基于模煳聚类和神经网络的医学图像分类.pdfVIP

信息科技 中国科技信息2011年第23期 Information Technology DOI：10.3969/j.issn.1001-8972.2011.23.040 基于模糊聚类和神经网络的医学图像分类 韩雪梅 西南科技大学信息工程学院，四川 绵阳621010 摘 要 最有描述能力的3 个特征参数：能量、对 模糊K 的均值算法。算法步骤如下：( 1) 确 本文探讨了不同成像方式下医学图像的分 比度、相关，对CT 和MR 图像进行分类。 定聚类数目c 和参数b ；(2) 初始化各类聚 类识别算法，提取了具有代表性的图像特 1 .2 . 1 能量是图像平滑度的度量。 类中心m i ；( 3 ) 重复下面的运算，直到各 征，如图像面积熵、灰度共生矩阵、图像 个样本的隶属度值稳定。用当前的聚类中 细小纹理区域个数等，并通过设计模糊聚 （2 ） 心根据式 （6 ）计算隶属度函数；用当前的 类、BP神经网络图像分类器，实现对CT图 隶属度函数根据式 （5 ）更新计算各类聚类 像、MR图像、X线图像及B超图像的分类。 1 . 2 . 2 对比度为图像的清晰程度。 中心。当算法收敛时，就得到了各类的聚 结果表明本文提出的分类器对医学图像的 值越大，表明纹理效果越明显；值越小，纹 类中心和各个样本对于各类的接近程度， 分类识别取得了一定的效果。 理效果越不明显。 从而完成了模糊聚类划分。 关键词 2 .2 B P 神经网络的设计 图像特征提取；模糊聚类；BP神经网络 本文利用BP 神经网络对CT 和MR 图 像进行分类。典型的BP 网络是3 层前馈阶 （3 ） 层网络，即输入层、隐含层和输出层。一 引言 般根据输入特征量的多少确定网络输入层 3 ）相关 神经元个数。本文取CT 和MR 图像灰度共 利用计算机技术对医学图像进行处 生矩阵的能量、对比度、相关三个特征值， 理，提取其深度信息，以便利用智能算法 （4 ） 因此输入层神经元个数为3 。设定输出层 对图像进行分析和分类，从而辅助医生诊 神经元个数为1，用1 代表CT 图像，- 1 代 断，使医学图像识别的正确率大大提高。 1. 3 图像细小纹理区域个数 表M R 图像。根据多次调试，本文选择了 计算机收集图像颜色、形状、纹理等可视 经过高帽低帽运算的B 超图像会保留 一层隐含层数，隐含层神经元个数为1 2 化信息，并结合多种算法实现图像的分 较多的细小纹理区域，而X 线图像的细小 个。学习速率为0. 1，误差界限为0 .02 ，最 类。本文主要探讨不同成像方式下医学影