基于遗传密度峰值聚类的医学图像分割

针对密度峰值算法(density peaks cluster,DPC)依靠先验知识给定截断距离dc且人工选择聚类中心点具有主观随意性等缺陷,提出一种基于遗传算法求取分割图像最大熵值,获得最优分割阈值的方法。得到满意的分割效果,实现了DPC算法的自适应分割并应用到医学图像上。仿真实验采用多张哈佛全脑图中的经典疾病图像,与K-means、AP (仿射传播)聚类算法及DPC算法作比较,比较结果表明,DPC的改进算法能自动获取截断距离,确定聚类中心,获得更好的分割效果。

基于聚类分析的医学图像分割综述

聚类分析是医学图像分割的重要方法。针对聚类算法中存在缺少先验知识、人为因素干扰、分割速度慢等缺陷,涌现出了大量的改进算法。结合现有的国内外研究成果,文章对近年来的基于聚类分析的医学图像分割算法、发展现状、发展趋势及部分改进算法进行综述,主要介绍区域生长法、K-means算法、FCM算法、基于密度算法以及AP算法等在医学图像分割领域的应用。

面向医学图像分割的蚁群密度峰值聚类

在医学图像分割研究中,针对密度峰值聚类算法(density peaks clustering algorithm,DPC),依靠先验知识给定截断距离dc且人工选择聚类中心点具有主观随意性等缺陷,提出了一种结合蚁群算法选取密度峰值聚类最优参数的医学图像分割方法.该算法首先利用蚁群算法全局性和鲁棒性的优点,使用图像熵计算信息素来指导蚁群的搜索路径;再使用变量量化表示聚类中心个数,蚁群通过迭代选择最优截断距离dc和聚类中心,实现了DPC算法的自适应分割并得到了较好的分割效果.仿真实验分析证明了算法的有效性和实用性.

基于卷积神经网络的脑膜瘤亚型影像自动分级

脑膜瘤是颅内常见第二大肿瘤.脑膜瘤的术前分级有助于临床制定治疗方案和评估预后.本文对卷积神经网络LeNet-5模型从softmax层、网络结构、迭代下降速率、epoch几个方面进行改进,用于对脑膜瘤亚型影像的自动分级.该模型不需要对病变组织进行提取,大大提高了脑膜瘤影像自动分级效率.实验表明:改进的卷积神经网络模型对脑膜瘤亚型影像分级取得良好效果,最高正确率达到91.18%.

基于改进密度峰值聚类的医学图像分割

为了提高医学图像分割效果，针对密度峰值聚类算法（Density Peaks Clustering Algorithm，DPC）截断距离与聚类中心需要主观指定的缺点，提出一种果蝇算法优化密度峰值参数的医学图像分割算法。首先使用变量量化表示聚类中心个数，再使用随机步长取代果蝇算法中固定步长，避免陷入局部最优；最后，采用果蝇算法迭代计算图像熵值得到最佳气味浓度值的方法优化选择截断距离dc和聚类中心，实现图像分割。仿真实验表明本文算法能够自适应分割医学图像，具有较快的收敛性和良好的鲁棒性，分割效果优于DPC、K-means和AP等典型聚类算法。

基于深度学习的医学图像分割方法

当今社会已进入大数据时代,医学图像分析与处理也因此面临新的挑战,如何充分挖掘岀海量医学图像中的信息,是我们需要去思考的问题。深度学习为我们在解决这一方面的问题上提供了新的思路。深度学习作为机器学习研究中的新领域,近年来受到了越来越多的关注。其相关研究涉及多个领域,尤其是图像处理方面。其中,基于深度学习的医学图像处理是个十分热门的话题。本文首先简明介绍深度学习;随后说明深度学习在医学图像分割中的应用;最后对深度学习在医学图像处理中存在的问题进行分析以及对未来做出展望。