K-means无监督机器学习算法在心脏CT图像分割中的应用

2019-03-14李彩红张慧娥申海杰

电脑知识与技术 2019年1期

李彩红张慧娥申海杰

摘要：随着医疗成像设备的发展研制，结合机器学习算法在医学图像处理中的应用，大大促进了医学图像处理的研究[5]，为医学病理的诊断提供了充足的依据。本文以 K-means 算法为基础，将心脏 CT 图像经过 K-means 算法处理得到聚类后的图像;在此基础上，选择实验中K-means 算法输出结果中灰度值的最大值作为阈值，利用阈值法实现心脏 CT 图像的分割。

关键词：机器学习;K-means阈值法

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2019）01-0212-02

机器学习通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。机器学习算法分监督算法、无监督算法、半监督算法。K-means 算法是一种经典的无监督聚类方法，具有强大的搜索力，该算法的主要思想是通过迭代把数据集划分为不同类别，使评价聚类性能的准则函数达到最优，从而使生成的每个聚类内部紧凑，类间独立[1]。

CT掃描技术是医生进行心脏疾病诊断的重要手段之一。CT 中心脏图像的分割是病变区域提取、特定组织测量以及实现心脏三维立体重建的基础。快速准确地实现心脏 CT 图像的分割是医学图像分割领域中的一个重难点。

近年来机器学习算法在医学图像处理中发挥着重要的作用，是医学图像处理的常用算法之一[2]。本文基于 K-means 算法，将原始心脏CT图像经过算法处理得到聚类后的图像，再用阈值法实现心脏图像的分割。

1 K-Means均值聚类算法

K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标。其原理为：首先随机选定初始点为距离中心，并通过计算每一个样本与距离中心之间的距离，找出最小距离把样品归入最近的聚类中心，接着，修改中心点的值为本类所有样品的均值，再计算各个样品到距离中心的距离，重新归类，直到距离中心不再改变。根据原理，可定义准则函数为：

[K=i=1kxj∈Si（xj-ui）2]

函数假设对象属性来自空间向量，并且目标是使各个群组内部的均方误差总和最小。假设有k个群组Si， i=1，2，...，k。ui是群组Si内所有元素xj的重心，或叫中心点。

算法思路：

输入：群组的数目k;包含n个对象的数据集D。

输出：k个簇的集合。

方法：

1）从D中任意选择k个对象作为初始中心;

2）重复选择;

3）根据群组中对象的均值，将每个对象指派到最相似的群组;

4）更新群组均值，即计算每个群组中对象的均值;

5）计算准则函数;

6）直到准则函数不再发生变化。