模糊的C-means集群算法应用于脑内出血患者的计算机断层扫描图像
Lintao Zhang1, Dewen Song1, Huiying Qiu2
1Neurosurgery, Jiaozhou City People's Hospital, Qingdao, Shandong, China.
Frontiers in neuroinformatics
|November 7, 2024
概括
这项研究改进了用于脑内出血 (ICH) 检测的模糊C-means (FCM) 算法,显示出比传统FCM更好的速度和准确性. 然而,卷积神经网络 (CNN) 对于复杂的医学图像分析仍然优越.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 脑血管疾病 脑血管疾病
背景情况:
- 脑内出血 (ICH) 是一种严重的脑血管疾病,需要精确的检测和细分.
- 目前的方法在ICH体积预测的精度和效率方面面临挑战.
研究的目的:
- 为了提高脑内出血 (ICH) 检测和细分的准确性.
- 为了比较一个改进的模糊C-means (FCM) 算法与传统的FCM和卷积神经网络 (CNN) 算法进行ICH体积预测.
主要方法:
- 开发和实施一个改进的模糊C-means (FCM) 算法.
- 使用CT-ICH数据集进行比较性能分析.
- 评估计算时间,资源消耗和准确性.
主要成果:
- 与传统的FCM相比,改进的FCM算法显示出更高的准确性和更少的计算时间和资源使用量.
- 与CNN算法相比,改进的FCM算法在特征提取,模型概括和处理复杂图像结构方面仍然存在局限性.
结论:
- 改进的FCM算法为ICH检测提供了一个可行的替代方案,与传统的FCM相比,性能更好.
- 需要进一步优化FCM算法,以匹配医疗图像分析中CNN的能力.
- 这项研究为人工智能驱动的医疗图像处理用于脑血管疾病的未来进展提供了基础.
