关键词：
医学影像
半监督
聚类算法
病灶分割
乳腺钼靶
摘要：
随着医学影像技术的进步,多模态医学影像技术已成为疾病诊断的重要工具。然而,不同病人的图像表现差异以及病灶的复杂性给影像科医生的疾病诊断带来了挑战。随着人工智能技术的发展,使用计算机技术进行医学图像处理,有效提升了医生诊断的效率。因此,本研究聚焦于利用人工智能算法对多模态医学影像进行分析,特别是针对乳腺钼靶图像的病灶分割,以辅助医生进行诊断,减轻其工作量。在实际临床应用中,由于缺乏大量且准确标注的医学图像数据集,本研究创新性地将半监督学习方法和聚类算法相结合,用于乳腺钼靶图像的病灶分割。针对现有的一些半监督模糊聚类算法不能充分挖掘标记样本的信息,导致监督信息不足,当面对复杂的乳房造影图像时,不能准确地分割病变区域等问题。本研究提出了解决方法和改进,以提高乳腺钼靶图像病灶分割的准确度。本文的研究内容如下:
1)针对已有半监督聚类算法,监督强度不够的问题,本研究提出了一种基于标记样本聚类中心的半监督模糊聚类算法(SFCM＿V)。该算法充分挖掘已有带标签样本信息,由于聚类中心可以很好代表一类数据。在聚类过程中通过充分参考带标记样本数据集的聚类中心,实现有标记的样本指导无标记样本进行聚类,提升聚类性能。通过实验证明了本研究设计算法比现有聚类算法在面积大的病灶上有高的分割精度,同时也能分割出面积较小的病灶。
2)针对先验知识,本研究试图挖掘出带标记样本中的有关信息,以便更好的指导聚类过程。为此,提出了一种基于知识加权和聚类中心学习的半监督模糊聚类算法(WSFCM＿V)。加权作为一种调节聚类效果的手段,可以将挖掘到的信息通过权重形式反映出来,指导样本聚类。同时带标记样本集本身也是一种有用知识,在聚类时候多参考带标记样本集。基于这样的原理,本研究提出了三种学习模式:一种基于聚类中心的知识加权方法,无标记样本的欧氏距离加权以及基于标记样本的聚类中心的学习模型。
3)本研究设计了一种乳腺钼靶图像病灶自动分割系统,旨在为乳腺疾病的早期诊断提供重要的技术支持。该系统通过集成多种聚类算法,实现了对乳腺钼靶图像病灶的自动分割,患者和医生可以通过该系统上传病例和钼靶图像。医生则根据乳腺钼靶图像以及系统自动分割的病灶图片,在系统中给出诊断意见和治疗建议,这些建议和信息患者可以即时查看。该系统不仅大大减轻了医生的工作负担,同时也为患者提供了更及时、更准确的诊断和治疗方案。
欢迎来到三峡大学图书馆！
