买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南通大学

摘要：本发明属于医学图像处理领域，提供了一种用于脑肿瘤图像分割的深度证据FCM聚类方法，解决了医学图像分割中不能很好地保留学习到的特征空间中数据生成分布的局部结构和边缘区域划分不清晰的技术问题。其技术方案为：包括以下步骤：S10、对脑肿瘤MRI图像进行预处理；S20、利用自编码器对输入脑肿瘤图像进行特征学习并实现降维；S30、运用三支策略分配出确定的和不确定的脑肿瘤图像分割区域；S40、运用粒舱和证据理论分配不确定的图像分割区域；S50、对深度聚类模型进行训练。本方案的有益效果为：可以有效的提取脑肿瘤图像特征、降低脑肿瘤图像分割的计算复杂性、改善聚类效果，有助于医生进行更准确的诊断和治疗规划。

主权项：1.一种用于脑肿瘤图像分割的深度证据FCM聚类方法，其特征在于，包括以下步骤：S10、采集脑肿瘤MRI图像，对脑肿瘤MRI图像进行预处理；S20、利用自编码器对输入脑肿瘤图像进行特征学习并实现降维，其中，先使用卷积神经网络提取脑肿瘤图像特征，然后通过线性层降低脑肿瘤图像数据维度；所述步骤S20包括如下步骤：S21、在卷积自编码器中输入脑肿瘤MRI的图像数据，通过卷积自编码器的编码层和解码层输出重构后脑肿瘤MRI的图像，这个操作目标是通过最小化图像的输入和输出之间的均方误差MSE来优化卷积自编码器的网络结构；S22、卷积自编码器被定义为：fwt＝σt*W≡h1gUh＝σh*U2其中，t和h是矩阵，“*”是卷积算子，fw·是卷积自编码器的编码器，gU·是卷积自编码器的解码器，传统的自动编码器由两层组成，分别对应于编码器fw·和解码器gU·，fwt和h是数据t通过卷积自编码器的编码器降维得到的结果，gUh是数据h通过卷积自编码器的解码器得到的结果；S23、使用一些卷积层来提取输入图像的特征，然后将最后一个卷积层中所有单元展平以形成一个向量，接着形成一个只有h个单元的全连接层，该全连接层称为嵌入层，通过上述过程，输入的2D图像被变换到h维特征空间中，使用一个全连接层和一些反卷积层来将嵌入特征转换回原始图像，通过最小化重构误差来更新编码器h＝fwt和解码器x'＝gw'h的参数，来优化卷积自编码器的参数，重构误差L1表示为： 其中，n是数据集中的图像数量，ti是第i个图像；S30、在降维后的脑肿瘤图像特征表示上运用FCM聚类算法，运用三支策略对图像数据进行聚类点的分配，分配出确定的和不确定的脑肿瘤图像分割区域；所述步骤S30包括如下步骤：S31、图像通过卷积自编码器得到特征总数N和聚类数目c，根据特征总数N和聚类数目c，运用模糊c均值算法进行初始聚类，通过多次迭代运算，将目标函数的误差逐渐降低至预定范围，当目标函数收敛时，获得最终的聚类结果，FCM的目标函数L2为： 其中，N是提取的特征总数，c是聚类中心的数目，m为超参数，uij是数据点xi对聚类中心cj的隶属度，i＝1,2,…,N；cj是第j个聚类中心，||xi-cj||是第i个特征到第j个聚类中心的欧氏距离；S32、设U＝{uij}为隶属度矩阵，大小为N×c，是每个特征属于每个聚类中心的概率大小，隶属度矩阵满足： S33、根据隶属度矩阵，将特征i划分到第a类中，其中： S34、目标函数中聚类中心和隶属度矩阵迭代更新公式如下： S35、根据上述迭代更新公式，对特征的隶属度矩阵和特征的聚类中心进行迭代更新，当目标函数收敛时，得到特征对于聚类中心的隶属度矩阵U＝{uij}和聚类中心cj；S36、根据隶属度矩阵U＝{uij}，使用三支决策理论将聚类点进行划分，分为核心区和边缘区，核心区的数据点为确定聚类中心的数据点，边缘区的数据点则需要进行再分配，对于每个数据点xi和所有的聚类中心cj，令其划分过程如下： 其中i是聚类中心的数量，ε1是超参数；S37、数据点对聚类中心的隶属度越大，那么该数据点越可能属于聚类中心所属聚类，如果xi对于任意一个聚类中心的隶属度大于等于ε1，则xi数据点划分为核心区，属于确定点，是分配给确定聚类中心的数据点，如果xi对于任用于脑肿瘤图像分割的深度证据FCM聚类方法意一个聚类中心的隶属度小于ε1，则xi数据点划分为边缘区，属于不确定点，需要进行再分配；S40、运用粒舱加速脑肿瘤图像数据点邻居的选择，运用证据理论融合脑肿瘤图像数据点邻居的隶属度，根据隶属度分配不确定的图像分割区域；所述步骤S40包括以下步骤：S41、设X＝{x1,x2,…xN}为特征数据集，给定决策系统X，确定两个控制样本x*和x*，其特征值给出如下： 其中，xi是需要进行再分配的数据点，根据式10构造不确定数据点的两个控制样本x*和x*；S42、计算这两个控制样本x*和x*到所有样本的距离记录所有距离，将粒舱的公式构造为：GCBxi＝*GBxi∪*GBxi11其中， *GBxi＝{xm∈X:ΔBxm,x*≤ΔBxi,x*+δ12*GBxi＝{xm∈X:ΔBxm,x*≤ΔBxi,x*+δ13其中，xm是第m，1≤m≤N个特征数据点，X＝{x1,x2,…xN}是特征数据集，ΔB是在特征子集上的距离函数，它的计算公式为δ，δ≥0是给定邻域半径大小，通过式12构造以x*为中心的邻域，通过式13构造以x*为中心的邻域，通过式11构造出所有不确定点的粒舱，两个控制样本为中心的邻域形成的两个子集之间的相交区域，粒舱包含数据点xi的邻居点；S43、计算不确定数据点xi与粒舱内可能邻居点的欧式距离，选取最小的K个邻居点作为不确定数据点xi的K个邻居点，K个邻居点分别为S44、根据不确定数据点xi的K个邻居点的对于聚类中心cj的隶属度矩阵U'计算如下： 其中，是邻域特征点K1相对于聚类中心c1的隶属度；S45、设Θ是一个识别框架或称假设空间，对xi的K个邻居点对于聚类中心c1的隶属度运用Dempster合成规则进行合成，合成公式如下： 其中，D为归一化常数， 其中m是在识别框架Θ上的基本概率分配函数，满足且S46、将xi的K邻居点对于聚类中心cj的隶属度代入Dempster合成规则公式得到xi对聚类中心cj的最终隶属度： S47、根据最终该不确定数据点xi的对各个聚类中心的隶属度大小u'ij划分该不确定数据点；S48、将数据点x1到xN重复S36至S47步骤，直到所有数据点都确定属于哪个簇；S50、基于步骤S10至步骤S40对深度聚类模型进行训练，运用训练好的深度聚类模型，对脑肿瘤图像进行分割。

全文数据：

权利要求：

百度查询： 南通大学 用于脑肿瘤图像分割的深度证据FCM聚类方法