基于改进聚类算法医学图像的分割与应用

医学图像分割是医学图像处理到医学图像分析过程中比较关键的步骤。准确的医学图像分割可以为医疗工作者对疾病的诊断和分析提出有效的治疗方案,为临床医学的研究提供可靠的理论依据,从而使研究人员对后续工作进行准确的决策。本文主要研究的是半监督学习理论、模糊聚类算法以及半监督模糊聚类算法,分别使用经典的无监督模糊C均值聚类算法、半监督模糊C均值聚类算法对MRI图像进行了分割实验,针对当前算法在MRI图像分割中遇到的实际困难和问题,提出了一种基于半监督模糊C均值聚类算法的新颖半监督聚类算法,并且成功应用到核磁共振图像中,本文主要获得以下研究成果：(1)模糊聚类算法与半监督学习理论的结合应用。在经典的无监督模糊C均值聚类基础上引入了半监督学习算法,并通过实验数据集对加入半监督算法后的可行性进行了有效的验证,实验证明了在加入半监督算法后,新的算法在聚类精度上和速度上比传统的模糊C均值聚类算法都有显著地提高,证明了半监督模糊C均值聚类算法比经典的无监督模糊C均值聚类算法上聚类效果要好。(2)由于医学MRI图像的复杂性,对MRI图像进行半监督模糊聚类分析就在大量数据样本的中利用微量的标记信息进行学习,这里就出现了退化的问题,鉴于这种退化性,提出了一种新颖的半监督算法来解决了半监督模糊C均值聚类的无法利用标记信息的问题。在对核磁共振图像进行分割的过程中,通过实验结果发现,在标记点很少的情况下,半监督模糊均值聚类会退化成为经典的无监督的模糊C均值聚类,从而失去了半监督学习的过程,为了从根本上解决这个问题,本文提出了一种新颖的半监督聚类图像分割算法,这种新的算法受部分监督聚类的影响,改进目标函数,通过在迭代过程中不断调整监督信息的比重,从而来影响聚类中心,并且成功的将新算法应用到医学核磁共振图像分割中,实验结果无论是从分割精度上还是从时间上都比先前的算法要好,并且在噪声环境下具有很强的抗噪能力,最后得出了这种新颖的半监督聚类算法在核磁共振图像分割中得到了很好的鲁棒性和分割精度,收敛速度很快,迭代次数最少,从而验证了算法的可行性和有效性。