模糊聚類在CT圖像骨分割中的應用.pdf

1、隨著醫(yī)學影像技術的發(fā)展及新技術的出現(xiàn)，新一代成像方式及掃描設備產生了大量的圖像數(shù)據(jù)，對2D/3D圖像處理軟件的需求也隨之快速增長；用于診斷的信息量的增加也對具有快速數(shù)據(jù)分析及準確診斷能力的處理工具提出了更高的需求。其中將圖像中感興趣區(qū)域或解剖結構從其他背景中提取出來的算法是上述處理軟件最重要的組成部分之一，這類算法稱為圖像分割算法。圖像分割在各種各樣的生物醫(yī)學圖像應用中扮演著重要的角色，如組織體積測量、病灶定位、解剖結構分析、治療計劃的

2、制定、計算機輔助診斷等。由于醫(yī)學圖像的復雜性和多樣性，目前還沒有一種普適的分割算法可用于所有的醫(yī)學圖像處理，用于不同臨床目的分割算法仍是醫(yī)學圖像處理領域的研究熱點。作為人體的重要組織，骨的準確分割在多個應用領域如治療計劃制定、輔助外科手術等方面起著關鍵的作用，但由于其密度變化大、存在弱邊緣效應等，使骨分割成為人體內最困難的分割對象之一。 為了獲得更準確的骨的分割，本文提出了兩種通過修改標準模糊聚C均值(FCM)的目標函數(shù)而實現(xiàn)的

3、改進模糊聚類算法。第一個方法是向標準模糊聚類算法的目標函數(shù)加入了一個懲罰項，通過這種自適應懲罰項的加入，這種方法允許在迭代過程中，根據(jù)類中心強度的變化調整特定類的范圍；另一個方法是在標準模糊聚C均值的目標函數(shù)中對應類和體素，分別添加了兩個權重因子，隨著兩個權重因子的引入，改進的模糊聚類算法降低了標準FCM算法所具有的對類的密度和大小的敏感性。從聚類角度看，在CT圖像中可以很明顯地看出，每個類都具有不同的大小和密度。應用患者的CT圖像對所