| 【中文题名】 | 基于自组织特征映射神经网络的医学图像分割 |
| 【英文题名】 | Medical Image Segmentation Based on Self-Organizing Map |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-11-6 |
| 【中关键词】 | 自组织神经网络,医学图像分割,小波变换,中值滤波,, |
| 【英关键词】 | Self-organizing Feature Map,Medical image segmentation,wavelet transformation,median filter, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 |
医学图像具有信息量大和无创伤等优点，在临床诊断方面已显示出独特的魅力。随着医学图像的三维重构、定量分析和可视化的需求越来越多，这些都需要更加精确的分割结果。因此，医学图像分割成为当前医学图像研究领域的一个热点。本文主要研究了神经网络技术在医学图像分割中的应用问题。
医学图像在成像时不可避免的受到噪声污染，从而影响图像分割的精度和结果，因此，去噪声算法研究是图像分割的必要前提。传统方法在去除噪声的同时，往往也会造成细节信息的损失，使得图像模糊。因此，本文提出了利用小波变换、中值滤波对含有高斯和脉冲混合噪声的医学图像进行去噪的一种新方法。实验结果表明：这种方法能够有效改善图像质量，较好地保持图像视觉效果，降低图像噪声。
Kohonen自组织特征映射(SOM)是一种二层的前馈竞争型学习网络，并且作为一种竞争型学习聚类算法广泛应用于医学图像图像分割中。然而，大多数的医学图像在不同组织的过渡区域常常存在灰度值交叠现象，因此，本文将模糊的方法和自组织特征映射相结合来克服这个问题。对于图像数据而言，领域像素间存在着较强的相关性。为了获得更加有意义的图像分割，我们提出了多尺度的、具有空间自适应性的模... |
| 【论文题纲】 |
|
摘要 |
5-7 |
|
ABSTRACT |
7-15 |
|
第一章:绪论 |
15-23 |
|
1.1 研究背景和目的 |
15 |
|
1.2 医学图像分割概念 |
15-16 |
|
1.3 医学图像分割的意义 |
16 |
|
1.4 医学图像分割技术的研究现状 |
16-17 |
|
1.5 医学图像分割方法综述 |
17-21 |
|
1.5.1 基于统计的分割方法 |
17-19 |
|
1.5.1.1 全局阈值分割技术 |
18 |
|
1.5.1.2 最佳阈值分割技术 |
18 |
|
1.5.1.3 自适应阈值分割技术 |
18-19 |
|
1.5.2 基于边缘的分割方法 |
19 |
|
1.5.3 区域增长分割技术 |
19-21 |
|
1.6 课题的提出 |
21-22 |
|
1.7 论文的研究范围和组织 |
22-23 |
|
第二章:医学图像的去噪 |
23-30 |
|
2.1 医学图像噪声的种类和模型 |
23-24 |
|
2.2 中值滤波 |
24-25 |
|
2.3 小波变换去噪 |
25-26 |
|
2.4 小波变换和中值滤波图像去噪算法 |
26-27 |
|
2.5 实验结果 |
27-29 |
|
2.6 本章小结 |
29-30 |
|
第三章:人工神经网络 |
30-47 |
|
3.1 生物神经元 |
30-32 |
|
3.2 人工神经网络 |
32-40 |
|
3.2.1 神经元模型 |
32-37 |
|
3.2.2 学习规则 |
37-38 |
|
3.2.2.1 Hebb学习规则 |
37 |
|
3.2.2.2 感知器学习规则 |
37-38 |
|
3.2.3 人工神经网络的互连模式 |
38-40 |
|
3.3 人工神经网络的应用 |
40-41 |
|
3.4 人工神经网络的发展历史及现状 |
41-43 |
|
3.5 常见的神经网络 |
43-46 |
|
3.5.1 BP网络 |
44 |
|
3.5.2 Hopfield神经网络 |
44 |
|
3.5.3 自组织神经网络 |
44-46 |
|
3.5.3.1 竞争学习的特点 |
45-46 |
|
3.6 本章小结 |
46-47 |
|
第四章 基于模糊SOFM的医学图像分割 |
47-62 |
|
4.1 模糊理论 |
47-48 |
|
4.1.1 模糊集基础 |
47-48 |
|
4.2 Kohonen神经网络 |
48-53 |
|
4.2.1 Kohonen神经网络的结构 |
49-51 |
|
4.2.2 kohonen算法 |
51-52 |
|
4.2.3 权值的调整 |
52-53 |
|
4.3 模糊自组织特征映射 |
53-56 |
|
4.3.1 模糊自组织特征映射网络 |
54 |
|
4.3.2 网络的结构 |
54 |
|
4.3.3 网络的学习 |
54-56 |
|
4.3.4 网络的回调 |
56 |
|
4.4 模糊自组织特征映射网络用于模糊医学图像分割 |
56-57 |
|
4.5 增强模糊自组织特征映射 |
57-59 |
|
4.6 实验结果及分析 |
59-61 |
|
4.7 本章小结 |
61-62 |
|
第五章 总结与展望 |
62-64 |
|
5.1 全文工作总结 |
62 |
|
5.2 展望 |
62-64 |
|
参考文献 |
64-67 |
|
致谢 |
67-68 |
|
攻读学位期间发表的学术论文目录 |
68 |
|
| 【DOI】 | LunWen.ID:2.2008.389196 |
