醫(yī)學圖像分析中的基于模糊聚類分割算法的研究.pdf

1、隨著計算機、自動化、電子技術等各項技術的發(fā)展，醫(yī)學成像技術(如B超、CT、MRI等技術)迅速發(fā)展，這使得臨床醫(yī)生對人體內(nèi)部病變部位更直接、更清晰、更準確的觀察成為可能。在醫(yī)學臨床實踐和研究中，經(jīng)常需要對人體某種組織和器官的形狀、邊界、截面面積以及體積進行測量，從而得出該組織病理、或功能方面的重要信息。因此精確的測量對疾病的診斷和治療有重要的臨床意義。由于人體解剖的個體差異較大，臨床應用對醫(yī)學圖像分割的準確度和分類算法的速度要求較高，目前

2、雖然已有多種分割算法，但是遠未達到完善。因此，醫(yī)學圖像分割算法的研究仍是當前醫(yī)學圖像處理和分析的熱點。 在本文中，提出了一種改進的模糊Kohonen’s競爭算法(MFKCL)可以對腦核磁共振圖像進行自動的分割。在醫(yī)學圖像中，往往存在著大量噪聲，這些噪聲會嚴重影響分割結果的準確性。傳統(tǒng)的模糊Kohonen’s競爭學習算法雖然能抵御部分噪聲對分割結果的影響，但是分割的結果仍包含部分噪聲，效果也不是非常理想。針對以上的問題，本文主要做

3、了以下幾個工作： 1.在深入研究傳統(tǒng)FKCL算法和FCM算法的基礎上，對二者進行了比較，通過實驗我們發(fā)現(xiàn)雖然FKCL算法比FCM算法在抵御噪聲方面要有所提高，但效果仍然不是很理想。 2.深入研究了幾種傳統(tǒng)的和新型的去噪方法。通過這幾種比較有代表性的去噪方法總結出中央像素與周圍像素的關系，并提出一種局部因子作為局部信息。 3.提出改進的模糊Kohonen’s競爭算法(MFKCL)。在原有的FKCL算法基礎上，嵌入我