基于融合的醫(yī)學(xué)圖像特征選擇和分割方法研究.pdf

1、醫(yī)學(xué)圖像分割因其重要應(yīng)用價(jià)值,近年來已成為圖像分割研究的熱點(diǎn)問題。醫(yī)學(xué)圖像種類繁多,每類圖像從不同的角度提供信息,如何有效利用各類圖像提供的信息獲取最佳的自動圖像分割具有重要的理論研究價(jià)值和現(xiàn)實(shí)意義。
　　 本文主要以CT與MRI圖像作為研究對象,研究了固定特征分割、基于融合的自動選擇特征機(jī)制以及融合規(guī)則三個(gè)方面,尋求一種具有自選擇特征融合的醫(yī)學(xué)圖像分割的方案。論文研究內(nèi)容如下:
　　 1針對傳統(tǒng)聚類方法需要初始聚類中心

2、、類別數(shù)等先驗(yàn)知識,且對噪聲敏感問題,提出了基于自分裂競爭學(xué)習(xí)與聚類方法相結(jié)合的圖像分割方法。該算法將自分裂競爭學(xué)習(xí)方法SSCL分別與FCM和ECM聚類算法結(jié)合在一起,并利用空間信息對分割結(jié)果進(jìn)行后處理,解決了傳統(tǒng)聚類方法需要初始化圖像類別數(shù)和類別中心、對椒鹽噪聲和高斯噪聲敏感的問題,明顯提高了圖像分割的精度；
　　 2為充分利用圖像提供的特征信息對圖像進(jìn)行有效的分割,提出了一種特征自選擇機(jī)制圖像分割方法。該方法通過融合基于互信

3、息量和基于交叉驗(yàn)證的特征選擇方法來自動完成最佳組合特征的選擇,再利用SSCLECM分割方法進(jìn)行分割。UCI數(shù)據(jù)集和MRI圖像分割實(shí)驗(yàn)證明,通過自特征選擇機(jī)制,針對不同的分割對象可以獲取特征的最佳組合,減少了特征矢量的維數(shù),明顯改善了分割效果；
　　 3由于D-S證據(jù)理論中不同證據(jù)對決策支持程度是不同的,論文利用證據(jù)間沖突性賦予證據(jù)不同權(quán)重,基于經(jīng)典的孫全融合規(guī)則,提出了一種新的融合方法。通過熵和總交叉熵指標(biāo)的評價(jià),與D-S證據(jù)理