1． 应用领域及技术原理：本项目应用于生物医学。研究了模糊聚类算法应用于医学数据处理中存在的问题：伪影问题、噪音问题和数据不均等。设计出来具有很好抗噪性和鲁棒性二型模糊聚类算法解决这些问题。 2. 性能指标： （1）利用区间二型模糊集设计出了二型模糊聚类算法，该算法将模糊指数视为区间二型模糊集，从而使得该算法具有抗噪性和鲁棒性。 （2）引入区间二型模糊集对医学信息处理是非常重要的，因为二型模糊集可以出来不确定信息、受污损的信息和受噪音严重干扰的信息。将该项目设计的二型模糊聚类新算法用于医学图像和数据取得了良好的效果。与一些常用的FCM算法相比，该算法对医学图像和医学数据的分割具有更好的抗噪性和鲁棒性，分割精度更高，能保持信息的特征不变，很好地解决了伪影和数据大小和密度相差悬殊问题。 3. 国外同类研究比较：目前尚未见国外有相关算法的报道。 4. 成果的创造性与先进性：本项目成果经查新，目前国内尚未见相关文献报道。具有一定的创造性和先进性。 5. 作用及意义：医学图像和数据的分割技术在疾病诊断和新药研发等领域有着非常重要的应用，但现在的分割技术对医学图像和数据性能差，存在伪影、数据不均和噪音问题。本项目的研究成果在一定程度上对以上这些问题作出了改进，必将会对医学图像和数据的分析作出一定的贡献。 6. 推广应用范围、条件和前景及存在问题、改进意见：可推广应用到医院和医药行业，进行疾病诊断和新药的研发，可带来比较理想的经济和社会效益。本项目成果还未试验海量数据，这是本课题组今后要做的工作。

1． 应用领域及技术原理：本项目应用于生物医学。研究了模糊聚类算法应用于医学数据处理中存在的问题：伪影问题、噪音问题和数据不均等。设计出来具有很好抗噪性和鲁棒性二型模糊聚类算法解决这些问题。 2. 性能指标： （1）利用区间二型模糊集设计出了二型模糊聚类算法，该算法将模糊指数视为区间二型模糊集，从而使得该算法具有抗噪性和鲁棒性。 （2）引入区间二型模糊集对医学信息处理是非常重要的，因为二型模糊集可以出来不确定信息、受污损的信息和受噪音严重干扰的信息。将该项目设计的二型模糊聚类新算法用于医学图像和数据取得了良好的效果。与一些常用的FCM算法相比，该算法对医学图像和医学数据的分割具有更好的抗噪性和鲁棒性，分割精度更高，能保持信息的特征不变，很好地解决了伪影和数据大小和密度相差悬殊问题。 3. 国外同类研究比较：目前尚未见国外有相关算法的报道。 4. 成果的创造性与先进性：本项目成果经查新，目前国内尚未见相关文献报道。具有一定的创造性和先进性。 5. 作用及意义：医学图像和数据的分割技术在疾病诊断和新药研发等领域有着非常重要的应用，但现在的分割技术对医学图像和数据性能差，存在伪影、数据不均和噪音问题。本项目的研究成果在一定程度上对以上这些问题作出了改进，必将会对医学图像和数据的分析作出一定的贡献。 6. 推广应用范围、条件和前景及存在问题、改进意见：可推广应用到医院和医药行业，进行疾病诊断和新药的研发，可带来比较理想的经济和社会效益。本项目成果还未试验海量数据，这是本课题组今后要做的工作。