医学图像体分割的特征聚类算法  

Feature clustering algorithm for 3D medical image segmentation

作　　者：黎新伍[1] 

机构地区：[1]江西财经大学电子商务系,南昌330013

出　　处：《清华大学学报（自然科学版）》2008年第S2期1790-1793,共4页Journal of Tsinghua University(Science and Technology)

基　　金：江西省教育厅重点资助项目(2007259)

摘　　要：为提高三维医学数据场的分割效率和准确率,本文利用特征聚类技术,提出了一种新的基于改进K-means聚类的三维医学数据场的体分割算法。根据医学数据的物理意义和医学特征分析,对数据场进行预处理,以加快后继处理速度;分析推导了基于改进K-means聚类的分割算法,并改进了算法采样技术,减少需要计算的像素数目以进一步提高处理速度。实验结果表明本算法不仅能够提高三维医学组织的聚类分割精度至96%,而且能够提高66%的模型处理速度。A clustering segmentation algorithm based on an improved K-means clustering method is used to improve the efficiency and accuracy of 3D medical image segmentation.The physical and medical characteristics of the medical data are used to preprocess the data to speed up the processing.The K-means algorithm avoids local optimal solutions and reduces the probability of dividing a big cluster into two or more smaller clusters.An improved sampling method reduces the number of pixels to further increase the process...

关 键 词：K-MEANS聚类 直接体分割 医学数据场 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]