34、基于深度聚类方法的乳腺超声图像聚类分析及时间序列缺失值填充方法比较

基于深度聚类方法的乳腺超声图像聚类分析及时间序列缺失值填充方法比较

1. 乳腺超声图像聚类分析

在医学图像分析领域，乳腺超声图像具有数量大、数据源多和图像结构复杂等特点。为了对乳腺超声图像进行有效聚类分析，研究人员提出了多种方法。

1.1 相关技术概述

• 深度聚类 ：近年来，一系列深度聚类方法被提出，这些方法引入深度模型来学习主要特征表示，并利用这些隐藏表示来增强聚类性能。例如，深度聚类网络（DCN）包括降维和K - means聚类两个部分；深度嵌入式聚类（DEC）在深度堆叠自动编码器（SAE）中引入，通过预训练数据集优化特征提取模型，并基于KL散度提出了新的聚类目标函数。这些方法在传统算法之上显示出优越性，但在医学数据分析领域应用较少。
• 自动编码器 ：自动编码器是一种自监督学习的神经网络模型，包括编码和解码过程。通过比较输入样本和解码样本的相似性来进行训练。堆叠自动编码器的主要部分是全连接神经网络，有一个隐藏层来捕获输入样本的关键特征。常见的应用有欠完备自动编码器和去噪自动编码器。在本文中，采用欠完备自动编码器并使用重建损失函数，以便自动编码器在预训练阶段学习输入样本的基本特征。
• 改进的深度嵌入聚类（IDEC） ：IDEC可以通过编码器和解码器的预训练阶段初始化隐藏特征。预训练阶段后移除解码器，在微调阶段使用剩余的编码器来最小化目标函数：
  [L = L_r + L_c]
  其中，(L_r)和(L_c)分别是由均方误差（MSE）和KL散度定义的重建损失和聚类损失：
  [L_r=\