文摘
提出了一种基于内容的图像检索(CBIR)系统的检索t1对比度增强脑部肿瘤的MRI (CE-MRI)图像。在这个CBIR系统、空间信息bag-of-visual-words模型和领域知识对大脑肿瘤图像被认为是脑瘤的表示图像。相似性度量是学会通过距离度量学习算法来减少之间的差距在图像视觉特征和语义概念。然后使用学到的相似性度量来衡量两幅图像之间的相似性,然后检索最相似的图像数据集CBIR系统提交一个查询图像时。该方法的检索性能评价与三种类型的大脑CE-MRI数据集脑瘤(即。神经胶质瘤、脑膜瘤、垂体瘤)。实验结果表明,该方法的平均精度值平均为不同的观点从90.4%到91.5%不等(横、冠状及矢状)的平均值91.0%。
1。介绍
数字图像在医学领域,如可见,超声波、x光,CT、MRI和核图像帮助放射科医生做出诊断。然而,寻找相同的解剖图像区域或similar-appearing病变根据他们的视觉图像特征在一个巨大的图像数据集是一项非常具有挑战性的任务。为了解决这个问题,可能和有前途的解决索引图像以最少的人工干预,基于内容的图像检索(CBIR)系统(1]。在医学领域,CBIR系统通常包含两种类型的应用程序:检索相同的解剖区域(2- - - - - -4)和检索相似的病变(5- - - - - -8]。这项研究集中在类似的脑部肿瘤在MRI图像的检索虽然拟议的方法可以适用于其他器官病变。磁共振成像通常选择描述软组织,特别是当试图诊断脑肿瘤(9]。因此,肿瘤患者的脑核磁共振图像可以帮助放射科医生对肿瘤分类获取有用的信息。在这项研究中,我们关注的是三种类型的脑部肿瘤在t1对比度增强MRI (CE-MRI)图像,即脑膜瘤,神经胶质瘤,垂体肿瘤,因为这三个有更高的发病率比其他大脑肿瘤诊所。提出了CBIR系统的目标是帮助放射科医生做出诊断决策通过发送一个查询图像检索系统(肿瘤)。最相关的图像(肿瘤),视觉上相似,属于相同的病理分类查询图像(肿瘤),然后作为诊断艾滋病返回。
一般来说,脑部肿瘤的分类检索是一项艰巨的任务由于肿瘤复杂的表象。例如,同一类型的大脑肿瘤在不同患者可能存在不同的表象,或不同类型的大脑肿瘤可能显示视觉相似(图1)。因此,额外的特色整合领域知识需要提出构建CBIR系统。当前工作的一个贡献是引入区域bag-of-visual-words(弓)模型,可以将空间信息合并到船头模型和集成领域知识来改善提出了CBIR系统的性能。
(一)
(b)
发展的CBIR系统的另一个挑战是如何定义图像之间的相关性。如果直接用于计算图像的视觉特性相关性,CBIR系统的性能可能会降低,因为底层图像特征不能总是抓住图像的语义概念。因此,距离度量学习算法用于克服学习最佳的相似性度量之间的差距高层语义概念和图像的低层视觉特征。在撰写本文时,无数的距离度量学习算法被引入学习最优的相似性度量(10- - - - - -12]。在这些算法中,近似值度量学习(CFML)可以解决在一个封闭的形式,而不是一个迭代过程,简化了计算。因此,CFML用于本文。
剩下的纸是组织如下。部分2提供了一个简短回顾相关的工作。部分3介绍了拟议的CBIR系统的细节。部分4给出了实验研究。部分5讨论结果和未来工作的想法。
2。相关工作
2.1。CBIR系统脑瘤
许多研究都集中在构造一个脑部肿瘤在MRI图像(CBIR系统13- - - - - -15]。在[14)、地区利益生成的查询来检索相关的儿科患者的脑核磁共振图像。此外,杜布et al。15)提出了一种图像检索方法的多形性胶质母细胞瘤(GBM)和non-GBM肿瘤MRI图像。在拟议的方法中,区域包含病变也手动分割。使用相同的操作,在这些研究中使用,脑部肿瘤的MRI图像手动概述形成了CBIR系统的数据集。然而,分类检索执行脑部肿瘤在t1加权CE-MRI图像从不同病人和不同的观点(横、冠状、矢状),而不是其他核磁共振方法在以往的研究中使用。
2.2。特征提取的图像表示
比较之间的关联查询图像和图像数据集,进行特征提取的图像表示的CBIR系统。比较比较图像的特性。因此,特征提取的图像表示开发CBIR系统是一个关键因素。到目前为止,仍然是一个制定一个合适的图像表示分类和检索系统设计中常见的问题。在先前的研究中,研究人员介绍了形状(16,17)、强度和纹理信息(18- - - - - -23)信息特征提取的图像表示。几何线索如边缘、轮廓和关节从一幅图像中提取可用于提取的形状描述符当图像中的对象可以清楚地分开的背景或环境。不幸的是,在脑肿瘤图像,肿瘤边界通常是不清楚的。因此,形状信息不能提供令人满意的肿瘤区域的描述。在医学领域,确定强度和纹理特性正变得越来越重要,因为这些可以隐式地反映组织类别和组织的细节包含在一个图像。几种方法通常用于描述的强度和脑核磁共振图像的纹理特征,包括灰度同现矩阵应用灰度共生矩阵建立()(19,23),离散小波变换(DWT) [18,20.,22),和伽柏过滤器(21]。GLCM可以捕获相邻像素之间的空间相关性。然而,在特定的情况下最优interpixel距离是一个固有问题需要解决应用灰度共生矩阵建立使用方法。DWT可以实现时域和频域的同步功能定位,及其性能高度依赖分解的小波基础和水平。伽柏过滤器与不同尺度和旋转可以用来形成一个滤波器组,它是适合纹理表示和歧视21,24]。然而,高斯平滑滤波器银行可以导致模糊,这意味着当地精致细节的图像可能会丢失。
与常用的纹理提取方法提到的,弓模型(25- - - - - -27)可以被成功地应用于图像分类和CBIR系统。弓模型首先学习词汇的视觉单词的图像补丁。然后,是建立一个图像表示捕捉这些词的特征分布。弓法还可以提供一种方法来设计特定于任务的图像表示。因此,它可以被用来构建一个合适的图像表示为肿瘤脑核磁共振图像检索。然而,基本弓模型忽略所有补丁的空间布局信息,在图像表征是非常重要的。为了应对这一问题,研究人员增加了空间信息的弓模型通用场景和物体识别的任务。例如,Savarese et al。28)提出了形状信息与视觉语言模型空间相关性。此外,Lazebnik et al。29日]介绍了空间金字塔方法分割图像为越来越精细的空间条件,并结合所有的弓在每个子区域直方图作为最终的图像表示将全球和本地信息。尽管这些方法的力量,他们不都适合医学图像由于医学图像的复杂和不同的强度分布。因此,弓模型与空间信息的重要性逐渐新兴医疗任务。在[30.),添加了空间坐标获取空间信息的特征向量x射线图像检索。此外,空间几何构造使用同现矩阵处理视觉词区分肿瘤从良性组织endomicroscopic图像(31日]。在这些研究中提出的方法取得了有效的医学图像分类和检索性能。然而,脑部肿瘤在MRI图像的检索仍然是一个挑战性的任务由于品种与肿瘤位置、形状和大小属性(图1)。因此,对于脑部肿瘤在MRI图像的特点,一种新的无条理的弓的扩展模型,称为有针对性的弓,提出了。
3所示。材料和方法
3.1。图像数据
本文提出了CBIR系统是基于二维(2 d)片,因为在中国临床实践;收购和可用的大脑CE-MRI图像二维片有一个很大的差距。因此,建设一个基于二维切片的CBIR系统临床应用是可行的。
t1加权大脑CE-MRI数据集用于本研究获得了在南方医院,广州,中国,和一般医院、天津医科大学,中国,从2005年到2010年使用spin-echo-weighted图像矩阵。数据集包含了233名脑瘤患者的信息,其中三种类型的脑肿瘤是显而易见的,即脑膜瘤,神经胶质瘤,垂体肿瘤。对于每个病人,放射学家第一次咨询患者病理报告获得病理类型,然后标记图像。接下来,放射科医生选择最好14片,代表了从每个病人的完整的病理图像体积。因此,所有肿瘤图像不同的观点(横、冠状及矢状)也提出了数据集。实验中考虑不同的观点分别是实用的,因为肿瘤病人的外观变化取决于不同的视图(图2)。为每个视图在不同患者,随机选择一片构成视图的数据集。表1列出了实验中使用的图像数据的细节。此外,提取区域的特性,所有的肿瘤图像被三名有经验的放射科医生手动概述了独立处理所有的图像。随后,放射科医生一起讨论,达成共识关于每个肿瘤在每个图像的分割。
3.2。CBIR系统的概述
摘要脑瘤的CBIR系统的建设CE-MRI图像是通过以下步骤完成:强度的标准化大脑CE-MRI图像,特征提取手动概述了脑部肿瘤的规范化CE-MRI图像,获取优化的使用距离度量学习算法的相似性度量,最后,检索查询图片相关的图片。拟议的CBIR系统的流程图如图3。用来执行这些处理步骤的技术也在下面详细解释。
3.3。图像强度标准化
核磁共振是一个有用的工具来描述大脑组织。然而,它的主要限制是同一组织不同MRI图像强度值落入广泛,这可以极大地影响性能的大量图像处理技术在核磁共振图像。因此,一个强度归一化法,标准化在MRI图像强度值提出了后续的特征提取和脑瘤检索。Nyul et al。32)提出了一种两步方法组成的训练步骤和一个转换步骤。转换后的图像的处理,强度一致的组织的含义。因此,采用两步归一化法作为核磁共振图像预处理方法。为简单起见,强度标准化方法,使用三个直方图地标(32选择]。相对应的三个地标强度低,50,和上百分位数的前景的场景32]。
3.4。有针对性的弓表示
强度标准化后,从规范化的MRI图像提取的特征通过提出有针对性的弓法。本文首先描述基本弓模型。后来,有针对性弓模型,其中包括空间信息到原始的模型。
3.4.1。弓模型
弓模型归纳为四个步骤。首先,补丁由局部描述符在每个给定图像数据集的图像采样。第二,视觉词汇表是由一个聚类算法,而且每个集群的中心是一个视觉单词。第三,之前获得的视觉词汇可以用来量化一个新的图像的局部描述符。最后,弓构造直方图来表示一幅图像通过记录图像中的每个视觉单词的频率。
在船头的模型中,补丁抽样方法的选择和当地的描述符是两个基本任务影响视觉词汇生成的类型。常见的补丁抽样方法包括人口抽样方案,随机选择,或兴趣点探测器。补丁也同时使用局部描述符表示。两个地方描述符:经常使用尺度不变特征变换(筛选)描述符33和原始的补丁34]。
弓模型的下一步是集群的一个子集补丁来构建一个视觉词汇。的k——聚类算法,它试图最小化之间的距离k集群和训练数据,应用于定位视觉词由于其简单性和有效性。
代表一个图像,一组块采样的图像中每个像素映射到一个新的特征向量k的特性,k的数量是k——重心。摘要艰巨的任务编码是利用编码器的功能映射。考虑到视觉单词w词汇,一个图像表示弓模型定义如下: 在哪里一个图像和补丁的数量是补丁。然后,弓的图像表示模型构建和视为一个“包”充满视觉单词。
就像前面提到的2,弓模型失去了空间信息之间的补丁由于无条理的视觉单词变成“包的集合。“因此,我们主要关注小说不整齐的弓模型的扩展,这表明补丁的位置提取,并将空间信息添加到弓模型。
3.4.2。施工区域弓模型
拟议中的弓模型与空间信息的灵感来源于区域分区的概念(29日]。在[29日),一个空间金字塔弓方法,将图像划分为推出了越来越多的更精细的空间条件,结合所有的弓在每个子区域直方图作为最终的图像表示。该地区分区模式与三个级别肿瘤(29日)如图4(一)。然而,前面提到的分区方法(29日]可能不是最好的选择对大脑肿瘤图像由于脑肿瘤图像中复杂和不同的强度分布。因此,领域知识对脑肿瘤图像被认为是。
(一)
(b)
脑部肿瘤通常没有固定的形状或大小,即使对于同一肿瘤类别。然而,强度值相同的肿瘤类别可能会落入一个狭窄的范围在规范化脑肿瘤图像。此外,脑瘤CE-MRI图像的对比度增强强度更有识别力的识别不同的肿瘤类别。另一方面,相同的肿瘤分类通常是位于人类大脑异常相似的地方。例如,脑膜瘤通常是头骨旁边,灰质和脑脊液。垂体肿瘤邻近楔形的窦,视神经交叉,颈内动脉。神经胶质瘤通常包括白质和周围水肿。因此,强度的脑部肿瘤和肿瘤周围组织的类别信息是两个重要线索识别不同肿瘤的大脑图像的类别。基于这个想法,脑部肿瘤在MRI图像分为两大区域:肿瘤区域和肿瘤周围区域(0级和1级图4 (b)、职责)。
基于这两个区域弓模型分离肿瘤的大脑区域图像然后。
首先,强度的概要文件是用来捕获肿瘤周围区域的强度变化。每个强度剖面是一个向量的图像强度值,包括一些像素的强度沿肿瘤边界正常。这些像素采样在肿瘤以外的肿瘤(见图5(b))。强度的提取配置文件如下所示。高斯内核用来抚平肿瘤边界上的点和防止肿瘤边界上的点被噪声干扰,从而改变边界的方向正常。高斯内核定义在一个维度 在哪里σ标准偏差。的一阶导数用于卷积与肿瘤边界上的点。让是肿瘤边界上的所有点的坐标在一个图像。卷积是由后的坐标点 边界的角度计算正常使用 的角,所有的点的坐标对应的强度是用 在哪里是肿瘤边界上的点之间的距离正常,边界上的点。然而,坐标可能不是一个像素的图像。因此,采用线性插值来定位图像中对应像素。最后,与像素强度值提取,形成强度概要文件。使用强度的提取配置文件在肿瘤,称为构造边缘区域的矩形。在这个边缘地区,强度剖面的长度是指宽度,肿瘤边界上的点数量是它的长度。拔掉强度轮廓和边缘地区的数据所示5(b)和5分别(c)。
补丁抽样方法的选择和当地的描述符是两个基本任务在构建弓模型。因此,首先必须考虑这两个因素。兴趣点探测器(35)是一个受欢迎的抽样方法。但是,与自然场景图像,大脑核磁共振图像有更少的有意义的兴趣点。因此,稀疏的点不能充分代表核磁共振图像。出于这个原因,所有信息在该地区的利益(肿瘤区域或边缘地区)使用密集采样的补丁。另一方面,原始补丁用作局部描述符因为强度是一个重要的线索大脑核磁共振图像检索中的应用。摘要原始补丁是固定大小的矩形贴片周围像素在图像与相应的强度。每个原始补丁然后转换为一维特征向量简化随后的计算。一个受欢迎的替代原始块描述符是筛选描述符,这是旋转和尺度不变。一些研究还表明,筛选有利于风景图片(25,36]。中给出的检索性能在不同的局部描述符定义系统的实验参数设置。
之前构建的视觉词汇,应用于采样预处理阶段原始补丁。标准化和美白37,38)是两种常用的数据预处理的方法。给定一个vector-represented补丁,被归一化,在那里和均值和标准差的吗向量,分别。归一化向量然后线性转换到一个新的向量,它是白色的。换句话说,向量的组件是不相关的,他们的方差相等的统一。在细节,让C的协方差矩阵;因此,可以定义为 在这里,协方差矩阵的特征值分解用于美白如下: 在哪里和正交矩阵的特征值和相应的特征向量的,分别。现在,美白的变换向量可以进行的 在这项研究中使用的预处理方法可以提高当地的对比和增强补丁中的信息数据。
随后,两个视觉词汇使用相应的预处理补丁采样区域内肿瘤和肿瘤边缘地区,分别。当前方案的区别和基本弓模型提到,只有vector-represented补丁密集采样的肿瘤区域和边缘区域,分别使用而不是每个像素在图像创建词汇表。这个过程使创建的词汇更有针对性。换句话说,给定相同的词汇量大小,图像表示由针对性的词汇量比这更代表由一个通用的词汇用在图像的所有信息。有针对性的词汇量的一个示例如图6。
(一)
(b)
给定的图像现在可以由映射生成的预处理补丁到相应的单词的词汇表。然而,添加更多的补丁提取空间信息,边缘地区分为四细亚区基于肿瘤(即四个方向。左上,右上,右,左),见图4 (b)和5(c)。因此,共有六个地区三个层面介绍了拟议的方法(见图4 (b))。构建图像表示在边缘地区,边缘地区的补丁采样和四个亚区映射到词汇在边缘地区,分别。然后,每个地区的弓直方图结合边缘地区鞠躬表示。如果单词的数量边缘地区的词汇,然后鞠躬表示边缘地区是一个矢量维数。因此,现在的形象是由两个弓直方图;一个是肿瘤区域鞠躬表示,另一个是肿瘤边缘地区鞠躬表示。最后,这两个弓直方图连接形式提出有针对性的弓表示的图像表示肿瘤在大脑图像。有针对性的建设鞠躬表示如图7。
(一)
(b)
提出了特征提取方案提供了一些优势。首先,补丁的预处理方法可以使组件不相关,提高本地的对比在一块数据。这个属性可以使弓有识别力的信息模型。第二,强度概要介绍了隐式地显示肿瘤周围组织的类别信息。此外,采样位置的像素概要给弱空间分布信息肿瘤在大脑中。治疗肿瘤周围强度资料作为一个矩形,它本质上是旋转不变的肿瘤,也可以忽略补丁提取的方向。第三,提出有针对性的弓模型可以将空间信息融合到船头模型和捕获重要特征与脑部肿瘤的MRI图像。
3.5。距离度量学习
在图像检索阶段,特征向量的相似性查询图像和图像测量的数据集。然而,提取的特征可能并无直接联系的肿瘤类别。换句话说,存在一个差距之间的高层语义概念和图像的低层视觉特征。如果我们使用常见的指标如欧氏距离或距离距离测量功能的相似性,CBIR系统无法执行。随着这些距离指标忽略训练集的带安全标签的数据时,他们可能会把统计规律来提高检索性能。为了解决这个问题,一个距离度量学习算法自动学习带安全标签的数据时的距离度量图像数据集。此外,精心设计的距离度量可以执行比欧氏距离对CBIR系统(39,40]。因此,距离度量学习算法用于嵌入语义信息有针对性鞠躬表示。
让和采用特征向量的两种不同的图像。平方特征向量之间的距离和是 在哪里是一个变换矩阵,,是一种半正定矩阵。距离度量学习的目标是找到一个线性变换矩阵项目新特性的图像特征空间,使平方Mahalanobis数据具有相同标签之间的距离更近,与不同的标签。
许多研究者提出距离度量学习算法来找到一个最佳的投影或一个度量最小化目标函数。在各种距离度量学习算法,CFML是一种简单而有效的算法,可以实现封闭的解。在数据集,肿瘤的病理类型是已知的。肿瘤在同一类别共享相同的标签,反之亦然。图像的特征向量具有相同的标签被定义为相似,而不同标签的定义是不同的。让和是一组类似的对和的不同对,分别定义了 最优变换矩阵CFML的定义如下: 在哪里跟踪和表示矩阵 最优变换矩阵的解决方案给出了相关矩阵的特征向量矩阵的最大特征值。与最优变换矩阵的平方Mahalanobis两个特征向量之间的距离在两个不同的图像可以被计算。这里,CFML试图最小化平方Mahalanobis类似对同时最大化之间的距离的平方而不同对之间的距离。
本文的样本数量小而功能很大的数量。换句话说,有一个小即使大的特征问题是满秩。为了克服这个问题,正则化形式介绍了CFML代替与,在那里是一个正则化参数。正则化参数实验调整在交叉验证集(参见吗4)。
3.6。检索评价措施
在本节中,检索评价办法提出了CBIR系统。首先,让的数量,让图像数据集一个图像的相关性对于一个给定的查询图像,其中(1对相关和查询图像属于同一类,否则和0)。第二,当一个查询图像提出了CBIR系统,系统中图像数据集的距离平方Mahalanobis递增的顺序,也就是说,从最类似于最相似的。然后,对于一个给定数量的样本检索,精度和回忆计算: 在哪里样本数量的检索。同时,precision-recall对不同数量的样本检索通常绘制precision-recall曲线评价检索系统。第三,精度在顶部检索样本(前的@K简而言之),它只考虑最顶层系统返回的结果。这种方法是用 在哪里代表检索到的图像的位置或等级排名顺序,指标函数。第四,平均精度(美联社)被定义为 最后,的意思所有查询称为意味着平均精度(地图),主要用于我们的实验来评估整个检索性能。
4所示。实验和结果
系统的调优参数是一个基本组件在使用弓模型检索任务。因此,我们使用t1大脑CE-MRI数据集来优化提出了CBIR系统的几个参数:局部描述符的选择,补丁的大小和词汇表,CFML的参数。然后,我们比较的结果显示脑部肿瘤的分类检索与不同的特征提取方法在t1加权大脑CE-MRI数据集。
4.1。实验设置
在接下来的实验中,脑部肿瘤的分类检索分别进行了不同的观点,和5倍交叉验证被用来评估检索性能。所有的实验都重复五次,最后结果报告为结果的平均值和标准偏差的个体经营。每次运行,152图像被用于训练和38个图片是用于测试在横向视图中。在冠状视图分离方案相似在横向视图由于使用相同数量的图像在两个视图(见表1)。在矢状视图中,172个图像被用于训练和43个图像被用于测试。同时,之间没有节理组的训练和测试数据集在所有的实验。对于给定的训练集和测试数据集,每个图像采用测试数据集作为训练数据集查询来检索报告的性能。
每个强度剖面上的像素从肿瘤中提取外肿瘤形成边缘地区,每一方包括15个像素。因此,强度剖面的长度是31个像素,添加了一个像素在肿瘤的边界。此外,每个补丁是一个矩形的大小在接下来的实验中,如部分所述3.4。2。之间的间距采样补丁既设置为1像素的视觉词汇建设和弓直方图提取。
4.2。优化系统参数
4.2.1。准备不同的局部描述符
在本节中,我们研究了三种局部描述符:原始补丁,正常化和美白的皮肤擦伤,筛选描述符。我们使用128 -维筛选描述符实现(41在这个任务中。此外,筛选描述符密集采样的肿瘤区域和边缘区域,分别后的流动区域弓模型建设。图8显示了有针对性的弓模型的检索性能不同的局部描述符在不同的观点。从图8补丁的地图与规范化和美白是没有预处理高于补丁。这个结果是由于局部对比度增强的预处理块数据。使用补丁和正常化,美白也被证明是更可取的筛选描述符在拟议的CBIR系统。
4.2.2。不同的块大小和词汇量的大小
在这个任务中,我们评估了补丁的影响大小和词汇量大小的检索性能。首先,我们使用三个不同的块大小:,,。图9(一个)描绘了检索性能在不同的块大小的预处理补丁有针对性弓模型,由CFML距离度量学习。酒吧在图9显示地图的均值和标准差。可以看出,补丁的大小检索能力略高于其他补丁的大小。这是因为小型补丁不能识别对象,而大型补丁遇到困难寻找相似的视觉单词的词汇量。因此,中型补丁可以导致更好的检索性能。随后,比较不同的词汇量大小对检索性能的影响,预处理补丁的补丁的大小是固定的(),特征向量被CFML测量的距离度量学习。在图9 (b),代表了边缘地区的维数表示,其中(、200、300和400年)词汇量的大小在边缘地区弓模型。如图9 (b)时,词汇量的大小是1000和300的肿瘤区域弓和边缘区域,分别映射实现最高的分数不同的观点。此外,添加额外的视觉单词后,上面提到的增加计算时间点没有显著改善检索性能的有针对性的弓模型。因此,在接下来的实验中,我们使用这些词汇量大小的区域弓模型不同的视图来平衡计算成本和性能。
(一)
(b)
4.2.3。不同的参数在CFML
在这个任务中,两个参数在CFML调谐来获得最优值:正则化参数和变换矩阵的维数l。最优局部描述符,补丁的大小和词汇量的大小是一致地使用所有实验。节中描述3.4,正则化参数在训练阶段用来实现最优变换矩阵CFML。因此,我们采取了5倍交叉验证每一个训练数据集和范围从10−10到10−3在这个实验中。如图10 ()不同的价值直到10−6没有对性能产生巨大的影响。此外,使用更高的价值逐渐降低了性能。由于这个原因,我们设置的值到10−6在接下来的实验。另一方面,变换矩阵的维数可以减少由CFML在距离度量学习了。低维的距离度量可以降低计算成本和过滤噪音。图10 (b)展示了不同的投影尺寸影响图像检索的可靠性。我们发现地图总是最高的价值两个维度在不同弓模型和不同的视图。这个结果是有意义的CBIR任务加快检索和减少存储空间。
(一)
(b)
4.3。有针对性的弓表示
在这个实验中,我们首先使用最优局部描述符,补丁的大小,大小和词汇在特定区域弓模型描述构建一级鞠躬表示,二级鞠躬表示,边缘地区鞠躬表示,肿瘤区域鞠躬表示,和有针对性的弓表示。一级鞠躬表示只代表单一没有包含四个亚区边缘地区构造鞠躬表示。2级弓表示只代表四个亚区不增加整个边缘地区构造(参见图鞠躬表示4 (b))。然后我们比较不同的检索性能鞠躬表示。如图11的检索性能改善1级到2级弓弓表示表示,它包含更精细的空间信息。此外,级别1和2在一起(边缘地区鞠躬表示)带来更大利益。在这里,我们只使用两个层次划分边缘地区因为单个垃圾箱产量太少比赛当太细细分区域(29日]。此外,当边缘地区的词汇量大小是固定的,更多的条件出现导致更高维度的鞠躬表示。更高的成本就需要在以下计算相似性的度量。因此,我们之间做出权衡选择的辨别能力和计算成本水平边缘地区的数字。除此之外,有针对性的地图鞠躬表示达到最高的值在不同的鞠躬表示不同的观点。例如,在横向视图中,有针对性的弓表示优于肿瘤区域和边缘地区的弓弓表示表示t以及P值分别为0.0043和0.0124。获得可以归因于额外空间信息实现这一步。
4.4。检索结果与不同的特征提取方法
在本节中,我们显示脑部肿瘤的分类检索的比较结果与不同的特征提取方法在t1加权大脑CE-MRI数据集。在我们的实验中,我们仔细考虑的参数设置不同的方法来实现公平的比较。在本文的其余部分,提出有针对性的弓表示是基于上面提到的优化过程,和CFML将参数最优值在不同的方法检索。
首先,区域之间的比较是由弓模型和几种传统的纹理特征提取方法,包括DWT, GLCM,伽柏过滤器。计算滤波器系数采用DWT Daubechies小波。计算DWT,每个图像上的肿瘤区域首先分解为三个层次(与小波变换部分波段)。均值和方差的小波系数绝对值的肿瘤区域对应于每一个可被用来构造一个()特征向量。应用灰度共生矩阵建立计算,肿瘤区域的强度值量化到32的水平。interpixel距离固定1像素,和方向设置为0,45岁,90年,形成了GLCMs 135度。因此,有四个GLCMs对四个方向。基于4 GLCMs、6统计参数(能量、熵、对比度、方差、相关,和逆不同时刻)应用灰度共生矩阵建立的计算。四个值的均值和方差的每个六个参数被用作最后的特性()。计算伽柏过滤器,伽柏小波的特性提出了希和马24)被执行。尺度的数量设置为4,和方向的数量设置为6。的均值和标准差的大小变换系数在肿瘤区域计算的特性,和特征向量48-dimensional ()。图12(一个)显示了一个性能比较的t1加权大脑CE-MRI数据集不同的纹理特征提取方法。如图12(一个)的地图区域弓模型明显高于其他纹理特征提取方法的不同视图(t以及P值小于0.0001)。此外,图12 (b)显示了不同的纹理特征提取方法的precision-recall曲线在横向视图中。有针对性的precision-recall曲线弓模型明显优于其他方法,这是最高的地图匹配图12(一个)。
(一)
(b)
接下来,验证区域弓的性能模型,这是与其他两个先进的方法相比,也增加了空间信息弓模型。首先,空间金字塔方法引入的(29日使用了)。对于这种方法,作者建议的默认参数。200年视觉词汇量的大小是固定的,金字塔级别被设置为3,4200维最后表示。其次,提出的方法在30.)申请这种比较。在这种方法中,补丁中心坐标被添加到vector-represented补丁表明补丁之间的空间相关性。对于这种方法,视觉词汇量大小不同的观点被设置为3000。因此,鞠躬表示这种方法是3000维,相同的值的区域弓表示。此外,协调重量改变了从1到20,取得最高的分数值4,8和10在横向,日冕,分别和矢状视图。在这两个方法,补丁的规范化和美白肿瘤区域内人口抽样方法,和补丁的大小设置为。图(13日)显示了不同的空间弓方法的检索性能在不同的观点。从图(13日),补丁结合地图坐标方法不明显高于空间金字塔的方法t以及P值为0.3598,0.1431和0.3792横,日冕,分别和矢状视图。这个结果可能是由于感染统计信息的困难当肿瘤的位置属于同一类型的显著变化不同的大脑图像。因此,补丁结合坐标方法不歧视当上述情况发生。另一方面,我们有针对性的弓模型达到最高的值在三个空间弓方法在不同视图(t以及P值小于0.0484)。如图13 (b),有针对性的弓模型的精度优于其他两种方法直到召回达到0.9的价值。
(一)
(b)
4.5。检索示例
有针对性的弓模型的检索性能的评价了不同类别的脑瘤。表中列出的结果2。在表2,的值代表了地图的均值和标准差,(电子邮件保护),(电子邮件保护)分别为五分。从表2地图,前的@10,前的@20对神经胶质瘤是高于其他两种肿瘤类型,支持区域鞠躬表示包含歧视信息区分胶质瘤与其他肿瘤类型(t以及P值小于0.0269)。同时,脑膜瘤和垂体肿瘤的检索性能是相似的(t以及P值超过0.093)。脑膜瘤和垂体肿瘤的低劣表现可能是由于他们相似的外观和不平衡分布的样本数据集。
三个例子检索性能的不同类别的脑部肿瘤的区域鞠躬表示横向视图所示数据14,15,16,分别。在这些数据中,最左边的是一个查询的形象。蓝色框表示图像相关的查询图像;相反,红色表示图像帧与查询无关的形象。有一个无关紧要的前十名的图像检索图像数据14和16,分别。所有查询的十大图像的神经胶质瘤相关图15。这些结果符合Prec低@10的脑膜瘤和垂体肿瘤前的高@神经胶质瘤的10个表2。
5。讨论和结论
在本文中,我们提出了一个有针对性的弓与病变的医学图像检索方法。有针对性的弓模型,将空间信息添加到弓模型,提出了捕获强度值的统计信息在病变区域和强度变化的lesion-surrounding地区。此外,我们提供了一个全面的概述及其检索方法应用脑部肿瘤在t1加权CE-MRI数据集。我们也研究了各种参数的影响,对整个检索和调谐系统检索的实现高分脑部肿瘤在t1加权CE-MRI数据集。
本文中两个关键特征进行评估的补丁预处理和空间信息的使用的弓表示。如图8补丁正常化和美白的检索性能比那些没有预处理的性能由于不相关的组件和内的局部对比度增强方法预处理块数据。另一方面,一个明显的优势使用预处理补丁在筛选描述符的脑瘤CE-MRI数据集如图8。自筛选描述符可以描述各种结构和大脑肿瘤的组织结构信息缺乏,这些描述符提取不足独特的脑部肿瘤的MRI图像的信息。此外,这些结果再次倒我们之前建议强度值是一个强大的工具在应用程序检索脑部肿瘤的MRI图像。因为它包含了空间信息和领域知识弓模型,针对性鞠躬表示是有利的在大多数场景。如图显著改善11,当肿瘤区域弓和边缘区域弓相结合的检索性能。就像前面提到的2,船头CBIR系统的模型是有用的应用程序。事实上,在我们的实验中,提出了有针对性的弓模型达到平均91.0%的地图不同的观点,这是明显高于其他常用的纹理特征提取方法(图12)。这个结果也支持弓框架在学习特定于任务的适用性和微妙的表示在核磁共振图像。有针对性鞠躬表示也与两个空间弓方法相比,和更好的性能得以实现,如图13。
初步结果表明,区域弓模型可以实现地图的91.0%,91.5%,90.4%,横向,日冕,分别和矢状视图。此外,在3种类型的肿瘤,神经胶质瘤的检索性能最佳,达到95.3%,93.4%,和93.4%的均值图,(电子邮件保护),(电子邮件保护)分别在不同的视图。整体而言,这些结果表明是可行的分离肿瘤图像成肿瘤区域和边缘区域与弓模型,结合空间信息检索相似的大脑病变CE-MRI图像。
在发达检索系统,大脑肿瘤在MRI图像手动了,这不是时间效率和方便。一个可选的解决方案是采用自动或交互式分割的脑瘤。该方法的准确性可能低于手动分割的专家。但是,本文中使用的边缘地区可以弥补这个缺点。强度沿肿瘤边界正常概要文件中提取包含像素内外肿瘤边界。只要真正的肿瘤附近的轮廓分割的边界,肿瘤周围的各种强度仍然可以被边缘地区。这个问题的另一个竞争和实用的解决方案是开发肿瘤区域的自动检测方法,解决我们打算在我们未来的工作重点。
利益冲突
在此作者确认他们没有任何利益冲突。
确认
这项工作是支持由中国国家基础研究计划(973计划)(2010 cb732505),中国国家科学和技术支柱计划(2012 bai14b02)和中国国家自然科学基金(国家自然科学基金委,81101109)。