×
朱、洪；何汉志；徐金辉；方、钱浩；王伟

基于果蝇优化和密度峰聚类的医学图像分割。 （英语） Zbl 1431.92112号

计算。数学。方法医学。 2018年，文章ID 3052852，11 p.（2018）.
摘要：在本文中，我们提出了一种新的医学图像分割算法，它将密度峰值聚类（DPC）与果蝇优化算法相结合，具有以下优点。首先，它避免了DPC需要在其决策图中人工选择参数（如簇数）的问题，从而可以自动确定其值。其次，我们的算法使用随机步长，而不是果蝇优化算法中的固定步长，这有助于避免陷入局部最优。第三，我们的算法利用图像熵值来选择截止距离和聚类中心，能够更好地捕捉图像的结构。在基准数据集和专有数据集上的实验表明，该算法能够自适应分割医学图像，具有更快的收敛速度和更好的鲁棒性。

MSC公司：

92 C55 生物医学成像和信号处理
90 C59 数学规划中的近似方法和启发式
第62页第10页 统计学在生物学和医学中的应用；元分析
62H30型 分类和区分；聚类分析（统计方面）

关键词：

医学图像分割；果蝇优化；密度峰聚类

软件：

ap集群；APC集群
PDF格式BibTeX公司 XML格式引用
\textit{H.Zhu}等人，计算。数学。方法医学2018，文章ID 3052852，11 p.（2018；Zbl 1431.92112）
全文： 内政部

参考文献：

[1] 拉鲁，R.T.H.M。；Defraene，G。；德鲁伊斯瑟，D。；兰宾，P。；van Elmpt，W.，《组织表征的定量放射研究：技术和方法程序综述》，《英国放射学杂志》，90，1070（2017）·doi:10.1259/bjr.20160665
[2] 佩雷拉，S。；平托，A。；阿尔维斯，V。；Silva，C.A.，在MRI图像中使用卷积神经网络进行脑肿瘤分割，IEEE医学成像学报，35，5，1240-1251（2016）·doi:10.1109/tmi.2016.2538465
[3] 哈瓦伊，M。；戴维，A。；Warde Farley，D.，深度神经网络脑肿瘤分割，医学图像分析，35，1，18-31（2017）·doi:10.1016/j.media.2016.05.004
[4] Litjens，G。；Kooi，T。；Bejinordi，B.E.，《医学图像分析深度学习调查》，医学图像分析，42，12，60-88（2017）·doi:10.1016/j.media.2017.07.005
[5] 瓦伦特，I.R.S。；科尔特斯，P.C。；Neto，E.C.，《CT图像中的自动3D肺部结节检测：一项调查》，《生物医学中的计算机方法和程序》，124，91-107（2016）·doi:10.1016/j.cmpb.2015.10.006
[6] 吴杰。；Gensheimer，M.F。；Dong，X.，《稳健的肿瘤内分区以识别肺癌高危亚区：一项初步研究》，《国际放射肿瘤学杂志》，生物学，物理学，95，5，1504-1512（2016）·doi:10.1016/j.ijrobp.2016.03.018
[7] 安妮莎，V。；Murugavalli，S.，使用带自适应分割技术的双层分类器进行脑肿瘤分类，IET计算机视觉，10，1，9-17（2016）·doi:10.1049/iet-cvi.2014.0193
[8] GeethaRamani，R。；Balasubramanian，L.，《利用图像处理和数据挖掘技术进行视网膜计算机图像分析的视网膜血管分割》，生物控制论和生物医学工程，36，1，102-118（2016）·doi:10.1016/j.bbe.2015.06.004
[9] Vishnuvarthanan，G。；拉贾塞卡兰，M.P。；Subbaraj，P。；Vishnuvarthanan，A.，《使用聚类方法进行磁共振脑图像中肿瘤识别和组织分割的无监督学习方法》，应用软件计算，38，190-212（2016）·doi:10.1016/j.asoc.2015.09.016
[10] 维什努瓦萨南，A。；拉贾塞卡兰，M.P。；戈文达拉，V。；Zhang，Y。；Thiyagarajan，A.，使用聚类和自然启发优化技术改进磁共振脑图像中肿瘤和组织分割的自动混合方法，应用软件计算，57，399-426（2017）·doi:10.1016/j.asoc.2017.04.023
[11] 廖，M。；赵永清。；Liu，X.Y.，使用图形切割和边界推进从腹部CT体积自动分割肝脏，生物医学中的计算机方法和程序，143，1-12（2017）·doi:10.1016/j.cmpb.2017.02.015
[12] J.拉尼。；库马尔，R。；Talukdar，F.A。；Dey，N.，《使用模糊c均值技术进行脑肿瘤分割：一项研究》，《工业应用应用热成像的最新进展》（2017年），宾夕法尼亚州好时，美国：IGI Global，宾夕法尼亚州好时，美国
[13] Kamali，T。；Stashuk，D.，使用扩散张量成像数据和新的基于密度的聚类算法自动分割白质纤维束，《医学中的人工智能》，73，14-22（2016）·doi:10.1016/j.artmed.2015.09.003
[14] 王，Q。；韩，Y。；Li，Q.，在原子力显微镜图像中分割重叠的纳米物体，《纳米光子学杂志》，12，1，1（2018）·文件编号：10.1117/1.jnp.12.016003
[15] 张伟。；张，X。；赵，J。；Qiang，Y。；田强。；Tang，X.，一种基于超像素和基于密度的应用程序空间聚类的肺结节图像序列分割方法，PLoS One，12，9（2017）·doi:10.1371/journal.pone.0184290
[16] 新南威尔士州拉贾。；费尔南德斯，S.L。；Dey，N.，使用Tsallis熵和区域增长分割进行对比度增强医学MRI评估，《环境智能与人性化计算杂志》，第1期，第1-12页（2018年）·doi:10.1007/s12652-018-0854-8
[17] Hore，S。；查克拉博蒂，S。；Chatterjee，S.，《使用基于堆栈的种子区域生长和阈值化进行图像分割的集成交互技术》，《国际电气与计算机工程杂志》，6，6，2773-2780（2016）·doi:10.11591/ijece.v6i6.11801
[18] 罗伊·P。；Goswami，S。；查克拉博蒂，S。；阿扎尔，A.T。；Dey，N.，《使用粗糙集理论的图像分割：综述》，《国际粗糙集与数据分析杂志》（IJRSDA），1，2，62-74（2014）·doi:10.4018/ijrsda.2014070105
[19] 弗雷，B.J。；Dueck，D.，通过在数据点之间传递消息进行聚类，《科学》，3155814972-976（2007）·Zbl 1226.94027号 ·doi:10.1126/science.1136800
[20] Ngan，T.T。；Tuan，T.M。；儿子L.H。；新罕布什尔州明市。；Dey，N.，《基于模糊聚合算子的牙科X射线图像医疗诊断决策》，《医疗系统杂志》，40，12，1-7（2016）·doi:10.1007/s10916-016-0634-y
[21] 儿子L.H。；Tuan，T.M。；Fujita，H.，《X射线图像牙科诊断：基于模糊计算的专家系统》，生物医学信号处理与控制，39，64-73（2018）·doi:10.1016/j.bspc.2017.07.005
[22] Kopriva，L。；Ju，W。；张斌，用于PET图像中肺部肿瘤自动三维描绘的单通道稀疏非负盲源分离方法，IEEE生物医学与健康信息学杂志，21，6，1656-1666（2017）·doi:10.1109/jbhi.2016.2624798
[23] 罗德里格斯，A。；Laio，A.，《通过快速搜索和发现密度峰值进行聚类》，《科学》，34461911492-1496（2014）·doi:10.1126/science.1242072
[24] Cheng，S。；Quan，T。；刘，X。；Zeng，S.，使用密度峰值聚类从3D图像中对触摸体进行大尺度定位，BMC生物信息学，17，1-12（2016）·数字对象标识码：10.1186/s12859-016-1252-x
[25] 朱，Z。；Chai，Y。；尹，H。；李毅。；Liu，Z.，一种新的多模态医学图像融合字典学习方法，神经计算，214471-482（2016）·doi:10.1016/j.neucom.2016.06.036
[26] Samanta，S.，使用布谷鸟搜索的基于多级阈值的灰度图像分割，电气、通信和信息技术新兴趋势国际会议论文集（ICECIT）
[27] 查克拉博蒂，S。；Chatterjee，S。；Dey，N.，海马显微图像分割中的改进杜鹃搜索算法，显微镜研究与技术，80，1011051-1072（2017）·doi:10.1002/jemt.22900
[28] 戴伊，N。；Ashour，A.S.，医学图像分割中的元神经算法：综述，应用元启发式计算的进展（2018），宾夕法尼亚州好时，美国：IGI Global，宾夕法尼亚州，美国
[29] 乔杜里，A。；萨曼塔，S。；Dey，N.，使用量子启发进化算法进行显微图像分割，《高级显微镜研究杂志》，10，3，164-173（2015）·doi:10.1166/jamr.2015.257
[30] 萨曼塔，S。；阿查吉，S。；穆克吉，A。；达斯，D。；Dey，N.，图像分割的蚂蚁权重提升算法，IEEE国际计算智能与计算研究会议（ICCIC）论文集，IEEE
[31] 薛，Y。；姜杰。；赵，B。；Ma，T.，基于全局最优的自适应人工蜂群算法用于全局优化，软计算，22，9，2935-2952（2018）·doi:10.1007/s00500-017-2547-1
[32] Bayindir，L.，《群体机器人任务综述》，神经计算，172292-321（2016）·doi:10.1016/j.neucom.2015.05.116
[33] Z.hedi，Z.M。；阿克巴里，R。；Shokouhifar，M。；Safaei，F。；Jalali，A.，集群无线传感器网络基于Swarm智能的模糊路由协议，应用专家系统，55，313-328（2016）·doi:10.1016/j.eswa.2016.02.016
[34] Pan，W.T.，一种新的果蝇优化算法：以财务困境模型为例，基于知识的系统，26，2，69-74（2012）·doi:10.1016/j.knosys.2011.07.001
[35] Wang，L。；刘，R。；Liu，S.，一种具有水平概率策略的高效果蝇优化算法及其应用，基于知识的系统，97，158-174（2016）·doi:10.1016/j.knosys.2016.01.006
[36] Si，L。；王，Z。；刘，X。；Tan，C。；刘，Z。；Xu，J.，基于改进果蝇优化算法的最小二乘支持向量机振动信号识别采煤机切割模式，Sensors，16，1，90-111（2016）·doi:10.3390/s16010090
[37] Macqueen，J.，《多元观测分类和分析的一些方法》，伯克利数理统计与概率研讨会论文集·Zbl 0214.46201号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。