1.一种基于安全半监督聚类的医学影像分割方法,其特征在于,该方法具体包括以下步骤:步骤一:输入标记和未标记医学影像数据集;
输入医学影像数据集的标记样本子集:Xl=[x1,...,xl],对应的标签为yk∈{1,...,c},未标记样本子集:Xu=[xl+1,...,xn];
步骤二:对数据集进行FCM聚类,得到数据集的预测标签;
通过FCM聚类得到数据集的预测标签:使用Kuhn-Munkres算法将预测标签 映射为 使映射标签 与给定标签yk类别上保持一致;
步骤三:运用密度峰值聚类方法,通过未标记样本的局部密度以及与具有较高密度点的最小距离得到未标记样本的置信度,通过标记样本在相同标记样本簇中局部密度以及在与具有较高密度点的最小距离得到标记样本的置信度,并将置信度归一化;
未标记样本的局部密度:
其中,j=[1,2,...,n],k=[l+1,...,n],dist(k,j)是点xk与xj的欧式距离,dc为截断距离;
未标记样本与具有较高密度点的最小距离:而对于具有最大密度的数据点:
未标记样本置信度:γk=ρk/δk (4)未标记样本置信度归一化:
标记样本在相同标记样本簇中的局部密度:其中,jy=[1,2,...q],k′=[1,2,...,l],jy表示样本集中与标记样本点xk′标签相同的样本的集合;
标记样本在相同标记样本簇中与具有较高密度点的最小距离:而对于具有最大密度的数据点: 标记样本置信度:
标记样本置信度归一化:
步骤四:构造k-近邻局部图,目的是将置信度低的标记样本输出限制为邻近样本的输出;
构建标记样本的局部邻域图,则局部图边权W=[wk′r]n×n计算为:其中,Np(xk′)指xk′最近邻的p个数据,xk′为标记样本点,xr为近邻样本点,σ表示高斯核函数的宽度参数;
步骤五:将信息整合,构建目标函数;
目标函数如下所示:
限制条件如下:
步骤六:采用迭代优化方法求解优化问题;
通过最小化上述优化问题,可得到最优解;为了简化计算,将m值设定为2;本发明采用拉格朗日乘子法求解样本隶属度和聚类中心;
标记样本的隶属度:
其中,
未标记样本的隶属度uir:
其中,
聚类中心vi:
通过迭代计算得到最终的隶属度矩阵U和聚类中心V;当 或达到最大迭代次数时,迭代终止,其中t为当前迭代次数,η是设定的阈值;
步骤七:判定未标记样本的类别,实现医学影像的分割;
得到隶属度矩阵U后,依据隶属度最大原则去模糊化,得到未标记样本的类别,最后进行图像分割,取得结果。