改进的分段主成分分析算法及其在前列腺分割中的应用

-精选财经经济类资料- -最新财经经济资料-感谢阅读- 1 改进的分段主成分分析算法及其在 前列腺分割中的应用 摘 要： 主成分分析（PCA）作 为形状建模中的经典算法，在训练阶段 考虑训练样本的整体信息，而忽略了样 本的局部细节信息。分段主成分分析 （MPCA）针对 PCA 的不足改进了算法， 在人脸识别应用中获得了比传统 PCA 更好的识别效果。但在 MPCA 中样本 一般都被划分为同样大小的子样本块， 没有考虑到实际的样本局部动态变化信 息。这里根据初始样本的方差信息对 MPCA 算法进行改进，将样本划分成尺 寸大小不一的多类样本（分段样本） ， 然后分别对分段样本做主成分分析，得 到原始样本的分段 PCA 模型。将该模 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 2 型应用于前列腺超声图像分割实验，结 果表明其分割效果优于传统的 PCA 算 法和 MPCA 算法。 中国论文网 /8/view-12830437.htm 关键词： 医学超声图像分割； 先验形状； 分段样本； 分段主成分分 析； 前列腺图像分割； 信息提取 中图分类号： TN911.73?34； TP391.4 文献标识码： A 文章编号： 1004?373X（ 2018）13?0061?04 Abstract： The whole information of the training samples is considered in the training stage， but the local detailed information is ignored in principal component analysis （PCA） ， which is regarded as a classical algorithm of shape modeling. The modular PCA （MPCA） can make up for the deficiency of PCA， and obtain better recognition results than the conventional PCA in the application of face recognition， but in MPCA， the training example is generally divided into -精选财经经济类资料- -最新财经经济资料-感谢阅读- 3 subsamples with the same size， and the local dynamic variation information of the practical sample isnt considered. On the basis of the variance information of the initial information， the MPCA algorithm is improved， and the sample is divided into segmented samples with different size. The PCA is performed for the segmented samples to get the MPCA model of the initial sample. The model was applied to the segmentation experiment of prostate ultrasonic image. The experimental results show that the proposed algorithm is superior to the classical PCA and modular PCA algorithms. Keywords ： medical ultrasonic image segmentation； prior shape； segmented example； modular PCA； prostate image segmentation； information extraction 0 引 言 超声图像分割能够为负责诊断和 治疗疾病的医师提供患者精确且全面的 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 4 各种定量分析数据，并以此作为依据展 开相关的医疗工作。但是，由于医学超 声图像的成像原理和器官组织本身的特 性差 ，导致得到的医学超声图像与 普通图像相比，不可避免地具有模糊、 不均匀性等特点1。因此，在超声图像 的分割中必须要加入待分割对象的先验 知识才能保证分割的正常进行2。 主成分分析（Principal Component Analysis，PCA）法是先验 形状建模中的一种经典算法3，它采用 线性变换方法寻找一组最优的正交向量 基，通过它们的线性组合来重构原始样 本，并使得重构后的样本和原样本的均 方误差最小4，因此被国外学者率先运 用于先验形状建模。PCA 通常将整个训 练样本作为操作对象，主要考虑样本的 全局特征，且样本中的各个分量被同等 对待，由此忽略了样本的局部细节。为 解决该问题，一些学者提出改进的 PCA 模型5?8。文献7 提出通过使用权值矩 阵将待加强信息的比重提高来突出原始 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 5 样本中的微小信息；Rajkiran Gottumukkal 提出将 MPCA（Modular Principal Component Analysis）算法用于 人脸识别，可以有效地提取图像中重要 的局部信息。MPCA 与传统 PCA 相比， 在局部细节信息方面的效果会更好6， 但是，该算法还很少被用于形状建模， 且在分块时，一般将原始样本划分成同 样大小的多块子样本8?9，这虽然能在 提取细节特征方面起到一定效果，但更 为理想的方式是根据样本不同部分的变 化程度将样本动态地划分为不同大小的 分块，使得所建的先验模型能更好地表 达目标的形状信息。 基于上述分析，本文提出一种改 进的分块主成分分析（Improved Modular Principal Component Analysis，IMPCA ）方法并用于图像目 标的形状建模，且将该先验形状模型在 前列腺超声图像中进行分割实验。实验 结果表明，所提出的 IMPCA 方法的分 割效果要优于 MPCA 方法和传统的 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 6 PCA 方法。 1 MPCA 算法 MPCA 算法的基本思想是将图像 划分成同样尺寸的多块子图像，比如 mn大小的原始图像U，将被划分为 PQ块同样大小的子图像矩阵，即： 表 1 是分e 采用三种不同先验 模型得到的定量分析结果。 4 结 语 MPCA 在提取目标的局部特征信 息方面比传统的 PCA 更为理想，但是 均匀分块则