本文關(guān)鍵詞：結(jié)合MRI多模態(tài)信息與3D-CNNS特征提取的腦腫瘤分割研究

  更多相關(guān)文章： 多模態(tài) 卷積神經(jīng)網(wǎng)絡(luò) 特征提取 混合核函數(shù) 腫瘤分割

【摘要】：腦腫瘤是指起源于顱內(nèi)各組織的原發(fā)性腫瘤及從顱外其他部位轉(zhuǎn)移到顱內(nèi)的繼發(fā)性腫瘤,又分為良性腫瘤和惡性腫瘤,是常見(jiàn)病,危害大,致殘、致死率高。神經(jīng)上皮腫瘤(又稱(chēng)膠質(zhì)瘤)是發(fā)病率很高的一種腦腫瘤,約占40%。腦腫瘤不僅會(huì)引起頭痛、惡心、嘔吐等癥狀,且及有可能引起精神異常、視力下降甚至失明等癥狀。近年來(lái)腦腫瘤的治療手段有著飛速的發(fā)展,但其死亡率一直居高不下。目前檢查腦腫瘤的影像手段主要有核磁共振成像MRI(Magnetic Resonance Imaging)和計(jì)算機(jī)斷層掃描(Computed tomography, CT),其中核磁共振成像能夠提供多參數(shù)、高分辨率、高品質(zhì)的圖像,組織對(duì)比度高,能對(duì)大腦的解剖結(jié)構(gòu)進(jìn)行準(zhǔn)確地描述,是當(dāng)前醫(yī)學(xué)圖像分析領(lǐng)域的研究熱點(diǎn)之一,也是腦腫瘤診斷的重要輔助手段,對(duì)腦腫瘤的診斷、治療及手術(shù)引導(dǎo)具有重要的意義。為了充分利用圖像中的解剖信息,為臨床診斷提供量化、直觀的參考,首先必須精確的對(duì)腦腫瘤進(jìn)行分割。目前臨床上主要依賴(lài)專(zhuān)家的手動(dòng)分割,專(zhuān)業(yè)性強(qiáng),不同專(zhuān)家對(duì)同一病人的分割難以達(dá)到統(tǒng)一,同一專(zhuān)家不同時(shí)刻對(duì)同一病人的分割結(jié)果都不盡相同。手動(dòng)分割工作繁瑣,可重復(fù)性差,使用計(jì)算機(jī)實(shí)現(xiàn)對(duì)腦腫瘤的精確分割,是人們長(zhǎng)期以來(lái)所追求的目標(biāo)。然而,由于腦腫瘤形狀多變、結(jié)構(gòu)復(fù)雜以及灰度不均勻,腦腫瘤邊界多伴有水腫存在,且各個(gè)模態(tài)強(qiáng)調(diào)不同的信息,例如：FLAIR模態(tài)中腦白質(zhì)對(duì)比度較低,但腫瘤區(qū)域與正常組織對(duì)比度明顯增強(qiáng),有利于腫瘤顯示,由于消除了腦脊液的影響,對(duì)腦室旁及凸面或腦溝的腫瘤顯示更為清楚；T1C(T1增強(qiáng))能比較清晰顯示大腦組織結(jié)構(gòu),且邊界紋理特征明顯等。由于個(gè)體生理性差異及病理性差異等,不同病人的同一模態(tài)圖形信息特征也大不相同。如何使用計(jì)算機(jī)輔助分割MRI腦腫瘤,以得到理想結(jié)果,仍是一個(gè)急需解決又困難重重的問(wèn)題。近年來(lái),國(guó)內(nèi)外都有大量學(xué)者對(duì)腦腫瘤MRI圖像分割進(jìn)行研究,這些方法大致可以分為基于閾值、基于區(qū)域、基于像素分類(lèi)器、基于模型以及其他分割方法等。其中基于閾值的分割方法由于方法過(guò)于簡(jiǎn)單,通常在腦腫瘤分割的前期工作中出現(xiàn)；基于區(qū)域的分割方法主要有區(qū)域生長(zhǎng)、分水嶺等,其優(yōu)點(diǎn)是簡(jiǎn)單、易于實(shí)現(xiàn),對(duì)紋理清晰、灰度單一的圖像有好的連通分割結(jié)果,缺點(diǎn)是易受局部灰度不均和噪聲的影響,陷入過(guò)分割；基于模型的分割方法如參數(shù)形變模型(Parametric Deformable Models)和水平集(Level Sets),以其適應(yīng)解剖結(jié)構(gòu)的多變性而受到廣大關(guān)注,缺點(diǎn)是不能對(duì)復(fù)雜的邊界進(jìn)行很好的分割,且計(jì)算代價(jià)高。基于像素分類(lèi)器的方法能夠充分利用每一個(gè)像素的鄰域灰度信息和局部紋理等特征,例如模糊C聚類(lèi)(Fuzzy C Means,FCM)、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)、馬爾科夫隨機(jī)場(chǎng)(Markov Random Fields,MRF)、支持向量機(jī)(Support Vector Machines,SVM)等。由Vapnik等人提出的基于統(tǒng)計(jì)學(xué)習(xí)理論的SVM綜合考慮期望風(fēng)險(xiǎn)和經(jīng)驗(yàn)風(fēng)險(xiǎn),具有小樣本、非線性、克服維數(shù)災(zāi)難及泛化能力強(qiáng)等獨(dú)特優(yōu)勢(shì),是腦腫瘤分割中應(yīng)用最為廣泛的像素分類(lèi)器。其核函數(shù)巧妙的引入,能夠?qū)崿F(xiàn)非線性判別及分類(lèi),諸多學(xué)者將其用于圖像分割領(lǐng)域,是腦腫瘤MRI圖像分割中一種常見(jiàn)的方法,其主要缺點(diǎn)是參數(shù)的改變對(duì)分割結(jié)果影響很大,算法時(shí)間復(fù)雜度長(zhǎng),空間復(fù)雜度高。本文重點(diǎn)研究基于SVM分類(lèi)的腦腫瘤分割方法。基于像素的MRI腦腫瘤分割方法一直以來(lái)是研究的一大熱點(diǎn)。研究?jī)?nèi)容主要針對(duì)特征提取、特征選擇和分類(lèi)器設(shè)計(jì),好的特征提取能使得分類(lèi)器的工作變得簡(jiǎn)單。特征提取按方法主要分為統(tǒng)計(jì)方法、模型方法和信號(hào)處理方法,其各有優(yōu)勢(shì)和不足。統(tǒng)計(jì)方法簡(jiǎn)單,易于實(shí)現(xiàn),對(duì)小圖像具有一定的優(yōu)勢(shì),但其對(duì)全局信息的利用不足,與人類(lèi)視覺(jué)模型脫節(jié)；模型方法能夠兼顧紋理局部的隨機(jī)性和整體上的規(guī)律性,具有很大的靈活性,不足是模型系數(shù)難以求解,參數(shù)調(diào)節(jié)不方便；信號(hào)處理方法善于捕捉紋理的細(xì)節(jié)信息,能同時(shí)在空間和頻域上表現(xiàn)紋理特征,然而小波分解往往忽視高頻信息,不善于提取非規(guī)則紋理特征。MRI的不同模態(tài)圖像能提供不同的紋理邊界信息,由于個(gè)體差異,不同病人同一模態(tài)所表現(xiàn)的特征信息也大不相同。由上可見(jiàn),沒(méi)有一種特征提取方法適合所有MRI腦腫瘤的分割。由Yam LeCun等人提出的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNNs)是有監(jiān)督深度學(xué)習(xí)方法的一種,已在眾多領(lǐng)域取得巨大的成功,如圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理。CNNs通過(guò)對(duì)原始輸入數(shù)據(jù)進(jìn)行循環(huán)卷積下采樣,以有監(jiān)督訓(xùn)練的方式獲取卷積權(quán)重,最終實(shí)現(xiàn)直接從原始輸入中提取有利于分類(lèi)的特征,圖像識(shí)別中的特征表現(xiàn)為紋理、形狀、結(jié)構(gòu)等,但是由于CNNs需要多次卷積與下采樣,輸入對(duì)象通常是一幅圖像,鄰域值(卷積尺度)較大,并不適用于細(xì)節(jié)紋理豐富、變化多樣的MRI腦腫瘤圖像特征提取。本文結(jié)合MRI多模態(tài)信息,將CNNs擴(kuò)展到3D,由多個(gè)模態(tài)共同構(gòu)成3D的原始數(shù)據(jù),用3D卷積模板提取有利于分割的特征,并將提取到的特征通過(guò)支持向量機(jī)(SVM)分類(lèi)器實(shí)現(xiàn)分割。首先,引入CNNs作為MRI腦腫瘤分割的特征提取方法,有監(jiān)督的方法使得分類(lèi)特征是根據(jù)不同病人的差異信息自動(dòng)生成,克服了無(wú)監(jiān)督特征提取方法只對(duì)某類(lèi)特征具有針對(duì)性的缺點(diǎn)；其次,將2D-CNNs擴(kuò)展到多模態(tài)3D-CNNs,三個(gè)方向同時(shí)獲取紋理信息,不僅解決了2D-CNNs原始輸入需要大鄰域的缺點(diǎn),同時(shí)能更好的提取各模態(tài)之間的差異信息,實(shí)現(xiàn)適應(yīng)范圍更廣的MRI腦腫瘤分割。在基于SVM像素分類(lèi)器的腦腫瘤分割方法中,研究主要針對(duì)特征提取和選擇,直接運(yùn)用單一徑向基(RBF)核SVM進(jìn)行分割�；趩我缓撕瘮�(shù)SVM雖然能獲得比較好的結(jié)果,但對(duì)于腫瘤周?chē)嬖诘乃[部分,腫瘤邊界模糊的腦部MR圖像,分割結(jié)果仍有待進(jìn)一步提高,以達(dá)到最終臨床應(yīng)用的目的。為彌補(bǔ)單核SVM的不足,本文首次提出將混合核函數(shù)SVM應(yīng)用于MR圖像腦腫瘤分割�；旌虾撕瘮�(shù)由Smits等人于2002年首次提出,通過(guò)局部核函數(shù)和全局核函數(shù)的加權(quán)組合,能同時(shí)保證SVM的學(xué)習(xí)能力和泛化性能,其性能優(yōu)于單一核函數(shù),并在人臉識(shí)別和掌紋識(shí)別中得到廣泛應(yīng)用。而腦腫瘤形狀、大小、位置多變等,惡性腫瘤邊界模糊不清,相對(duì)于單一核函數(shù),經(jīng)典混合核函數(shù)并不能使分割結(jié)果得到很好的改善,卻增加了待優(yōu)化參數(shù)的個(gè)數(shù),使得混合核函數(shù)在腦腫瘤分割得不到應(yīng)用。本文提出一種改進(jìn)的混合核函數(shù),將同是由神經(jīng)網(wǎng)絡(luò)演化而來(lái)的RBF局部核函數(shù)和Sigmoid全局核函數(shù)組合,并且擴(kuò)大混合核函數(shù)的權(quán)重系數(shù)。首先,權(quán)重系數(shù)的擴(kuò)大增大了新映射空間中各樣本點(diǎn)的距離,消弱了懲罰因子C的影響,使得參數(shù)尋優(yōu)的過(guò)程中可以固定懲罰因子C,以減少待尋優(yōu)參數(shù)；其次,權(quán)重系數(shù)的擴(kuò)大改變了SMO算法中的修正因子,從計(jì)算上影響了支持向量的選取,以得到更優(yōu)的分類(lèi)間隔,間接優(yōu)化了支持向量機(jī)分類(lèi)器,最終提高腦腫瘤的分割精度。因此本文提出的關(guān)鍵技術(shù)包括：(1)多模態(tài)3D-CNN特征提取方法；(2)自適應(yīng)加權(quán)混合核函數(shù)方法。(1)多模態(tài)3D-CNNs特征提取方法。針對(duì)目前MRI腦腫瘤分割中的無(wú)監(jiān)督特征提取方法無(wú)法適應(yīng)腦腫瘤圖像的差異性,提出一種基于多模態(tài)3D卷積神經(jīng)網(wǎng)絡(luò)(CNNs)特征提取的MRI腦腫瘤分割方法。將2D的多模態(tài)MRI圖像組合成3D原始特征,通過(guò)3D-CNNs提取特征,更有利于提取各模態(tài)之間的差異信息,去除各模態(tài)之間的冗余干擾信息,同時(shí)縮小原始特征鄰域大小,以適應(yīng)同一病人不同圖像層腫瘤大小的差異變化,進(jìn)一步提高M(jìn)RI腦腫瘤的分割精度。實(shí)驗(yàn)結(jié)果證明,本文方法能適應(yīng)不同病人各模態(tài)之間的差異性和多變性,以提高腦腫瘤的分割精度。(2)自適應(yīng)加權(quán)混合核函數(shù)。首先,構(gòu)造自適應(yīng)加權(quán)混合核函數(shù),實(shí)現(xiàn)自適應(yīng)調(diào)節(jié)新映射空間中樣本點(diǎn)的距離,改變序列最小優(yōu)化(SMO)過(guò)程中的修正因子,以消弱懲罰因子的影響,改變拉格朗日乘子的取值,優(yōu)化支持向量的選取,進(jìn)而獲得更優(yōu)的分類(lèi)界面,提高SVM的分類(lèi)能力。然后,首次提出將混合核函數(shù)SVM應(yīng)用于腦腫瘤分割中,該混合核函數(shù)由最優(yōu)局部核函數(shù)(徑向基核函數(shù))和全局核函數(shù)(Sigmoid核函數(shù))自適應(yīng)加權(quán)組合而成,同時(shí)保證了核函數(shù)的學(xué)習(xí)能力和泛化性能；實(shí)驗(yàn)結(jié)果表明,該方法能更高效準(zhǔn)確地分割腦腫瘤。本文以在線圖像庫(kù)MICCAI2012中22例真實(shí)腦膠質(zhì)瘤病人圖像數(shù)據(jù)作為實(shí)驗(yàn)樣本,采用本文算法實(shí)現(xiàn)腦腫瘤MRI圖像的腫瘤分割。以臨床專(zhuān)家分割結(jié)果為依據(jù),對(duì)本文方法分割結(jié)果進(jìn)行定量分析,實(shí)驗(yàn)證明本文方法的分割準(zhǔn)確率達(dá)到91.29%,相較于目前方法,分割進(jìn)度明顯提高,從而說(shuō)明了本文方法的有效性和實(shí)用性。
【關(guān)鍵詞】：多模態(tài) 卷積神經(jīng)網(wǎng)絡(luò) 特征提取 混合核函數(shù) 腫瘤分割
【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：R739.41;R445.2;TP391.41
【目錄】：

• 摘要3-7
• ABSTRACT7-16
• 第一章 緒論16-23
• 1.1 課題背景及研究意義16-21
• 1.1.1 課題背景16-20
• 1.1.2 研究意義20-21
• 1.2 本文研究?jī)?nèi)容和論文框架21-23
• 1.2.1 研究?jī)?nèi)容21-22
• 1.2.2 論文框架22-23
• 第二章 腦腫瘤圖像特征提取方法23-31
• 2.1 紋理特征23-28
• 2.1.1 統(tǒng)計(jì)方法23-24
• 2.1.2 信號(hào)處理方法24-27
• 2.1.3 模型方法27-28
• 2.2 基于圖譜先驗(yàn)知識(shí)的特征28-29
• 2.3 基于對(duì)稱(chēng)性的特征29-30
• 2.4 本章小結(jié)30-31
• 第三章 多模態(tài)3D-CNNs特征提取方法31-51
• 3.1 卷積神經(jīng)網(wǎng)絡(luò)理論31-36
• 3.1.1 全連接的反向傳播算法31-33
• 3.1.2 卷積神經(jīng)網(wǎng)絡(luò)33-36
• 3.2 多模態(tài)3D-CNNs特征提取36-39
• 3.2.1 多模態(tài)3D-CNNs模型36-37
• 3.2.2 多模態(tài)3D-CNNs特征37-39
• 3.3 基于多模態(tài)3D-CNNs特征提取的MRI腦腫瘤分割39-43
• 3.3.1 圖像去噪39-42
• 3.3.2 特征提取和降維42-43
• 3.3.3 分類(lèi)器43
• 3.4 實(shí)驗(yàn)結(jié)果與分析43-50
• 3.4.1 參數(shù)范圍確定44
• 3.4.2 不同病人本文方法分析44-48
• 3.4.3 與2D-CNNs方法比較48-49
• 3.4.4 分割失敗案例分析49-50
• 3.5 本章小結(jié)50-51
• 第四章 自適應(yīng)加權(quán)混合核函數(shù)3D腦腫瘤分割51-60
• 4.1 自適應(yīng)加權(quán)混合核函數(shù)SVM51-55
• 4.1.1 混合核函數(shù)SVM基本原理51-53
• 4.1.2 自適應(yīng)加權(quán)混合核函數(shù)53-55
• 4.2 基于優(yōu)化混合核函數(shù)的MR圖像腦腫瘤分割55
• 4.2.1 特征提取和降維55
• 4.2.2 分類(lèi)器55
• 4.3 實(shí)驗(yàn)結(jié)果及分析55-58
• 4.3.1 參數(shù)范圍確定56
• 4.3.2 與其他核函數(shù)SVM分割方法的比較56-58
• 4.3.3 與其他分割方法比較58
• 4.4 本章小結(jié)58-60
• 第五章 工作總結(jié)與展望60-62
• 5.1 論文總結(jié)60
• 5.2 工作展望60-62
• 參考文獻(xiàn)62-68
• 攻讀碩士學(xué)位期間成果68-69
• 致謝69-70

【參考文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 孫麗媛;基于小波變換的醫(yī)學(xué)圖像增強(qiáng)和配準(zhǔn)技術(shù)研究[D];東北石油大學(xué);2011年

，

本文編號(hào)：854779