目录
1.算法概述
EM算法的E是,Expectation,指的是期望;M代表的是Max。就如这个算法的名字本身所表现的那样,EM算法分两步走,E步骤和M步骤。在正式讲EM算法之前,我们先来考虑一个GMM的例子。现在我们有一堆数据样本,已知它们是从混合高斯分布中采样得到的,我们的目标是根据这些数据点,对高斯模型中的参数进行估计,或者是进一步,估计完了高斯的参数,我们来判断一个样本点属于某个高斯分布的概率是多少。由于我们所拥有的信息仅仅只有数据样本点和模型,因此可以用极大似然法来进行计算。所谓极大似然法的理念,就相当于说,我不知道模型具体是怎么样的,但是我知道它生成的数据被我观测到了,在这里就是我所拥有的样本点,那么这些样本点一起出现的概率,要高于其他组合的可能性,也即是,已经发生的情况,是最可能发生的。用数学语言来说就是,最大化概率 P(X|θ) ,其中 X 就是我们所拥有的样本,而 θ 是模型的所有参数。
所谓医学图像分割,就是根据医学图像的某种相似性特征(如亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等)将医学图像划分为若干个互不相交的“连通”的区域的过程,相关特征在同一区域表现出一致性或相似性,而在不同区域表现出明显的不同,也就是说在区域边界上像素存在某种不连续特性。
1、医学图像分割:是医学图像处理与分析领域的复杂而关键的步骤,其目的是将医学图像中具有某些特殊含义的部分分割出来,并提取相关特征,为临床诊疗和病理学研究提供可靠