本文選題：腦腫瘤提取 + 多序列核磁共振圖像��； 參考：《江蘇大學(xué)學(xué)報(自然科學(xué)版)》2017年04期

【摘要】：為了提高融合多序列MR圖像應(yīng)用于腦腫瘤提取時分割區(qū)域的準(zhǔn)確性,基于核稀疏表示分類方法,聯(lián)合多序列MR圖像中的空間結(jié)構(gòu)和灰度特征信息,提出一種空間特征聯(lián)合的腦腫瘤核稀疏表示分類方法.首先構(gòu)建各個類別的子字典,再用鄰域濾波核稀疏表示方法對多序列腦MR圖像進行分類,該鄰域濾波核可以有效地將灰度特征與空間結(jié)構(gòu)結(jié)合起來提高腦腫瘤提取的準(zhǔn)確性.對國際數(shù)據(jù)庫MICCAI Bra TS提供的臨床和仿真數(shù)據(jù)進行分割.結(jié)果表明:與稀疏表示分類方法相比,所提出的基于空間特征聯(lián)合核稀疏表示的腦腫瘤提取方法由于增加了空間結(jié)構(gòu)信息,所得的提取準(zhǔn)確率提高了5%~6%.
[Abstract]:In order to improve the accuracy of the segmentation area when the fusion of multi sequence MR images is applied to the extraction of brain tumor, based on the kernel sparse representation classification method, the spatial structure and the gray feature information in the multi sequence MR images are combined, and a spatial feature combination method for brain tumor kernel sparse representation is proposed. The neighborhood filter kernel sparse representation method classifies the multi sequence brain MR images. The neighborhood filter kernel can effectively combine the gray feature and the spatial structure to improve the accuracy of the brain tumor extraction. The clinical and simulation data of the international database MICCAI Bra TS are segmented. The results show that compared with the sparse representation classification method, The proposed method based on spatial feature combined sparse kernel representation for brain tumor extraction has increased the spatial structure information, and the extraction accuracy has increased by 5%~6%.
【作者單位】： 三江學(xué)院計算機科學(xué)與工程學(xué)院;東南大學(xué)計算機科學(xué)與工程學(xué)院;江蘇大學(xué)計算機科學(xué)與通信工程學(xué)院;
【基金】：國家自然科學(xué)基金青年科學(xué)基金資助項目(61502206) 江蘇省自然科學(xué)基金青年基金資助項目(BK20150523) 江蘇省博士后基金資助面上項目(1402094C) 江蘇大學(xué)科研啟動基金資助項目(14JDG041)
【分類號】：R739.41;TP391.41

【相似文獻】

相關(guān)期刊論文 前4條

1 賈敏;王金甲;李靜;洪文學(xué);;基于輔助訓(xùn)練的半監(jiān)督稀疏表示分類器用于腦電圖分類[J];生物醫(yī)學(xué)工程學(xué)雜志;2014年01期

2 楊亮;陸建峰;;一種基于稀疏表示的腦功能子網(wǎng)絡(luò)構(gòu)建方法[J];計算機應(yīng)用研究;2014年09期

3 林溱;;基于稀疏表示的MRI研究簡介[J];電子世界;2014年09期

4 ;[J];;年期

相關(guān)會議論文 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學(xué)術(shù)年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識別[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學(xué)學(xué)會水聲學(xué)分會2013年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號稀疏表示的電機故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國華;蛋白質(zhì)翻譯后修飾位點與藥物適應(yīng)癥預(yù)測方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂;空譜聯(lián)合先驗的高光譜圖像解混與分類方法[D];南京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號分類[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識別算法研究[D];南京信息工程大學(xué);2015年

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動信號的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

，

本文編號：1942011