基于自组织神经网络的超声心脏图象分割

摘要

@@ 0 引言rn多维超声心脏图象能够提供大量高质量的心脏结构和功能信息,是一种十分有效的诊断工具.然而,困难的图象获取、较差的图象质量,特别是分割中的交互式操作(手动分割)限制了它的发展和临床应用[1].图象分割是图象处理与模式识别等领域中十分重要且又十分困难的问题,它包括特征提取与模式特征分类两部分.传统的分类方法是采用K-means聚类方法[2],分割结果受初始聚类中心和样本空间的分布影响较大,很难取得较好的结果,往往需要根据经验选取初始聚类中心,不具有自适应性.本文采用T.Kohonen自组织特征映射神经网络[3]进行自适应聚类,分割结果与网络的初始状态无关,具有较强的保持拓朴结构不变的能力.