基于知识权重和集群中心学习的半监督模糊集群的应用,用于哺乳动物合金目标图像细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 乳房摄影对于诊断乳腺癌至关重要.
• 精确的细分病变在乳房影像有助于放射科医生和减少工作量.
• 获得大型的,标记的医学图像数据集是具有挑战性的,需要无监督或半监督的方法.

研究的目的:

• 开发一个先进的半监督模糊聚类算法,以改善乳房图像细分.
• 解决传统的无监督和半监督集群算法在处理复杂的乳腺造影数据方面的局限性.
• 为了提高乳房影像中细分大小病变区域的准确性.

主要方法:

• 开发了一个名为WSFCM_V的新型半监督模糊聚类算法.
• WSFCM_V 结合了知识权重和集群中心学习策略.
• 提出了三种学习模式:集群中心的知识权重,未标记样本的欧几里德距离权重,以及从标记样本集集群中心学习.

主要成果:

• 与现有的无监督和半监督集群算法相比,WSFCM_V算法在真实乳房图像上表现出更高的性能.
• 在比较实验中,WSFCM_V获得了最佳的评估指数值.
• 该算法显示,对于大损伤区域 (瘤) 和小损伤区域 (化) 的细分精度更高.

结论:

• 拟议的WSFCM_V算法显著提高了乳腺癌病变细分在乳房镜中的准确性.
• 通过利用先前的知识和增强的学习策略,WSFCM_V有效地克服了传统集群方法的局限性.
• 这一进步对放射科医生在更有效,更准确地诊断乳腺癌方面具有重要的临床价值.