没有合适的资源?快使用搜索试试~ 我知道了~
制作和主办:ElsevierEgyptian Informatics Journal(2015)16,71开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com原创文章基于混合聚类技术的Eman Abdel-Maksouda,*,Mohammed Elmogyb,Rashid Al-Awadica信息系统部,埃及曼苏拉大学计算机和信息学院b信息技术部,埃及曼苏拉大学计算机和信息学院c通信部,埃及曼苏拉大学工程学院接收日期:2014年4月30日;修订日期:2015年1月15日;接受日期:2015年1月18日2015年2月10日在线发布摘要图像分割是指将图像分割成互不相容的区域的过程。它可以被认为是促进任何医学图像中感兴趣区域的分层、表征和可视化的最基本和最关键的过程。尽管进行了深入的研究,但由于图像内容的多样性,分割仍然是一个具有挑战性的问题杂乱的对象、遮挡、图像噪声、不均匀的对象纹理以及其他因素。那里有许多算法和技术可用于图像分割,但仍然需要开发一种有效、快速的医学图像分割技术本文提出了一种有效的图像分割方法,结合模糊C均值算法的K均值聚类技术。其次是阈值和水平集分割阶段,以提供准确的脑肿瘤检测。该方法可以在最小的计算时间方面获得K-均值聚类图像分割的好处。此外,它可以得到的模糊C-均值在准确性方面的优势性能*通讯作者:44th Hamza Ibn Abdulmotaleb ST.,Ahmed Maher ST.,曼苏拉市,达卡利亚省,A.R.E.埃及联系电话:+20 10 281 42 420。电子邮件地址:eng. yahoo.com,eng.eman. gmail.com(E. Abdel-Maksoud),melmogy@mans.edu.eg(M. Elmogy),actt_yahoo.com(R. Al-Awadi)。开罗大学计算机和信息系负责同行审查。http://dx.doi.org/10.1016/j.eij.2015.01.0031110-8665© 2015由Elsevier B. V.代表开罗大学计算机与信息学院制作和主办。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词医学图像分割;脑肿瘤分割;K均值聚类;模糊C-均值;期望最大化72E. Abdel-Maksoud等人的建议的图像分割方法进行了评估,通过比较它与一些国家的最先进的分割算法的情况下,准确性,处理时间,和性能。通过将结果与每个处理图像的真实情况进行比较来评估准确度。实验结果表明,我们提出的方法通过在最短的执行时间内提高分割质量和准确性来处理更多的分割问题。©2015由Elsevier B.V.代表开罗大学计算机与信息学院制作和主办。 这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍图像分割是指将数字图像分割成多个区域的过程。分割的目标是改变图像的表示,使其更有意义,更容易分析。它用于定位图像中的对象和边界。图像分割的结果作为一组区域出现,这些区域共同覆盖整个图像[1]。因此,医学图像分割在临床诊断中起着重要的作用。它可以被认为是一个困难的问题,因为医学图像通常具有较差的对比度、不同类型的噪声以及缺失或扩散的边界[2]。脑的解剖结构可以通过磁共振成像(MRI)扫描或计算机断层扫描(CT)扫描来扫描。MRI扫描比CT扫描更适合诊断。它不影响人体,因为它不使用任何辐射。它基于磁场和无线电波[3]。另一方面,脑肿瘤是人们死亡的主要原因之一。有证据表明,如果肿瘤在早期被正确检测,生存的机会可以增加。在大多数情况下,医生给予中风的治疗,而不是肿瘤的治疗。因此,肿瘤的检测对于治疗至关重要。受脑瘤影响的人的寿命将增加,如果它被发现得早[4]。因此,需要一种有效的医学图像分割方法,该方法具有一些优先属性,例如最小用户交互、快速计算、准确和鲁棒的分割结果[5]。另一方面,图像分割算法基于图像强度值的两个基本属性之一:不连续性和相似性[6]。在形式类别中,分割方法基于基于强度的变化(诸如边缘和角)对经处理的图像进行分区。第二种方法是基于将图像划分为由于一组预定义标准而相似的区域。因此,有许多可以广泛使用的分割技术,例如基于直方图的方法,基于边缘的方法,基于人工神经网络的分割方法,基于物理模型的方法,基于区域的方法(区域分裂,生长和合并),以及聚类方法(模糊C均值聚类,K均值聚类,Mean Shift和期望最大化)[7图像分割有许多具有挑战性的问题,例如开发一种可以应用的统一方法所有类型的图像和应用程序。甚至,为特定类型的图像选择适当的技术也是一个困难的问题。因此,没有普遍接受的图像分割方法。因此,它仍然是图像处理和计算机视觉领域的一个具有挑战性的问题[10]。图像分割的一个观点是聚类问题,它涉及如何确定图像中哪些像素最适合在一起。基于聚类技术的图像分割方法有着广泛的研究。这些方法通常以两种不同的方式之一显示聚类,要么通过分区,要么通过对像素进行分组。在分割中,整个图像根据某些标准被划分为“好”的区域。而在分组中,像素是基于一些假设收集在一起的,这些假设决定了如何分组像素[11]。有许多聚类算法可以用于图像分割过程,如硬聚类或K-means聚类和模糊聚类。因此,集群是一个具有挑战性的领域。它可以作为一个独立的工具来深入了解数据在不同集群中的分布情况,以便进一步分析。聚类分析作为其他算法的预处理步骤,例如然后对检测到的聚类进行分类[12]。我们采用基于聚类的图像分割技术检测脑肿瘤并计算肿瘤面积。我们开发了一种新的图像分割方法,称为K-means集成模糊C-均值(KIFCM),异常MRI图像。我们将K-means聚类算法与模糊C-means算法相结合,以克服它们的局限性,并发挥它们的优势。在聚类阶段之后,通过使用阈值化和水平集方法来轮廓化肿瘤区域,在没有用户交互的情况下自动完成肿瘤的提取。我们提出的技术的最后一个阶段是计算处理后的图像中的肿瘤面积。K-means算法可以比模糊C-means算法更快地检测脑肿瘤。然而,模糊C-均值预测的肿瘤细胞不能由K-均值算法预测。所提出的技术给出了一个准确的结果相比,K-均值算法。尽管原始的模糊C均值算法对无噪声图像的分割效果很好,但对有噪声图像的分割效果不佳。因此,我们从整合这两种算法中获益,以减少迭代次数,这会影响执行时间,并在肿瘤检测中提供准确的结果。本文的组织结构如下。第二节介绍了医学图像分割的研究现状。第3节介绍了这项工作中使用的材料和方法。它描述了在这项工作中使用的图像数据集。 最后给出了基于聚类的医学图像分割系统。第4节描述了使用三种类型的数据集从所提出的方法的评估中获得的实验结果,并讨论了从中得出的中心问题。最后,在第五节中对全文进行了总结,并提出了进一步的研究方向.基于混合聚类技术的脑肿瘤分割732. 相关工作医学图像分割一直是医学领域的研究热点。一些研究人员提 出 了 各 种 方 法 和 算 法 的 图 像 分 割 。 例 如 ,Bandhyopadhyay和Paul[13]提出了一种基于K均值聚类技术的脑肿瘤分割方法。该方法包括三个步骤:基于K均值算法的分割,基于局部标准差引导网格的粗粒度定位,和基于局部标准差引导网格的细粒度定位。从经处理的图像中提取脑肿瘤区域需要将脑MRI图像分割成两个部分。一个部分包含由灰质(GM)、白质(WM)和脑脊液(CSF)组成的正常脑细胞。第二部分包含大脑的肿瘤细胞。分割技术受到图像需要是相邻成像层的事实的约束。该方法在多幅图像的融合中取得了较好的效果。在某些情况下,它会导致强度的损失。此外,它还忽略了更精细的解剖细节,例如肿瘤边界的曲折或大脑中灰质和白质的Meena和Raja[14]提出了一种空间模糊C均值(PET-SFCM)聚类算法在正电子发射断层扫描(PET)扫描图像数据集上的方法。该算法将空间邻域信息与经典FCM相结合,更新每个聚类的目标函数。相邻像素的空间关系是图像分割的辅助手段。这些相邻像素高度renovated相同的特征数据。在空间域中,通过确定中心邻域的成员数,得到聚类分布统计量。他们根据这些统计数据计算出加权函数,并应用到成员函数中.他们的算法在阿尔茨海默病患者的数据收集上进行了测试。他们没有计算可以分析图像的基于客观的质量评估,也没有在没有人为参与的情况下报告其质量。Glavan和Holban[15]提出了使用卷积神经网络(CNN)作为像素分类器的系统,用于某些X射线图像的分割过程。系统分析图像中的每个像素,并尝试将它们分为两类:骨骼和非骨骼。他们试图将骨组织区域与图像的其余部分分开。与其他配置相比,他们的为了确保网络的最小训练时间,他们只使用图像中的感兴趣区域。他们的方法识别了重要的骨骼区域,但当骨骼区域呈现不规则性时,更多的训练时间。Tatiraju和Mehta[16]介绍了使用K均值聚类,期望最大化(EM)和归一化切割(NC)的图像分割。他们分析了前 两 种 无 监 督 学 习 算 法 , 并 将 其 与 基 于 图 的 算 法Normalized Cut算法进行了比较。他们将分区算法应用于具有不同k值(聚类数)的灰度图像。对于较小的k值,K-means和EM算法给出了良好的结果。对于较大的k值,分割是非常粗糙的;许多聚类出现在图像中的离散位置。NCuts算法对于较大的k值给出了良好的结果,但是它需要很长的时间。Yerpude和Dubey[17]提出了使用K-Medoids聚类的彩色图像分割。该算法的思想是通过为每个簇找到Medoids来找到对象的簇。每个剩余的对象与Medoid或代表性对象聚类,它是最相似的。K-Medoids方法使用代表性对象作为参考点,而不是取每个聚类中对象的平均值。该算法采用输入参数k和要在一组n个对象之间划分的聚类数。分割的图像高度依赖于段或中心的数量。彼等并未考虑寻找最佳分部数目以提供更准确的结果。Islam和Ahmed[18]提出了基于K-means、K-Mediods和Hierarchical clustering技术的图像分割技术。他们在自然图像上对这三种聚类技术进行了比较,以找出每种算法的优点和缺点。在应用这些算法后,他们提到K-means聚类方法比其他聚类方法具有更好的性能和易于实现。另一方面,也有一些研究者提出了各种各样的混合图像分割算法。例如,Christe等人。[19]在K-means和Fuzzy C-means之间进行了整合。他们选择了聚类的数量、模糊性、距离和停止标准。然后,他们随机初始化成员资格或从K均值和迭代中获得,重新计算中心和成员资格,直到达到目标函数。他们的方法的优点是它可以处理重叠的灰度强度。他们提出的方法的缺点是它不能成功地清楚地定义组织之间的边界。虽然,它最小化类内和平方误差,但其性能下降时,应用于噪声污染的图像。他们通过在应用积分之前的预处理步骤解决了这个问题在欠分割和过分割的情况下,他们将结果与KM,FCM以及集成FKM进行了比较。他们证明了FKM给出了最小的下分割或过分割,但他们没有证明每种算法或集成方法的时间。Funmilola等人。[20]提出了模糊K-C-均值方法,它比K-means具有更多的模糊C-均值属性。该算法读取图像,确定迭代次数,通过距离检查器减少迭代次数,得到图像大小,连接维数,通过距离计算生成大数据项,并在达到可能的距离时减少重复。迭代从识别数据的重要组成部分开始,然后在可能的识别结束时停止。模糊K-C-means适用于灰度图像,如模糊C-means。它生成与模糊C均值相同的迭代次数。作者通过只检查距离来减少迭代次数。缺点是,他们提出的方法的结果是类似的模糊C均值算法的结果,除了在一些图像。模糊C-均值的时间比他们提出的方法最多长2 s。Wilson和Dhas[21]分别使用K均值和模糊C均值检测脑SWI中的铁。采用K-均值和模糊C-均值聚类方法对脑内铁区域进行提取。使用K均值和FCM方法比较SWI的脑铁。对模糊C-均值算法的测试表明,铁区域比K-均值算法的输出更容易被他们的主要缺点是74E. Abdel-Maksoud等人方法的缺点是没有将两种方法的优点结合起来,克服它们的缺点。在本文中,我们测试了最著名的四种聚类技术的性能:K-means,模糊C-均值,均值漂移和最大化期望。我们提出的技术和这些算法在处理时间和精度方面进行了比较。测试算法应用于三个不同的数据集,包括255个包含肿瘤细胞的脑部MRI图像。在我们的集成中,我们消除了用户交互,节省了时间,保留了图像信息,去除了点的推断,当然,避免了过度分割和欠分割,并达到了准确性。3. 所提出的医学图像分割系统有一些医学图像分割系统使用K-means算法来检测脑中的肿块肿瘤[22]。K-means算法在大型数据集上运行快速且简单,但它存在肿瘤检测不完整的问题,主要是如果它是恶性肿瘤。另一方面,其他系统使用模糊C均值算法,因为它保留了更多的信息,图1所提出的图像分割系统的框架。与K均值相比,原始图像能够准确地检测恶性肿瘤细胞[23]。这些系统对噪声和异常值很敏感,并且需要很长的执行时间。在我们提出的医疗分割系统中,我们从最后两个算法中得到了好处。如图1所示,所提出的医学图像分割系统包括四个阶段:预处理、聚类、肿瘤提取和对比以及验证阶段。做整合的主要思想是通过初始化正确的聚类中心来减少迭代次数,以模糊C均值聚类技术,当然,最大限度地减少执行时间并给出定性结果。我们的实验结果表明,我们的混合聚类方法(KIFCM)可以以更少的执行时间检测到模糊C均值无法检测到的肿瘤。拟议系统的主要阶段将在随后各节中更详细地3.1. 预处理阶段这一阶段是通过在任何特殊目的处理之前对图像应用一系列初始处理过程来实现的。它提高了图像质量并消除了噪声。由于大脑图像比其他医学图像更敏感,因此它们应该具有最小的噪声和最高的质量。因此,这一阶段包括以下两个子阶段:(a) 去噪:MRI图像通常会受到类似高斯和泊松噪声的干扰[24]。绝大多数的去噪算法假设加性高斯白噪声。有一些算法设计用于高斯噪声消除,例如边缘保留双边滤波器,总变差和非局部均值。在本文中,我们使用中值滤波器[25,26]。Median滤波是一种非线性滤波器,用作去除噪声同时保留边缘的有效方法。它的工作原理是通过图像逐像素移动,用相邻像素的中值替换每个值。邻居的模式被称为“窗口”,它在整个图像上逐像素滑动。中值的计算方法是首先将窗口中的所有像素值按数字顺序排序,然后用中间(中值)像素值替换正在考虑的像素。图像处理研究人员通常认为中值滤波在去除存在边缘的噪声方面优于线性滤波[27]。预处理中的该子步骤的输出是无噪声MRI图像。(b) 颅骨去除:图像背景通常不包含任何有用信息,但会增加处理时间因此,去除背景、颅骨、头皮、眼睛和所有不感兴趣的结构可以减少所使用的内存量并提高处理速度。使用BSE(脑表面提取器)算法完成颅骨移除。BSE算法仅用于MRI图像。它过滤图像以去除不规则性,检测图像中的边缘,并执行形态侵蚀和大脑隔离。它还执行曲面清理和图像遮罩。该子步骤的输出是仅包含人脑的自由噪声MRI图像。基于混合聚类技术的脑肿瘤分割75亩表1所提出的KIFCM算法的伪代码。1. 初始化K,最大化2. 设置Iterfcm = 03. 读取图像4. 将m赋值为公式(2); h =零(1,m); hc = h5. FORi= 0到图像的长度6. 如果image(i)> 0,则7. 给h加1(image(i))8. END IF9. 端10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.根据公式(1)计算WHILE(true)FORi= 1to length(find(h))旧均值=MU计算CC = find(c == min(c))端对于i=1至Ka = FIND(hc ==i)计算C = abs(Ind(i)-MU)端计算新质心MU(i) =PPaωha胡亚河(三)ENDWHILE如果MU=旧平均值,则断开SETIMA =聚类图像计算图像大小,最大X,最大YCONCATINATE维度初始化cc1=MU(1),cc2,直到KWHILEIterfcm Maxiteration向Iterfcm加1计算距离计算新质心31.CCC1 =32.33.34.35.36.37.38.39.40.计算CCC2,直到K为公式(4)PPð PPU1ωU1ω双镜像ðU1ωU1ωÞ(四)计算tmp矩阵=[abs(cc 1-ccc 1)/cc 1,abs(cc 2-ccc 2)/cc 2,直到K]IFmax(tempmatrix)0.0001然后打破否则分配cc1 = ccc1直到KENDIFEnd WhileSAVE聚类图像KIFCM图像、执行时间和迭代次数3.2. 聚类阶段通过对MRI图像去噪并去除颅骨,通过初始化聚类数k、最大迭代次数和终止参数将图像馈送到KIFCM技术。表1中列出了所提出的KIFCM的伪代码。聚类中心计算如下:另一方面,有一些点分散,远离任何聚类中心。因此,所得到的新的聚类中心、聚类点和分散点可以同时进入循环步骤,该循环步骤计算新的距离并由于聚类值而聚类点。然后,通过确定关闭条件这个循环步骤比随机选择需要更少的迭代次数,因为聚类的初始中心是1:kðkþ1Þð1Þ而不是随机选择,这节省了时间和精力。不过,由于其成员资格,这些点被重新归类有其中,是可以根据k计算的初始均值。k是簇的数量,m定义为:m1/4最大磁共振成像图像然后,通过检查点与聚类中心之间的距离,将每个点分配到最近的聚类中心,然后重新计算新的聚类中心。 它重复直到满足某个收敛标准。在它们的聚类中的点之间没有推断,因为重新聚类过程没有做巨大的改变。该技术的输出是聚类图像、执行时间和迭代次数,它们被记录下来与其他聚类方法进行比较。在这一阶段,我们提出了一种基于硬聚类和软聚类的混合聚类方法。硬聚类技术将每个点只属于最近的聚类。然而,软聚类技术给每个点一个MU ¼76E. Abdel-Maksoud等人一个是一个群体,而不是完全属于一个群体。3.3. 提取和轮廓阶段在这个阶段,我们使用了两种分割方法:阈值和活动轮廓水平集方法:(a) 保持分割:它是基于强度的分割。图像二值化是图像处理和计算机视觉中的重要技术之一。它是用来从后面提取物体的地上与通常包含大量灰度级(最多256级)的灰度级图像相比,通过阈值处理获得的分割图像具有存储空间小、处理速度快、易于操作的优点[28]。该步骤的输出是具有暗背景和亮肿瘤区域的分割图像(b) 水平集活动轮廓:活动轮廓已用于图像分割和边界跟踪自Kass等人首次引入蛇以来[29]。基本思想是从以闭合曲线(即轮廓)的形式表示的初始边界形状开始,并且通过根据约束应用收缩/膨胀操作来迭代地修改它们。在传统分割方法效果不佳的医学图像中,主动轮廓线方法显示出了强大的分割能力。作为图像分割方法的活动轮廓的优点而基于阈值或局部滤波的边缘检测方法往往会导致边界不连续。水平集理论的应用为主动轮廓的实现提供了更大的灵活性和方便性。根据实现方案,活动轮廓可以使用用于其他分割方法的各种属性,例如边缘,统计和纹理。Lee[30]详细演示了水平集算法。对聚类后的图像进行二值化处理,采用反阈值法,迭代次数为3次。通过使用中值滤波器去除图像的噪声,该中值滤波器消除远离肿瘤簇的小区域。我们可以将此步骤视为系统中的后处理步骤。当然,如果使用经典的FCM,这两个步骤可以转换为一个步骤,用户可以输入群集作为阈值或仅出现在图像中。在我们提出的技术中,我们摆脱了可能是真或假的用户交互.然后,将具有照明肿瘤簇的阈值化图像馈送到水平集。水平集在原始图像上勾画出阈值图像的肿瘤区域。该步骤的输出是具有轮廓肿瘤区域的阈值化图像和原始无噪声图像。可以通过计算图像的总像素中的白色像素来计算肿瘤面积。提取和轮廓绘制的伪码如表2所示。3.4. 审定阶段在验证阶段,在第三个数据集的情况下,将KIFCM分割的图像与地面实况进行比较如实验结果所示。它与第二个数据集中的典型图像进行了比较,但第一个数据集没有任何地面真实性。通过包含查准率和查全率的性能矩阵对结果进行评价。精密度是指真阳性百分比的正确分割。换句话说,它是属于一个聚类并被分割到该聚类中的像素的数量。召回率或灵敏度被定义为真阳性的数量除以属于阳性聚类的元素总数[31性能矩阵将在第4.2节中详细说明。每种技术的结果根据前面提到的和代表的准确度、执行时间、迭代次数和性能指标记录在下表中。4. 实验结果4.1. 数据集为了检查我们的图像分割方法的性能,我们使用了三个基准数据集。第一个是医学数字成像和通信(DICOM)数据集[34]。DICOM由22个包含脑肿瘤的图像组成所有DICOM图像文件均采用JPEG 2000传输语法编码,扩展名为“.DCM”。它没有包含图像的地面实况图像。第二个数据集是Brain Web数据集[35]。它包含基于两种解剖模型的模拟大脑MRI数据:正常和多发性硬化症(MS)。使用三个序列(T1-、T2-和质子密度(PD-)加权)和各种切片厚度、噪声水平和强度不均匀性水平模拟了完整的3维数据体此数据集中包含的文件扩展名为“其T1模态为表2提取和轮廓绘制阶段的伪代码。1. 二值化图像2. 应用中值滤波3. SAVE阈值图像4. 呼叫电平设置功能5. 保存生成的图像6. 利用轮廓肿瘤区域对分割图像分割7. 计算总像素=numel(BW)8. 计算白色像素nwhite=BW9. 计算blacK像素nblacK=总像素- nwhitePð:(五)10. 计算比率=nwhite恩布莱克基于混合聚类技术的脑肿瘤分割771mm切片厚度、3%噪声(根据最亮组织计算)和20%强度不均匀性(RF)。该数据集由152张图像组成。最后一个数据集是来自多模式脑肿瘤分割的BRATS数据库[36]。该数据集由30名胶质瘤患者(包括低级别和高级别,以及切除和未切除)的多对比MRI扫描以及“活动性肿瘤”和“水肿”的专家注释组成对于每名患者,T1、T2、FLAIR和钆后T1 MRI图像可用。这个数据库有地面实况图像,可以将我们的方法的结果与它们进行比较。该数据集包含81幅图像。所有这些数据集由MIPAV打开[37]并转换为4.2. 结果和讨论在本节中,我们展示了我们提出的图像分割技术的结果,该技术使用来自三个不同数据集的真实MRI大脑图像获得。本工作是用MATLAB 7.12.0(R2011a)实现的。我们运行我们的实验上的核心i5/2.4 GHz的计算机与8 GB RAM和NVEDIA/(1 GB VRAM)VGA卡。表3证明图2用MATLAB计算肿瘤面积表3适用于三个基准数据集的拟议框架的主要阶段。DS原始MRIBSE中值滤波KIFCM阈值水平集真相/正常无颅骨切除没有真实或正常的图像头骨已经被移除Ds3(BRATDs2(脑网)Ds1(DICO78E. Abdel-Maksoud等人表6FCM与KIFCM的比较。DS21915.9245.18DS3146.8933.46表5当k= 3时,利用K均值对三个数据集进行图像聚类。ds1 KM的原始MRI ds2 KM的原始MRIds3的原始MRI公里表4数据集DS1KM、EM和MS聚类算法的比较公里K9时间(秒)7.52EMK9时间(s)MS34.47K BW THR Time(s)4 0.2 5 0.35DS24 1.764 8.003 0.4 150.29DS321 4.3421 32.065 0.07 50.47数据集FCM迭代编号时间(秒)KIFCM迭代编号时间(秒)DS15159.52812.87基于混合聚类技术的脑肿瘤分割79表8知识管理和环境管理的绩效指标。聚类技术K-means期望最大化表9MS和FCM的性能矩阵。聚类技术均值漂移模糊C均值表10KIFCM的性能矩阵聚类技术KIFCM数据集TP TNDS1 90.5 0DS2 100 0DS3 100 0FP000FN9.500精度90.5100100精度100100100召回90.5100100表7KIFCM检测肿瘤,FCM检测不到肿瘤。原始MRI FCM结果图像时间(s)27.87迭代次数51KIFCM生成图像时间(秒)13.92迭代编号8数据集TPTNFPFN精度精度召回TP TNFPFN精度精度召回DS185.70014.385.710085.766.6 0033.466.610066.6DS296.7003.396.710096.795.4 004.695.410095.4DS395.06004.9495.0610095.0695.06 004.9495.0610095.06数据集TPTNFPFN精度精度召回TP TNFPFN精度精度召回DS185.70014.385.710085.785.7 0014.385.710085.7DS296.05003.9596.0510096.05100 000100100100DS395.06004.9495.0610095.06100 000100100100图3测试的五种技术的执行时间DS1。图4聚类技术对三个数据的准确性集.将我们的框架的主要四个阶段应用于三个图像数据集的结果。 它显示了我们的医疗系统的步骤从原始的MRI图像开始然后用牛海绵状脑病切除颅骨然后,用中值滤波器对图像进行平滑。然后,他们被聚类的建议KIFCM技术和分割,80E. Abdel-Maksoud等人ΣΣ¼ðÞΣΣ¼ðÞΣΣ¼ðÞ通过水平集对肿瘤区域进行阈值化和轮廓化。图2示出了计算肿瘤面积的快照。如表4所示,我们使用了相同数量的集群 对于期望最大化(EM)和K均值(KM),由于分割效率和处理时间,在相同条件下对其进行评估。我们可以观察到EM在精度上与KM相似,但它需要比KM更长的时间(T以秒为单位)。另一方面,均值漂移(MS)聚类技术需要提供带宽和阈值等参数。它计算聚类数K和聚类所消耗的时间。通过使用MS对三个数据集的所有图像进行实验,我们发现,当带宽=0.2,阈值=5时,可以获得最好的图像聚类结果。通过降低相同阈值的带宽,它可以在更短的时间内获得最佳结果。然而,MS并不总是准确的,如果簇数K= 3,则其花费较少的处理时间,但是其并不给出准确的结果。相反,如果K等于KM中的3,则在大多数情况下给出准确的结果,如表5所示。我们还发现,如果不去除颅骨,所有技术的处理时间都会增加。相反,当如在DS2中移除颅骨或如在DS3中使用具有移除的颅骨的图像时,如表4所示,切割时间减少。如表6所示,我们观察到KIFCM在精度上看起来像FCM(模糊C均值),但KIFCM比FCM花费更少的处理时间,迭代次数更少。在第一个数据集(DS1)中,当最大迭代次数大于50次时,FCM聚类算法的迭代次数为51次,处理时间为59.52 s。另一方面,在我们的技术中,当最大迭代次数为8时,对同一图像进行聚类的迭代次数为8大于15。聚类时间为12.87 s,初始聚类k=6,4个聚类中心,结果对于用户来说是明显的,在进行阈值和水平集阶段之前用他的眼睛发现肿瘤。在一些图像中,我们发现KIFCM方法比FCM更准确,如表7所示。我们可以观察到,当使用FCM对图像进行聚类时,在27.87 s内需要51次迭代,并且得到的图像不准确并且具有重叠区域。然而,当我们用我们的技术KIFCM聚类同一张图像时,它在13.92秒内使用了8次迭代。使用我们的技术KIFCM聚类的表格的第二个图像中的肿瘤五种测试技术之间的比较根据以下性能指标进行:精密TP10公司简介召回TP11�P于��准确度12TP表8显示了KM和EM之间的性能比较。结果证明,EM的精 度 近 似 等 于 KM 的 精 度 在 最 后 两 个 数 据 集 ( DS2 和DS3)。在第一个数据集(DS1)中,KM的准确率为85.7%,而EM的准确率为66.6%。如表8和表9所示,我们可以观察到MS技术的性能似乎与KM相同,除了在DS2中。表9和表10确保KIFCM比FCM更准确。图 3表示以DS1为样本的五种测试聚类技术的聚类阶段的执行时间。结果表明,FCM聚类算法的执行时间最长,EM次之另一方面,我们的技术(KIFCM)在执行时间上处于第三水平。知识管理属于第四级,而管理系统属于第五级。因此,MS是最少的执行时间。 图 4显示了五种聚类技术根据准确性的排名。从前面的图表和表格中可以很清楚地看到,我们提出的技术是最准确的,执行时间最短。虽然,我们提出的技术需要更长的时间比KM和MS,但KIFCM需要最少的执行时间相比,FCM和EM。虽然FCM比KM、MS和EM更准确,但KIFCM也比FCM更准确。5. 结论图像分割在医学图像中起着重要的作用。在医学诊断领域,目前可使用多种成像技术,例如CT和MRI。MRI是脑肿瘤诊断最有效的影像学检查方法。MRI扫描比CT扫描更适合诊断。另一方面,K均值算法可以比模糊C均值算法更快地检测到脑肿瘤,但模糊C均值算法可以准确地预测肿瘤细胞。原始的模糊C均值算法无法分割被噪声、离群值和其他成像伪影破坏的图像。因此,我们开发了一种新的方法,将K-真阳性率生成的图像中有脑肿瘤的均值聚类算法与模糊C均值算法Þ¼真阴性对照图像总数没有肿瘤的图像数量ð6Þð7Þ以最小的执行力时间我们的框架包括四个阶段:预处理(去噪和颅骨去除),聚类(K-均值和模糊C-均值的集成),提取和轮廓(阈值保持和水平集),以及验证阶段。实验结果表明,该方法在脑肿瘤分割中的有效性是通过与四种最先进的算法:K-means,Expectation Maximization,无肿瘤且检测为阳性的图像数量假阳性图像总数ð8Þ没有图像有肿瘤且未检测到Mean Shift和Fuzzy C-Means。我们提出的系统determines初始聚类k值,以尽量减少执行时间。所提出的技术的性能,其最小化时间的战略,其质量已被证明在几个假阴性结果total图片实验在未来的工作中,大脑的3D评估将使用3D切片机进行肿瘤检测以及基于混合聚类技术的脑肿瘤分割81为提高分割过程的效率,强度调整过程将更具挑战性,并允许我们将分割技术改进为MRI脑肿瘤分割。引用[1] Janani V,Meena P.使用模糊推理系统进行肿瘤检测的图像分割 。 Int J Comput Sci Mobile Comput ( IJCSMC ) 2013;2(5):244-8.[2] 董B,钱A,沈Z.基于帧的医学图像分割。Commun MathSci2010;32(4):1724-39.[3] Patel J , Doshi K. 脑 MRI 肿瘤检测 的分割方法研 究。 AdvElectron Electr Eng2014;4(3):279-84.[4] Rohit M,Kabade S,Gaikwad MS.使用K均值聚类和模糊C均值算法分割脑 MRI图像中的脑肿瘤及其面积计算。 Int JComput Sci EngTechnol(IJCSET)2013;4(5):524-31.[5] Aslam HA,Ramashri T,Ahsan MIA.一种新的基于柱K均值算法的脑肿瘤图像分割方法。Int J Adv Res Comput CommunEng2013;2:1429-36.[6] Acharya J,Gadhiya S,Raviya.图像分析的分割技术:综述。Int J Comput Sci Manage Res2013;2(4):1218-21.[7] NaikD , ShahP.Areviewonimagesegmentationclusteringalgorithms. Int J Comput Sci Inform Technol2014;5(3):3289-93.[8] 放大图片作者:Christe SA,Malathy K,Kandaswamy A.改进的基于统计特征的脑MRI组织和肿瘤的混合分割。ICTACT JImage Video Process2010;1(1):34-49.[9] 考尔·塞哈图像分割技术综述。Int J Comput Sci Eng(IJCSE)2013;5(2):109-12.[10] Dass R , Priyanka , Devi S. 图 像 分 割 技 术 。 Int JElectronCommun Technol 2012;3(1):66-70.[11] Kaur J,Agrawal S,Vig R.集成聚类、优化和偏微分方程方法改 进 图 像 分 割 。 Int J Image Graph Signal Process 2012;4(11):26-33.[12] Panda M,Patra MR.一些聚类算法来提高网络入侵检测系统的性能。J TheorAppl Inform Technol 2008;4(8):795-801.[13] BandhyopadhyaySK,Paul TU. 脑MRI多幅图像中脑肿瘤的自动分割。Int J Appl InnovatEng Manage(IJAIEM)2013;2(1):240-8.[14] Meena A,Raja K.神经退行性疾病的空间模糊C均值PET图像分割神经退行性疾病的空间模糊C均值PET图像分割。IndianJComput Sci Eng(IJCSE)2013;4(1):50-5.[15] Glavan CC,Holban S.基于卷积神经网络的X射线图像骨结构分割。Adv Electr ComputEng 2013;13(1):1-8.[16] Tatiraju S,Mehta A.图像分割使用k均值聚类,EM和归一化切割,加州大学欧文分校,技术报告。[17] Yerpude A,Dubey S.基于K中心聚类的彩色图像分割。Int JComput Technol Appl 2012;3(1):152-4.[18] 伊斯兰,艾哈迈德利用聚类方法实现自然图像的分割。Int JEmerg TechnolAdv Eng 2013;3(3):175-80.[19] 放大图片作者:Christe SA,Malathy K,Kandaswamy A.改进的基于统计特征的脑MRI组织和肿瘤的混合分割。J ImageVideo Process2010;1(1):43-9.[20] Funmilola A,Oke OA,Adedeji TO,Alade OM,Adewusi EA.医学图像分割的模糊K-C-均值聚类算法信息工程应用杂志2012;2(6):21-32.[21] Wilson B,Dhas JPM.利用Matlab对模糊C-均值和K-均值分割算法 进 行 脑 SWI 铁 检 测 的 实 验 分 析 。 Int J Comput Appl2014;104(15):36-8.[22] Mohan P,AL V,Devi BRS,Kavitha BC.基于ACO的智能脑肿 瘤 检 测 。 Int J Innovat Res Comput CommunEng 2013;1(9):2143-50.[23] Anandgaonkar G,Sable G.使用基于聚类的分割从T1对比后MR图像中检测和识别脑肿瘤。Int J Sci Res2014;3(4):814-7.[24] Rodrigues I,Sanches J,Dias J.被泊松噪声破坏的医学图像的去噪。In:Image Processing,ICIP 2008. 2008年第15届IEEE国际会议。p. 1756年9月。[25] 奥 克 兰 大 学 。 ; [2
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- RTL8188FU-Linux-v5.7.4.2-36687.20200602.tar(20765).gz
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
- SPC统计方法基础知识.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功