文摘
大脑MRI分割是一个重要的问题发现大脑结构和微妙的解剖学变化在不同的脑部疾病的诊断。然而,由于几个工件脑组织分割仍然是一个具有挑战性的任务。本文的目的是改善大脑灰质的自动分割,白质和脑脊液磁共振影像(MRI)。我们提出一个自动混合相结合的图像分割方法修改后的统计采用(EM)方法和空间信息与支持向量机(SVM)相结合。合并后的方法更准确的结果能够达到的目标,其个人技术,通过实验演示了真实数据和模拟图像。实验进行合成和真正的核磁共振。提出技术评估的结果与手工分割结果和其他方法基于真实t1大脑扫描从互联网分割存储库(IBSR)和来自BrainWeb模拟图像。Kappa指数计算评估拟议的框架的性能相对于地面实况和专家分割。结果表明,该组合方法都有满意的结果模拟大脑核磁共振和实际数据集。
1。介绍
可视化和三维(3 d)处理医学图像的快速发展的研究领域。特别是准确和可靠的图像分割技术是一个研究课题,一直是多年来医学图像分析中的核心问题。特别是大脑先生的分割图像目标分配每个特定组织体素类问题受到越来越多的重视。
多峰性成像技术是有价值的医学和临床研究,以及其他领域。正电子发射断层扫描(1)、计算机断层扫描(CT)、磁共振成像(MRI),数字乳房x光检查,超声波或单光子发射计算机断层扫描(SPECT)和x射线的提供有效的方法表示主题的解剖学2,3]。高空间分辨率和良好的软组织对比在核磁共振脑图像和先生还进展系统使它们适合于这一目标的实现(4,5]。在医学和临床研究大脑结构,组织规模的描述是治疗的一个重要方面,应该准确地执行。
大多数程序依赖挤牙膏式的人类知识交互输入劳动密集型和费时。这些方法受到国际米兰,intraobserver可变性(4]。Intraobserver变化发生在同一个用户在不同场合做出不同的选择,产生不同的结果(每次6,7]。Interobserver变异发生在不同的用户做出不同的选择,影响分割结果(8]。这通常会导致需要可靠的和精确的核磁共振脑图像的自动分割和也定义肿瘤或损伤如果存在9,10]。
此外,一个健壮的分段诊断疾病的病变是一个非常重要的阶段(11,12),监测治疗,研究疾病进展,电脑一体机手术。也明显的感兴趣的研究区域的灰质和白质(WM) (13]在大脑的几个发展阶段5,14,15]。在神经影像,自动三维(3 d)分割的大脑图像在WM先生,通用、和脑脊液(CSF)已经收到了大量的关注,因为它是非常重要的定量分析的图像。在本文中,我们使用一些技术对大脑分割成WM,通用汽车和脑脊液。
有广泛的自动分割技术提出了在文献中。中发现的主要问题先生图像的自动分割源于这样一个事实,即图像的强度并不一定常数对每个组织类(16]。
在模糊聚类算法,模糊意思是一个功能强大的技术,已广泛应用于图像分割先生(17)压的部分分为各种类对每个类(使用不同的会员18,19]。模糊意思是首次由邓恩(20.)和概括则算法允许软分割(21]。范教授扩展标准的FCM技术处理的大脑图像被偏见先生。FCM最大的缺点是对噪声的敏感性。先生总是包括大量的噪声图像,导致与分割进一步退化。许多扩展FCM已报告在文献中克服其缺点,但大多数人仍然有一些问题22]。
许多研究者分割脑MRI通过应用人工神经网络(ANN)。所示的FCM算法和FCM相比,与肿瘤,严重异常的大脑水肿等等,优越的正常的大脑。
Lemieux先生等人有分段的大脑图像WM,通用,CSF使用高斯混合和形态学操作(5,23]。同态滤波技术消除偏见的影响领域常用的,因为它们容易实现。问题是,这种方法是有效的只有在低对比度图像和一些研究人员报道不良工件使用这种方法。
分类器和集群的主要缺点之一是,它们不包含上下文信息。体素的分类是独立于其他所有体素。一个解决方案来处理这个问题是应用马尔可夫随机域(mrf),这是一个统计模型的随机方法。在文献中,3 d MRF已被用于组织分类,假设一个吉布斯高斯混合前。它相当于一个吉布斯联合概率分布,这被定义为一个能量函数(5,24]。
通常处理,图像分类技术可以分为两类:参数和非参数方法。参数方法通常假设大脑遵循一个高斯分布的组织。通常的统计模型参数估计应用最大后验(MAP),最大似然法和采用(EM)算法,用于优化过程(25,26]。
基于EM算法的迭代算法提出了井三世et al。27]。算法也用于消除图像的解剖特点,以及磁场强度不均匀性估计。EM算法的优点是它易于实现,概念简单,事实上,每个迭代改善结果。EM方法的一个主要问题是,它是基于高斯分布模型的强度分布图像,这是不正确的,尤其是对嘈杂的核磁共振。在本文中,我们提出了一个改进EM方法作为初始分割阶段。提出了EM算法克服了使用非对称高斯标准EM技术的缺点。
除了机器学习算法已被证明在许多情况下,产生理想的结果。支持向量机方法被认为是一个好的候选人,因为其高的泛化性能,而不需要先验知识,即使输入空间的维数很高(28]。首次提出了SVM Vapnik和已经吸引了高度的兴趣研究社区内机器学习的类别。一些报纸报道,支持向量机通常更能提供更高的性能方面比其他分类技术作为支持向量机分类精度不受有限的样本和数据维数的限制29日]。在我们的研究中,支持向量分类的关键,是由训练样本的学习,从之前的阶段。
提出了自动框架的关键方面是我们细分任务分为三个阶段,其中每个提取一组不同的问题的约束,同时也简化了每个阶段的输出一个遵循它。后我们的方法预处理步骤的第一步是分类的统计分类技术和提供了一个灰度分类。在这个阶段我们修改EM算法建模WM的潜在分布、通用、CSF,一个初始分类的步骤。然后我们从目标区域提取纹理特征,包括nonoverlapped和重叠体素。通过应用基于共存特征的特征提取方法支持向量机算法之前,会产生一个可靠的类标签图像,从而促进了SVM的一步。随后,我们对保证金使用SVM分类和分割增强。使用支持向量机的目标是为每个重叠体素分配一个标签大脑的边界和提高分割的结果。
这是证明一个健壮的和准确的分割方法可以找到最佳的分割。通过实验证明的真实数据和模拟图像。本文的其余部分组织如下。
节2我们现在新的脑组织的自动分割方法,它结合了三种技术与一些新想法,比个人更健壮的组件。我们一步一步地讲解估计模型参数。节3,我们目前的实验结果提出了技术。在本节中,我们讨论问题验证医学图像分割和也提出了一个模拟和实际数据库上的比较我们的结果。该方法的分割性能评估。部分4包含了讨论和结论。
拟议的组合方法是准确和快速的找到最优分割的方式,考虑到强度模型将空间一致性假设。
2。材料和方法
修改我们的分类方法包括三个步骤:基于EM分割方法,特征提取,和非线性分类详细。在第一步之前大脑分类我们试图提取图像。先生补偿不均匀性和部分体积效应应用实际分割前的预处理步骤,解释如下。
2.1。头骨剥离
核磁共振分析的首要任务是定义大脑和nonbrain体素。这项工作涉及主要的大脑组织:WM,通用汽车和脑脊液。这些主要组织的被测信号强度可能重叠的其他组织,如骨骼、脂肪、皮肤、硬脑膜和肌肉。这个问题复杂化可靠的大脑分割。脑颅骨表面剥离的MRI分割的重要预处理步骤。在本文中,我们把头骨,头皮和其他外部组织的大脑图像通过使用大脑表面提取器(疯牛病)。
2.2。图像不均匀性的补偿
先生的磁化率变化图像造成的强度不均匀性(偏见字段),防止描述体素组织内容完全基于图像强度(30.]。因此分割和量化分析的图像需要偏差场校正。我们应用偏差场校正器(黄东海软件与疯牛病头骨剥离后的每个图像。均是用来弥补强度不均匀性(26]。疯牛病和实现黄东海BrainSuite包(http://brainsuite.usc.edu/)。
2.3。部分体积估算
部分体积估计(牛皮纸)是由有限的空间分辨率的成像设备,由于人类大脑解剖的复杂性。先生这一现象中创建图像当多个组织类型发生在体素,和体素的组合不同的组织,如WM和通用汽车(27,28]。部分体积效应模糊强度的边缘组织类之间的区别这两个组织。每个组织类型的数量的估计在每个体素近年来获得了相当大的兴趣。牛皮纸是一个重要的阶段当一个健壮的和准确的细分是必要的。
我们使用修剪协方差最小行列式(TMCD)技术光伏模型的参数估计的摘要(31日]。这种技术是基于修剪协方差最小行列式参数估计和基于磁流变液的组织分类29日]。我们计算分数为每个图像使用PVC软件组织的价值观。
结果三张图片的三个主要组织类型的CSF,通用汽车,和WM,分别的元素反映的比例在每个体素对应的组织类型。也该算法将体素分为三个主要组织类型和他们的部分体积混合物(CSF /背景,CSF /通用汽车和通用汽车/ WM)。根据部分体积分类、体素属于纯CSF或CSF /背景从头骨剥夺了体积和剩余的体积将处理分解。
2.4。注册和阿特拉斯对齐
预处理步骤中我们进行了空间注册(对齐)的输入图像。图像配准是调整图像的操作与相应的功能。对于大多数类型的图像处理在两个或两个以上的图像,它要求图像是一致的,所以,在所有图像体素位置代表相同的解剖位置。我们进行了仿射登记12自由度(30.- - - - - -32]。
2.5。大脑分割
本文提出了一种新颖的算法框架,我们集成不同类型的信息,先生强度、结构特性、体素位置,与相邻的像素点之间的关系,提高分割的整体性能。
第一步是EM算法扩展到最初的部分大脑分成三个组织。修改他们的初始分割结果优于标准。我们把修改的原因他们到下一个阶段如下。(我)因为大脑区域的像素点,特别是在边缘和边界,并不由先生独特的强度图像由于工件和重叠体素的存在,还需要进一步处理,以确保强劲的分割。由于所提到的问题,一些体素被分割在第一阶段有两个组织类型,如通用、脑脊液或通用,WM。(2)因为强度信息用于第一步是不足够强大的分割,纹理特征和空间关系的体素进行下一个步骤。在第二步中我们提取nonoverlapped地区的一些结构特征,同时也提高SVM训练过程,重叠体素提取随机的一些特性。最后SVM算法应用于识别重叠体素使用提取特性。我们也使用支持向量机分类器对大脑边缘分类和分割增强。换句话说在SVM阶段我们应用nonoverlapped和重叠压训练阶段和测试阶段重叠体素。使用重叠体素除了nonoverlapped地区SVM训练步骤导致更精确的分割。因此支持向量机阶段提高了分割结果。它代表了每个方法的结果,然后精制与下一个方法。在下一节中描述三个步骤。我们方法的概述图所示1。
2.6。EM-Based算法
采用算法(EM)算法来找到缺失的数据是基于观测数据和最大似然参数估计。在先生的自动化的基于模型的偏差场校正图像的大脑观察到的信息是图像的强度,丢失的数据标签,和参数标准差的高斯分布,这是假定每个组织类的强度分布。EM算法是一种迭代方法,上面两个步骤:期望步骤(E-step),即计算每个立体像素属于每个类的后验概率(WM、通用汽车和CSF)和最大化与高斯分布参数的最大似然估计。最大的值作为新的参数(32]。
随机观察的强度th体素的大脑区域感兴趣(33]。让和证明高斯分布的参数。高斯混合可以表示来表示的参数高斯分布。的高斯混合可以解释为组织类 在哪里组织类的权重, 未知的参数可以估计应用最大似然估计(标定)技术。是像素点的数量,和立体像素强度的集合。体素的可能性与未知参数强度数据显示如下: 创建的ML估计求解正规方程中的参数,来自第一次偏导数(3)等同于零对未知参数。相同的符号应用的条件概率及其估计(4,5]。
让后验概率和随机观察属于类别。考虑 期望一步更新后验概率的最新估计未知参数这是在迭代。后验概率似然方程承认。最大化一步估计和通过插入(4)这些方程(7]: 在哪里和的平均强度和标准偏差th类,分别。该算法简单E-step M-step直到之间继续迭代收敛到局部极大值。
然后分配获得的分割结果th体素的组织类的最大后验概率(4)[4,5]。
2.7。修改他们
基于EM方法本质上模型的图像分类图像的强度作为一个有限的混合物组织类。基于标准的分类可能无法准确识别个体的组织类型。换句话说基于EM技术的主要缺点是,他们是基于对称的高斯分布模型的强度分布的大脑图像(见图2)。这并不是真正的现实MRI中,尤其是对噪声图像。在实际图像估计高斯分布由原始直方图(不是很合身5),因为他们没有三个正常高斯函数由于噪声的存在,工件和重叠直方图(图中高斯函数2)。
先生通常在现实图像的标准差估计高斯的两面是不同的。因此大脑组织的强度分布可以改变在这些图像信息是不对称的。因此个人组织的强度可能显示倾斜或传播形状之间的大脑图像可能不是由一个高斯分布(图安装3)。例如,CSF强度对T1大脑图像通常传播大范围的低端直方图和显示一个重叠的转基因组织(5]。在这种不对称的高斯分布,如果我们使用标准的EM,一边的估计标准偏差是真,另一边是不准确的。因此参数的估计不是完全可以接受的。
使用非对称分布的扩展他们详细解释如下。
如前所述,EM算法来估计均值和标准差的高斯分布在两个不同的步骤(E-step和M-step)达到最优高斯模型。在扩展模型,非对称高斯观测变量,潜变量和正交矩阵(34]。潜变量是一个不同的点之间的非对称高斯和标准EM方法。以下分布概率密度函数的定义元素。考虑 在哪里和估计使用标准EM和之间的线性系数的标准差。方程(6)表明,提到密度模型有一个不对称的分布(见图4)。在这项研究中,我们假设和的平均值和标准偏差是高斯的一侧,分别和两个标准差之间的关系如下: 正如前面提到过的大脑的图像有一个混合物先生三个高斯分布(7),其中每个组件分别估计在这个研究。计算错误,我们单独每个分布直方图。因此,在误差估计我们只是整个直方图分割成三个独立的高斯函数。这三个高斯函数重叠在两点,梯度变化的迹象,这两点也是当地最低(见图5)。这意味着凹度这两个点是正的。因此,重叠点是点的一阶导数的符号改变和二阶导数是积极的迹象。这是基于一个简单的梯度方法分离三个高斯分布。在这一步中,我们有两个重叠点分布直方图,给三个或三个类,WM,通用汽车和脑脊液。
(一)
(b)
在下一步中,对于每个高斯,我们固定的估计和作为最终的估计标准偏差值然后我们决定另一边。定义的最终价值,我们应用迭代偏差估计高斯和真实图像直方图之间的技术。由于我们假定分布(6),一边的标准差的高斯正比于另一边的标准差(见(7))。在下一步中,我们认为的初始值是1;然后值逐渐增加。”“价值应逐步增加。“不断增加的趋势,”将会持续,直到到达阈值的错误。实验这一步骤是固定的10%。较小的步骤增加处理时间和准确性,但增加的百分比精度并不重要。我们使用RMS阈值方法定义的阈值(35]。
计算错误这是一个自然或实数。如果错误是通过增加急剧增加,的数量应该从初始值降低。如果增加减少的数量误差这一过程将继续,直到误差已达到阈值(最小误差)。的最小计算误差表明最好的价值因此最终的标准偏差的价值。
然而该方法需要大量的迭代达到定义的阈值和收敛。换句话说,算法参数的初始值开始,E - M-steps直到之间的一个周期收敛到局部极大值。理论上,基于EM的方法保证收敛,他们执行ML估计模型参数的收敛速度快。加快算法的收敛速度,我们提供一个停止使用均方根误差(标准35]。通过应用连续均方根误差时,我们能够找到进步或停止过程(35]。
三个组织类的计算误差最小。换句话说,基于估计的误差,我们改变了标准偏差得到最好的价值。这是一个迭代技术达到最优参数。
计算错误,我们都认为强度先生的大脑图像。换句话说,估计和实际图像直方图分布应该在每个强度相比。错误的数量估计分布和原始之间的平均差异相关的强度: 在哪里是由高斯分布的强度,的体素相关强度的直方图,然后呢的体素相关的强度估计的直方图。因此,在本节中最小误差估计和最佳参数。最后,它重复两次提供最适合的三个分布直方图。
修改后的EM收敛,然后最大化似然函数的参数应用于脑图像分割成三个组织类。在这一步我们加入计算概率的估计参数。最初的脑容量是通过添加像素点更新,这是贴上脑区(WM、通用汽车和CSF)基于成员概率的值。这个流程将继续通过检查每一个已经贴上一个相邻的体素,直到左右脑容量保持不变的。最外层的体素对应的脑容量提供最终的大脑左和右边界。每一个标记的像素点的坐标存储,以避免反复检查相邻的体素在脑容量的更新。
修改后的算法总结如下。(1)选择高斯分布的数量和他们单独基于基于梯度的方法。(2)选择一个高斯分布的直方图。(3)初始化参数如下。E-step:估计分布的标签给一定的固定模式。M-step:选择新的参数模型,以最大化预期观测数据和隐藏变量的对数似。输出:这些是和。(4)下面的假定。(一)估计是正确的标准偏差的一边。(b)标准偏差的另一边。 每变化10%计算。定义的阈值确定何时应该停止计算。(5)计算误差估计的分布和实际图像直方图和获得的最优值。如果错误已经达到阈值(一个可接受的错误定义在第一阶段)然后评估完成。如果误差超过阈值,估计将持续。(6)继续步骤(4)和(5),直到达到收敛序列的参数。(7)保持估计分布,估计下一个分开。(8)加入计算概率的估计参数。(9)分配每个体素类。然而,由于通用汽车之间的强度相似和CSF或脑脊液和WM和重叠问题在改善大脑图像先生下一个阶段是需要强大的分割。有一个健壮的和准确的分割在下一步我们将从图像中提取一些结构特征,最后使用支持向量机来提高分类的过程。
2.8。特征提取
特征提取的目的是减少原始数据集通过提取最重要的特性。选择最优特征对分类结果有很强的影响。图像强度是图像分割的最突出的特征。使用强度信息作为唯一的特性,图像由于几个原因是不够的。(我)在一些扫描,nonbrain压强度相似,通用,WM和脑脊液。(2)的强度构造大脑组织切片的不同而不同。(3)在一些片,不同组织的强度是相似的。因此,我们进行了描述纹理图像的纹理分析有足够的特性准确分割。我们也提取有用的特性,比如一线和二阶纹理信息在这项研究中有一个适合所有情况下的分割。
在前一节中立体像素标签最初应用于大脑的各体素使用强度信息和一些新的想法。因为重叠压(边界体素的大脑)有两个标签(通用、脑脊液或通用WM)而不是一个,为了弥补这个问题,应该分类识别重叠压他们完全属于这类。因此,在这一节中有强健的大脑和准确的分割,每个重叠体素及其18-connected邻居作为输入用于3 d统计特征提取技术,这是一个改进阶段。换句话说,应用灰度共生矩阵建立3 d的输入是感兴趣的目标区域在矩形区域(33),是显示在图6。
其中一个重要的问题在图像分析领域的问题是如何确定复杂图像的纹理差异。这些差异往往由于各种强度的像素的相对位置。一种方法来描述这些差异应用灰度共生矩阵建立体素使用的空间关系。
这项工作的目的是概括同现矩阵的概念维欧几里得空间,从矩阵中提取更多的功能。应用灰度共生矩阵建立的矩阵,定义为是一个方阵(大小),在窗口和像素点的总数吗条目表示的数量同现的灰色的水平和体素分离的距离方向。换句话说,应用灰度共生矩阵建立的提供的信息常常灰度发生在不同的方向。通常,四个方向被认为是在二维情况下(图7):,,,13,但在3 d图像的方向。
2.9。应用灰度共生矩阵建立三维
在本文中,我们提出了特征提取应用灰度共生矩阵建立3 d。因此,而不是方形窗口,我们认为是数据集的大小。选择窗口大小与这一步的主要问题之一,因为它可以定义的歧视功能提取的特征。窗口大小的选择分割过程中起着重要的作用。一扇小窗减少计算负担,还使分辨率捕获纹理。此外,大窗户捕获结构特征,但增加了处理和内存需求。此外,小窗户减少处理时间,使结果更加准确,反之亦然,大窗户。通过这种方式,我们选择21 21××21 windows决议和性能之间的权衡。
GLCM计算可以通用 在哪里立体像素的位置,是灰色的数量水平出现在图像或子图象应用灰度共生矩阵建立考虑计算,然后呢是在每个方向上的距离。
应用灰度共生矩阵建立的空间分布特征是一个行之有效的工具,其中包括二阶灰色统计水平在一个图像。二阶统计图像的纹理,因为他们考虑到体素之间的关系在一个窗口。一个元素的位置同现矩阵表示的联合概率密度出现灰色的水平在一个指定的方向和指定的距离从对方。3 d同现矩阵存储共存的双灰色的水平和相隔一段距离(在本研究中,感兴趣的体素)在13个方向的体素(VOI)。本文对每个距离()十三3 d同现矩阵特性计算的滑动窗口(××21日21日21)在脑容量,比如;角二阶矩、对比、相关、方差、逆不同时刻,等等。
另外两个一阶纹理特性(每个特性的平均值和标准偏差)的13个同现矩阵计算(对应于13方向),包括26 GLCM-based每个距离特性。总的来说,每VOI 130特性计算。
2.10。特征选择
正如前面提出的二阶(结构)和一阶和直方图特征就是从图像中提取出来的。因为使用的所有特性不提供最好的结果下一个优先选择特征子集的最有可能识别一个组织类从另一个。面临的挑战是,即使应用灰度共生矩阵建立适度的方法与3 d和4可以创建更多的纹理特征值适合的病例数进行分类。有许多可用的技术特征的降维。
本文逐步判别分析(SDA),是一种统计的方法是用来减少的尺寸特性33]。判别函数分析进行相同的任务为多元线性回归预测结果。多元线性回归的因变量是有限的情况下设在一个区间变量。因此,预测的组合将创建估计平均数值值给定值的加权组合值。判别分析(DA)是早期选择最近主要是使用逻辑回归。
特征选择后一步的子集特性被用来分析图像真实和模拟数据库,并提供一个强大的分割使用的最后一步(支持向量机)。我们使用支持向量机分类器特别是对大脑边缘分类和分割增强。
2.11。使用支持向量机分割增强
摘要大脑模式识别和描述最初是通过分类基于扩展的脑容量为三个类EM方法。由于工件的存在和重叠区域的大脑图像的直方图扩展EM方法是不够准确的分割。因此特征提取和支持向量机分类执行获得令人满意的结果。图片没有工件SVM步骤不会改变分割结果。问题是,所有的MRI图像构件在某种程度上,因为这些工件改进阶段的存在是必要的。此外如前所述,在大脑图像尤其是边界重叠体素的直方图。这些重叠体素的存在是不可避免的在MRI分割不准确。
在我们的例子中,大部分的假阳性和假阴性的WM显然是位于大脑的边界。特别是WM在大脑的假阳性和假阴性的边界可能有大影响相对较小的WM总量。这个问题也是类似的灰质和脑脊液。在这项研究中一个后处理步骤应用于补偿这个问题。换句话说,在图的目标区域6两个高斯函数加入时,错误的积极和消极达到最大值,反面的高斯函数减少假阳性和假阴性。在这些领域问题是每个重叠体素都有两个标签,而不是一个标签,这个问题会降低算法的准确性。本文为了解决这个问题我们使用支持向量机分类器作为后处理一步,这也是一个众所周知的边界识别的方法。
支持向量机是目前被认为是最先进的方法来解决二元分类问题。因为泛化能力,支持向量机在不同的应用程序(经历了巨大的成功3,36]。自从svm试图最大限度地分离,泛化性能不大幅下降甚至当训练数据不足。支持向量机适合分类的对象,这不是线性可分的。这些对象是通过内核映射到一个高维特征空间变换。我们也可以更换或结合支持向量机与其他分类器有更好的分割结果37]。
特别是在本研究采用支持向量机分类器作为增强阶段细分为每个重叠VOI分配一个标签样本的每个类。这种方法还用于排名计算特征提取的特征。
SVM是一个线性分类器的区别对待,被Vapnik在统计机器学习理论发展为一个线性二元分类器。在这个阶段训练SVM分类器为每个大脑组织基于目标区域的提取特征的集合。大多数特性提取nonoverlapped地区。除了提高SVM训练过程中,一些功能重叠体素的提取。在本节中支持向量简要描述。
SVM分类器需要一个训练步骤定义一个分离超平面特征空间中的数据。这些超平面单独的各种组织类,这样的类之间的利润率是最大的优势。
支持向量机算法的吸引人的特点是,他们提供了可能性应用核函数将数据转换为高维特征空间。内核数据线性分离与最大的优势。软边缘分类我们使用松弛变量。在这篇文章中,使非线性决策函数中,我们使用径向基函数(RBF)内核支持向量机分类器的参数选择。由于支持向量机算法是设计为两级分类,支持多级分类的分类是延长one-against-the-others策略。脑组织的SVM分类器分配一个标签使用提取的特征。的特征提取(××21日21日)21日VOI集中在体素被贴上。就像前面提到的2。8窗口大小的选择,在分类过程中,扮演着重要的角色,因为它可能确定提取的特征的辨别能力。
在支持向量机步骤中,滑动窗口沿着目标区域和标签重叠压在这个地区。支持向量机的输入包括重叠和一些nonoverlapped压在目标区域。
我们进行了两步的训练过程。在第一步中,每个主题是单独训练。提高培训过程中,我们使用重叠和一些nonoverlapped体素作为训练数据和重叠体素作为测试数据。在第二步中,我们使用所有对象都有一个精确的和健壮的分类器。因为重叠体素的问题是在该地区分割的第一步后,他们中的大多数有两个标签,和我们这些体素用于测试步骤。最后在测试步骤执行体素标签完全和每个体素属于一个类。
在本节中12个主题IBSR t1影像和12 BrainWeb样本数据集应用于培训过程。我们使用8个科目作为训练数据和4剩余科目测试在每个数据集训练过程的性能。支持向量机训练需要修复错误分类的点球术语()。在这一系列的实验中,设置为100。适当的选择RBF核内的指标,在实现“飞跃”没有发生,通常预期通过使用RBF内核。或拉普拉斯算子RBF内核减少高斯RBF出错率从30%左右降至不到10%。这不仅改进是由于选择合适的指标,而且由于合适的支持向量机的泛化。SVM分类器训练总共10 000个样本/训练大脑提供的图像被随机选中的面具。
3所示。实验结果和讨论
在这项研究中评估的性能技术我们完成了两组实验,提出一个模拟图像,另一个在真实的数据。因为在这些情况下地面真理(解剖模型或专家分割)可用,这是可行的定量评价方法在不同条件下的性能和比较结果与其他先进的方法。评估算法的性能在实际图像我们比较结果与专家从IBSR分割图像数据集,最后比较了结果(索引)和其他先进的方法。在下一节中给出的评估结果。
数据收集的可靠性是一个组件的整体信心算法精度。评定等级的可靠性的重要性在于,它演示了在多大程度上收集的数据的研究是正确示范测量的变量。测量数据的程度评级机构相同的值分配给相同的变量叫做评分者间信度(38]。尽管有不同的技术来测量评分者间信度,它是测量作为协议百分比,作为协议的数量计算分数除以总数量的分数(38]。
由于这个原因,在一些研究文献中标准Jaccard相似性指数计算的图像。这个指标措施等两个集合之间的相似之处和十字路口的数量的比率除以工会使用的数量(10)[5]。两套和,分别表示创建的标准和黄金分割。考虑 其他指标通常用于比较集相似性是科恩Kappa统计或者只是Kappa系数(39),它被定义为 卡巴是最常用的统计文献中测试评分者间信度(38]。这个指标表明,这是一个特例指数,适用于图像分割算法的评价(39]。指标比Jaccard度量大,除了在1和0。这些指标是相互关联的函数(40] 两指标都同意1意味着两组相似,0意味着两组是不同的。为了比较,提到的指标是一致的。例如,增加指数意味着增加Jaccard指标(40]。摘要Kappa系数定义为幻影和真实的数据集和这项研究的结果发表在接下来的部分。
3.1。模拟大脑核磁共振
随着地面实况图像是未知的真实数据,该算法首先评估在模拟图像。了解解剖模型(地面实况)我们可以定量评估不同的方法并比较它们的性能。
BrainWeb先生图片数据集提供模拟的大脑对不同采集参数和收购模式像T1和T240]。我们应用模拟扫描先生的头是使用BrianWeb模拟器(可以从生成的http://www.bic.mni.mcgill.ca/brainweb/麦康奈尔脑成像中心)由蒙特利尔神经学研究所(MNI) [41]。每个形象先生提供了一个地面实况,提供主要组织为每个体素类标签。技术,认为BrainWeb图像与古典采集参数选择(对一个标准的脑MRI收购),也就是说,通过考虑t1影像,1毫米的决议。重复的时间等于18女士和回波时间被设置为10 ms。我们使用18综合卷。BrainWeb数据集中的噪声污染(即六度。,pn0, pn1, pn3, pn5, pn7, and pn9) and the bias field (intensity nonuniformity) can be specified at three different levels (i.e., rf0, rf20, and rf40). For both our labeled results and the ground truth labeling, we generated three-class labeling (see Figure8)。WM Kappa系数计算,通用汽车组织为每个体积比地面真理(42]。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
指出该方法的贡献,我们将该方法与模糊和nonfuzzy方法与不同Rician噪音和20%的不均匀性,如表所示1。每个技术的结果平均18卷。模糊方法FCM (40]和NL-FCM [43)和nonfuzzy方法EM, SPM 5 (4,25,44],HMC [45),和快45]。SPM5, FCM、EM和快脑MRI分割软件是免费提供参考。我们进行了实验定义噪声的鲁棒性提出与BrainWeb t1影像技术。
在这项研究中,显示在表的第一行,每个方法被定义为百分比值的指数。百分比值是计算的数值乘以100年指标。
Kappa平均指标在不同的方法在所有18卷WM和通用图所示9。因为它可以从表观察1和图在图9该方法有明显的优势超过其他方法特别是在图像卷随机噪声(即的严重污染。pn0-pn9)。为例,介绍了马尔可夫随机表中的字段和快速的方法优于我们的方法在低噪音,但是在高层噪声方法优越。除了表1表明基于FCM算法在嘈杂的图像应用程序并不是一个可靠的方法。该方法也带来了令人满意的结果与标准相比他们由于准确演示的强度分布和使用其他功能分割。不同的噪声水平的平均Kappa索引WM EM = 88.36, SPM 5 = 91.07, FCM = 91.4, HMC = 94.6, NL-FCM = 90.86,该方法快速= 94.72,= 94.46。通用汽车的平均Kappa指标细分EM = 88.61, SPM 5 = 91.1, FCM = 91.3, HMC = 94.03, NL-FCM = 90.9, NL-Fast = 93.9,该方法= 94。
(一)
(b)
3.2。真正的大脑核磁共振
该算法也应用于真实图像,先生从互联网上获得大脑分割存储库(IBSR),这是可用的http://www.nitrc.org/projects/ibsr。这些大脑图像数据集和他们的手工分割的形态学分析中心提供的马萨诸塞州综合医院。这个数据集的图像是一组18三维脑图像分割卷专家。这些图像的分辨率变化从0.8×0.8×1.5到1.0×1.0×1.5毫米,他们有一个大小为256×256×128像素点。全球IBSR数据集的计算时间然后类似BrainWeb形象之一。
处理实际数据时,我们面对的问题使用大脑表面提取器(BSE)分离从nonbrain组织。事实上,一些nonbrain地区仍然出现在图片,有辱人格的分割结果。为了处理这个问题,我们使用atlas nonbrain分离组织。
视觉评估,选择两片从IBSR数据集和方法应用。数据10 ()和10 (b)显示两个原始选片。手动分割结果如图10 (c)和10 (d),分别。相应的分割结果通过我们的方法如图10 (e)和10 (f),分别。图11展示了另一片原始IBSR卷后大脑分割。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
与手工分割图像比较表明,该方法的输出提供了令人满意的结果,因为手动分割和自动分割图像之间的相似性可以观察(见图10和11)。更多分析,我们的方法是应用于所有18 IBSR真实图像,测量两组我们计算之间的相似之处索引图像并把他们与其他的最先进的方法。结果比较令人满意的基础上索引值(见表1和2)。
自IBSR脑MR图像通常是用于验证的组织分割,结果提到算法相比可以获得的其他先进的技术,特别是以下的:隐藏的马尔可夫链(HMC) (43,46),采用(EM),统计参数映射(SPM 5) (4,45),模糊——(FCM),外地模糊——(NL-FCM) [45]。
基于这些考虑,重叠措施WM和通用计算的平均结果18例相比,这些其他的技术。
自从IBSR大脑的图像数据集只分割成纯粹的组织类,我们的分割结果转换成三个类(WM、通用汽车和CSF)。IBSR地面真理只包含内部CSF,而我们的技术还定义了沟的CSF, CSF我们不报告结果。定量意味着结果也呈现在表2而结果为每个方法进行描述。
从表的措施2,似乎所有的分割算法被认为是在这些实验提供大约WM相似的结果。当考虑结果,使用该方法在全球范围内导致更好的结果比其他先进的技术方面的(均值和标准偏差)。
图12介绍了k指数18卷从IBSR数据库。在图的值重叠措施12基于发表结果和免费可用的参考软件脑部MRI分割。
(一)
(b)
的平均k指数WM IBSR数据集分割略有改善。另一方面通用分割的平均Kappa索引建议改进是重要的。这种变异可能是由于各种空间复杂性的WM和通用汽车。然而,WM和通用、压相同的组织类彼此相连;转基因组织本质上是比WM更曲折的组织。一起的事实标准高斯模型不精确演示真实图像的强度分布,提出技术改进分割。换句话说,该方法的更好的性能标准EM可以归因于其强度分布的准确的示范。平均而言,然而,该技术仍然优于其他竞争技术分类通用体素。IBSR图像的平均Kappa索引WM EM = 86, SPM 5 = 85.3, FCM = 85.4, HMC = 86.91,该方法NL-FCM = 84.83, = 87.20。通用汽车的平均Kappa指标细分EM = 78.72, SPM 5 = 78.6, FCM = 83.16, HMC = 80.36,该方法NL-FCM = 78.9, = 84.40。此外,大脑提取步骤可能导致最终结果的差异细分的k指数、体素在分割引用的数量可以根据不同大脑提取算法。
作为统计分析我们认为标准差和均值指数18真实图像和不同的方法。技术的鲁棒性和准确性可能被评估的平均值和标准偏差。换句话说大意味着导致更精确的结果和标准偏差越小导致鲁棒性(见图13)。在图13垂直线条展示标准差和蓝色的图表示的意思是重叠率不同的18真正的核磁共振成像的技术。图13和表2显示,该算法优于其他竞争的方法。
(一)
(b)
在WM分割重叠衡量我们的方法是88.35,比其他方法高出2%到5%。此外的标准差该方法指数为1.70,比其他方法低1%到4%。此外,通用的分类,我们的算法的结果明显优于WM分割。
此外,大脑提取步骤可能会导致大脑的结果差异分类的指数,体素的分割引用的数量可能取决于大脑提取方法。
4所示。结论
在本文中,我们提出了一种新的自动为脑组织分割算法框架使用一个修改EM的新颖组合,应用灰度共生矩阵建立3 d,并支持向量机。
因为使用强度信息作为唯一的特性在先生的形象是不够的一个健壮的分割,提出了空间信息技术和强度信息在不同阶段使用。用于初始分割的强度信息基于EM方法。特征提取后,我们使用的目标区域分割的第一步训练支持向量机。因此减少支持向量机的训练和测试时间和有一个准确的分割,我们使用位置信息以及核磁共振强度信息作为输入功能。支持向量机分类器是用来分配一个标签重叠VOI的每个类样本。
另一方面,大多数统计分割技术在文献中都假设每个组织类型的强度分布是高斯分布。然而,手动分割结果IBSR数据集提供的建议大脑组织的强度分布可以改变不对称。因此大脑图像的初始分割成原始区域设置通过应用EM方法修改。在这一步我们认为真正的大脑图像先生不对称的高斯分布。提出了EM算法克服了缺点的EM技术使用非对称高斯函数的标准。
这一步演示了一种新的方法来克服的问题估计每个高斯对称的标准偏差的直方图。实验结果表明,该组合的统计和基于机器学习的分类方法可以提高分割的整体性能,而每个组件分别。这是因为该方法利用机器学习方法的分类能力除了强度和位置信息,这是重要的信息分类三维核磁共振成像的大脑到多个类。摘要提高分割的整体性能集成不同类型的功能,结构特性,强度,与相邻的像素点之间的关系,和体素位置。噪声鲁棒性和简单性是两个的优点提出了框架。注册步骤的结果是独立的,它使我们的算法比其他须就产权证的方法。另外因为我们的方法是设计运行在Matlab中,它与平台无关,并可以运行在Linux和Windows操作系统。
为了评估建议的方法,它已经被应用于脑组织分割先生使用真实和模拟数据,产生令人满意的结果对分割的性能。实验结果表明,该集成基于机器学习和统计的分割技术可以提高分割的整体性能,相比单个组件。这种改进是因为该技术利用机器学习算法的分类能力除了位置和立体像素强度信息,是重要的信息对大脑MRI分割成不同的类。
从IBSR真实数据实验,合成图像BrainWeb表明该方法达到更高Kappa与其他方法相比目前使用索引。将空间应用灰度共生矩阵建立技术,如3 d纳入该方法可能会导致有趣的选择。
该方法不仅保留了简单,但也有可能被推广到多元版本适用于分割应用多峰性图像(例如,T1, T2,和PD图像)。实验首先表现在不同的噪声(Rician噪声高达9%)和20%不均匀性BrainWeb先生图像。这些实验显示我们的方法的精度和鲁棒性的存在不同程度的噪音和偏见。额外的实验从IBSR数据库运行在真正的图像先生已经证明该方法可靠地提取脑组织,准确度与最先进的技术。
在应用方面,该技术可用于低对比度图像的情况下(挑战固有的低对比度组织边界),例如,在研究发展中人类胎儿。延长肿瘤疾病检测的方法是对未来下一个具有挑战性的任务。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
作者要感谢金融支持研究大学授予的马来西亚高等教育授予GUP-04H40(邻蒙古)项目。也,谢谢由于研究管理中心(RMC)马来西亚各种大学(UTM)研究环境来完成这项工作。