基于ATMFCMC医学图像分割方法的颈椎病检测与分类
Spondylosis Detection And Classification Of Cervical Images Using ATMFCMC Based Medical Image Segmentation Methods
用机器学习算法对x射线图像颈椎病的检测(本质：分类)
摘要
在这项工作中，我们试图实现对x射线或ct扫描图像的分割来检测颈椎病。本工作用于实现机器学习算法对x射线图像颈椎病的检测。该任务是基于早期检测颈椎骨骼图像中的疾病，然后使用fcm分类器进行分类，寻找准确性参数。
方法
图像预处理
噪声总是影响生物医学图像的性能。有时在不改变所需信息的情况下去除各种噪声成为研究工作中一个较大的挑战。图像预处理通常涉及去除背景噪声;对单个粒子图像的强度进行归一化处理
阈值分割
阈值分割是最简单的分割方法之一。输入的灰度图像被转换成二进制格式。该方法基于阈值将灰度图像转换为二值图像格式。该技术依赖于阈值选择的基础。
归一化的图像
滤波主要用于去除图像中的噪声。不同类型的滤波技术被用于降低噪声，以获得更好的工作质量的图像。然后我们在第四步中使用一些过滤方法对图像进行过滤。中值滤波方法是在加了盐和杂波后进行的。它被去除使用几个滤波，以减少噪声的图像。
基于边缘的图像
使用canny边缘检测器来显示我们的图像的边缘在第五步的进展，发现canny边缘检测器是非常有用的这一目的。它是一种边缘检测算子，用于检测图像中广泛的边缘。它采用了多阶段算法。它几乎可以检测到图像中的每一个边缘。Canny算法可以在抑制噪声的同时识别边缘。
过滤后的图像
这里中值滤波用于去除图像中存在的其他噪声。它是一种非线性数字滤波方法，用于在预处理阶段降低噪声，提高处理效果。
形态学分割
本文采用形态学运算来获取形态学图像。侵蚀是形态运算中最简单的运算方式之一。它会导致元素变小。侵蚀只是简单地腐蚀掉前景的边界，从而导致那些像素较小的区域和那些区域的洞变成更大的[4]。在形态学运算[4]中，膨胀也是最简单的运算符。它主要用于二值图像，但也可以用于灰度图像。它使元素体积增大。该操作的结果将逐步增加前景像素的边界，因此区域的大小和洞在那部分变得更小。
Fuzzy-C-Means (FCM)
Fuzzy c-均值算法是以图像的像素值将图像分割成多个聚类区域，是一种常用的图像分割方法。模糊C均值是一种基于kmeans算法的模糊C均值算法。它是一种聚类方法，使数据集通过成员关系程度对每个单独的聚类具有一定的隶属度。它是由Dunn[17]提出的，即通过最小化权值产生最优值。