基于聚类的分割方法属于无监督的人工智能分割方法, 聚类分析较传统医学图像分割方法, 具有无监督性、高效性和自适应性。但由于医学图像的成像原理复杂, 成像过程中易受场偏移效应、组织运动等因素影响, 容易出现模糊、不均匀等特点。
K-均值聚类
K-均值聚类又称K-means算法。K-均值算法属于硬划分, k对分割效果影响大, k值选取不当, 容易造成过分割或欠分割。
优化算法,基本可以归类为初始聚类中心的选择、k值选择、对于离群点和孤立点敏感等方面。结合空间区域信息, 解决组织灰度分布不准确、边缘模糊等问题。
FCM算法
模糊C-均值算法, 即FCM算法 (Fuzzy C-means) , 其存在人为选取初始聚类中心, 聚类中心一旦选取不当达不到预期分割效果。
基于密度的聚类算法
基于密度的聚类算法主要以数据集在空间密度上的分布情况进行聚类, 与基于距离的聚类算法的不同之处在于前者可以不受噪声干扰发现任意形状的聚类, 适合于对未知内容数据集进行聚类。
AP算法
仿射传播 (Affinity Propagation, AP) 聚类算法。该算法与K-均值聚类算法一样, 都是基于划分的聚类算法, 目的是找到所有类代表点 (exemplar) , 使得各数据点到类代表点的相似度之和最大。AP算法通过构造相似度矩阵S, 基于消息传递机制, 自动找到最优的聚类中心, 得到聚类结果。AP算法的显著优势在于不需要事先指定聚类数目, 但计算量大时间复杂度高。
网友评论