第1期 程显毅，等：改进的模糊C均值算法在医学图像分割中的应用 ·83 机选择的2只蚂蚁之间进行.还可以按概率P。(交 图5为利用本文的混合算法得到的图像分割结 叉概率)从整个蚁群随机地抽选一定数量的蚂蚁与 果，可以看出利用新的混合算法得到的分割图像轮 迭代最优蚂蚁之间进行交叉， 廓比较清晰，分割结果也很明显， 6)信息素全局更新， 随着蚂蚁的移动，各路径上信息量发生变化，经 过一次循环，各路径上信息量根据式(7)进行调整： Ta(t)=pT(t)(t-△t)+△T陆， △r&=Q/da (7) 式中：Q是一常量，表示蚂蚁完成一次路径搜索所释 放的信息素总量，然后计算新的聚类中心和样本点 (a)收缩期的左心室 (b)舒张期的左心室 到该新的聚类中心的距离。 图4FCM对左心室的分割结果 7)路径决策。 Fig.4 Segment results of left ventricle image using FCM 如果Pa（(t)≥Po,则x归并到：邻域，且令 m={Xld≤r,j=1,2,…,I, 其中，m:表示所有归并到：邻域的数据集合；否则， 计算下一个样本间加权欧氏距离。 m=名e 8)终止条件. (a)收缩期的左心室 (b)舒张期的左心室 计算D,=[三(-a)》P]以第i个聚类的 图5本文方法对左心室的分割结果 偏离误差及总体误差与总体误差8=名D,再判断 Fig.5 Segment results of left ventricle image using our method B≤e0是否成立.若成立，则输出聚类个数c;若不成 为了更直规地定量反应分割性能，对分割图像 立，则继续迭代 的敏感性、专一性和总体性能指标进行了统计， 4实验结果与分析 表1为统计结果。 表1医学图像分割性能对比 为了验证该混合算法的有效性和实用性，以处 Table 1 Performances of medical image segmented% 于扩张期和收缩期的左心室图像为例，分别用传统 指标 FCM方法 本文方法 的℃M聚类算法和提出的混合算法对图像进行分 敏感性 96.8 96.9 割研究.图3为左心室原始图像， 专一性 94.5 97.7 总体性能 97.4 97.7 5结束语 从实际应用的角度来讲，医学图像分割结果的 好坏直接影响对病人的诊断和治疗.传统的MC方 法存在聚类中心确定太随机，容易陷入局部极值的 (a)收缩期的左心室 (b)舒张期的左心室 缺点，使得分割图像的边界模糊.本文对FCM做了 图3左心室图原始图像 2点改进：一是将传统的遗传算法与蚁群算法分步 Fig.3 Left ventricle origin image 混合修改为在聚类的全过程混合；二是在蚁群算法 图4为采用传统的FCM聚类算法的分割结果， 中加入了拥挤度函数，实验表明改进的FCM方法对 可以看出在分割区域边界比较模糊，这是FCM聚类 医学图像分割得到了理想的效果.本文的分割图像 算法的局部收敛不足引起的， 都是基于二维的，对三维体数据图像直接进行分割