研究目的
提出一种基于改进简化脉冲耦合神经网络(MSPCNN)的图像分割方法,该方法融合人类视觉系统(HVS)特性,以提高医学图像的分割精度并降低计算复杂度。
研究成果
提出的基于人类视觉系统刺激输入的MSPCNN方法,相比现有最先进技术实现了更高的分割精度和更低的计算复杂度——MIAS数据集OEM值为0.8784,DDSM为0.8606,胆结石为0.8585。未来工作将探索其在图像质量评估与增强领域的应用。
研究不足
该方法在处理非常复杂或噪声较多的医学图像时可能存在局限性,且参数设置依赖于Otsu阈值法,这可能并非适用于所有图像类型。计算效率仍有提升空间。
1:实验设计与方法选择:
本研究采用改进的简化脉冲耦合神经网络(MSPCNN)模型,其参数基于Otsu阈值法自动设置。引入相邻放电矩阵Q,根据人类视觉系统(HVS)原理确定刺激输入。
2:样本选择与数据来源:
使用来自乳腺图像分析学会(MIAS)数据库、筛查乳腺摄影数字数据库(DDSM)的医学图像,以及甘肃省医院的胆囊超声图像。
3:实验设备与材料清单:
配备英特尔酷睿i7-7700HQ处理器和8G DDR3内存的计算机,运行MATLAB R2014a软件。
4:实验步骤与操作流程:
通过计算归一化Otsu阈值、求解相邻放电矩阵Q、确定子强度范围参数Sint、利用韦伯-费希纳定律推导刺激输入Sioij,并应用MSPCNN进行图像分割。
5:数据分析方法:
采用均匀性(UM)、平均强度、标准差(STD)、区域重叠度(OV)、灵敏度(SEN)及综合评价指标(OEM)等评估分割精度。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容