文摘

脑组织分割的MRI不仅有助于研究大脑的功能和解剖结构,但它也提供了一个理论依据脑疾病的诊断和治疗。当讨论到大脑的解剖学在临床环境中,术语“白质”,“灰质”和“脑脊液”是最常用的(CSF)。然而,由于人类的大脑是高度复杂的结构,有许多不同类型的大脑组织,人类的大脑结构,每个人都有自己的一套独特的品质。由于这些数情况下,脑组织分割的过程将是一个挑战。在这篇文章中,将讨论不同的聚类算法,它们的性能和效果会比另一个。这种比较的目标是,以确定哪些算法最适合分段MRI大脑组织。基于聚类的方法,本研究的主要重点放在细分方法,适合医学脑成像。实验的定性和定量结果显示,FCM算法具有更稳定的性能和更好的普遍性,但有必要包括额外的辅助条件以达到更理想的结果。

1。介绍

核磁共振脑组织分割,正如我们都知道,不仅有助于研究大脑的功能和解剖结构,但它也提供了一个理论基础对脑部疾病的诊断和治疗1]。因此,实现精确组织分割使用MRI带有对临床诊断和治疗非常重大影响2]。在医疗实践中,脑组织的分割主要与白质(WM),灰质(GM)和脑脊液(CSF)。然而,由于人类的大脑是高度复杂的结构,有许多不同类型的大脑组织,人类的大脑结构,每个人都有自己的一套独特的特征(3]。由于这些数情况下,脑组织分割的过程将是一个挑战。结果,一位杰出的分割算法的发展,适合每一个核磁共振脑组织是一个话题,出现了大量的难题。虽然这样做,它也鼓励研究人员致力于开发对脑组织分割算法,已成为近年来研究的重点(4,5]。在临床实践中,经常需要提出一个三维模型脑组织的结构,以提供一个病人的诊断和治疗的基础。当脑部手术,例如,是必需的,可以计划和模拟过程按照三维大脑的解剖学。这使它容易集中快速和准确地选择手术区域。此外,脑组织可视化的目的是完成的工作细分,可视化的概念。因此,脑组织的分割具有重要现实意义的医学诊断(6- - - - - -8]。

大脑图像研究人类的发展是极其重要的;在许多重要的研究路径进行,引来了很多的关注的是脑组织的分割。从一开始,它被认为是一个具有挑战性的问题解决的复杂的大脑的构成以及其他方面。经过多年的研究,各种分割算法被应用于医学照片世界各地,包括美国。一般来说,医学图像分割算法可以分为以下几类:基于阈值的分割(9- - - - - -11),边缘检测分割(12- - - - - -14],fuzzy-clustering-based分割[15],level-set-based分割[16,17),和region-growth-based分割18]。每一类命名不同的分割方法。

被称为基于阈值的分割方法是一种技术,可以将图像划分为其组成部分。分割原理将图像中的像素分为不同类别一次基于一个或多个阈值和阈值的值决定基于灰度(8,10]。图像二值化的根本目的是部分地区的相同区域的灰度图像。这样做的好处是,每个区域的灰度可以分配给一个不同的源图像的类别。中的所有像素的一个特定的灰度区域共享相同的属性特质,但是其他gray-range区域的像素没有这个属性(12]。

只有包含在图像灰度信息的基于阈值的分割方法,导致算法对背景噪声的敏感性相对较低。因此,分割结果产生的阈值分割方法将非常不满意当灰度值区域的隔离具有可比性。有许多不同类型的大脑组织中可见医学人类大脑的照片。因为复杂的自然特征强度分布的照片,这将是非常具有挑战性的选择一个合适的阈值。如果你仅仅利用阈值分割方法,将很难获得理想的分割,因为错综复杂的影响。因此,学者们经常将基于阈值的算法与其他方法为了成功完成医学图像分割的任务。在他们的研究(14],Sandeep和他的同事们提出了一个稀疏特性的阈值是基于压缩传感,他们利用这段灰质和白质大脑的磁共振图像。开始训练的稀疏字典适合相应的图像,然后利用压缩传感技术来提取图像的稀疏特性对应像素点的补丁,最后应用稀疏投影阈值图像以段和获得各种二进制图像。

edge-detection-based分割方法首先提取像素标记各种图像的边界部分,然后链接的每个像素单独收集。分割区域的边界是由线的连接。这种方法的性能是令人满意的,明显的地区,有一个简单的背景。然而,当面对图像含有丰富的特性和不均匀的亮度,如人类的大脑核磁共振扫描,边缘检测方法发现它具有挑战性的完全检测对象的边缘像素区域。因此,它无法完成可靠的对象分割。当进行区域分割,特别是当用人hard-means单独的像素,这将几乎总是导致图像被oversegmented [16]。一些研究人员建议使用模糊聚类方法解决这些问题。分类描述的模糊隶属函数的模糊c均值聚类的应用,这可能更准确地和科学地描述图像中的像素位于十字路口的两个不同的类别。模糊c均值聚类方法对噪声非常敏感;因此,它特别适用于图像的分割与低水平的噪音。此外,训练速度可能会很慢时用于聚类的情况,包括一个大数量的数据;初始中心点的选择产生重大影响的工作量是必需的。计算的数量将大大增加,当有大一点变化初始中心点和真实之间的中心点。此外,使用此方法的聚类,它是不可能避免陷入局部最优的情况下,。Kandan和Murugeswari18)设计了一个新颖的方法来完成医疗推广的大脑图片的分割。该算法是基于FCM算法,旨在提高上述困难。遗传算法和粒子群优化方法利用为了找到最优的初始中心点的情况。此外,FCM算法特别容易受到噪声是因为它只分析像素间的灰度值。然而,新方法重构和优化目标函数,使其接受的嘈杂的大脑核磁共振图片。水平集方法背后的基本概念是采用三维表面的发展象征着开发过程的二维曲线。这是通过使用水平集。在计算机视觉领域,水平集方法有潜力应用于图像分割时产生令人满意的结果。空间模糊聚类改进的水平集分割算法提出了余元,(19)核磁共振脑组织分割。诺伊曼边界条件的第三个函数水平集演化结合这种方法,然后,边界条件用于获得正常的指定函数的方向导数在任何表面上。

水平集方法背后的基本概念是模型发展的二维曲线通过模拟三维表面的生长(20.]。水平集方法,它是计算机视觉领域的使用,分割图像时能产生高质量的结果。一个增强版的空间模糊水平集技术提出了帕克和冯21)核磁共振脑组织分割的目的。计算的正常供应函数的方向导数在任何表面,这种方法结合了诺伊曼边界条件的第三个函数水平集演化。从一个特定的像素或小区域地区的增长方法的起点。合并的像素或附近地区特征类似于增长点,以形成一个新的增长点。然后,重复的增长过程,直到生长条件不再满足。算法部分核磁共振脑组织在阶段和基于区域的扩张提出了郭et al。22]。然而,分散脑脊液的分割效果不是很好。

近年来,世界各地的学者们提出了各种分割算法。因此,核磁共振脑组织分割程序允许选择大量不同的分割技术。每个方法都有自己的好处和缺点,他们的情况下最有用的很少是相同的(23,24]。根据前面的分析,clustering-based分割算法会取得更好的结果,当应用于脑组织分割的过程。然而,clustering-based还包括k - means聚类算法,模糊c均值聚类,最大熵聚类,高斯混合模型,均值漂移,凝结的集群。这些算法对聚类数据的有效性同样不同程度的变化。为了确定聚类算法是最有效的核磁共振脑组织分割,本文将首先检查不同的聚类算法,然后比较这些不同方法的性能和影响。适合医学脑成像的分割算法是本研究的主要重点。聚类方法也简单地加以讨论。

论文的其余部分的结构如下所述。节2,我们将讨论有关的工作。典型的算法对纹理进行分组讨论了部分3,包括均值漂移算法和模糊c均值算法。节4,我们的仿真模型进行分析和比较的结果。最后,我们结束我们的工作,然后转向节5未来的工作,我们地址。

2。相关的工作

2.1。核磁共振脑组织分割的困难

人类大脑的成像使大量使用磁共振成像(MRI),,我们都知道,提供了许多好处,包括软组织对比强烈,没有辐射损伤的情况下,和广泛使用。脑组织分割的MRI不仅有助于研究大脑的功能和解剖结构,但它也提供了一个理论基础对脑部疾病的诊断和治疗25]。因此,正确的组织的成就与MRI分割对临床诊断和治疗非常重要的影响。灰质(GM),白质(WM)脑脊液(CSF),肌肉,骨骼,和其他重要的大脑结构中可以看到临床MRI图像,如图1。然而,由于人类的大脑是高度复杂的结构,有许多不同类型的大脑组织,人类的大脑结构,每个人都有自己的一套独特的品质。由于这些数情况下,脑组织分割的过程将是一个挑战。结果,一位杰出的分割算法的发展,适合每一个核磁共振脑组织是一个话题,出现了大量的难题。虽然这样做,它也鼓励脑组织分割算法的研究已经成为一个中心为研究目前的关注。在临床实践中,经常需要提出一个三维模型脑组织的结构,以提供一个病人的诊断和治疗的基础。例如,如果需要脑部手术,过程可以按照三维计划和模拟大脑的解剖学。这使得焦点很容易迅速和正确确定手术的地方26- - - - - -28]。此外,脑组织可视化的目的是完成的工作细分,可视化的概念。因此,脑组织分割的过程具有重要的医学诊断领域的使用。

人类的大脑是由几个不同的组织,每一个都有一个独特的结构,以及不同的形式和尺寸。在人类的大脑白质的边界形状,灰质,CSF复杂,或者分布;同时,拓扑组织是复杂的27]。此外,组织之间的差别在MRI图像的人类大脑在灰色信息的差异尤其明显。一般来说,灰色的各种组织间信息共享具有显著的差异,而灰色信息之间共享相同的组织是相同的(28]。然而,在更详细的,由于固有的信号变化在成像过程中,相同的组织也会显示差异的灰色信息。这导致各种组织的灰色信息的重叠,这使得组织分割更具挑战性。在图2红色和蓝色所示,面积扩大。很明显,属于同一类别的区域有一个复杂的灰色,分布,一些补丁共享相同的灰度和特点。当一个简单的阈值法,它是具有挑战性的分区综合组织数据。

在大脑的磁共振扫描,可以看到各种各样的组织,包括脂肪、头骨、肌肉。这些组织是高度相似的灰色信息的灰色信息灰质,白质,和脑脊液(CSF)在大脑中,这使得它更加难以精确细分不同类型的组织在大脑中。因此,脑组织分割之前,应排除大脑组织不属于为了保证分割的正确性。这样做的好处是,分割将是准确的。消除nonbrain组织,另一方面,是一个具有挑战性的过程,使脑组织分割更加困难。每个组织的均匀性和边界的连续性被破坏,从而导致一个不令人满意的分割效果和减少分割精度。另外,灰色信息的分布变化的电噪音的影响,出现花白噪声和高斯噪声。基于上述研究,很明显,成功分段人类大脑核磁共振图像是一项非常具有挑战性的任务。因此,如何准确的问题段人类大脑图像先生仍是一个有争议的和具有挑战性的一个医学图像处理领域的。

2.2。聚类分析

在人工智能领域,聚类算法是一种无监督学习方法的重要组成部分。这是一个有效的方法分析数据,从数据中提取有用的信息,并分类数据。此外,聚类分析技术可以把相似的人分成相同的集群/子集通过计算样本之间的相似性的数据集。这是通过计算数据集的样本之间的相关性。在这种情况下,每个子集被称为一个集群,集群,每个集群内部,有一个中心。

聚类算法可以大致分为两个不同的类别:那些工作在像素级和特征层面上。第一类包括分层聚类,划分聚类(k - means和FCM),和density-based分区(GMM);级集群已成为近年来热门的研究方向;第二类包括基于分区,fuzzy-based分区,granularity-based分区(均值漂移),内核集群和谱聚类;所有这些都是见图3。近年来,大多数的算法用于脑组织的分割是基于k - means聚类模糊c均值聚类,最大熵聚类,高斯混合模型,均值漂移,分层集群。k - means聚类是一种缩写“内核意味着集群。“很少有相应的调查进行所有聚类方法的性能相同的数据集,以确定算法的适应性。在以下部分中,我们将复习的典型算法的进一步细节。

3所示。典型的聚类算法

最近,国内外学者已经提出了很多clustering-based分割算法。因此,可以选择各种各样的分割技术在核磁共振脑组织分割中的应用。每个聚类算法都有其优点和缺点,和实际情况也不同,均值漂移算法和模糊c均值聚类代表。我们将详细介绍这两个算法的聚类。

3.1。模糊c均值聚类

模糊c均值算法(FCM)是应用最广泛的聚类方法在图像分割领域。FCM算法的数据聚类方法是基于目标函数的优化。数值是用来表示每个样本的隶属程度的聚类中心。可以对样本具有相同的数值,仍然属于众多不同的类。FCM算法是一种无监督聚类方法,没有考虑人为因素的影响。分工的结果,调查大脑组织是非常重要的。它使用一个迭代的方法不断更新聚类中心,不断优化目标函数,使目标函数达到最小值并使用最大会员标准分类的像素。这是其背后的基本概念。下面是一个文本表示的FCM算法的目标函数: 在哪里是图像中像素的数量;是 - - - - - -th像素点;预设数量的集群;是 - - - - - -th集群中心;是模糊的因素;的隶属度 - - - - - -th样本点的 - - - - - -集群。对于任何一个像素和它的类 ,有以下限制:

一般来说,拉格朗日乘子方法用于解决上述公式(方程(1与约束),更新隶属度公式和集群中心给出如下: 在哪里的隶属度 - - - - - -th样本点的 - - - - - -th集群和是集群中心。通过以上两个方程,加入集群中心和像素点反复更新,最后,分割结果可以完成,当目标函数达到收敛性判据实现的。一般来说,目标函数达到最小值是否可以判断两次迭代的目标函数之间的区别是小于阈值的误差,但很容易落入局部最优解。因此,模糊c均值算法通常需要加入像素的最大变化值或集群中心的最大变化值迭代结束的条件。

给出的算法步骤如下:(1)设置集群中心的数量(2)随机初始化聚类中心(3)使用修正后的集群中心矩阵更新会员矩阵(4)利用修正隶属度矩阵更新聚类中心矩阵

前面的分析表明,类似于k - means算法,聚类中心的数量FCM算法需要预先给定;然而,集群的数量在实际应用核磁共振图像通常是未知的。这可以从上述分析的事实。聚类效果会大大减少当初始值或预设值不等于真实值。其次,根据方程(3)和(4),可以看出,FCM算法是一种迭代操作梯度下降法的基础上,因此它也是对初始值很敏感。这是因为FCM算法是基于梯度下降法的原则。此外,随机初始化使它很容易陷入局部优化的循环,进而导致减少估计最终的分割结果的准确性。

FCM算法比k - means算法更可靠,因为它包含一个模糊性因素在描述每个数据样本。k - means不包括该组件。FCM算法的准确性将高于k - means算法应用于脑组织聚类;然而,由于会员因子的引入,目标函数更复杂,所以FCM算法的复杂性是高于k - means算法。对于每个样本的聚类,它将比传统的更精确的k - means聚类。应用于脑组织集群时,分割的速度可以慢于k - means算法。

3.2。均值漂移聚类

均值漂移是一种密度的聚类算法,它属于一个特定的理论对图像分割作为分割方法。由于均值漂移使用密度梯度法估算的参数分布和使用核函数体重均值漂移聚类中的样本。在分配权重的样本在每个带宽,均值漂移的补偿向量的贡献随样本之间的距离和偏移量。均值漂移假定不同集群的数据集符合或其他服从概率密度分布。通过寻找最密集的方向在样本集和最大密度不断变化,认为重点在迭代过程收敛于相同的最大的集群成员样本收敛于局部密度最大。

鉴于采样点在 维空间 ,均值漂移矢量点可以表示为 在哪里均值漂移矢量,是一个高维球面半径 , 代表了采样点在高维球面地区,和代表了初始聚类中心点;意味着点落入该地区在采样点;方程(5)的平均值来计算样本在高维球,靠近点应该有一个更高的重量。引入核函数和体重均值漂移的样本均值漂移聚类是扩展为以下形式:

在哪里 是重量分配给样本点 , 是单位的内核函数, 核函数的带宽。高斯核函数通常用于脑组织分割。

如果重量不被认为是在方程(6),均值漂移矢量之间的集群中心和样本在带宽可以改写如下:

让 ,与方程(4)可以改写如下: 后新的集群中心吗+ 。在核磁共振脑组织分割,选择灰度值相同的集群,然后,地区不到像素合并。最后的分割结果是通过迭代优化。均值漂移的本质是解决概率密度的局部最大值,均值漂移矢量使对象点总是移动概率密度的最大值点。因此,对象点附近的一个地区通常是选择贪婪迭代,逐渐融合的最大概率密度。

4所示。实验结果和分析

本文选择十大脑图像从一个模拟数据库,其中包含一组现实MRI核磁共振模拟器产生的数据量,可以下载https://brainweb.bic.mni.mcgill.ca/。这个选择的目的是为了便于比较不同实验的结果。开始,六个标准聚类技术是段MRI大脑图片。接下来,两个评价指标选择比较这些比较算法的性能。最后,给出了比较结果。在最后一步中,定性和定量结果产生的各种算法进行比较和研究。

4.1。比较算法选择

近年来,世界各地的学者们提出了各种分割算法。density-based而基于分区的方法,基于网格和基于约束的大类,可用于分类聚类算法。使用聚类算法更频繁,因此,它是提出更高的要求。这是因为研究越来越深入,数据的形态变得更加多样化。以集群脑组织,这些算法利用各种不同的聚类原则和程序;然而,它们产生的结果是令人满意的。

因此,核磁共振脑组织分割的应用允许选择各种不同的分割方法。每种方法都有一组独特的优点和缺点,和在何种情况下最有用的是不一样的。然而,clustering-based分割算法包含各种各样的子类,尽管他们在脑组织分割性能优越。每种方法的有效性,为集群同样不同程度的变化。因此,我们选择了六个不同的集群技术比较和对比:k - means聚类算法,模糊c均值算法,高斯混合模型,均值漂移算法,模糊子空间聚类策略,和最大熵聚类算法。来确定哪个核磁共振脑组织分割方法优越,从长远来看,集群脑组织中的每个算法的有效性及其对分割的影响独立评估。

4.2。参数设置和开发平台

在医学图像处理领域,图像分割就是将图像划分为许多的过程相互不同的部分基于解剖结构。这种方法利用图像的基本特征,如灰度和纹理。在一个完美的世界中,分割的结果是这样的,每个地区可以考虑像素之间的相似区域以及自己的区域内像素的同质性。脑组织磁共振的分割是这个特殊的研究的重点。有四个不同类型的大脑组织,被称为白质,灰质,脑脊液和其他组织。出于这个原因,集群的数量在所有比较算法总是设置为4。

另一方面,生成聚类算法的初始聚类中心以随机的方式,而这些初始值可能包含疏的点或异常点。这导致聚类算法陷入局部极值,进而降低了分割精度。此外,初始值的可能,而从实际的聚类中心,从而导致集群所需的迭代次数的增加和减少算法的有效性。为了便于比较分析,本研究使用源代码来评估六个传统的比较技术,选择包容。此外,所有的参数都设置为默认设置,和初始值是决定使用随机数种子。归一化互信息(敝中断)和兰德指数(RI)采用分析比较算法的性能,所有定量结果的平均五个实验以合理和公正评价每一个聚类算法的聚类性能。这样做是为了合理和公正评价每一个聚类算法的聚类性能。这两个指标的值范围的[0,1],和一般的经验法则是,更多显示更高层次的聚类性能。

这些集群方法实现MATLAB在Windows上10 64位系统,硬件平台是在Windows电脑配备英特尔(R)的核心(TM) i5 - 1135七国集团(g7)(电子邮件保护)GH和4 G RAM。

4.3。定性分析不同的算法

十大脑核磁共振样品是随机选取的从BrainWeb数据库以各种集群技术的测试完整的分割性能。因为可用区域的范围,我们只会分析少数典型的图像分割结果的例子。核磁共振脑组织的保护其精确信息,集群技术是必需的。这是由于复杂的组织结构。因此,为了进行各种算法的比较分析,研究选择的聚类算法适用于核磁共振脑组织的分割。分割的结果显示在数据执行的各种算法4和5。

在人类的大脑核磁共振扫描,有许多不属于大脑的结构组织,如脂肪、头骨、肌肉和其他组织。因为这些组织的灰色信息和特定的大脑结构的灰色信息高度可比,正确分割脑组织是更加困难的。因此,当分段脑组织,应排除大脑组织不属于为了保证分割的正确性。这样做是为了保证分割的正确性。然而,消除组织的过程,不是大脑的一部分是具有挑战性的和复杂的。在这项研究中,nonbrain组织分组在同一类别或集群。数据4和5显示分割结果表明,k - means聚类算法的分割结果有很多噪音,FCM算法的分割结果包含少量的噪声在白质和脑脊髓液,和层次聚类算法的分割结果消除噪音,但大脑的脑脊液沟也平滑了。这些结果可以看到通过查看分割。另一方面,均值漂移算法的分割结果是最准确的。尽管数据4和5分割的结果证明使用不同的方法,他们无法描述的结果截然不同的组织的方式直观。因此,实验提供了几个类别的细分结果的证据。基准选择几种不同类型的组织的图像数据的第一行所示6- - - - - -11。剩下的行图包含对应于k - means聚类的聚类结果,模糊c均值聚类,最大熵聚类,高斯混合模型,均值漂移,集群和层次,使其容易产生的聚类结果比较各种算法。k - means聚类技术是发现缺陷时相比于其他算法,和聚类的结果很大程度上是片面的,这意味着他们只能部分的部分地区。

一个全面的白质区域不能使用最大熵聚类获得。分层聚类法和高斯混合模型算法能够获得相对全面的白质区域;然而,大脑灰质区域边界的部分似乎没有特别明显。相比以前的技术,生成的白质区域模糊c均值聚类方法是更完整和更透明。

演示了通过观察,它为每个比较具有挑战性的方法来实现一个像样的分割效果MRI大脑图片包含四个集群。一些聚类方法的白质区域大量的错误分类的像素,这不仅对该地区有一个负面影响的整体完整性也产生不满意的美学效果。FCM算法增加脑脊液(CSF)的影响相比,k - means算法;尽管如此,仍有一些分散的误分类,结果需要进一步发展。视觉上,FCM方法达到最佳的分割效果;然而,对于一些照片,均值漂移的方法达到最好的结果。所有的MRI分割的结果的一致性均匀区域,他们做得更好保护边界信息。没有明显错误的像素的这些发现。

从分割的结果很明显,FCM具有较高的鲁棒性和获得更精确的分割结果。而k - means算法能够段白质,大幅的大脑灰质区域分割的结果更糟。相比之下,FCM明显大于其他方法,和它产生更精确的分割结果。相比其他集群算法如图6- - - - - -11,FCM分割性能由于其优越的准确性最高时各种大脑核磁共振图片的分割。计算像素相似性时,所有传统聚类算法只考虑图像的灰度信息。这将导致严重的噪声干扰和不均匀的灰色在分割的过程中,哪些是应该给你的注意力。分割的精度不是很好,和组织的边缘的细节已经分段是不可见的。另一方面,有必要为每个聚类算法做一个预先初始化聚类中心。初始聚类中心,例如,生成以随意的方式由传统的FCM算法。初始化时贫穷,很难算法收敛迅速,需要很长时间,甚至还会导致算法容易陷入局部最优,从而影响聚类精度。所有这些问题的发生是因为穷人的初始化。重要的是要注意,等价类数据6 (c),7 (e),8 (e),9 (e),10(b)11 (d)没有任何详细的信息。这表明,集群技术不段这些类的项目。作为一个例子,k - means算法不划分区域用“灰质”图6。

从数据可以看出6- - - - - -11,因为FCM算法只使用灰度信息来计算像素之间的相似之处,仍有许多错误分类分分割结果,组织边界是不清楚。最优初始聚类中心的最大熵聚类算法减少了噪声点与FCM算法相比,但分割结果依然贫穷。尽管高斯混合模型的图像分割算法具有更少的噪声点,每个组织的边缘细节是不完整的。例如,当分段灰质,背景细节是错误的分割,分割效果并不好。组织这些算法获得的图像是不同的基准图像。边缘细节不是很完整,分割效果并不完美。然而,不可否认,这些传统的聚类算法不需要pretraining,没有计算,容易在大脑组织应用程序部署。

4.4。不同算法的定量分析

从分割结果,可以看出,FCM算法在分割图像的噪音更小点,和分割图像的边缘更清晰。算法的性能更好,可靠性较高。表1显示了不同的算法的定量结果。可以看出,FCM算法的分割精度高于比较算法。

FCM算法的分割脑脊液敝中断和RI指数相对较高,但平均指数很低。RI-mean FCM是0.89931,而均值漂移的是0.90666。换句话说,FCM的RI-mean不是理想的选择,因为均值漂移算法分割指数高的白质图像。它可以看到从评估指标表1FCM优化的细分精度比之前的算法,最后平均分割精度是0.73121和0.89931,分别。与k - means相比,MEC, GMM, HC,和均值漂移算法,FCM算法的敝中断指数增加了1.86%,2.07%,1.83%,1.13%,69%和0,和RI指数上升了1.66%,1.69%,1.44%,0.46%,1.26%。在一些图片,均值漂移算法会产生最好的结果,而FCM聚类算法产生最好的结果在其他图像。均值漂移不需要手动设置集群的数量;因此,一些照片上的分割效果明显优于其他方法。

一般来说,FCM方法比这些比较算法,增强了k - means算法的性能。FCM算法具有更好的性能和更高的普遍性一致。它可以更好的部分大脑图像有效地抵制一些干扰,具有更高的性能,当分段和复杂的背景图像。

5。结论

由于人类大脑拥有的高水平的复杂性以及各种不同类型的大脑组织,人类大脑的物理成分与人不同。由于这些数情况下,脑组织分割的过程将是一个挑战。在这篇文章中,将讨论不同的聚类算法,它们的性能和效果会比另一个。这种比较的目标是,以确定哪些算法最适合分段MRI大脑组织。适合医学脑成像的分割算法是本研究的主要重点。聚类方法也简单地加以讨论。实验的定性和定量结果显示,FCM算法具有更稳定的性能和较高的普遍性,但附加的辅助条件是必要的为了产生的结果更接近完美。

在未来,我们将进行更多的研究深度学习的功效网络分割的脑组织,比较和对比它与传统算法的性能,并研究了程度传统算法和智能算法适应性强。

数据可用性

数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(61862051),贵州的科学和技术基础([2019]1299号和ZK[2022] 549号),贵州的一流的人才计划(没有。肯塔基州[2018]080号),基金Qiannan师范大学民族(Nos. qnsy2018003, qnsy2019rc09, qnsy2018JS013,和qnsyrc201715)。