文摘
本文提出一种新颖的方法提高的训练步骤single-scale伽柏过滤器利用玻耳兹曼单变量边缘分布算法(BUMDA)的x线血管造影检查。自从single-scale伽柏过滤器(公司)是由三个参数,具体参数的最优选择是非常可取的为了最大化冠状动脉的检测性能,同时减少计算时间。SSG获得最好的一组参数,该地区(接受者操作特征曲线下)作为适应度函数。此外,分类容器,nonvessel像素从伽柏滤波器响应,采用组内的方差阈值方法。实验结果用该方法获得的检出率最高在40图像和训练集测试集的40图像。此外,血管分割的实验结果的准确性与血管造影检查的测试集。
1。介绍
冠状动脉的自动分割在x射线造影图像代表一个重要和富有挑战性的任务系统,进行计算机辅助诊断,因为它可以帮助专家诊断和监测血管异常。x射线造影图像的两个关键的挑战是冠状动脉之间的非均匀照明和低对比度和图像背景。由于这些缺点,一般血管分割问题已经解决在两个不同的步骤:检测也被称为增强和分类的船只。第一步是进行强调vessel-like结构同时减少图像噪声,和第二步关注分类技术应用于部分船从图像背景像素。
在文学,介绍了几种方法对血管的自动检测和分割不同类型的临床研究。大多数报道的方法是基于数学形态学(1- - - - - -4),高斯匹配过滤器(5- - - - - -9[],基于hessian方法10- - - - - -12),和伽柏过滤器(13),已被用于不同的临床研究,如大脑的血管造影图像(14)和视网膜眼底图像(15,16]。一般来说,这些方法需要一个优化过程为每个特定的应用程序选择最合适的值。Eiho morphology-based方法和钱1]只取决于大小结构元素的single-scale上流社会的算子检测vessel-like结构。高斯函数匹配滤波器(GMF) [5有四个参数调优:参数表示发现血管段的长度,代表的传播强度,这是高斯曲线轨迹的位置将削减,然后呢定义的数量等间距的过滤器的过滤。康的方法等。8,9使用GMF的四个参数和尺度参数的single-scale上流社会的操作员执行船舶检测任务。王等人的方法。12)取决于范围定义的扩散高斯曲线()和相应的步长()。最常见的策略来确定每个参数的最优值是基于详尽的全球搜索图像的训练集。在这个全球搜索,接受者操作特征(ROC)曲线下的面积计算,和最高的参数区域选择作为最优值。该策略的主要缺点是计算时间。
此外,single-scale伽柏过滤器由Rangayyan et al。15,16)是由两个离散参数()和一个连续的参数()。这些参数用于生成伽柏内核为了与输入图像在频域卷积。的参数代表的数量范围内均匀间隔的过滤器,参数船舶的平均厚度,参数代表了伽柏内核的伸长。伽柏来确定最优值滤波器参数,Rangayyan et al。16)使用的详尽的全球搜索一个预定义的范围为每个参数值。一般来说,在场的伽柏过滤器性能优越与低对比度检测船;然而,由于这些过滤器是在频域中进行,训练阶段是比上面讨论的空间方法计算更贵。
为了避免一个详尽的全球搜索和解决参数优化问题,以人群为基础的方法如分布估计算法(eda) [17可以介绍]。eda是随机方法,结合统计学知识的可能的解决方案来解决离散或连续优化问题。在目前的工作,我们建议使用玻耳兹曼单变量边缘分布算法(BUMDA) [18从eda的家庭选择最合适的参数single-scale伽柏过滤器,同时减少计算时间对一个详尽的全球搜索。这种方法适用于在x射线检测冠状动脉血管造影检查,在三个伽柏的优化过程进行了滤波器参数()。该方法的性能比较与那些获得使用五个最先进的船只检测方法通过计算ROC曲线下的面积。
本文的其余部分组织如下。节2的基本面single-scale伽柏过滤器、玻耳兹曼单变量边缘分布算法,并详细描述的参数优化过程。实验结果讨论了部分3在部分,并给出结论4。
2。方法
一般来说,对比vessel-like结构的x射线造影图像和背景像素很低;因此,single-scale伽柏过滤和BUMDA技术改善其性能感兴趣的在目前的工作;这些方法目前的部分中进行了描述和分析。
2.1。Single-Scale伽柏过滤器
伽柏过滤器代表一个高斯函数由一个正弦信号调制(13]。因为这个过滤器可以旋转不同的角度运用几何变换,是有用的检测管状结构在不同方向通过定向滤波器组(19]。伽柏滤波器的主要内核可以定义如下: 在哪里和表示标准偏差值的高斯函数是调制正弦信号的频率。在single-scale伽柏滤波器设计的Rangayyan et al。15,16),三个参数来控制介绍了伽柏滤波器响应。第一个参数代表的平均厚度(以像素为单位)vessel-like结构检测。第二个参数是用来控制内核的长度吗,第三个参数用于旋转伽柏内核在不同角分辨率()范围内,获得面向过滤器。获得的滤波器响应,这些内核与输入图像卷积,对每个像素,对所有方向最大响应是守恒的。
获得最佳性能的single-scale伽柏过滤器、离散参数,和连续参数必须确定。在图1、x射线冠状动脉造影图像上手写(真实),由专家。图1 (c)演示了一个伽柏内核与价值观,,,使用一个过滤器银行和增强效果图中给出了1 (d)。
(一)
(b)
(c)
(d)
2.2。玻耳兹曼单变量边缘分布算法
玻耳兹曼单变量的边际分布算法(BUMDA) (18)代表一个家庭的以人群为基础的方法分布估计算法(eda)用于解决离散或连续的数值优化问题域。BUMDA基于Normal-Gaussian模型来近似波尔兹曼分布,用于生成新的在每一代可能的解决方案。在选择过程中,阈值计算为了区分个人根据健身价值。最好的个人表现形式选择集。在一般情况下,对于每一代,高斯模型可以估计的平均向量如下: 在向量是一组属性的个人吗,代表个体的数量,之间的区别是当前个人和最严重的个人。在进一步的迭代中,阈值部队的平均估计高斯模型收敛于最优解。
此外,正如收敛性判据,估计方差可以计算如下:
这个收敛性判据趋于0,评估之间的方差和。根据之前的描述,BUMDA可以由下列程序实现(http://www.cimat.mx/ ivvan /公共/ bumda.html):(1)建立最小方差收敛性判据。(2)生成个人与随机选择的属性。(3)选择最好的个人与上面的评价函数从。(4)计算使用(2)。(5)计算使用(3)。(6)生成新个人与属性抽样从边际高斯分布的意思和方差。(7)插入新的人口个人最好的健身。(8)如果然后停止;否则,重复步骤。
2.3。优化Single-Scale伽柏过滤器
由于single-scale伽伯过滤器的设计,一个优化的过程来选择最合适的伽柏滤波器参数的值()是必需的。通常,最优参数选择是由一个培训阶段,在执行一个详尽的全球搜索不同设置的参数应用于预定义的训练集的图像。Rangayyan et al。15)提出了搜索空间的延伸率和平均厚度参数和,分别。随后,Rangayyan et al。16)扩展的范围的变量为了申请检测血管在视网膜眼底图像和面向,保持恒定的数量的过滤器。详尽的全球搜索训练集,为每个组合的参数(),伽柏滤波器响应评估通过计算区域()在接受者操作特征(ROC)曲线。最高的一组参数保存价值,然后,它直接应用独立的测试集的图像。使用一个详尽的全球搜索的主要缺点的训练阶段伽柏过滤器是在计算上是昂贵的同时,利用离散步骤连续域,搜索空间不能正常了。
为了避免过程涉及一个详尽的全球搜索,在目前的工作采取了玻耳兹曼单变量边缘分布算法,执行优化过程。BUMDA的使用减少了评估的数量和计算时间的培训阶段,同时增加船舶检测性能得到最优伽柏滤波器参数。
由于目标函数最大化是该地区ROC曲线下,伽柏的搜索空间滤波器参数所代表的伸长和平均厚度如图2。每个变量的范围被定义根据上述方法Rangayyan et al。16),因为它是适合在x射线检测冠状动脉血管造影检查。
2.4。评价指标
为了评估船舶的性能检测和分割方法,在接受者操作特征(ROC)曲线下的面积和精度测量是被收养的,这将在下文介绍。
中华民国曲线是衡量评估分类系统的性能。这条曲线计算通过使用滑动阈值的灰度single-scale伽柏滤波器响应为了情节真阳性分数对假阳性(锥度英尺)分数(基维辛迪),然后,该地区曲线下通过黎曼和近似方法。
另一方面,评价血管分割的性能结果,精度测量(20.)已被应用。精度是最常用的指标来评价二元分类器的性能,它的定义是对正确分类的分数像素的图像中的像素总数如下: 在哪里和是正确的分数分类容器和nonvessel像素,分别和和是不正确的分数分类容器和nonvessel像素,分别。
在这两种评价指标,当船只和nonvessel像素从计算方法获得完全与真实图像叠加,得到结果,是当区域是完全不同的。
3所示。结果与讨论
在本节中,船舶检测和分割结果的方法在不同的部分进行了分析和讨论。拟议中的single-scale伽柏滤波器优化的BUMDA (SSG-BUMDA)在计算机上实现了一个英特尔酷睿i3, 2.13 GHz处理器和4 GB的RAM使用Matlab软件版本2013。
目前工作中使用的数据库包括80个冠状动脉造影图像x射线的大小像素。每个血管造影片由专家和伦理学上手写批准提供的是墨西哥社会保障研究所的心脏科UMAE莱昂。这个数据库已经被分为训练集和测试集40血管造影在每一个为了评估血管检测和分割结果。
3.1。容器检测的结果
作为船舶检测阶段的一部分,single-scale伽伯过滤器的性能比较与状态的艺术的四种检测方法。最好的一组参数检测方法获得了不同范围的训练集和计算相应的变量价值。single-scale伽伯滤波器参数的范围是由Rangayyan et al。16],,。参数的范围王等。12方法成立的步骤。自Eiho形态学方法和钱1)的盘状结构元素的大小取决于上流社会的运营商的范围大小参数被定义为像素。根据乔杜里的原始工作等。5),被定义为高斯匹配滤波器参数,,,,最后,考虑到原作的康et al。8,9),高斯参数建立了匹配过滤器,,,。
在图3,船舶检测性能的方法使用训练集。中华民国曲线是通过连接训练集的滤波器响应形成一个大的灰度图像和应用最好的一组参数在上面讨论的范围。这比较分析表明,single-scale伽柏过滤器相比,船舶检测提供最高的性能比较方法在训练集的血管造影检查。此外,说明船舶检测的结果,在图4介绍了血管造影检查,一个子集的滤波器响应的比较方法。通过视觉检查,具体方法提出了一个更高的船像素与背景图像检测和更好的分化比较四种方法。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
介绍该船从SSG-BUMDA检测结果,在桌子上1统计分析显示。分析了30分的训练集血管造影检查。那里的平均值和标准偏差值表明BUMDA强劲执行优化任务。
另一方面,自详尽的全球搜索和BUMDA从训练集可以找到最优解,搜索时间或数量的比较评估代表使用一个进化方法的优点之一。在表2之间的比较分析,完整的搜索策略和BUMDA执行时间和数量的评估来获得最优的一组参数single-scale伽柏过滤器。在这个实验中,BUMDA获得性能优越而完整的搜索策略,减少了计算时间。评估的数量计算BUMDA考虑个体的数量(和一代又一代的平均数量)运行。
训练集的血管造影检查,每个容器检测方法获得最优参数,然后,参数的设置直接应用于测试集。Eiho和钱的方法1),最优结构元素大小上流社会的操作符的决心像素。在王的方法等。12),被确定为最优参数,。最优参数single-scale伽柏过滤器使用提出的全球搜索Rangayyan et al。16)被确定为和,利用BUMDA建立了最优参数和。在表3,检测结果的比较方法和最优参数上面所讨论的。自BUMDA执行其优化策略的连续区间伸长伽柏过滤器的参数而不是离散步骤,探索正确的搜索空间。SSG-BUMDA方法获得最高在测试集值。
3.2。血管分割的结果
分类容器,nonvessel像素灰度伽柏滤波器响应的测试集,在桌子上45最先进的自动阈值分割方法进行比较的准确性。根据比较分析组内的方差阈值方法首先进行(21)取得最佳的分割性能;因此,组内的方差阈值方法用于进一步分析。
最后,在表5,该方法的分割结果基于single-scale伽柏BUMDA过滤器优化的船船分类检测和组内的方差阈值方法相比,五个最先进的细分精度的测量方法。获得的结果表明,该方法提供了最高的血管分割性能关系比较五个专用船分割方法与测试组血管造影检查。这些分割结果见图5,该方法提供了一个适当的真阳性的像素和低破碎的器皿和假阳性像素。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
的血管检测和分割方法的状态提供适当的性能根据艺术价值和测量精度。然而,不同的比较分析表明,该方法是健壮和适合的冠状动脉造影图像的血管检测和分割。这些比较分析也表明,该方法可以适合系统执行在心脏病学计算机辅助诊断。
4所示。结论
在这篇文章中,一个新奇的方法根据玻耳兹曼单变量边缘分布算法改进的训练步骤single-scale伽柏过滤器已被提出。BUMDA统计结果显示性能优越的数量的评估和计算时间比一个完整的搜索方法。优化过程一般由BUMDA实现高检测率的single-scale伽柏过滤器考虑ROC曲线下的面积使用训练集的血管造影检查。最好的设置的参数由BUMDA伽柏过滤器设置为伸长和平均厚度像素。的性能提出SSG-BUMDA方法已经证明是更有效的与五的艺术状态的实现方法与血管造影检查的测试集。在分割步骤中,组内的方差阈值的方法已经被证明是最有效的与四种阈值方法相比,获得的准确率测试集的40血管造影检查。根据实验结果,该方法组成的应用single-scale伽柏BUMDA过滤器优化的冠状动脉的检测之后,组内的方差的阈值分割方法会导致精度高于五个最先进的船舶自动分割方法。
相互竞争的利益
作者宣称没有利益冲突有关的出版这篇文章。
确认
本研究支持了墨西哥的国家科学技术委员会项目Catedras-CONACYT 3150 - 3097。作者要感谢工程部门(DICIS)和承认大学的校园Irapuato-Salamanca瓜(UG)开放基金提供给封面发布在其机构研究项目的成本。