结合双树复小波变换和改进密度峰值快速搜索聚类的乳腺MR图像分割

针对乳腺MR图像组织复杂、灰度不均匀、难分割的特点,本文提出双树复小波(DTCWT)变换结合密度聚类的图像分割方法.首先利用复小波域双变量模型结合各向异性扩散函数对图像进行去噪处理;进而通过简单线性迭代聚类(SLIC)算法将图像划分成一定数量的超像素区域,根据事先设置的阈值搜索每个超像素的近邻,从而降低基于K近邻的密度峰值快速搜索聚类(KNN-DPC)算法寻找每个样本近邻的时间;最终,引入超像素区域的近邻信息度量样本密度,采用KNN-DPC算法的分配策略自适应聚类.仿真和临床数据分割结果表明,所提算法能有效的实现乳腺MR图像的分割.

头脑风暴算法优化的乳腺MR图像软子空间聚类算法

传统的软子空间聚类算法在对信息量大、强度不均匀、边界模糊的乳腺MR图像进行分割时,易受初始聚类中心和噪声数据的影响,导致算法陷入局部最优,造成误分类。针对该问题,提出一种头脑风暴算法优化的乳腺MR图像软子空间聚类算法。算法首先引入一个放松界约束与广义噪声聚类结合的目标函数,并用隶属度计算方法来寻找簇类所在子空间;然后在子空间聚类时用给定指数来适配聚类任务;最后在聚类过程中运用头脑风暴算法进行优化,有效地平衡局部搜索与全局搜索,从而弥补现有算法易陷入局部最优的不足。对比算法与该算法在Berkeley图像数据集上的实验结果表明该算法具有较高的精度,临床乳腺MR图像聚类的实验结果验证了所提算法的鲁棒性。

乳腺MR图像的有效分割

乳腺核磁共振影像(MR)的有效分割一直是医学影像分析领域的研究热点。针对目前人工解读图像信息的不足,提出一种自动化分割乳腺MR图像的方法,该方法结合传统FCM算法和最小距离分类器实现了感兴趣区域中不同位置、灰度值相似的样本点按距离分类。算法首先根据图像的灰度信息利用FCM算法实现聚类,其次自动提取感兴趣区域的聚类信息,并利用最小距离分类器对其按距离分类。实验结果表明,该算法对乳腺核磁共振影像的分割具有较高的准确性,提高了其组织划分的精度,且自动化程度比较高,为后续进行肿瘤区域的自动提取与识别奠定基础。

多分辨率水平集算法的乳腺MR图像分割

针对乳腺MR图像信息量大、灰度不均匀、边界模糊、难分割的特点,提出一种多分辨率水平集乳腺MR图像分割算法.算法的核心是首先利用小波多尺度分解对图像进行多尺度空间分析,得到粗尺度图像;然后对粗尺度图像利用改进CV模型进行分割.为了去除乳腺MR图像中灰度偏移场对分割效果的影响,算法中引入局部拟合项,并用核函数进一步改进CV模型,进而对粗尺度分割效果进行优化处理.仿真和临床数据分割结果表明,所提算法分割灰度不均匀图像具有较高的分割精度和鲁棒性,能够有效的实现乳腺MR图像的分割.