论文部分内容阅读
在医学影像计算机辅助诊断系统中,医学影像中异常区域的精确分割是其关键性的一步。乳腺癌是现代女性的一种高发疾病,乳腺钼靶X线影像作为乳腺癌筛查的主要方式,对于乳腺癌的早发现、早治疗,降低乳腺癌致死率起着重要的作用。而乳腺钼靶图像的分辨率低,异常区域与腺体组织的灰度差异较小,存在着一定程度的重叠交织,因此乳腺钼靶图像中异常区域的精确分割比较困难。目前存在诸多乳腺肿块分割方法,但各种方法关注的侧重点不同,仍然需要进一步的优化分割算法以提高肿块分割的准确率。模糊聚类算法是一种引入模糊理论的图像分割方法。其中,应用最广泛的模糊聚类算法是基于目标函数的模糊C均值聚类(Fuzzy C-Means,FCM)算法。针对模糊C均值聚类算法存在线性不可分的情况,相关学者提出了核模糊C均值聚类(Kernel Fuzzy C-Means,KFCM)算法,实现了对各种数据结构的有效聚类。本文针对核模糊C均值聚类算法存在的不足,对算法进行优化与改进,并将改进后的算法与其他分割方法结合,进行乳腺钼靶图像肿块的分割。首先,针对随机初始化聚类中心会造成聚类结果不稳定这一问题,提出运用改进的蝙蝠算法优化核模糊C均值聚类算法。对传统蝙蝠算法的初始化方式和飞行方式进行调整,运用改进的蝙蝠算法寻找最优聚类中心集合,然后用核模糊C均值聚类算法进行聚类划分。其次,结合图像的二维直方图,将优化后的核模糊C均值聚类算法用于乳腺钼靶图像肿块的分割。根据预处理后图像的灰度-梯度二维直方图确定图像的聚类数目,然后运用优化后的核模糊C均值聚类算法进行肿块分割。为验证算法的性能,在公共数据集上对优化的核模糊C均值聚类算法进行了测试,实验表明本文提出的算法在达到较高的聚类准确率时时间效率也得到提高。另外,将结合二维直方图的算法用于乳腺钼靶图像肿块分割时,避免了传统模糊聚类算法的过分割现象,能更加准确的分割出感兴趣区域。