基于密度聚類的醫(yī)學(xué)圖像分割和特征提取方法研究.pdf

1、醫(yī)學(xué)圖像分析和理解技術(shù)研究是醫(yī)學(xué)、計(jì)算機(jī)科學(xué)等學(xué)科的重要交叉研究領(lǐng)域?；卺t(yī)學(xué)圖像的人體組織器官自動(dòng)分割和醫(yī)學(xué)圖像特征提取是醫(yī)學(xué)圖像分析和理解的基礎(chǔ)性和關(guān)鍵性技術(shù)，對(duì)它們的研究有較大的學(xué)術(shù)價(jià)值和廣泛的應(yīng)用前景。 密度聚類的數(shù)學(xué)理論基礎(chǔ)是非參數(shù)核估計(jì)，論文詳細(xì)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(yīng)用。在研究DENCLUE密度聚類的基礎(chǔ)上，提出了基于非參數(shù)核估計(jì)密度聚類技術(shù)的醫(yī)學(xué)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(jiǎn)化密度函數(shù)的計(jì)算過(guò)程。在DENCLUE及其改進(jìn)算法中，從密度函數(shù)上識(shí)別聚類的爬山算法存在不足，主要有爬山過(guò)程的數(shù)據(jù)點(diǎn)丟失、平頂和山脊等問(wèn)題，我們提出了相應(yīng)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(shí)現(xiàn)等三個(gè)方面對(duì)密度聚類算法進(jìn)行了改進(jìn)和補(bǔ)充，提出了適合于人體組織器官的圖像分割的醫(yī)學(xué)圖像聚類算法。并從實(shí)驗(yàn)的結(jié)果證明了此醫(yī)學(xué)圖像聚類算法的合理性和有效性，有自

3、動(dòng)分割組織器官和處理大規(guī)模數(shù)據(jù)的能力。 醫(yī)學(xué)圖像特征對(duì)分析醫(yī)學(xué)圖像具有重要的意義，論文總結(jié)了各種醫(yī)學(xué)圖像特征并對(duì)其進(jìn)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(chǔ)上，提取算法通過(guò)爬山策略提取密度函數(shù)中的聚類變量和等價(jià)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(chǔ)上提取局部特征，還具有可視性和語(yǔ)義性?；诰垲愄卣鞯尼t(yī)學(xué)圖像分類系統(tǒng)驗(yàn)證了聚類特征對(duì)圖像內(nèi)容的高區(qū)分性。 本文所提