王志刚，冯云超，黄 灌

(湖南师范大学 信息科学与工程学院，长沙 410081)

近年来，脑肿瘤的发病率和死亡率正在逐年攀升，且患者多为恶性肿瘤，它对人类的生命健康造成了严重的危害[1].利用计算机技术准确获得脑肿瘤的尺寸和位置等信息，能够帮助医生作出准确的诊断[2]，同时，在手术定位、创建病情档案、建立肿瘤模型等方面也有重要作用[3].因此，将脑肿瘤图像从MRI 影像中准确地分割出来对脑部疾病的诊断具有重要的意义.

在临床中，通常由医生手动绘制脑肿瘤边界，这不仅需要医生掌握较多的专业知识，还会耗费大量的时间和精力，且分割结果易受主观因素的影响，可能会因医生水平的不同而出现明显的差异.因此，实现脑肿瘤图像的自动分割，一直是学者们研究的热点问题.

模糊C均值聚类(fuzzy c-means, FCM)算法是一种经典的图像分割算法，也是一种无监督的聚类分析方法，已被广泛应用于医学图像分割领域[4].但是，该算法对噪声较为敏感，且初始聚类中心随机确定，容易陷入局部极值，当不同类别样本特征差异较小时，聚类精度较差.为此，学者们进行了大量的研究和改进，祖志文等[5]使用粒子群算法初始化聚类中心，提高了算法的稳定性；Yang 等[6]提出一种基于核函数及空间邻域信息的模糊聚类算法，扩大了不同样本间的特征差异，提高了算法的抗噪性；王燕等[7]将核函数与马氏距离相结合，提出了KM-FCM 算法，增强了算法的噪声鲁棒性.

针对传统模……