基于集成學習技術的醫(yī)學圖像分割的研究與實現(xiàn).pdf

1、醫(yī)學影像在病癥診斷,科學研究,教學等方面發(fā)揮著舉足輕重的作用。醫(yī)學圖像分割是醫(yī)學圖像處理中一項非常重要的工作,也是圖像處理領域中研究的熱點和難點,由于人體結構復雜性,醫(yī)療成像設備的性能,外界電磁輻射的干擾,醫(yī)學圖片具有模糊,噪點比較多等特點。另外,不同的人在組織結構上還有著一些細小的差別,這些都給醫(yī)學圖像分割帶來了很多困難,到目前為止還沒有一種算法能勝任各種領域的圖像分割任務。
　　為此,本文針對醫(yī)學圖像分割算法進行了深入的研究,

2、提出將集成學習技術引入醫(yī)學圖像分割算法中,首先使用目前主流的分割算法,對同一個醫(yī)學圖像素材進行分割,得到相應的一個分割結果集合,接著使用集成學習技術,將這個分割集合進行集成運算,產生一個更好的分割策略,最后使用這個分割策略對原始圖像進行分割,實驗結果證明,基于集成學習的圖像分割算法取得了良好的效果,本文所做的主要工作和研究成果如下:
　　(1)介紹了國際上常用的醫(yī)學圖像分割算法,并著重介紹了K均值算法,FCM算法和區(qū)域生長算法以及

3、這些算法的應用范圍和優(yōu)缺點。
　　(2)根據(jù)K均值算法的特點,將集成技術與K均值算法相結合,提出了基于集成技術的W-MEANS算法,由于K均值具有隨機性,因此我們對同一副圖像使用K均值算法進行多次分割,得到一個分割結果的集合,然后使用求平均值的集成學習方法取得這個樣本的均值,然后基于這個均值設定一種規(guī)則,最后對原始圖像使用這種規(guī)則進行分割。實驗結果證明,W-MEANS算法解決了K均值算法由于隨機選取初值造成的魯棒性不強的問題,而且

4、較之于K均值,新的算法的分割精度和效率都有了非常明顯的提高。
　　(3)提出了基于FCM和區(qū)域生長算法的集成技術混合分割模型,由于醫(yī)學圖像的復雜性,而FCM算法雖然分割的結果比較完整,但是對比度不夠,而區(qū)域生長算法可以彌補FCM算法的不足,因此我們還是使用這兩種算法分別分割圖像得到一個結果集合,然后使用加權求和的方式對這兩種算法的結果進行集成,最后我們將集成以后的混合模型應用在醫(yī)學圖像分割中,特別是腦部分割領域中。實驗結果表明,集