基于核化加权局部信息与改进Bregman散度的图像模糊聚类分割方法及其在脑MRI中的应用

针对医学图像分割中噪声干扰和复杂结构导致的精度不足问题，研究人员提出了一种融合核化加权局部信息与改进Bregman散度（MTBD）的图片模糊聚类（PFS）方法KWLI-TPFC。该方法通过多变量变异系数（MCV）理论构建局部模糊约束，结合非欧几里得距离度量，显著提升了脑MRI在瑞利噪声和混合噪声下的分割精度，实验显示其Dice分数等指标优于现有方法，为医学影像分析提供了鲁棒性更强的解决方案。

　　

医学影像分割是计算机辅助诊断的核心环节，但噪声干扰、非线性结构和组织边界模糊等问题长期制约其精度。传统模糊C均值（FCM）对噪声敏感，直觉模糊集（IFS）难以处理复杂不确定性，而深度学习方法依赖大量标注数据且缺乏可解释性。针对这些挑战，研究人员提出了一种创新性解决方案——基于核化加权局部信息与改进Bregman散度的图片模糊聚类（KWLI-TPFC）。

该研究由获得中国CSIR资助的Himanshi Lohit和Dhirendra Kumar团队完成，发表于《Computers in Biology and Medicine》。研究团队通过四项关键技术突破现有局限：首次将多变量变异系数（MCV）理论引入图片模糊集（PFS）构建局部空间约束；设计核化距离映射非线性特征；采用改进的总Bregman散度（MTBD）替代欧氏距离；开发权衡加权因子整合空间与模糊信息。实验使用Brainweb、IBSR等标准MRI数据集及合成噪声图像验证性能。

方法创新
研究通过高斯核函数将数据映射到高维空间解决非线性可分问题，利用MTBD的仿射不变性增强噪声鲁棒性。核心创新在于基于MCV的局部图片模糊信息度量，通过计算像素邻域的正/负/中立隶属度变异系数，动态调整空间约束权重。

实验结果
在添加5%瑞利噪声的脑MRI中，KWLI-TPFC的Dice分数达0.91，较传统FCM提高23%。对于混合噪声（高斯+椒盐噪声），其改进分区熵（MPE）指标优于对比方法15%。与ResNet34-LinkNet等深度学习模型相比，该方法在少量数据下仍保持稳定性。

临床价值
该方法成功区分了灰质（GM）、白质（WM）和脑脊液（CSF）的细微边界，在MRBrainS18挑战赛数据中平均体积差异（AVD）仅2.7%。Friedman检验证实其显著优于现有聚类算法（p<0.01），为阿尔茨海默病等脑部病变的定量分析提供了新工具。

结论与展望
该研究通过融合PFS框架与非线性距离度量，实现了噪声环境下的精准分割。未来可扩展至多模态影像融合，其开源代码（Google Drive可获取）将促进医学AI的可解释性研究。这项工作标志着模糊数学在影像分析中的范式转变，为开发轻量化诊断系统奠定了理论基础。