贝叶斯聚类和结构的支持向量机分割Multicontrast MRI的颈动脉斑块

文摘

颈动脉斑块的准确分割图像先生不仅是一个关键部分也为体内血小板分析必不可少的步骤。由于模糊图像,它很难实现自动分割。两种分类模型,贝叶斯聚类和SSVM,摘要介绍了颈动脉段内腔壁。比较实验结果表明SSVM比贝叶斯的分割性能。

1。介绍

心血管疾病(心血管病)是全球死亡的主要原因根据世界卫生组织的最新数据。动脉粥样硬化是一种系统的炎性疾病,据估计,负责心血管疾病在很大程度上。因此,有相当大的兴趣描述动脉粥样硬化斑块的适当的治疗计划。在过去20年研究表明,斑块易损性是非常相对于其结构,如腔条件下,动脉粥样硬化斑块内组件(1- - - - - -5]。

作为基本步骤,动脉壁应准确分割。同时,明确检测墙内是非常重要的每个组件定位正确斑块,这也是非常重要的成分分析等后续手续。

自动化分析颈动脉的斑块成分已被许多研究人员提出。不同的成像技术总是带来不同的图像特征,这将限制适用的方法分割的方法不同。在当前标准成像技术在临床,体内multicontrast MRI技术通常被验证是有效地用来量化斑块的组成(6]。大多数分割方法基于这种成像技术通常是基于手工提取大量的轮廓。自动分割不仅使不同的组合multicontrast-weighted先生的形象,而且还可以进一步充分利用不同图像的优势提高分类的准确率腔内的组件。其他令人印象深刻的实验也进行了通过使用基于模型的聚类和模糊聚类(7),最大似然分类器和nearest-mean分类器(8),morphology-enhanced概率地图(9k -均值聚类(),10]。这些方法大多基于voxel-wise统计分类,和手动分析不能完全取代他们。一个自动的方法被用来段的颈动脉斑块CT血管造影(CTA) [11)有潜力取代人工分析。首先,血管腔被分割。随后,分类器训练对每个像素进行分类。然而,这种算法需要改进处理multicontrast-weighted先生的形象。此外,为了提供更准确和客观的真理,同时分割和注册模式12]在登记是必要的。该方法是一种基于同步活动轮廓模型分割和登记属于mutual-information-based登记(13]。因此,研究关于分割斑块是至关重要的。

本文组织如下。研究颈动脉斑块的意义,简要介绍了当前研究贡献部分1。部分2主要集中在描述ill-illumination等主要和特殊预处理时,图像配准。两种模型用于段壁边界望见在详细的部分3。部分4关注两个算法来段内腔,结论和进一步的工作提出了部分5。

2。测试图像集

斑块的完整过程分析系统组织如下,这是由四个模块组成。首先,颈动脉区域应当分开原核磁共振图像,然后进入预处理部分包括噪声去除和照度均匀。之后,内腔和外墙所获得的图像。后者操作与提取和建模基本块组件,基于FSI(固耦合)和力学分析理论也将引入估计斑块的风险程度。在图的步骤1将在本文中详细讨论。

2.1。收购的测试图像集

图像中使用我们的研究是由一位名叫通用电气的磁共振扫描仪获得标记。把图2(一个)例如,它可以发现颈动脉由两个矩形标记紧密包围其他组织如肌肉、脂肪、骨骼和其他船只在512 mm×512 mm MRI图像。为了处理颈动脉单独如图2 (b)每个动脉、小ROI区域应该首先从原始扫描图像分割挑选的动脉质心大小是81毫米×81毫米。减少感兴趣区域有效地避免了令人不安的从其他组织也提高了计算速度。

MRI收购的细节已经被发表在14]。简要来说,患者接受颈动脉的高分辨率核磁共振1.5特斯拉的核磁共振成像系统(命名为标记HDx通用电气医疗集团,沃基肖,WI,美国)与4-channel相控阵脖子线圈(命名为扣带皮层部位、Machnet BV Elde,荷兰)。工件产生运动是最小化通过使用一个专用的真空头枕系统(VAC-LOK缓冲,肿瘤系统有限公司,英国。它是用来解决病人的头部和颈部一个舒适的位置,避免发生的人工制品。在最初日冕定位器序列采样和测试,二维(2 d)轴向time-of-fight (TOF)进行血管造影先生确定颈动脉分叉的位置和最大狭窄的地区。轴向图像通过颈总动脉12毫米(4片)在颈动脉分叉点12毫米(4片)远端在TOF狭窄的程度确定序列。这种方法可以确保整个地区的颈动脉斑块完全成像。

来描述不同的磁共振成像序列的特点,使用以下参数:T1加权(重复时间/回波时间:1×RR / 7.8 ms)与脂肪饱和,T2加权(重复时间/回波时间:2×RR / 100 ms)与脂肪饱和,质子密度加权(重复时间/回波时间:2×RR / 7.8 ms)与脂肪饱和,和短时反转恢复(重复时间/回波时间/反转时间:2×RR / 46/150 ms)。每个先生形象的窗口的视图是10厘米×10厘米,和大小的数据矩阵是512×512。每个像素的空间分辨率达到0.39毫米×0.39毫米。

在图2(一个),两个小的roi,红色矩形是颈动脉大小的力拓81毫米×81毫米。图2 (b)是这两个领域的放大图像。

2.2。预处理

由于线圈的不均匀性,每个图像的强度应该调整相对统一获得相对一致的灰度为后续基于聚类的分割。该地区(14毫米×14毫米),位于中心的船,是选为有趣的地区。图像的对比增加了一个线性变换, 在哪里是初始强度,调整强度,然后呢和的最大强度和最小强度是原始图像。强度均匀的调整结果如图所示3。

2.3。图像配准

根据先生形象的特点,腔的轮廓显然是在序列T1的血液镇压。在图4马克两特征点在图像(a)和(b)作为红点。通常情况下,腔的分岔和狭隘的位置选为标记点登记。

一般来说,图像模糊,如图4。因此很难马克在一些图像特征点。为了解决这个问题,注册方法提出了基于prior-constrained分割尺度空间下颈动脉的狗。从这个名字,分割算法意味着两个部分。首先,灵感来自筛选算法,不同的优势介绍了高斯尺度空间(狗)捕获原始图像中的边缘看起来模棱两可的规模,这是高斯尺度空间的导数规模比例协调。其次,给出一个简单的先验知识,附近的动脉壁是圆的,一个给定的颈动脉壁的厚度将限制搜索区域。之前的形状为外墙分割是至关重要的信息。把墙边界的步骤如图所示5。

然后通过最小化能量函数使用一个梯度流,我们可以实现同步的目标分割和注册(12]。的努力,这种新方法可以减少噪声对原始图像的影响,导致改善登记,另一方面也可以提高分割精度,尤其是对分割模糊图像。

给定两个图像和;对象的轮廓吗,对象的轮廓吗。建立映射。同时分割和注册方法的步骤如下。

步骤1。初始化,,。

步骤2。优化注册参数获得最佳的映射函数。

步骤3。渐屈线获取当前图像的最优分区行,获取当前图像的最优分割行通过。

步骤4。达到最大数量的迭代步骤,或者前后两个迭代的结果小于阈值算法停止,结束;否则转到步骤2。

3所示。造型

比较不同算法的建模的结果,两种模型都是基于贝叶斯分类算法和SSVM(构造支持向量机)进行。

3.1。建立训练集

从核磁共振片匹配的组织学切片,切片选择12和25为分割生成训练集。图像的两片手动分割是基于注册组织学结果和相对强度。总共549像素(每个像素包含4总密度表示不同的对比体重)选择随机的调查。从这些分割结果,确定每个像素属于一个4问题类型包括脂质(表示(表示),正常的问题),钙化(表示),和其他(包括腔内或外的问题,表示)。训练集用于生成概率函数用于确定组织类型的每个像素的概率模型中基于贝叶斯分类。

3.2。基于贝叶斯分类模型

分割算法的最重要的部分是确定每个像素的概率。这些概率代表组织的可能性在当前位置的像素是脂质,钙化,正常的问题,或其他人。

最大分类器是用来确定哪些像素属于问题类型。图6给我们最大的流程图决定概率函数分类器。在哪里先生是一个像素multicontrast加权图像改变了预处理,是决策函数,是class-conditional概率密度函数(pdf)。通过比较值的四个函数,如果是一个像素的最大概率值,那么像素属于和标记。

3.3。模型基于SSVM

最近,结构化的预测已经吸引了太多的关注,许多方法基于它也被开发出来。结构化的学习是结构化预测的主要方法之一,它不仅研究结构良好的输入和输出的问题,还揭示了强大的内在相关性。制定的学习复杂功能的多变量输入和输出之间的依赖关系表示。结构化的学习在解决重要的计算机视觉任务有重大的影响。图7给SSVM获得灰色信息的流程图。迭代训练SSVM的流程图如图8。

4所示。比较

分割的结果28片和34先生图像基于贝叶斯和SSVM见图9。

见图9,术语分类算法的分割结果表明SSVM的性能远优于贝叶斯由于前者包括结构信息,SSVM的分割和平滑效果也明显。

图片所呈现的结果是不够的进行评估。这里定义一个名为误分类率的参数来判断每个算法的准确性。

在本文的实验中,选择切片图像先生是被全球强度从20%变化到40%,增加1% - -9%的噪音。误分类率,一个评估标准,定义为像素分类错误的比率,这个类的像素总数。它是制定(2)如下: 在哪里组织的错误吗;假阳性反应(像素属于组织但被归为其他组织);是假阴性反应(像素不属于组织但被列为组织类型);组织类型的像素的总数吗。

腔通过贝叶斯的误分类率和SSVM算法列在表中1。从统计数据表所示1,可以看出SSVM造成的误分类率远低于贝叶斯。这代表SSVM的性能优于贝叶斯,尤其是在高噪音水平。

5。结论

总而言之,本文的工作就是专注于颈动脉斑块的前几个步骤的分析,包括图像的预处理、基于模型的分割腔,斑块和外墙。两种模型,贝叶斯和SSVM分别构建和应用于检测内部墙。应收边界可以通过两个算法,实验结果显示了SSVM的分割性能优于贝叶斯,特别是在图像的噪声水平高。

但是仍有一些需要做的改进在未来打破当前工作的局限性。首先,通过增加结构信息改进贝叶斯更好的性能。其次,引入序列图像跟踪技术研究提高人机交互的性能指定的中心腔。进一步努力应该关注动脉位置估计每个MRI片和利用信息获得的前片挑出动脉当前图像的质心。此外,其他一些算法需要证实,相比之下,他们在处理斑块。

确认

这项工作是由美国国家科学基金会支持部分中国国家自然科学基金委。61173096,61173096,51075367),中国教育部博士基金(20113317110001)和浙江省S和T (2010 r10006 2010 c33095)。

引用

1. z腾,j .他,et al ., a . j . Degnan”关键机械条件在neovessels颈动脉粥样硬化斑块可以促进intraplaque出血,”动脉粥样硬化,卷223,不。2、321 - 326年,2012页。视图:出版商的网站|谷歌学术搜索
2. z邓、陈,a·j·迪格南和j·h·吉拉德(julia Gillard)”描述的治疗在急性症状患者颈动脉粥样硬化斑块破裂后:一个探索性研究使用体内心血管磁共振,”心血管磁共振杂志》上,13卷,不。1,第64条,2011。视图:出版商的网站|谷歌学术搜索
3. 郑胜耀陈和问:关”,形状参数表示的可变形的NURBS模型心脏功能测量,”IEEE生物医学工程,卷。58岁的没有。3、480 - 487年,2011页。视图:出版商的网站|谷歌学术搜索
4. 郑胜耀Chen j . Zhang h . Zhang et al .,“心肌运动分析测定tei-index人类心脏,”传感器,10卷,不。12日,第11439 - 11428页,2010年。视图:出版商的网站|谷歌学术搜索
5. 郑胜耀Chen j .张关,和刘,“检测和修改基于不变矩的形状扭曲的主动形状模型,”专业图像处理,5卷,不。3、273 - 285年,2011页。视图:出版商的网站|谷歌学术搜索
6. r . a . Trivedi j . U-King-Im m . j .坟墓et al .,“Multi-sequence体内MRI可以量化纤维帽和脂质核心组件在人类颈动脉粥样硬化斑块,”欧洲杂志的血管和血管内手术,28卷,不。2、207 - 213年,2004页。视图:出版商的网站|谷歌学术搜索
7. i m . Adame r . j . van der地表古积b·a·沃瑟曼m·a·穆罕默德·j·h·c·Reiber和b·f·Lelieveldt”自动分割和动脉粥样硬化斑块性表征颈动脉图像,先生”磁共振材料在物理学、生物学和医学,16卷,不。5,227 - 234年,2004页。视图:出版商的网站|谷歌学术搜索
8. s e·克拉克诉Beletsky, r·r·哈蒙德r . a . Hegele和b . k . Rutt”验证自动classifiedmagnetic磁共振图像颈动脉斑块组成分析,“中风,37卷,不。1,第97 - 93页,2006。视图:谷歌学术搜索
9. d . f . Liu, m . s .弗格森et al .,“体内自动分割的颈动脉斑块磁共振morphology-enhanced概率地图,”磁共振医学,55卷,不。3、659 - 668年,2006页。视图:出版商的网站|谷歌学术搜索
10. c . Karmonik p . Basto k维氏et al .,“定量分割主要通过特征空间分析颈动脉粥样硬化病变组件基于multicontrast MRI在1.5 T,”IEEE生物医学工程卷,56号2、352 - 360年,2009页。视图:出版商的网站|谷歌学术搜索
11. d . Vukadinovic s Rozie m·范·吉尔et al .,“自动和手动分割的颈动脉粥样硬化斑块体积和组件在CTA:协会与心血管危险因素,”国际心血管成像杂志》上,28卷,不。4、877 - 887年,2012页。视图:出版商的网站|谷歌学术搜索
12. y . Chen s Thiruvenkadam f .黄k . s . Gopinath和r·w·Brigg”同时分割和注册功能图像,先生”第16届国际会议模式识别学报》上,1卷,页747 - 750,魁北克,加拿大,2006。视图:谷歌学术搜索
13. j·p·w·Pluim j·b·a . Maintz和m . a . Viergever”Mutual-information-based登记的医学图像:一项调查,”IEEE医学成像,22卷,不。8,986 - 1004年,2003页。视图:出版商的网站|谷歌学术搜索
14. 萨达特,r . a . Weerakkody d·j·鲍登et al .,“实用的高分辨率成像评估颈动脉斑块形态学先生:症状比较严重,最近有症状和无症状患者颈动脉疾病,”动脉粥样硬化,卷207,不。2、434 - 439年,2009页。视图:出版商的网站|谷歌学术搜索

版权

版权©2012年秋官等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。