基于密度峰值搜索的脑纤维快速聚类算法

发布时间：2024-04-02 19:28

　　弥散张量成像为人类大脑白质结构无创检测提供了良好的前景,但是这类方法往往会产生庞大且难以理解的纤维数据集,如何对纤维集合进行有效地可视分析是临床研究中的重要问题。为解决该问题,采用动态时间规整算法,该算法通过拉伸和压缩两时间序列将其整合成同一长度然后计算最短折叠路径距离作为其相似距离,并将其扩展用于脑纤维相似性测量并得到快速且准确的结果。相似度是纤维聚类的唯一信息来源,纤维相似度矩阵的计算占据主要的计算时间,对密度峰值搜索算法进行改进,在连续聚类框架中对脑纤维进行聚类。最后通过实验证明这种连续聚类方法在满足聚类精度要求的同时能显著降低计算复杂度。

【文章页数】：6 页

【部分图文】：

图3-8快速密度峰值搜索聚类去除噪声效果图

图3-8快速密度峰值搜索聚类去除噪声效果图图3-8给出了本文基于快速密度峰值搜索的脑纤维聚类算法的去除噪声效果图。由图可知，本文聚类方法具有较强的处理噪声和异常值的能力，可以在不影响纤维集群主体结构显示的同时去除噪声和异常纤维带来的视觉干扰。3.5本章小结本章针对脑神经....

图4-3DBSCAN、快速密度峰值搜索和连续聚类框架算法聚类效果对比图

浙江工业大学硕士学位论文图4-3给出了本文基于连续聚类框架的聚类算法和快速密度峰值搜索聚类、DBSCAN聚类的脑纤维聚类效果实验结果图。由图可知，本文的聚类方法可以根据不同的纤维空间结构对纤维数据进行聚类，较快速密度峰值搜索聚类、DBSCAN聚类能取得与其相当的聚类效果。

本文编号：3946089