基于集成學(xué)習(xí)技術(shù)的醫(yī)學(xué)圖像分割的研究與實(shí)現(xiàn).pdf

1、醫(yī)學(xué)影像在病癥診斷,科學(xué)研究,教學(xué)等方面發(fā)揮著舉足輕重的作用。醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像處理中一項(xiàng)非常重要的工作,也是圖像處理領(lǐng)域中研究的熱點(diǎn)和難點(diǎn),由于人體結(jié)構(gòu)復(fù)雜性,醫(yī)療成像設(shè)備的性能,外界電磁輻射的干擾,醫(yī)學(xué)圖片具有模糊,噪點(diǎn)比較多等特點(diǎn)。另外,不同的人在組織結(jié)構(gòu)上還有著一些細(xì)小的差別,這些都給醫(yī)學(xué)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(lǐng)域的圖像分割任務(wù)。
　　為此,本文針對(duì)醫(yī)學(xué)圖像分割算法進(jìn)行了深入的研究,

2、提出將集成學(xué)習(xí)技術(shù)引入醫(yī)學(xué)圖像分割算法中,首先使用目前主流的分割算法,對(duì)同一個(gè)醫(yī)學(xué)圖像素材進(jìn)行分割,得到相應(yīng)的一個(gè)分割結(jié)果集合,接著使用集成學(xué)習(xí)技術(shù),將這個(gè)分割集合進(jìn)行集成運(yùn)算,產(chǎn)生一個(gè)更好的分割策略,最后使用這個(gè)分割策略對(duì)原始圖像進(jìn)行分割,實(shí)驗(yàn)結(jié)果證明,基于集成學(xué)習(xí)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(xué)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(zhǎng)算法以及

3、這些算法的應(yīng)用范圍和優(yōu)缺點(diǎn)。
　　(2)根據(jù)K均值算法的特點(diǎn),將集成技術(shù)與K均值算法相結(jié)合,提出了基于集成技術(shù)的W-MEANS算法,由于K均值具有隨機(jī)性,因此我們對(duì)同一副圖像使用K均值算法進(jìn)行多次分割,得到一個(gè)分割結(jié)果的集合,然后使用求平均值的集成學(xué)習(xí)方法取得這個(gè)樣本的均值,然后基于這個(gè)均值設(shè)定一種規(guī)則,最后對(duì)原始圖像使用這種規(guī)則進(jìn)行分割。實(shí)驗(yàn)結(jié)果證明,W-MEANS算法解決了K均值算法由于隨機(jī)選取初值造成的魯棒性不強(qiáng)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(zhǎng)算法的集成技術(shù)混合分割模型,由于醫(yī)學(xué)圖像的復(fù)雜性,而FCM算法雖然分割的結(jié)果比較完整,但是對(duì)比度不夠,而區(qū)域生長(zhǎng)算法可以彌補(bǔ)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(gè)結(jié)果集合,然后使用加權(quán)求和的方式對(duì)這兩種算法的結(jié)果進(jìn)行集成,最后我們將集成以后的混合模型應(yīng)用在醫(yī)學(xué)圖像分割中,特別是腦部分割領(lǐng)域中。實(shí)驗(yàn)結(jié)果表明,集