基于熵医学图像聚类方法.pdfVIP

• 基于图熵的带权无向图聚类方法  借着科学技术飞速发展的东风，医疗卫生事业的现代 化程度不断加深。医学影像技术在临床诊断的过程中 得到大量使用，因此医院每年都会产生大量的医学图 像。如何利用好这些医学图像，从这些图像的背后发 掘出有价值的信息，以方便医生对 的病情进行诊 断，是当前对医学图像进行数据挖掘的热点。 目前的聚类方法：  划分和层次聚类方法  基于密度的方法  图理论 • 基于图熵的带权无向图聚类方法  以图1为例，图1(a)是一幅原始的脑部CT 图像，首先提 取图1(a)的ROI(Region of Interest)区域得到图1(b)，从 而可以去除脑部CT 图像中对于医疗诊断无用或者是干 扰的区域。 使用canny[14]算法得到纹理图像。图 1(c)是经过提取的纹理图像。  T-LBP方法计算医学图像之间的相似度，通过此方法计 算出的两张图像间的相似性权值越小说明两张图像越 相似，反之则说明两张图像越不相似。利用 (1)对 直方图进行归一化处理。 value(r) Hist[i]=sum(number) (1)  其中Hist[i]为纹理图像中第i个区域的直方图，value(r)代 表直方图中对应每个灰度级别的纹理点的个数， sum(number)的值为该区域总的纹理点的个数。 x,y=num w = ෍ (Dist(G (Hist[x]),G (Hist[y])))2 (2) ij i j x,y=1  其中，Dist(G (Hist[x]),G (Hist[y])为图像G 的第x 区域与图像G 的第y i j i j 个区域的距离，x,y为所分区域的标号，取值的范围是从1到num ， num为所分成区域的数量。对应每个小区域距离计算方法如下： index=255 Dist(G (Hist[x]),G (Hist[y]))= 2 i j ෍ (ri,x index −rj,y [index]) (3) index=0  其中，index代表灰度值的变化范围 （从0到255），r为像素点所 对应的纵坐标的值，此为归一化后的值。 • 基于图熵的带权无向图聚类方法  将n张医学图像，将这些图像抽象成n个顶点，根据在 预处理过程中医学图像间相似性权值的计算方法，计 算每两个顶点之间的边上的权值，由此构成一个具有n 个顶点的带权无向完全图G。  优化剪枝 算法1. 医学图像带权无向完全图稀疏化剪枝 方法 输入：带权无向完全图G，参数e ； 输出：稀疏化剪枝处理后的带权无向图G’； 1. 将图G上的所有边按权值升序进行排列； 2. 为图G中的每个顶点v创建一个队列，将该 i 顶点所具有的边及其权值信息按照权值升序 在此队列中； 3.FOR 每一个顶点v 的边的 队列 i e 4. 将前⌈d ⌉条边出队并放入集合S 中；//d为 顶点的度 5. END FOR ； 6. 找出集合S 中的所有重复的边，将这些边去 重 放入集合S’中； 7. 将不在集合S’中的边从图G中移除； 8. RETURN 带权图G’； • 基于图熵的带权无向图聚类方法  对于一个带权无向图G=(V,E,W)可以通过使用衡量其图