本文選題：MR圖像 + 腦腫瘤分割��； 參考：《南方醫(yī)科大學(xué)》2014年碩士論文

【摘要】：腦腫瘤是指由致癌因素作用導(dǎo)致的腦部局部組織異常增生而形成的病變。腦腫瘤會(huì)對正常的腦組織構(gòu)成壓迫,使局部缺血變性,導(dǎo)致正常功能出現(xiàn)障礙。隨著腫瘤體積的增大,會(huì)引起腦積水和腦水腫,導(dǎo)致顱壓增高,影響患者呼吸心跳中樞從而導(dǎo)致病患死亡。在我國排名前十位的腫瘤病種的死亡率統(tǒng)計(jì)中,腦腫瘤以每10萬人死亡4人的死亡率排在第九位,死亡率較高,因此對人類和社會(huì)的危害巨大。 腦腫瘤的影像學(xué)資料作為貫穿腦腫瘤診斷與治療等一系列臨床操作過程的基礎(chǔ),具有十分重要的意義。在如今的幾大主要的醫(yī)學(xué)影像設(shè)備即X線、計(jì)算機(jī)斷層掃描(Computed Tomography, CT)、核磁共振成像(Magnetic Resonance Imaging, MRI)中,MR由于其無輻射傷害,軟組織分辨率高等優(yōu)點(diǎn)尤其適用于腦腫瘤的診斷與治療。在1938年核磁共振現(xiàn)象被發(fā)現(xiàn)之后,核磁共振技術(shù)經(jīng)歷了快速的發(fā)展并與1977年第一次應(yīng)用于人體掃描。歷經(jīng)30多年的發(fā)展,核磁共振成像裝置現(xiàn)已遍及各層次醫(yī)療機(jī)構(gòu),核磁共振成像已成為醫(yī)學(xué)影像學(xué)中最主要的檢查手段之一。利用MR檢查能夠在腫瘤出現(xiàn)的早期及時(shí)發(fā)現(xiàn)病變,為臨床醫(yī)生的診斷提供切實(shí)可靠的影像學(xué)信息,便于醫(yī)生針對病患指定有效的治療方案。在腫瘤的治療及預(yù)后階段,利用MR檢查還可以指導(dǎo)手術(shù)過程的進(jìn)行,測量腫瘤的體積及位置,為醫(yī)生帶來了許多便利,使腦腫瘤的診斷與治療更加方便、更加有效。但在現(xiàn)階段,腦腫瘤的分割一般由有經(jīng)驗(yàn)的醫(yī)生手工進(jìn)行,手工分割對醫(yī)生的專業(yè)知識及臨床經(jīng)驗(yàn)都有很高的要求,分割過程耗費(fèi)時(shí)間長,同時(shí)容易引入人為誤差,分割結(jié)果因人而異。因此,在臨床與科研的巨大需求之下,MR腦腫瘤圖像的自動(dòng)分割一直是近些年來的研究熱點(diǎn)。 但MR腦腫瘤圖像的自動(dòng)分割算法的研究一直以來都面臨著一些困難,這些困難主要包括：MR自身的成像原理與技術(shù)的限制；圖像采集過程中外部環(huán)境、設(shè)備本身和操作大員等因素的影響;腦組織本身的復(fù)雜結(jié)構(gòu)；不同個(gè)體間的巨大差異等。為了解決這些問題,研究者們從不同的方面著手,提出了許多相關(guān)的算法,主要包括：以微分算子和形變模型方法為代表的基于邊緣的分割方法；以閾值法和模糊聚類方法為代表的基于區(qū)域的分割方法；其他代表性的方法如圖譜法和基于分類器的方法等。 基于邊緣的分割方法的原理是因?yàn)閰^(qū)域邊緣上的像素灰度值的變化往往比較劇烈,所以可以通過檢測不同區(qū)域間的邊緣來解決圖像分割問題。微分算子法通過利用圖像的一階或二階導(dǎo)數(shù)在階躍邊緣和屋脊邊緣取值不同的特性來檢測圖像的邊緣,其方法實(shí)現(xiàn)簡單,邊緣檢測效果較好,是學(xué)習(xí)圖像處理過程中的必備方法。但由于邊緣檢測算子對噪聲十分敏感,對醫(yī)學(xué)圖像而言單純的依靠微分算子進(jìn)行圖像分割往往得不到滿意的結(jié)果。形變模型法通過內(nèi)力外力的結(jié)合作用使輪廓逐漸的靠近圖像邊緣從而得到分割結(jié)果,但形變模型方法嚴(yán)重依賴初始輪廓且容易陷入局部極值,因而應(yīng)用有限。 基于區(qū)域的分割方法的原理是將圖像上具有相同屬性的像素點(diǎn)歸類,依據(jù)像素點(diǎn)集合的相似性進(jìn)行圖像分割。閾值法是最簡單的基于區(qū)域的分割方法,通過設(shè)計(jì)不同的閾值選擇標(biāo)準(zhǔn)來滿足不同的分割需求,但醫(yī)學(xué)圖像尤其是腦部MR圖像因包含大量的不同組織且各組織相互之間存在著灰度范圍的重疊,因而閾值分割方法的效果不盡如人意。模糊聚類法將模糊數(shù)學(xué)理論引入聚類算法中,通過分配不同的隸屬度,在最小化類間相似性的同時(shí)使類內(nèi)的相似性最大化,從而判斷對象的歸屬類別最后完成分割。模糊聚類算法的缺點(diǎn)在于算法性能依賴初始的聚類中心,對醫(yī)學(xué)圖像而言該算法容易陷入局部極值,得不到全局最優(yōu)解。 圖譜法通過預(yù)先準(zhǔn)備好的圖譜,將帶分割圖像配準(zhǔn)到圖譜上從而完成分割。對醫(yī)學(xué)圖像來說,因?yàn)閳D像中的解剖結(jié)構(gòu)等知識是已知的,因而圖譜法可以通過有效的利用這些先驗(yàn)知識來完成分割。但圖譜法的結(jié)果受配準(zhǔn)精度的影響很大.同時(shí)由于病患的復(fù)雜性,如何構(gòu)建足夠充分的圖譜集也是研究者們面臨的大挑戰(zhàn)。 基于分類器的分割方法將分割問題看作像素點(diǎn)的分類問題,通過提取像素點(diǎn)的相關(guān)特征,利用分類器將像素點(diǎn)分門別類,由于分類器算法能夠有效利用圖像的高維特征,因而通過提高像素點(diǎn)具有的相關(guān)特征的辨別能力就能有效地提高圖像的分割精度,基于分類器的分割方法是近年來非常流行的一種方法。在基于分類器的分割方法中,像素點(diǎn)相關(guān)特征所具有的辨別能力的強(qiáng)弱直接影響著分割結(jié)果的好壞,如何提取有效的特征是分類器算法面臨的關(guān)鍵問題。 醫(yī)學(xué)圖像分割中最常使用的特征是灰度特征,因?yàn)獒t(yī)學(xué)圖像采集標(biāo)準(zhǔn)化程度高,允許圖像之間進(jìn)行直接的灰度比較。但在MR腦腫瘤圖像中,由于腫瘤區(qū)域的灰度分布與背景區(qū)域的灰度分布存在交疊,因此依靠單純的灰度特征難以有效地將腫瘤區(qū)域分割出來。同時(shí),無法提供空間信息也是灰度特征的不足之處。紋理特征主要描述圖像的平滑,稀疏等特性,如灰度共生矩陣可以作為像素點(diǎn)的有效特征,但該特征對較大的局部效果并不理想。同時(shí),由于腦腫瘤類型較多,并且不同類型腫瘤的紋理信息差異較大,因而傳統(tǒng)的紋理特征對腦腫瘤分割的作用有限。 針對傳統(tǒng)灰度特征辨別力不強(qiáng)缺乏空間信息,以及傳統(tǒng)紋理特征概括性較弱的不足,我們引入詞袋模型(Bag of Words, BoW)用于表達(dá)像素點(diǎn)的特征,詞袋模型在文本處理及計(jì)算機(jī)視覺領(lǐng)域都有著廣泛的應(yīng)用。詞袋模型將圖像看作視覺單詞的集合,所有的視覺單詞共同構(gòu)成了詞典。通過對圖像中每個(gè)像素點(diǎn)提取特征并對特征進(jìn)行量化,得到像素點(diǎn)在視覺詞典上的表示,并以此作為像素點(diǎn)的特征對像素點(diǎn)進(jìn)行分類從而完成對圖像的分割。由于視覺單詞即對相似的特征具有代表性又對不同的特征具有區(qū)分性,因而將詞典對像素點(diǎn)的表達(dá)作為特征可以提升特征的辨別能力。 MR圖像的預(yù)處理是進(jìn)行MR圖像腦腫瘤分割的必要步驟。由于MR成像原理本身的限制以及圖像采集過程中環(huán)境、設(shè)備、醫(yī)生和病人等各種因素的影響,導(dǎo)致生成的MR圖像質(zhì)量不佳,因此MR圖像需要經(jīng)過預(yù)處理才能用于圖像分割。圖像的預(yù)處理階段主要包括去噪、非均勻性校正、灰度歸一化和腦組織提取等步驟。在這些預(yù)處理步驟中,腦組織提取是最重要的一環(huán)。腦組織提取的常用算法包括BET算法、BSE算法、圖割法和基于分類器的方法等。 BET算法是可變曲面模型的經(jīng)典代表,它結(jié)合了形態(tài)學(xué)操作和基于圖像的作用力將輪廓點(diǎn)擴(kuò)張至腦組織邊緣,從而得到分割好的腦組織。邊界檢測技術(shù)中的BSE方法也是一個(gè)經(jīng)典算法,它將各向異性擴(kuò)散濾波器,Marr Hildreth邊界檢測算法和形態(tài)學(xué)操作結(jié)合起來,最后得到一個(gè)腦組織輪廓的掩膜。圖割法通過去掉與非腦組織之間的弱連接來得到腦組織。但以上這些方法都或多或少存在著過分割或欠分割比較嚴(yán)重的問題,基于此本文提出了基于AdaBoost分類器的腦組織提取方法。AdaBoost分類器通過不斷的訓(xùn)練,使分類器更多的關(guān)注較難分類的樣本,提升弱分類器的分類能力,再通過級聯(lián)的方式將弱分類器組合成強(qiáng)分類器。通過選擇有效的灰度特征、紋理特征及上下文特征,在由20副TI加權(quán)MR圖像組成的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),通過與BET、BSE和GCUT三種方法繼續(xù)對比,基于AdaBoost分類器的腦組織提取方法在分割精度上有了一定的提高。 MR圖像預(yù)處理完成后即開始基于詞袋模型的腦腫瘤的分割。利用詞袋模型進(jìn)行圖像分割一般分為三個(gè)步驟：1.特征提取和描述；2.構(gòu)建視覺詞典；3分類器分類。在第一個(gè)階段,本文選擇圖像塊特征作為像素點(diǎn)的特征描述子,圖像塊特征在兼顧像素點(diǎn)灰度特征與紋理特征的同時(shí),也能為像素點(diǎn)提供充足的上下文信息,因而有助于提高特征的辨別能力。在構(gòu)建視覺詞典的過程中,本文采用K-means聚類法對正常組織和病變組織的特征集進(jìn)行分別聚類,分別生成病灶區(qū)域詞典和背景區(qū)域詞典進(jìn)而組合得到最終的聯(lián)合視覺詞典,聯(lián)合詞典可以為特征提供相對空間位置信息,提高了詞典對像素點(diǎn)的表達(dá)能力。在分類器分類時(shí),本文采用滑動(dòng)窗口技術(shù),使目標(biāo)像素點(diǎn)的特征由其滑動(dòng)窗口內(nèi)的鄰域像素點(diǎn)特征來共同表達(dá)從而進(jìn)一步加強(qiáng)特征的辨別能力。最后利用邏輯回歸分類器完成訓(xùn)練和測試,經(jīng)過實(shí)驗(yàn),本文提出的基于詞袋模型的MR腦腫瘤圖像分割方法在100幅腦腫瘤MR圖像組成的數(shù)據(jù)集上進(jìn)行試驗(yàn),分割準(zhǔn)確率達(dá)到90.42%。 在本文最后對所做的工作做了小結(jié),同時(shí)對今后的工作做了一些展望。
[Abstract]:Brain tumor refers to a lesion formed by abnormal proliferation of local tissue in the brain caused by the action of carcinogenic factor . Brain tumor may form a compression to normal brain tissue , cause local ischemia and degeneration , cause disorder of normal function . With the increase of tumor volume , the brain tumor causes hydrocephalus and cerebral edema , resulting in the death of the patient . In the statistics of death rate of tumor at the top ten of our country , the death rate of brain tumor in every 100,000 people is ranked ninth , the mortality rate is high , so the harm to human and society is enormous .

MR imaging has become one of the most important methods in the diagnosis and treatment of brain tumors . After 30 years of development , MR imaging has become one of the most important methods in medical imaging .

However , the research of the automatic segmentation algorithm of MR brain tumor image has been faced with some difficulties , which mainly include : the imaging principle and technology limitation of MR .
The influence of external environment , equipment , operator and other factors in the image acquisition process ; the complex structure of brain tissue itself ;
In order to solve these problems , many related algorithms are put forward in order to solve these problems .
a segmentation method based on region represented by a threshold method and a fuzzy clustering method ;
Other representative methods , such as profiling and classifier - based methods , etc .

The principle of segmentation method based on edge is because the change of pixel gray value on the edge of the region is often violent , so it is possible to solve the problem of image segmentation by detecting the edge of different regions .

The principle of the segmentation method based on region is to classify the pixel points with the same attribute on the image , and image segmentation according to the similarity of the pixel set . The threshold method is the simplest region - based segmentation method .

According to the map method , the segmented images are registered onto the map to complete the segmentation by pre - prepared maps . For medical images , because the knowledge of the anatomical structures in the images is known , the spectrum method can accomplish segmentation by effectively utilizing these prior knowledge . However , the results of the spectrum method are influenced by the registration accuracy .

The segmentation method based on the classifier considers the segmentation problem as the classification problem of pixel points . By extracting the relevant characteristics of the pixel points , the classification accuracy of the image can be effectively improved by the classifier algorithm , and the segmentation method based on the classifier can effectively improve the segmentation precision of the image , and the segmentation method based on the classifier is a very popular method in recent years .

The most commonly used feature in medical image segmentation is the gray feature , because the medical image acquisition standardization degree is high , the direct gray scale comparison between images is allowed . However , because the gray distribution of the tumor region overlaps with the gray distribution of the background region , it is difficult to effectively divide the tumor region by the simple gray scale feature .

In this paper , we introduce the character of the word bag model ( Bag of Words , BoW ) in the field of text processing and computer vision . The word bag model can be regarded as the collection of visual words , and all the visual words form a dictionary .

The pre - processing of MR images is necessary for MR image segmentation . Because of the limitations of MR imaging principle and the influence of environment , equipment , doctor and patient in image acquisition , MR images need to be pre - processed for image segmentation .

In this paper , the method of brain tissue extraction based on AdaBoost classifier is presented in this paper .

The segmentation of brain tumors based on the word bag model is started after the MR image preprocessing is completed . The segmentation of the image by using the word bag model is generally divided into three steps : 1 . Feature extraction and description ;
2 . constructing a visual dictionary ;
in that proces of constructing a visual dictionary , the feature set of normal tissue and diseased tissue can be provide with sufficient context information by using K - means clustering method .

In the end of this article , we make a summary of the work done , and make some prospects for the future work .

【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：R739.41;R445.2

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 郭慶燕;楊賢棟;葉少珍;;一種提取MRI圖像感興趣區(qū)域的分割方法[J];福州大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年04期

2 阮萍;核磁共振成像及其醫(yī)學(xué)應(yīng)用[J];廣西物理;1999年02期

3 陳凱;肖國強(qiáng);潘珍;李正浩;;單尺度詞袋模型圖像分類方法[J];計(jì)算機(jī)應(yīng)用研究;2011年10期

4 桑林瓊;邱明國;王莉;張靜娜;張曄;;基于統(tǒng)計(jì)閾值的腦腫瘤MRI圖像的分割方法[J];生物醫(yī)學(xué)工程研究;2010年04期

5 李拴強(qiáng);馮前進(jìn);;統(tǒng)一計(jì)算設(shè)備架構(gòu)并行圖割算法用于肝臟腫瘤圖像分割[J];中國生物醫(yī)學(xué)工程學(xué)報(bào);2010年05期

，

本文編號：1797662