基于密度聚類的醫(yī)學圖像分割和特征提取方法研究.pdf

1、醫(yī)學圖像分析和理解技術(shù)研究是醫(yī)學、計算機科學等學科的重要交叉研究領域?；卺t(yī)學圖像的人體組織器官自動分割和醫(yī)學圖像特征提取是醫(yī)學圖像分析和理解的基礎性和關(guān)鍵性技術(shù)，對它們的研究有較大的學術(shù)價值和廣泛的應用前景。 密度聚類的數(shù)學理論基礎是非參數(shù)核估計，論文詳細討論了其定義、方法、原理、收斂性和精確度量，以及在密度聚類中的應用。在研究DENCLUE密度聚類的基礎上，提出了基于非參數(shù)核估計密度聚類技術(shù)的醫(yī)學圖像分割算法和特征提取方法。

2、 數(shù)據(jù)空間的網(wǎng)格劃分技術(shù)不僅可以有效地組織數(shù)據(jù)，而且還可以簡化密度函數(shù)的計算過程。在DENCLUE及其改進算法中，從密度函數(shù)上識別聚類的爬山算法存在不足，主要有爬山過程的數(shù)據(jù)點丟失、平頂和山脊等問題，我們提出了相應的解決策略。論文從數(shù)據(jù)空間網(wǎng)格劃分、密度函數(shù)構(gòu)造和爬山策略實現(xiàn)等三個方面對密度聚類算法進行了改進和補充，提出了適合于人體組織器官的圖像分割的醫(yī)學圖像聚類算法。并從實驗的結(jié)果證明了此醫(yī)學圖像聚類算法的合理性和有效性，有自

3、動分割組織器官和處理大規(guī)模數(shù)據(jù)的能力。 醫(yī)學圖像特征對分析醫(yī)學圖像具有重要的意義，論文總結(jié)了各種醫(yī)學圖像特征并對其進行了分類，提出了聚類特征的定義和提取算法。在數(shù)據(jù)空間網(wǎng)格劃分和密度函數(shù)構(gòu)造的基礎上，提取算法通過爬山策略提取密度函數(shù)中的聚類變量和等價變量作為聚類特征。聚類特征提取算法可以不需要在圖像分割的基礎上提取局部特征，還具有可視性和語義性?；诰垲愄卣鞯尼t(yī)學圖像分類系統(tǒng)驗證了聚類特征對圖像內(nèi)容的高區(qū)分性。 本文所提