《基于物联网的肺癌预测模型的模糊聚类分割与分类》------论文笔记

**目的：**基于物联网的肺癌预测模型的模糊聚类分割与分类方法识别肺癌区域
**方法：**本文提出了一种新的基于物联网(物联网)的预测模型，采用基于模糊聚类的增强和分类方法对肺癌进行连续监测预测，并通过提供医疗指导来改善健康状况。本文采用基于过渡区域提取的模糊聚类方法对图像进行有效分割。此外，采用模糊C均值聚类算法对肺癌图像的过渡区域特征进行分类。本文采用Otsu阈值法从肺癌图像中提取过渡区。此外，还采用了正确的边缘图像和形态学细化操作来提高分割性能。此外，在边缘肺癌图像上进行形态学清理和图像区域填充操作，以获取目标区域。此外，我们还提出了一种新的增量分类算法，它结合了现有的关联规则挖掘(ARM)、标准决策树(DT)和时态特征以及CNN。实验利用数据库采集的标准图像和通过物联网设备采集的现有健康数据进行了实验。结果表明，与现有的预测模型相比，本文提出的预测模型具有更好的预测精度。
主要贡献本文提出了一种新的基于物联网(物联网)的肺癌疾病预测模型，该模型利用受影响的医学图像作为预测系统的实时应用。此外，本文件的主要贡献如下：
1.提出了一种新的图像转换方法，用于进行有效的预处理和分类。
2.介绍了一种新的肺癌图像分割算法。
3.采用一种具有时间特征的模糊C均值聚类算法对肺图像进行分组。
4.使用卷积神经网络进行有效预测。
5.提出了一种新的基于时间特征的增量分类算法，将ARM和DT与时间特征相结合，用于肺图像的分类。
6.利用医学数据集和通过物联网设备采集的病人实时数据进行各种实验。
7.对本文提出的模型进行了性能测试实验。

系统体系结构

该系统的结构如图所示。它由图像数据库、物联网设备、用户界面模块、预处理模块、聚类模块、分类模块、决策管理器、规则管理器和时态管理器组成。所选择的肺图像存储在图像数据库中。这些图像将由用户界面模块收集，该用户接口模块在输入的肺图像中具有足够数量的像素。用户界面模块已经从物联网设备中收集了必要的医疗输入，如血压、血糖水平和心脏搏动细节。此外，将所有的肺图像转发到预处理模块中，用于对输入的肺图像进行预处理以进行分类。该预处理模块由RGB到HSV图像转换、过渡区域识别、分割、特征提取、细化操作和清洗操作等六个子模块组成。预处理模块在此阶段结束时提供分割图像.预处理后的图像可以发送到分类模块，用于对图像进行分类。该聚类模块采用现有的具有时间特征的模糊c-均值聚类算法，有效地对预处理后的肺图像进行分组。分类模块还包括关联规则挖掘和决策树分类器两个子模块。该模块负责对预处理后的肺图像进行判断，判断所给的预处理图像是正常的还是疾病影响的。
决策管理器对体系结构进行总体控制，能够对预处理模块、活动和分类模块进行决策。决策管理器可以直接从用户界面模块中收集所需的输入图像。它根据规则库中可用的规则执行分类过程。此外，它还与时间管理器进行通信，以便对所提出的模型中的分类过程进行决策。
预前处理
1.基于局部方差的图像特征提取方法
本文从原始医学图像中提取局部方差特征，进行有效的图像分类。提取区域后面的局部方差特征是图像区域具有较高的方差。一般情况下，它包含图像区域的边缘，而与其他边缘区域相比，同质区域的方差较小。为了n × n具有中心像素x(k，l)的局部邻域，可以利用该方程提取局部方差特征。(1):

其中(k，l)表示n × n它是局部的，子图像f和f表示灰度，这也是邻居的平均值。
2.基于模糊C均值聚类的肺图像过渡特征提取
从现有聚类方法中提取过渡特征的局部特征。现有的聚类方法用于查找不同像素之间的相似性，或者用于查找图像特征空间中不同结构的像素集群。此外，它还在一组同质像素中分割来自输入图像特征空间的一组像素。
现有的FCM用于为一组特征寻找具有“p”和模糊聚类的图像分区。fj ∈ R,  j=1，2，…，C最小化成本函数。

这里U=[Ui, j]是一个模糊划分矩阵，Ui, j∈[1，∞]是j的隶属系数THi中的图像对象TH集群。在这里，这个词M=[m1、…。mp]是一个集群中心矩阵。此外，这个词m∈[1，∞]也被指出为一个模糊化参数，它使用称为欧氏距离的标准距离度量，该度量是在区域间计算的。xj和mi。提出的基于模糊聚类的过渡特征方差分割算法的步骤如下：
a)初始化变量(如m、c和小正整数)的适当值。ε.
b)随机选择时间间隔T1和T2的簇中心。
c)假设变量t=0。
d)计算分块矩阵的模糊值t在时间间隔T1和T2期间=0。
e)更改值t>0和模糊划分矩阵u。

在本文中，e值为0.00001。这里，在聚类过程中考虑了这三个组。此外，本文还将图像特征作为三个不同的聚类。
3. 分类
本文提出的增量分类算法选择了图像数据中的任意一条规则，能够有效地将其样本集划分为一个类别或另一个类中的子集数。利用过渡区域、范围、形态区域、像素等输入图像特征作为项集，计算过程决策的信息增益值。选择归一化信息增益值最高的特征进行决策。
增量分类算法
传统的分类方法主要采用关联规则挖掘或决策树分类等方法，而本文提出的方法则采用时态关联规则和决策树相结合的特征进行医学图像分类。该方法利用分割后的输入图像和过渡特征对医学图像进行决策。最后给出了肺癌图像的正常图像和疾病影响图像的分类结果。
结果与讨论

图形3给出了利用现有聚类算法模糊c-均值聚类算法进行分割的分割图像。

图形4提出的基于模糊c均值聚类的肺图像分割算法结合了过渡特征、形态学特征提取、基于过渡的特征提取、细化和清洗操作，实现了肺图像的分割。

本文采用混合时间分类算法对基于FCM的图像分割方法进行了性能评价，该方法结合了过渡特征和特征提取两种方法对肺图像进行决策。该评价过程采用了均方误差(MSE)、峰值信噪比(PSNR)、真正(TP)、真负(TN)、假阳性(FP)和假阴性(FN)等多种性能指标。所有这些性能指标都用于显示肺图像的质量。用EQ测量了模型的效率。(5), (6)和(7).

对所提出的预测模型和已有的预测模型和分类器的性能进行了评价。在这里，我们已经考虑了300张图像来进行各种实验。图形5从真正、假阳性和预测精度三个方面进行了性能分析。

从无花果。5实验结果表明，在真正、假阳性和预测精度等五个性能指标中，所提出的模型的性能是一致的。这是由于利用时间特征和基于过渡区域的特征提取和FCM对图像进行有效的分割，从而对图像进行有效的预测。

利用灵敏度、特异性和准确性等指标对预测模型的性能进行了评价。对所提出的预测模型与现有的预测方法进行了比较分析。图形6在敏感性、特异性和准确性的基础上进行比较分析。这一对比分析也被认为是进行实验的300例肺图像。

从无花果。与FCM模型和增强FCM模型相比，该模型在灵敏度、特异性和预测精度等方面均取得了较好的效果。该模型预测精度达到85%，现有模型预测精度分别为81.68%和82.67%。这是由于采用了基于FCM的分割、基于过渡区域的特征提取、利用过渡特征进行细化和清洗操作。

图形7展示了基于物联网的医疗保健应用的比较分析。在这里，我们已经考虑了基于物联网的医疗保健系统和现有的医疗保健系统。在这里，我们考虑了两个评估指标，如MSE和PSNR的准确性。

与现有的基于物联网的医疗保健应用相比，本文提出的基于物联网的医疗保健应用具有更好的性能。这是因为使用有效的分割和分类技术对标准肺癌图像数据集和远程肺癌患者收集的物联网数据进行有效决策。
实验结果
实验结果表明，与现有模型相比，该模型在预测精度上具有较高的效率。该模型的预测精度达到85%，比现有模型的预测精度高出2%以上。在这一方向上的未来工作可以是引入模糊粗糙集理论对肺癌图像进行决策。