目的:探讨多参数MRI栖息地影像区分乳腺癌人表皮生长因子受体2（HER2）不同表达状态的价值。方法:该研究为横断面研究。回顾性分析2018年8月至2023年7月在汕头大学附属第二医院经病理证实的86例原发性浸润性乳腺癌的临床及影像资料。患者均为女性，年龄33~74（51±10）岁。患者均接受乳腺MRI检查，包括T 1WI、T 2WI、扩散加权成像和动态增强MRI。应用模糊C均值聚类算法对所有病灶的血管外细胞外间隙容积比（V e）、速率常数（K ep）、容积转运常数（K trans）及表观扩散系数（ADC）图进行聚类分析，从而将乳腺癌病灶内部分割成不同的栖息地亚区。以每个亚区中K trans、K ep的平均值量化血流灌注水平和每个亚区中ADC、V e的平均值量化细胞增殖水平，同时计算每个病灶每个亚区占整个病灶体积的百分比。采用Mann-Whitney U检验比较各栖息地亚区体积占比在不同HER2表达水平之间的差异。采用受试者操作特征曲线和曲线下面积（AUC）评价有统计学意义参数诊断HER2状态的效能。 结果:86例浸润型乳腺癌患者中，HER2阳性27例，HER2阴性59例；其中HER2阴性患者中，HER2低表达37例和HER2零表达22例。栖息地1、2、3亚区体积占比在HER2阳性与阴性患者中的差异均有统计学意义（ Z=2.90、 P=0.004； Z=-2.04、 P=0.042； Z=-2.19、 P=0.029），其预测HER2阳性表达的AUC值分别为0.696、0.638和0.648。栖息地2亚区体积占比在HER2低表达与零表达患者间差异有统计学意义（ Z=2.85、 P=0.004），其预测HER2低表达及零表达的AUC值为0.724。 结论:栖息地1亚区体积占比区分HER2阳性与阴性患者，栖息地2亚区体积占比区分HER2低表达与零表达患者效能较好，对于筛选HER2靶向治疗的潜在候选者具有重要临床意义。

目的:提出一种基于高斯核函数的差分隐私模糊C均值聚类算法(DPFCM_GF),旨在优化大数据背景下医疗数据分析和挖掘带来的数据隐私安全问题,为数据隐私保护提供理论基础.方法:针对随机初始化模糊C-均值隶属度矩阵降低算法精度问题,采用最大距离法确定初始中心点,使用聚类中心点的高斯值计算隐私预算分配比率,并添加拉普拉斯噪声以完成差分隐私保护,构建DPFCM_GF.收集整理美国加州大学欧文分校机器学习存储库的心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集对DPFCM_GF有效性进行验证,收集2019年1月1日至2022年12月31日淮安市第二人民医院收治的756例胃癌和肺癌患者病例数据集,对DPFCM_GF的可用性进行验证,并将分析结果与模糊C均值聚类算法(FCM)以及差分隐私模糊C均值聚类算法(DPFCM)进行对比分析.结果:对于心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集,DPFCM_GF和DPFCM的最优聚类效果与FCM聚类效果相当;相较于DPFCM,DPFCM_GF迭代时间更快,聚集速度显著,差异有统计学意义(t=4.01、4.71、4.01、12.38,P<0.05).对于肺癌和胃癌数据集,随着隐私预算ε的增大,DPFCM_GF正确识别率逐渐聚集于91.9%和93.9%,受试者工作特征(ROC)曲线下面积(AUC)值分别为0.79和0.81;当隐私函数ε为0.1、0.5、1和2(ε＜3)时,DPFCM_GF聚类效果显著优于DPFCM,且聚类效果更佳,差异有统计学意义(x2=12.25、87.12、68.58、7.76,P<0.05;x2=4.74、43.51、42.47、4.89,P<0.05).结论:DPFCM_GF是一种有效保护医疗数据隐私的方法,同时也可进行数据分析和挖掘任务,具有一定的研究意义和研究前景.

目的 针对数据隐私泄露的风险,提出一种基于高斯核函数的差分隐私技术联合聚类算法.通过对医疗数据的处理和保护,旨在提供一种保证医疗数据隐私安全的解决方案.方法 通过介绍医疗数据在机器学习过程中隐私暴露的问题以及差分隐私技术原理、差分隐私模糊C均值聚类算法(Differential Privacy Fuzzy C-means Algorithm,DPFCM)和基于高斯核函数的差分隐私模糊C均值聚类算法(Differential Privacy Fuzzy C-means Algorithm Based on Gaussian Kernel Function,DPFCM_GF)的构建过程,采用最大距离法确定初始中心点,使用聚类中心点的高斯值来计算隐私预算分配比率,使用拉普拉斯噪声完成差分隐私保护.通过收集整理心脏病、乳腺癌、甲状腺疾病、糖尿病的公开数据对各算法进行验证.结果 DPFCM_GF和DPFCM对不同数据集的聚类效果随隐私预算的增加逐渐改善.DPFCM_GF限值隐私预算分别为1.31、0.85、0.66、1.75,相对DPFCM减少了41.78%、50.29%、53.52%、38.38%,具有较快的收敛迭代速度,增幅差异具有统计学意义(P<0.05).结论 在医疗数据分析中,DPFCM_GF在一定程度上能够保护医疗数据的隐私,同时可提供具有较高准确性的聚类结果,具有潜在的应用前景和市场价值.

目的 采用模糊C均值聚类算法和改进的CC双聚类算法,对中医治疗过敏性紫癜性肾炎(Henoch-Sch?nlein purpura nephritis,HSPN)用药剂量进行数据挖掘,并结合中医理论,分析数据挖掘结果.方法 检索CNKI、万方数据库、维普中文期刊服务平台、中国生物医学文献数据库,自建库至2022年8月26日关于中医治疗HSPN的文献资料,提取其中的药物方剂.首先,使用模糊C均值聚类算法创建药物的大剂量、中剂量、小剂量隶属矩阵,将所有药物剂量进行分类,再结合改进的CC双聚类算法挖掘中医治疗HSPN关键药物的组分信息.结果 共纳入中医治疗HSPN处方387则,其中包括药物 174味,高频药物(频次≥30次)38味,高频药物组合 10组,常见药物剂量组合有大剂量水牛角、生地黄配小剂量小蓟(2∶2∶1);小剂量连翘配伍小剂量金银花(1∶1);大剂量当归配伍中剂量黄芪(1∶2)等,以清热解毒、疏散风热、益气活血药为主.结论 经改进的CC双聚类算法联合模糊C均值聚类算法,可以从众多的方剂数据集中挖掘出关键的药物组分,并根据药物的剂量大小进行区间划分,具有高效率数据挖掘的特点,可为HSPN中医临床治疗提供一定参考.

针对宫颈癌智能化筛查系统需要从阴道镜图像中分割出宫颈区域的问题,提出一种改进的k均值与高斯混合模型相结合的图像分割方法.首先根据宫颈区域的代表性颜色和其距离图像中心点的距离,构造出待分类的数据集;其次通过对宫颈区域代表性颜色的重新计算,一种使待分类数据集可随着迭代的进行而动态调整的规则被加入到k均值算法中,使得k均值算法适用于多种光照环境下的目标图像分割;最后利用k均值的聚类结果,初始化高斯混合模型的参数,并得到最终的分割结果.75套来源于不同成像条件下的宫颈图像上的实验结果显示,该方法的平均分割精度达到65.1％,比采用基本k均值算法进行初始化的高斯混合模型算法高出5.5％,比模糊C均值聚类算法高出5.8％,比基本高斯混合模型算法高出8.5％;其均方差达到11.5％,与水平集算法相比降低5.6％.实验结果证明,该方法在阴道镜视野下的宫颈区域分割中是行之有效的.

本文针对人脑CT图像的出血病灶区域,提出了一种改进的模糊C-均值(Fuzzy C-Means,FCM)算法进行颅脑内出血病灶的分割.首先对颅脑CT图像进行预分割,通过左右扫描算法和中值滤波算法将颅内结构从源CT图像中提取出来;然后对预分割而得到的颅内结构,利用在目标函数和隶属度函数中分别添加空间信息的改进FCM聚类算法进行出血病灶提取.通过对CT颅脑图像和添加椒盐噪声的CT颅脑图像进行病灶分割,结果显示本文算法对噪声不敏感,可以准确分割出出血病灶.

目的 本文提出一种新颖的基于模糊C均值聚类分割算法,并运用于MR脊柱图像分割.方法 首先采用各向异性扩散滤波器对MR脊柱原始图像进行预处理,其次采用核密度估计方法确定模糊C均值聚类的初始聚类中心值;然后采用模糊C均值聚类算法初步分割图像,最后运用形态学操作从肌肉背景中提取脊椎图像.并选用Dice系数和Hausdorff距离评估分割质量.结果 比较不同算法的MR脊柱分割图像,定性分析显示模糊C均值聚类算法对图像边缘保存完整,定量评估结果表明模糊C均值聚类算法能获得最大的Dice相似性系数和最小的Hausdorff距离.结论 模糊C均值聚类算法是一种可行的MR脊柱分割算法,较其他算法具有更好的鲁棒性和精确性.

针对模糊C均值(FCM)聚类算法初始聚类中心选择的随机性和噪声的敏感性等问题,提出一种基于改进空间模糊聚类的图像分割算法来分割人脑DTI图像.使用局部密度核函数和中心距离函数精确选取初始聚类中心,不仅可以解决因聚类中心随机选取造成的聚类效果不稳定的问题,而且还可以使目标函数迅速收敛,提高分割效率;通过将正态分布空间信息融入模糊隶属度函数,能减小图像噪声以及人为因素对分割结果的影响.用该方法与FCM、SFCM方法对人脑DTI数据进行分割,以评价算法的聚类效果.实验对美国明尼苏达大学生物医学功能成像与神经工程实验室提供的58例DTI数据、3例FA参数图像以及6例迭加过噪声的人脑DTI图像进行分割,结果表明:该算法分割系数最高,可达到0.984 1;在同一图像中,该算法在划分系数上比FCM最高提升20.2％,并且在划分熵上比SFCM最高下降19.8％;该算法目标函数平均迭代次数为32,较FCM的52次与空间FCM的76次有明显降低.实验证明,该算法能够准确、快速地分割出重要目标,且对图像噪声不敏感.

目前对高噪声的MRI医学图像还没有较好的分割算法.在研究加强模糊C均值聚类(EnFCM)算法的基础上,提出一种改进算法.首先通过字典学习算法进行降噪,然后利用聚类有效性确定最佳聚类数目,最后利用改进EnFCM算法完成分割.实验表明,该方法能够实现自动分类功能,达到了有效分割高噪声MRI医学图像的目的.

目的 针对宫颈癌筛查中需要从荧光宫颈图像和白光宫颈图像中检测出荧光图像中的多生暗区问题,提出一种基于灰度比值和水平集算法的分割方法 .资料与方法 首先对白光和荧光图像进行配准;然后通过k均值聚类算法从白光图像中分割出宫颈区域,并获得对应位置的荧白光的比值图像;最后在比值图像的基础上利用水平集方法实现多生暗区的分割.对宫颈区域的分割结果进行统计,以Jaccard Index (JI)为标准再次对3种方法(分别为基于配准图像的水平集算法的分割、基于无配准图像的水平集算法、基于配准图像的模糊C均值模糊聚类分割方法 )的分割结果 进行统计.结果 采用基于配准图像的水平集算法的分割得到的平均敏感度比不做配准的水平集算法平均敏感度提高了13.32％,平均特异度提高了14.36％;比常用的模糊C均值聚类算法平均敏感度高了15.31％,并且平均特异度提高了14.40％.当采用JI精度指标时,基于配准图像的水平集算法比其他两种方法的平均精度分别高10.80％和18.19％.结论 基于配准图像的水平集算法在荧光宫颈图像多生暗区的检测中是一种更为理想的分割方法.