(chǔ)上，對二者進(jìn)行了比較，通過實驗我們發(fā)現(xiàn)雖然FKCL算法比FCM算法在抵御噪聲方面要有所提高，但效果仍然不是很理想。 2.深入研究了幾種傳統(tǒng)的和新型的去噪方法。通過這幾種比較有代表性的去噪方法總結(jié)出中央像素與周圍像素的關(guān)系，并提出一種局部因子作為局部信息。 3.提出改進(jìn)的模糊Kohonen’s競爭算法(MFKCL)。在原有的FKCL算法基礎(chǔ)上，嵌入我