首页 > 文献资料
-
基于点袋理论的肝脏CT图像分析
当前医学CT图像的病理识别过多地依靠医生经验,为了将机器辅助诊断引入病理识别中,本文采用点袋理论对肝癌和正常肝脏的CT图像进行分析研究.从100张CT图像中挑选出40张具有特征的CT图像,预处理后,先利用尺度不变特征变换(scale invariant feature,SIFT)描述CT图像特征点,再经过k均值(k-means)聚类,后使用支持向量机(support vector machine,SVM)机器学习算法实现CT图像的识别和分类.实验结果表明,当采用Gaussian 径向基(RBF)核运算时识别可取得85%的正确率.该研究说明点袋法有较好的分类效果和较好的发展空间.
-
皮肤黑素细胞肿瘤图像综合分割方法研究
目的 本文针对黑素细胞肿瘤(Melanocytic Tumor MT)图像情况复杂,较难分割的问题,提出了一种综合数字图像分割算法,探讨MT的早期诊断.方法 首先应用统计区域融合方法(SRM)实现图像分割成多块纹理一致的区域.然后对图像以HSV彩色空间的H和S 分量为特征,使用K均值聚类算法将图像聚为9类.后,将聚类结果在HSV彩色空间的H和S分量值分别映射到[0,1]区间,再分别对H分量和S分量取阈值,得到终的边界分割结果.结果 对MT图像能够按照其纹理差异将其有效划分为多个区域,较为准确标识出皮损区域.结论 综合对多种方法结果的对比,本方法优于传统的大津阈值法、K均值法和活动轮廓法.同时对过去基于SRM的MT图像分割方法进行了改进,在处理复杂MT图像时效果明显好于传统方法.
-
超声图像中基于经验模态分解自动提取内-中膜厚度
目的 为改善传统人工标记测量血管内-中膜厚度(IMT)的准确性和稳定性,提出基于图像分割技术的经验模态分解(EMD)改进算法.方法 采用EMD改进算法去噪,根据血管壁的特点,在其中的极值点插值步骤使用非均匀的二维B样条函数,在水平和垂直方向上控制网格的密度不同,分别满足不同的分辨精度和平滑程度要求,改进了原始的二维EMD算法；然后通过K均值方法从图像中分离出血管腔、血管壁和其他组织,使用数学形态学算法逐步得到终的内-中膜组织分割结果.结果 改进EMD算法取得了较好的重建和滤波效果,有效克服了超声图像的强噪声和低分辨力对图像分割的限制,整个算法分割比较准确,算法复杂度相对较小.结论 改进EMD算法是在超声图像中自动提取内-中膜的较有潜力的方法,能有效去除超声噪声,同时保留条纹结构的细节和边缘信息,有望于其他强噪声环境下提取条纹结构.
-
骨髓瘤细胞克隆斑图像的分割
提出一种新的交互式图像分割方法并应用于骨髓瘤细胞克隆斑图像分割.从图分割的理论出发,首先由用户选定部分像素作为前景对象和背景,其他部分为未知区域.然后构造能量函数.通过K均值初始化函数,进行迭代使能量函数小化.后从形态学的角度进行腐蚀、膨胀处理,有效地将感兴趣的克隆斑部分分割出来.对于分割错误的部分,利用类似画笔的工具重新标记为前景或者背景,然后再次进行分割.试验结果表明,不论采用主观评价方法,或采用图像分割质量判断准则进行评价,分割结果都较为满意.
-
一种基于快速混合型K均值的水平集图像分割方法
目的:为提高水平集图像分割方法的速度.方法:本文介绍一种基于快速混合型K均值的水平集方法用于图像分割.首先介绍基于Mumford-Shah模型的水平集方法;然后介绍传统标准K均值方法与水平集方法的联系,分析其缺陷;后提出了一种快速混合型K均值的方法,在保持传统水平集算法鲁棒性的前提下,较好地提高了计算的速度.结果:该方法与标准水平集方法相比,运算所花费时间相对减少.结论:该方法利用K均值算法的简易和高效率,达到提高水平集方法分割速度的目的,具有一定的实用价值.
关键词： 图像分割 水平集方法 Mumford-Shah模型 k均值 -
基于t分布邻域嵌入算法的流式数据自动分群方法
流式细胞仪中多参数流式数据分群传统方法主要是利用专业软件采取人工设门方式,圈出目标细胞进行分析,分析过程较为复杂,专业性较强.基于此,本文提出了一种基于t分布邻域嵌入(t-SNE)算法对多参数流式数据进行分群处理.该算法将样本数据在高维空间中的欧几里德距离转化为条件概率来表征相似性,使数据降到低维空间.本文通过使用流式细胞仪处理染色后的人体外周血细胞,并将处理后的数据导出作为实验样本数据,对其利用t-SNE算法进行降维,并与核主成分分析(KPCA)降维算法对比,分别使用K均值(K-means)算法对降维得到的主成分数据进行分类.结果表明,t-SNE算法对呈非对称且有拖尾分布的细胞类群具有很好的分群效果,分群准确率可达92.55％,或可有助于多色多参数流式数据进行自动分析.
