基于網(wǎng)絡(luò)的醫(yī)學(xué)圖象分割處理算法研究.pdf

1、在對(duì)醫(yī)學(xué)圖象分割算法的討論中，本文分別應(yīng)用了主動(dòng)輪廓模型、數(shù)字拓?fù)淅碚?、模糊聚類策略，統(tǒng)計(jì)學(xué)和隨機(jī)場模型對(duì)醫(yī)學(xué)圖象中的特定組織進(jìn)行了分割和聚類。通過對(duì)原有算法的分析，針對(duì)每一種算法的不足都相應(yīng)的做出了較大的改進(jìn)，從而從理論上克服了模型原來所固有的不足。通過實(shí)驗(yàn)和對(duì)圖象分割質(zhì)量指標(biāo)的分析，用定量的方法肯定了算法的改進(jìn)。本文的個(gè)章節(jié)的安排如下：在第一章中，我們討論了PACS系統(tǒng)的構(gòu)架，介紹了該系統(tǒng)所包含的多個(gè)方面內(nèi)容。在第二章中，討論了

2、基于幾何型主動(dòng)輪廓模型的序列化分割方法。在第三章中，通過對(duì)模糊對(duì)象的定義進(jìn)行擴(kuò)展，提出了對(duì)醫(yī)學(xué)圖象中普遍存在的多對(duì)象按照空間元素對(duì)其的模糊連通強(qiáng)度進(jìn)行動(dòng)態(tài)對(duì)象定義從而實(shí)現(xiàn)圖象分割的方法。在第四章中，放松了傳統(tǒng)FCM算法對(duì)隸屬度的限制，提出了一種基于描述元素在特定類中典型程度的改進(jìn)松弛FCM聚類方法。在第五章中，根據(jù)概率論和隨機(jī)場模型，討論了基于最大后驗(yàn)概率(MAP)條件下的最佳分割算法。最后，在第六章中對(duì)研究工作做了一個(gè)總結(jié)，并確定了下