1.一种基于变分自编码器的医学图像聚类方法,其特征在于,包括如下步骤:S1、待聚类医疗图像提出聚类请求;
S2、对所述待聚类医疗图像进行预处理形成预处理图像;
S3、根据所述预处理图像的像素大小构建基于变分自编码器的聚类模型,并设置所述变分自编码器的损失函数对所述聚类模型进行训练;
S4、调节聚类类别个数,并重复所述步骤S3;
S5、比较计算获得最佳的聚类类别数及聚类结果;
S6、展示最终聚类结果。
2.根据权利要求1所述的基于变分自编码器的医学图像聚类方法,其特征在于,所述待聚类医疗图像为原始医学图像数据。
3.根据权利要求2所述的基于变分自编码器的医学图像聚类方法,其特征在于,所述预处理包括图像像素大小调整统一及数据归一化处理。
4.根据权利要求3所述的基于变分自编码器的医学图像聚类方法,其特征在于,所述图像像素大小调整统一为选取所需的所述待聚类医疗图片中像素最大的图片作为基准矩阵,其余的所述待聚类医疗图片按照基准矩阵在空白处补零处理;所述数据归一化处理为将所有像素点均除以255,保证所有数据取值范围在[0,1]之间。
5.根据权利要求1所述的基于变分自编码器的医学图像聚类方法,其特征在于,所述步骤S3为选取卷积神经网络作为变分自编码器的编码器和解码器,选取已知数据所述预处理图像、隐变量及其类别的联合分布的相对熵作为所述变分自编码器的损失函数,聚类模型的训练选取Adam优化算法求解损失函数的最小值。
6.根据权利要求5所述的基于变分自编码器的医学图像聚类方法,其特征在于,所述步骤S5比较计算获得最佳的聚类类别数及聚类结果为使用轮廓系数 来评价聚类效果的好坏,所述轮廓系数 的计算由以下公式决定:其中,n是所有数据的个数,i是数据点指所需聚类的任意一张所述预处理图像,z代表隐变量,评价时以初始所述预处理图像经所述变分自编码器计算出的与之对应的隐变量作为其聚类特征,Sz(i)为数据点i的轮廓系数,a(i)为数据点i对应的隐变量zi到所有其属于的簇中其他点的距离的平均值,b(i)为数据点i对应的隐变量zi到各个非本身簇的所有点的距离平均值的最小值,对于距离的计算为采用欧式距离公式计算所得。