文摘
最近的改进现有技术有重大影响广泛的图像处理应用程序,包括医学影像。分类、检测和分割都是医学成像技术的重要方面。一个巨大的需要存在诊断图像的分割,可应用于各种各样的医学研究应用。重要的是要开发一个有效的分割技术,基于深度学习算法优化识别感兴趣的地区和快速分割。管道来弥补这个缺口,图像分割使用传统卷积神经网络(CNN)以及引入群体智慧(SI)提出了最优的识别所需的区域。模糊c均值(FCM), k - means,即兴创作的FCM粒子群优化(PSO),即兴创作的k - means算法,FCM与CNN的即兴创作和即兴创作的K——与CNN的六个模块检查和评估。实验是进行各种类型的图像如大脑的磁共振成像(MRI)的数据分析,dermoscopic皮肤,血液白血病微观,计算机断层扫描(CT)扫描图像的肺。结合后的所有数据集,我们构建了五个数据的子集,每一种都有不同数量的图片:50,100,500,1000,2000。每个模型的执行和培训所选的数据集的子集。从实验分析,观察到k - means与CNN的性能比其他细分精度,取得了96.45%的平均时间9.09秒。
1。介绍
推进医疗诊断系统的效率和准确性,特别是那些分布在复杂的区域(如脑、皮肤、肺、血液癌症分类),几个活线诊断模型(Bengio et al。1];女子et al。2];Bhatt et al。3])与图像处理工作。检测的有效性和准确性的多学科医疗数据诊断系统的质量很大程度上取决于包括图像捕捉到一些技术(Cetin et al。4])如大脑的磁共振成像(MRI)数据分析,dermoscopic皮肤,微观血液白血病,计算机断层扫描(CT)扫描图像的肺,等等。然而,由于无法控制的照明条件和大量的噪声可用性在捕捉,照明分布在医学图像的表面仍然是不均匀的,特别是当背光或固定照明条件影响诊断模型(拿et al。5];银行等。6];湿婆拉贾和王妃7])。它还会导致全球比较低,当地黑人地区的图像和数据疲弱和图像的各个方面发挥着重要功能检查的医疗数据。因此,初步处理医学图像分类的一个重要组成部分,因为它扮演着一个重要的角色在不同系统计算机辅助医疗诊断程序。由于目标区域的位置变化,传统的混合分割方法如基于模糊竞争学习的反传播网络(FCPN)仍然比软计算技术(8]。此外,图像分类被认为是最重要的医学成像过程,提取感兴趣的区域(ROI)的各种数据进行半自动或自动流程(肯尼迪和埃伯哈特(9])。它地区分类图像基于特定的定义,如损坏身体部位的分割或组织在当地的医疗诊断系统和收购边界和分类。有一些样品的医学图像分割图所示1。
医学专家和研究人员都执行良好的医学图像分割是一项困难的任务(Karaboga [10])。许多研究人员,另一方面,曾试图创建一个有效的医学图像分割算法,以帮助识别各种疾病和疾病。因此,在本研究中,我们提出一个比较医学图像分割框架使用卷积神经网络(CNN)的群体智慧。主要是三个不同的医学图像分割机制被认为是和研究,即传统的分割(模糊c均值(FCM)和k - means),群体智慧(粒子游优化算法),和CNN-based分割与传统方法,如图2子类的架构。
使用传统的分割技术是无监督机器学习的类型和有用的发现团体或不同的模式在医学数据。概括地说,这是一个无监督的活动,将非结构化数据划分为多个组根据他们的相似性和不同(杨,200911])。该场景背后的动机是在进一步的部分。
1.1。动机
无监督clustering-based医学图像分割是一个默认的方法,旨在收集一组对象或像素子集或集合的背景和面前的形象。我们的目标是创建集群或部分放不下,但非常不同。简单来说,像素在同一类别应该尽可能相似,和对象在同一类别应该非常不同于那些在另一个集群。一些具有挑战性的因素考虑到给我们的动机如下:(我)可用研究文章的数量大但缺乏适当的比较传统的医学图像分割,SI, CNN-based分割。(2)医疗数据或图像分割是一项具有挑战性的任务还有很多改进都需要开发一个更好的诊断系统。(3)现有的CNN-based模型需要一段漫长的系统培训。(iv)遭受过学习问题,需要解决这样的问题对于医学诊断系统,有助于发现疾病早期阶段。深度学习的过度拟合问题通常发生在图像小目标。(v)现有的系统开发和更新实时场景。(vi)没有研究,建立了一个标准的分割模型不同的图片类型从不同的器官。
1.2。贡献
如今,医学图像分割使用聚类是一种基本要求等很多用途的异常区域检测、自动提取、数据组织、等医疗数据分割的,高质量的聚类技术是至关重要的。因此,在本研究中,我们提出了一个比较医学图像分割框架与SI和CNN技术和主要贡献如下:(我)研究现有的医学图像分割方法有不同的算法。(2)开发一种新型的预处理等医学图像的图像质量制定,从dermoscopic图像脱毛,爆炸核改进显微图像。(3)FCM和部分医学图像K——作为无监督机器学习方法与算法群体智慧和CNN深度学习机制。提出了一种新的适应度函数,取代像素增加分割质量。(iv)验证拟议的框架,精度等性能参数,还记得,F-measure,准确性,误差,马修斯的相关系数(MCC),骰子系数(DC), Jaccard系数(JC)和时间与现有的计算及相关工作。
本文研究处理医学图像分割的比较研究,本文的其余部分是系统化分成不同的部分。部分2说明了相关的调查工作,提出机制部分中描述的方法3。节4、结果和讨论基于性能参数的说明,和部分5对未来的结论与建议。
2。文献调查
分割广泛应用于各种行业,如分裂地理区域,水果从树上,洪水损坏报告,交通标志的识别,道路坍塌。Chouhan et al。12]调查计算智能(CI)技术演示应用程序分割的跨学科研究领域。他们讨论了著名的CI技术如神经网络、模糊逻辑、遗传算法以及他们也证明CI-based方法都具有成本效益,节省时间,效率更高,适用于各种工程领域(12,13]。2021年,研究人员介绍了一个物联网(物联网)装置自动植物病害(擦伤)检测使用的模糊基函数网络(FBFN)分割技术14]。同样,开发一个基于web的工具来识别芒果叶炭疽病等疾病使用RBF分割方法。因此,普遍实现不同的图像分割技术检测技术(15]。
然而,图像分割是广泛应用于人类疾病的检测和诊断。精确检测的疾病,最初,它需要从抓取的图像识别感兴趣的地区。在这项研究中,一个全面的描述最重要的最先进的医学图像分割技术。在这里,我们考虑一个混合分割为不同类型的医疗数据的调查。
IMV-FCM,一个增强的多屏幕FCM聚类方法,引入了加权自适应学习技术,增加协调来自不同观点的灵活性。算法可以自适应地从每个视图,帮助他们更好的组脑组织和处理噪音部分维度扭曲和灰度不匹配(16]。2018年,Karegowda et al。17)进行了研究,从核磁共振数据脑部肿瘤区域的分割。作者进行了一项比较FCM检测,自适应正则化基于FCM方法,算法,K——并认为使用PSO作为群体智能是一个有用的步骤。实验的结果表明,PSO-based分割比FCM更准确,自适应正则化内核FCM和K——(17]。Arun Kumar et al。18)创建了一个改进的自动化方法分段脑部肿瘤区域和使用k - means为同一目标识别它们。作者的目的是改善图像增强在预处理阶段精确脑瘤预测(18]。Chander et al。19)开发了一个框架,用于核磁共振图像的分割使用k - means和支持向量机(SVM)作为机器学习的方法,和整体精度提高了早期研究[19]。在[20.),作者讨论了各种方法,如传统的分割(阈值、模糊理论、区域和边缘检测),机器学习方法(资讯,随机森林、支持向量机、字典学习),和深度的学习方法(CNN, FCM,编码器/解码器)。虽然他们的分析描述,深上优于FCM是优于其他传统方法等技术,还包括一个监督方法,要求手动标记所需的特定领域的知识(20.]。
在我们先前的研究中,我们已经开发出一种IoT-based皮肤损伤数据收集系统,我们使用深上优于合奏算法分类各种皮肤损伤(21]。皮肤病灶分割、元等。22)使用深的概念完全卷积神经网络(DFCNN) Jaccard距离。他们聘请19-DFCNN层自我训练和新损失的功能基于Jaccard规模由研究人员利用交叉熵re-measure区分皮肤损伤的病变。研究的结果暗示升级分类方法优于传统算法,但它需要更多的更大的准确性(预处理和后期处理阶段22]。使用CNN,谢et al。23)设计了一种可靠的方法对提取的皮肤病变范围在数字图像扭曲的存在。由于使用一个基本的市场细分策略,检测皮肤病变的边界区是缓慢的,但这可以解决利用语义分割技术(23]。2022年,作者训练一个特性自适应变形金刚网络(FAT-Net),设法处理模糊边界问题与损伤相关的图像。然而FAT-Net可能有效地提取局部特征和全球真正的标签而CNN不能充分学习全球真正的标签(24]。同样,一个神经网络多尺度残余编码和解码网络(红色)女士是用于处理模糊边界(25]。塔帕尔et al。26)采用分割框架使用与蝗虫群体智能优化算法(果)特征提取并成功获得98.42%的分类精度。然而,他们只训练模型在三个皮肤损伤图像(26]。
细胞核的存在在血液细胞用于确定白血病。2021年,达乌德et al。27)等传统算法使用距离变换和分水岭Sobel边缘检测算法从微观图像分段核27]。在另一个研究中,作者部署全球局部熵直方图均衡化(GLEHE)基于分割技术来识别血液细胞白血病(28]。木豆等。29日)提供了一种方法,分段血为白血病使用随机分形图像搜索(SFS)算法,它提供了非假积极的分割结果。图像分割的概念K方法聚类进行了研究。该方案是与前一个聚类方法相比,研究结果表明,系统的性能是更好的在效率方面,计算负担,和质量属性29日]。
Senthil Kumar et al。30.]5算法用于从非常小的肺图像,提取植物地区包括PSO、inertia-weighted算法,保证收敛算法(GCPSO),K则,K中位数。灵活的中值滤波器优于中央过滤器、中间变量,和标准预处理阶段,证明它是最适合医学CT成像。此外,采用直方图均衡提高图像亮度的变化。四个算法用于确定预处理图像质量的改善质量。GCPSO精度高95.89%的视觉结果证实肺样本图像使用MATLAB [2030.]。2021年,van De Worp et al。31日]介绍了深上优于两步U-Net架构肺癌CT图像分割。尽管他们执行任务只在60 CT图像(31日]。作者在32]部署二维离散小波变换(DWT)肺肿瘤的“莲花数据集”(CT图像),取得了一个骰子系数0.8472。
我们给一个快速的文献回顾和总结以下几方面突出限制基于前面的分析:(我)与目前clustering-based分割方法的主要缺陷是前景和背景重叠。(2)在文中针对仿生算法通常利用技术,需要更长的时间来完成分割过程由于未知的高数量的集群(Kaushal et al。33])。(3)由于图像质量,巨大的细分任务分割遭受困难复杂的图像在计算机断层扫描的情况下,核磁共振,微观,dermoscopic图像模式(Kaushal et al。34])。有必要关注质量的即兴创作。(iv)研究人员遇到pixel-mixing困难由于频繁的像素值变化。
在这项研究中,我们要让它直观和易于理解的框架,用于医学图像分割。
3所示。方法
本节的研究文章包含的工作程序和步骤提出了医学图像分割模型使用传统的分割,SI, CNN机制。我们专注于引入改进的医学图像分割方法利用CNN作为深度学习和提出三种不同的架构,给出进一步的部分。
3.1。传统的分割
在这个阶段,我们评估两个clustering-based如FCM和分割方法K——因为它有许多在医学研究中的应用。
3.1.1。FCM-Based分割
这个场景使用FCM的概念提出了医学图像分割作为一种无监督的过程。图像的分割后,两部分形成被称为前台的背景和前景部分的ROI医疗数据,如核磁共振显微镜,dermoscopic,图中,等。在这里,我们使用一些常见的预处理步骤在整个六个场景提出了框架的比较分析,首先是颜色转换使用 在哪里灰度级图像,获得了彩色图像的颜色转换后(RGB⟶红、绿和蓝色平面)。之后,灰度级映射是启动夹区域的图像质量增强使用给定的方程:
方程(2)定义了医学图像像素的平均数量。在哪里医学图像像素的总数在修剪区域(X剪辑)。剪辑的限制(XCL)的医学图像增强是计算方程3然后我们应用图像增强算法使用书面的进一步处理1:
|
医学图像增强在预处理阶段后,我们朝着分割使用FCM算法和FCM算法编写如下2。
|
FCM的概念是依赖的想法始终获得集群中心通过调整他们的位置方程4中使用给定的平均值,并允许更灵活的集群介绍部分会员的可能性。FCM的误差函数写在以下方程: 模糊的会员是用在哪里的X我(图片的像素)和集群被它的中心CJ在这里,k是一个常数,它定义的模糊性产生的分区。
FCM-based分割的算法所涉及的步骤FCM 1:招募Ci作为集群中心和迭代N= 0FCM 2:叫FCM隶属度函数根据方程7FCM 3:让N=N+ 1,并分配新C我随着新中心FCM 4:之前没有找到最好的收敛,重复步骤2到3。
使用该算法,我们部分的ROI医学图像和医学图像分割后;获得的分割结果与原始图像如图3。
3.1.2。K——基于市场细分
这是第二个场景中,我们使用K——作为一个代替FCM因为分割技术K——有助于提供更好的分割结果比FCM,如图4。利用的概念K——作为一个医学图像分割技术,适当的ROI的医学图像分割也K——面对混乱问题,该算法K——写在算法3。
|
基于上面的写的K——算法ASBT系统,我们获得better-segmented结果相比FCM-based ASBT系统,结果与原核磁共振图像如图4。
3.2。SI-Based分割
在这个场景中,我们算法的概念作为SI方法,因为它是最著名的优化技术,有助于优化pixel-mixing FCM面临的问题。在这里,我们提出了两种不同的混合机制叫FCM和k - means算法对医学图像分割。
3.2.1之上。FCM和PSO-Based分割
在此场景中,我们利用这一概念随着FCM算法的医学图像混合分割。PSO是一个强大的meta-heuristic技术的鸟类,哺乳动物,昆虫和其他生活在成群或移动。PSO灵感的最好的例子是一群飞鸟或一群小鱼,有助于减少pixel-mixing FCM在医学图像分割所面临的问题,通过邻域像素值非常相似。这种混合分割方法是基于个人的参与参与的每个粒子在许多领域的搜索机制减少混合像素的阈值。为了解决医学图像分割问题,每个粒子修改阈值基于自身和其邻居的经历。形式上,每个算法粒子P我有一个位置P我(t当时)t实例在搜索空间,这在时间的变化t速度+ 1 。PSO算法,速度是影响最好的位置访问本身,P所有(t)最好的位置访问所有粒子(我们称为“全球最好的”)。每个粒子的位置是由一个独特的适应度函数(适合(有趣)),这是依赖于分割问题和空间维度D。
肯尼迪和EberhaVrt (1995) (9)建立了PSO算法作为演化图像分割技术,与算法和FCM算法的分割是下面的算法写的4。
|
基于上述混合分割算法用FCM算法,我们获得better-segmented结果相比唯一FCM以及k - means也和结果与原始医学图像如图5。
3.2.2。K——与PSO-Based分割
PSO的的概念K聚类算法则用作医学图像混合分割的算法K则算法PSO细分如下书面5。
|
基于上述混合分割算法使用k - means算法,我们获得better-segmented结果与FCM相比,k - means, FCM算法和结果与原始医学图像如图6。
3.3。CNN-Based分割
这是第三个模块的实现,我们再次使用两个不同的场景,如下所述。
3.3.1。FCM和CNN-Based分割
在此场景中,我们利用CNN作为深度学习机制的概念与FCM作为医学图像混合分割。目前使用该混合方法在大多数现有的医学图像分割的研究。首先,我们使用大量的训练模型已经分割图像的背景和前景的图像具有三维(RGB)。通常,分割医学图像,被送入神经网络,降低数据维度,减少系统处理时间以及复杂性和帮助减少过度学习问题和混合CNN机制如图7。
图7了医学图像分割的过程使用FCM的杂交与CNN和k - means算法PSO分割写下面的算法6。
|
获得better-segmented结果我们提出了混合机制的FCM CNN FCM相比,K则,即兴创作与PSO FCM,即兴创作K——与PSO和结果与原始医学图像如图8。
3.3.2。K——与CNN-Based分割
CNN的概念作为一个深度学习的机制K——在这个场景中,使用类似的算法6,一个混合CNN机制K——如图9。
图9说明了医学图像分割的过程使用杂交与CNN和FCM算法K——下方写有算法分割算法7。
|
FCM相比,K则,FCM算法、CNN和K则算法,我们实现better-segmented结果对该混合动力机制K——与CNN,结果与原始医学图像显示在图10。
最后,性能参数计算和比较不同类型的数据集使用比较框架模拟的精度,还记得,F测量,准确性,错误,MCC特区JC,和时间。
3.4。收集的数据集
3.4.1。脑部肿瘤分割(小鬼)数据集
小鬼的样本图像数据集在图所示11,它是一个标准的数据集获得“https://www.med.upenn.edu/sbia/brats2018/data.html“有核磁共振图像(35]。模型的仿真,50 DICOM文件转换成JPG格式,代表multi-frame叠加的大脑图像。
3.4.2。急性淋巴细胞白血病图像数据库(ALL-IDB)数据集
收集的数据集包含2008个图像在计算机图像处理部门在2005年9月在米兰Science-UniversitadegliStudi”[36]。显微图像的ALL-IDB数据集是免费的用于科研目的从“https://homes.di.unimi.it/scotti/all/”和ALL-IDB数据集的样本图像如图12。
使用数据集包含了大约39000个血液计数,肿瘤学家标记淋巴细胞。我们调整血液样本的原始显微图像到一个大小为256×256,总共2000张图片被用于这项研究工作。
3.4.3。isic - 2018数据集
它包含人类对黑色素瘤病变分析检测和数据集的形式dermoscopic图像。数据是可用的https://challenge2018.isic-archive.com/task1/training/(37]。捕捉图像,dermoscopic过程使用的成像技术来消除人类皮肤的表面反射。它提供了改进的诊断准确性和isic - 2018数据集的样本图所示13。
3.4.4。图中显示的数据集
数据库目前由一个图像组50肺部CT扫描研究目的从“公开http://www.via.cornell.edu/lungdb.html“(38]。图中显示的数据集的样本图像如图14。
执行方法的步骤概述后,表现评估的几个参数,作为讨论的结果和讨论部分。
3.5。评价指标
在这一部分中,我们概述了用于验证评估措施的有效性提出技术。首先,我们观察到定量精度等指标。在大多数情况下,模型的效率测量的准确性。然而,在医学图像分割模型的精度不足以提供一个精确的模型的理解。因此,有一些额外的措施,比如精度,还记得,错误,和F1分,评估分割质量。为了分析和理解的能力模型,我们使用这些措施。
此外,我们已经考虑相似性度量如马修斯的相关系数(MCC),骰子系数(DC),和Jaccard系数(JC)。每个类似的指标都有几个特色评估的真实性能选择分割技术。如果所有的概率方法,包括真正的阳性,真正的底片,假阴性、假阳性,MCC算法提供一个高分,那么将产生一个更高的分数(39]。同样,直流处理缺失数据在图像segmentation-related问题[40]。量化和类似的指标被认为是在我们的研究中,它提供了更健壮的比较和首选项指定的分割技术41]。
4所示。结果与讨论
在本研究中,我们提出了一个比较医学图像分割框架从核磁共振等各种类型的图像,Dermoscopic,微观,和图中显示图像使用FCM等六种不同的场景,K则和FCM使用PSO的即兴创作,即兴创作K——与PSO、即兴创作的FCM CNN和即兴创作的K——与CNN。提供场景的仿真结果如表所示1基于数量的参数。
有五个单独的数据集,包括不同数量的图片考虑50,100年,500年、1000年和2000年的图像。我们认为从每个数据集产生同等数量的图片5指定的子集。然后我们各种细分技术应用于数据的子集。得出的结果被描述使用不同精度等指标,还记得,准确性,F-measure,如表所示1和图15。
(一)
(b)
(c)
(d)
(e)
从表1和图15,我们发现仿真结果提出了框架,和杂交的k - means CNN优于其他模块的数量参数。改善量参数图中清晰可见15,平均精度为85.72%,86.06%,87.54%,88.64%,92.21%,96.45%,FCM,K则,FCM算法,K——与PSO与CNN FCM,K分别与CNN,则。所以,我们可以说,CNN的效果K医学图像分割则远比其他组合。然而,我们需要验证模型基于类似的参数如MCC, JC,和计算时间。
因此,仿真结果的基础上,给出了相似的价值观2。相似性的参数K——与CNN优于其他模块的相似性度量如MCC, JC, CD。所需的时间K——与CNN略高于其他模型。然而,变化是极其分钟,可以安全地忽略。FCM与CNN是第二个最成功的分割技术基于定量和相似性度量。同时,透明,CNN-based优化分割技术表现好于群体智慧和传统方法。
实现最高精度的目标提出了框架与快速响应与预处理分割。拟议的框架提供了一个极其self-configurable和独立机制的深度学习接口。此外,我们建议框架生成健壮的模型细分的各种问题的兴趣。所以,它是一个通用的框架用于医学图像分割。然而,验证系统的效率,我们需要比较它与state-of-the-artwork基于表的准确性3。
显然,先前的研究在一个问题如皮肤损伤、脑瘤、肺癌、白血病(如表所示3)。然而,我们的研究目的是建立一个通用模型来处理所有的问题。在我们的例子中,我们发现平均精度为96.45K——与CNN。
5。结论
在这项研究中,我们已经介绍了医学图像分割与传统比较框架,群体智慧和卷积神经网络作为深度学习机制。这个框架可以帮助设计一个实时通用医疗诊断系统等各种类型的图像MRI大脑数据分析,dermoscopic皮肤,微观血液白血病,对肺和图中显示图像。在这里,我们提出一个比较研究利用FCM等六种不同的场景,K则,FCM使用PSO的即兴创作,即兴创作的K——与PSO FCM与CNN的即兴创作和即兴创作的K——与CNN。我们证明的功能K——与CNN是一种强大的混合机制,达到96.45%的准确率而其他机制达到85.72%,86.61%,87.54%,88.64%,和92.21%的FCM,K则和FCM使用PSO的即兴创作,即兴创作K——与PSO、即兴创作的FCM CNN和即兴创作的K则分别与CNN。我们还发现CNN-based表现良好而优化的群体智能优化算法和/或传统方法。我们预计,在未来,它将帮助过渡的医学图像分割研究实验室操作或实时应用程序。
数据可用性
脑瘤的数据分割(小鬼)数据集:https://www.smir.ch/BRATS/Start2015;急性淋巴细胞白血病图像数据库(ALL-IDB)数据集:https://homes.di.unimi.it/scotti/all/isic - 2018;数据集:https://challenge.isic-archive.com/data/CT-Scan;和数据集https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2176079/。
的利益冲突
作者宣称没有利益冲突。