基于高斯混合密度模型的医学图像聚类研究

论文摘要

图像聚类已成为图像识别的一种关键技术。而医学图像识别是医学图像分析和理解的重要内容,在医学临床诊断中具有重要作用。因而,研究适合于图像识别的图像聚类算法具有重要意义。目前,医学图像聚类算法还没有达到理想的识别效果,不能完全满足医学图像分析和理解的要求。本文试图研究适合于医学图像识别的基于高斯混合密度模型的聚类方法及其算法。本文研究了高斯混合密度模型和基于高斯混合密度模型的聚类方法,构造出医学图像的高斯混合密度模型,提出了基于EM的医学图像高斯混合密度模型参数估计算法及其改进。论文研究工作主要体现以下几个方面:（1）系统研究了概率密度函数的参数估计、非参数估计的理论和方法,特别阐述了基于高斯混合密度模型的参数估计属于半参数估计的理论和方法。发现基于高斯混合密度模型聚类算法适合于医学图像的聚类分析。（2）针对模型选择的问题,提出了改进的QAIC准则函数。理论和实验证明,该函数适合于确定医学图像高斯混合密度模型的分量数。研究中使用试探法验证了改进的QAIC准则函数的正确性。（3）研究了高斯混合密度模型的医学图像应用问题,提出了基于高斯混合密度模型的医学图像数据分布描述方法。（4）针对k-均值初始化高斯混合密度模型参数对参数估计值比较敏感的问题,提出了基于蚁群算法改进的k-均值算法,并将之应用于确定高斯混合密度模型初始值。实验证明,改进的初始化算法对医学图像会产生更好的聚类效果。（5）通过研究医学图像每个像素点的特征矢量对高斯混合模型的贡献程度不同,提出医学图像的加权高斯混合密度模型和基于加权高斯混合密度模型的医学图像聚类算法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及其意义
• 1.2 研究现状
• 1.3 研究内容与创新点
• 1.4 论文的组织结构
• 第二章 聚类分析
• 2.1 聚类分析的基本概念
• 2.1.1 聚类定义
• 2.1.2 聚类算法的要求
• 2.2 相似性测度
• 2.2.1 距离
• 2.2.2 相似系数
• 2.3 聚类准则函数
• 2.4 聚类算法分类
• 2.4.1 划分的方法
• 2.4.2 层次的方法
• 2.4.3 基于密度的方法
• 2.4.4 基于网格的方法
• 2.4.5 基于模型的方法
• 2.5 本章小结
• 第三章 高斯混合密度模型及其参数估计
• 3.1 概率密度函数估计的方法
• 3.1.1 概率密度函数的参数估计
• 3.1.2 概率密度函数的非参数估计
• 3.2 高斯混合密度模型的基本概念
• 3.3 高斯混合模型的参数估计
• 3.3.1 不完全数据的问题
• 3.3.2 EM算法
• 3.3.3 基于EM的GMDM参数估计
• 3.4 模型选择
• 3.5 本章小结
• 第四章 基于GMDM的医学图像数据分布
• 4.1 GMDM表示医学图像数据分布
• 4.1.1 基于GMDM的医学图像数据分布描述
• 4.1.2 MIGMDM的构造
• 4.2 MIGMDM的分量数
• 4.2.1 准则函数确定MIGMDM的分量数
• 4.2.2 试探法确定MIGMDM的分量数
• 4.3 MIGMDM参数的初始化
• 4.4 EM算法估计医学图像高斯混合密度模型的参数
• 4.5 基于MIGMDM的医学图像聚类系统
• 4.5.1 MIGMDM的医学图像聚类系统
• 4.5.2 Bayes判别准则
• 4.6 本章小结
• 第五章 基于MIGMDM的医学图像聚类分析
• 5.1 医学图像预处理
• 5.2 聚类评价准则
• 5.3 基于MIGMDM的医学图像聚类
• 5.4 基于MIGMDM的医学图像聚类的改进算法
• 5.4.1 蚁群算法和蚁群聚类算法
• 5.4.2 基于蚁群聚类算法的聚类中心
• 5.4.3 基于蚁群的MIGMDM的医学图像聚类
• 5.5 基于加权MIGMDM的医学图像聚类
• 5.6 本章小结
• 第六章 总结与展望
• 6.1 论文总结
• 6.2 下一步工作
• 致谢
• 参考文献
• 附录一:读研期间发表和录用论文目录
• 附录二:读硕期间参与的项目目录