模糊的C-Means集群:对乳腺癌检测应用的审查
Daniel Krasnov1, Dresya Davis2, Keiran Malott1
1Department of Computer Science, Mathematics, Physics and Statistics, University of British Columbia, Kelowna, BC V1V 1V7, Canada.
Entropy (Basel, Switzerland)
|July 29, 2023
概括
这项研究使用改进的模糊c-means集群 (FCM) 提高了乳腺癌检测,用于乳房图像细分. 修改后的FCM算法,特别是基于Mahalanobis距离的FCM,提供了更准确的瘤轮和检测.
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:
- 乳腺癌的诊断依赖于乳房影像,但人类的解释引入错误,并且资源密集.
- 自动化乳房镜分析为传统检测方法提供了一个有前途的补充.
- 标准模糊c-means集群 (FCM) 由于欧几里德距离限制,与非球形瘤结构作斗争.
研究的目的:
- 审查模糊的c-means集群 (FCM) 和其基于Mahalanobis距离的变体 (FCM-M) 用于图像分割.
- 探索距离函数和中心点初始化的修改,以提高FCM性能.
- 开发和评估优化的FCM算法,用于乳腺瘤细分在乳房影像.
主要方法:
- 对模糊c-means集群 (FCM),使用Mahalanobis距离 (FCM-M) 的FCM和三个中心点初始化算法的审查.
- 这些算法用于图像细分任务的实施和比较分析.
- 为优化FCM算法开发一个Python包,用于GitHub发布.
主要成果:
- 中心点初始化算法显著提高了基本FCM的性能.
- 与Mahalanobis距离 (FCM-M) 的模糊c-means集群显示出与标准FCM相比更高的集群精度.
- FCM-M在乳房影像中提供了更精确的瘤结构概述.
结论:
- 优化的FCM算法,特别是适当初始化的FCM-M,提高了乳腺瘤细分的准确性.
- 对乳房影像进行增强的自动化分析可以帮助早期检测乳腺癌.
- 开发的Python包旨在使这些先进的细分工具可访问.
