文摘

目前提出的大脑分割方法中,脑部肿瘤分割方法基于传统图像处理和机器学习不够理想。因此,上优于大脑深处分割方法被广泛使用。大脑肿瘤分割方法基于深度学习,大脑卷积网络模型具有良好的分割效果。深卷积网络模型的问题是大量的参数和大损失的信息编码和解码的过程。提出了一种深卷积神经网络融合(DCNN-F-SVM)支持向量机算法。拟议的脑瘤细分模式主要分为三个阶段。在第一阶段,一个深卷积神经网络训练学习从图像空间映射到肿瘤标记空间。在第二阶段,预计从深层卷积神经网络训练获得标签输入集成支持向量机分类器的测试图像。在第三阶段,深卷积神经网络和集成支持向量机连接在系列训练分类器。有钱的数据集上运行每个模型和白手起家的数据集段脑部肿瘤。 The segmentation results show that the performance of the proposed model is significantly better than the deep convolutional neural network and the integrated SVM classifier.

1。介绍

脑部肿瘤的发病率随着年龄的增加(1]。本文主要关注神经胶质瘤在脑部肿瘤。根据神经胶质瘤的位置,单元类型,肿瘤的严重性,世界卫生组织神经胶质瘤分类到我~第四的成绩。其中,I和II类低级神经胶质瘤,第三和第四类高档神经胶质瘤(2]。为了方便医生准确地切除神经胶质瘤手术期间,计算机断层扫描(CT)、磁共振成像(MRI),正电子发射计算机断层扫描(PET)和其他成像技术通常用于临床治疗脑胶质瘤的图像分割区域,帮助医生安全移除肿瘤在最大范围内。同时,MRI具有明显的软组织的特点对比,可以提供丰富的生理组织的信息。在神经胶质瘤的临床治疗,MRI是通常用于诊断神经胶质瘤术前,术中,术后。

神经胶质瘤是一种肿瘤坏死核心组成,肿瘤的边缘活动,水肿组织。多核磁共振序列可用于图像不同肿瘤组织(3),如图1。目前,核磁共振成像的神经胶质瘤通常有四个模态序列:t1, post-contrast t1, t2加权和天赋。不同的序列反映不同的神经胶质瘤组织(4]。一般的天赋序列适用于观察水肿组织,和T1ce序列适用于观察肿瘤的活性成分的核心。

神经胶质瘤的mri分割和周围的异常组织促进医生观察每个病人的肿瘤组织的外部形态的神经胶质瘤,也促进了医生的成像进行分析和进一步治疗。因此,神经胶质瘤的分割被认为是神经胶质瘤患者的磁共振成像分析的第一步。因为神经胶质瘤有不同程度的恶化和包含多个肿瘤组织区域和大脑核磁共振是一个多通道和多层三维扫描图像,手动分割的神经胶质瘤地区需要大量的时间和人力。此外,手动分割通常是基于图像的亮度人眼观察到的区域分割,这是容易受到图像生成的质量和尾随者的个人因素。容易错误的分割,分割的冗余区域。因此,在临床实践中,一个完整的自动分割方法具有良好的分割精度,神经胶质瘤是必要的。然而,神经胶质瘤自动分割方法的研究中存在的问题总结如下:(1)神经胶质瘤通常是杰出的图像的像素强度的变化之间的病变区域和周围的正常组织。由于灰度偏移场的存在,相邻的肿瘤组织之间的强度梯度平滑,导致肿瘤组织边界模糊。(2)神经胶质瘤的结构大小不同,形状和位置,使分割算法难以模型。由于神经胶质瘤的生长位置不是固定的,它往往伴随着肿瘤质量效果。 This will cause the surrounding normal brain tissue to be compressed and change its shape, thereby generating irregular background information and increasing the difficulty of segmentation.

目前,基于机器学习的计算机辅助诊断技术已广泛应用于医学图像分析近年来(5- - - - - -14]。因为基于机器学习的算法可以训练模型参数通过各种医学图像的特点,使用训练模型来预测提取的特征,它可以解决分类、回归,在医学图像和聚合。同时,深度学习机器学习技术可以直接获得高维特性直接从数据并自动调整模型参数通过向前传播和back-regulation算法,以便在相关任务的性能模型可以优化。因此,深度学习的医学数据处理技术已经发展成为一个研究热点。

脑部肿瘤分割方法大致可以分为三类:基于传统图像算法(15- - - - - -20.),基于机器学习(21- - - - - -24),和基于深度学习25- - - - - -30.]。近年来,深度学习已成为首选的方法由于其高精度复杂的任务。卷积神经网络(CNN)提出(25)在图像处理领域取得巨大进步。因此,基于卷积神经网络分割方法被广泛使用在肺结节分割,视网膜分割,肝癌分割,和神经胶质瘤分割26]。许多学者已开始应用CNN深度学习神经胶质瘤的分割。文献[31日脑癌)提出了一种基于双通道的分割方法。文献[32训练两cnn段高档神经胶质瘤和低级的神经胶质瘤。文献[33)提出了一种双通道三维CNN对神经胶质瘤分割。

本文主要研究神经胶质瘤的分割方法的基础上,深度学习方法,针对自动、准确地细分神经胶质瘤地区从大脑MRI通过深入学习算法。神经胶质瘤的任务分割,提出了一种DCNN-F-SVM深度分类器。本文的主要研究内容如下:(1)提出了一个新的深度分类器。深的分类器是由卷积神经网络和集成支持向量机算法。首先,CNN是训练学习从图像空间映射到肿瘤标签空间。预测的标签在CNN与测试图像被输入到一个集成支持向量机分类器。为了使结果更准确,我们加深了分类过程再次重复这两个步骤形成的框架下CNN-SVM系列(2)传统的分割方法是使用训练集训练一个合适的分类器,然后测试集验证。在这项研究中提出的方法与传统方法完全不同。该模型主要包括三个阶段:一个是预处理,特征提取,CNN和训练支持向量机。第二个是测试和生成最终的分割结果。三是深化我们的顺序CNN-SVM级联分类器通过迭代步骤(3)该模型适用于公共数据集和白手起家的数据集进行评估。与CNN和支持向量机的分割性能相比,该模型的优越性可以反映在各种评价指标

2。相关的工作

2.1。脑瘤的过程分割算法基于深度学习

在当前提出的神经胶质瘤的分割方法中,传统的图像处理算法的分割结果严重依赖于人工干预,要求和先验约束确保分割效果,导致可怜的鲁棒性和低效率的方法。神经胶质瘤基于机器学习的分类方法需要手动选择图像的特性,所以这种方法的分割效果依赖于人工的特性,和分割算法的泛化能力本身是弱。

基于深度学习神经胶质瘤分类方法可以自动提取图像特征通过神经网络模型和段神经胶质瘤地区。因此,强大的先验约束的缺点,在上面的方法克服了人工干预。自动化和提高分割算法的鲁棒性,和良好的分割结果可以实现大规模的复杂的神经胶质瘤分割场景。图2是神经胶质瘤的流分割算法基于深度学习。这个过程可以描述如下:首先,获得病人的大脑的磁共振成像和使用它作为算法的输入数据;然后,将输入数据分为训练集、验证集,并测试集。与此同时,由于噪声和不均匀等因素强度在原始大脑核磁共振,划分数据需要预处理。常用的神经胶质瘤图像预处理包括图像配准方法,去除颅骨、标准化、强度和偏移校正。接下来,使用预处理输入数据训练深度学习模型。在培训过程中,深模型会自动进行特征提取,并将提取的特征添加到模型结构设计向前传播。同时,多区的神经胶质瘤的面具被用作标签计算损失值,所以相对地调整模型参数在多个迭代性能达到优化模型的目的。然后,在每个迭代结束时,不同的评价指标是用来评估模型的性能,和模型,满足条件的指标保存。最后,高度评价模型用于分割测试集数据获取最后的神经胶质瘤分割结果。

2.2。脑深部肿瘤特性生成方法

cnn是众所周知的实用模型领域的深度学习,和他们的创新想法源于人类大脑神经的处理。感知器模型提出在1980年被认为是原始的卷积神经网络模型。感知器模型是机器学习领域的一个经典的模型,但该模型也有很大的缺点,不能解决XOR问题。在此基础上,参考(34)提出了LeNet模型,有多个卷积层,每一层都是一个完全连接模型训练使用反向传播算法(35]。文献[36)提出了一个名为位移不变性的人工神经网络和并行卷积神经网络的结构进行了研究。然而,这些模型是有限的实验数据和硬件条件。因此,它不适合复杂的任务,比如对象检测和场景分类。为了解决一些问题在卷积神经网络的训练过程,Krizhevsky等人提出了AlexNet模型(37]。为了解决卷积神经网络的过度拟合问题,该模型提出了当地的卷积和Relu技术,和过度拟合的问题是解决了。

CNN本质上是一个多层感知器和多层神经网络,这些层之间有一个明显的序列,它由一个输入层、隐藏层和输出层。可以有多个隐藏层,每一层由多个二维平面。每架飞机包含多个神经元,卷积和隐藏层由一层,将采样层,和一个完全连接层。卷积层和downsampling层交替出现,可以有多个层,和完全连接层也可以有多个层。传统的卷积神经网络的网络结构LeNet图所示3。

卷积层的特征图上一层输出的卷积的卷积核,和相应的偏导数是输入激活函数在一起形成一个输出特征图。将采样层用于特征选择选择代表性的特征。完全连接层神经网络层的作用是将二维分布特征映射到特征向量为更好的分类。输出层是一个简单的分类层,通常使用逻辑回归进行分类。在这里,我们使用将Softmax分类器进行分类。

激活函数通常选择一个非线性函数,以更好地适应非线性模型。选择激活函数需要考虑它的单调性和可微性。常见的激活函数如下所示:(1)Relu功能: (2)Softplus功能:

CNN模型结构更简单,更容易比神经认知机扩大。在神经认知机,将采样层和卷积层交替形成的功能特征提取和抽象,在卷积神经网络卷积层和downsampling层交替,它们的功能是相似的。卷积操作简化了特征提取,激发函数替换多个非线性函数的神经认知机、池操作也简单。CNN算法流程如图4。

2.3。引入脑瘤的数据集

小鬼的挑战在2012年举行了大脑核磁共振数据集与低级神经胶质瘤和高档神经胶质瘤。数据集提供了多个患者的MRI和提供了一个为每个病人神经胶质瘤多区的分割地面实况。其中,地面真值是20分割算法融合的结果,然后手动标记由多个人类专家。每一个有钱的竞争将提供一个公共数据集的神经胶质瘤。然而,神经胶质瘤数据集提供BraTS17以来显著不同于在2016年之前提供的数据集。BraTS14和BraTS16之间使用的数据集包含神经胶质瘤手术前后的图像,从而导致混乱的神经胶质瘤细分标准数据集和没有条件真正的细分标准。因此,BraTS14之间的数据集和BraTS16 BraTS17后不再使用的游戏。BraTS18数据集是基于BraTS17 TCIA胶质瘤数据集的数据集。TCIA胶质瘤数据集包括262高档神经胶质瘤病人图像和199低级神经胶质瘤病人图像。这个数据集包含了543名神经胶质瘤患者的MRI和地面真理和目前最标准的神经胶质瘤分类数据集。 The details of the datasets in the BraTS competition datasets over the years are shown in Table1。

如图5肿瘤,神经胶质瘤通常分为四个区域,即肿瘤周围水肿(ED), nonenhanced肿瘤核心(净),增强肿瘤核心(ET),坏死核心(NCR)。其中,艾德,净,NCR是真实的神经胶质瘤肿瘤组织。肿瘤的增强的核心是促进观察肿瘤的核心。

2.4。评价方法的分割结果

常见的评估方法来评估每个模型的性能在图像分割领域如表所示2。

除了上述评价指标,指标如李豪斯多夫和阳性预测值。最常用的是DSC和敏感性。

3所示。DCNN-F-SVM模型的介绍

本研究提出了一种基于卷积的脑部肿瘤分割模型神经网络融合SVM。图6是模型流程图。

该模型分割的脑肿瘤图像可分为两部分:一个是预处理,特征提取,CNN和SVM和培训;另一个是测试和生成最终的分割结果。它可以分为三个阶段。在第一阶段,CNN和集成支持向量机训练获取从灰度图像域映射到肿瘤标签域。在第二阶段,CNN和测试图像的标记输出输入到支持向量机分类器集成。在第三阶段,一个迭代的步骤是用来连接CNN和集成支持向量机分类器,从而增加层数。为了选择最优特性,一个中间处理步骤添加到模型,如图7。

灰度,意思是,中位数是用来表示每个像素。这些特性是用来训练CNN获得输入特性和标签之间的非线性映射。在测试阶段,一个使用聚合的聚合训练SVM分类器是独立CNN标签地图和相同的特性。

一个迭代分类过程应用于输入图像预处理。首先,CNN的像素分类的关键区域,从而产生一种presegmentation,将发送到集成支持向量机分类器。然后,一个感兴趣的区域(ROI) presegmentation将生成。除了presegmentation,基于集成支持向量机的分类将在这进行ROI。之后,CNN集成支持向量机探讨了社区的输出。再次使用CNN分类标志ROI。重复以上步骤,进一步细化分割结果。

4所示。仿真实验

4.1。Experiment-Related指令

在这项研究中使用的实验数据集包括公共数据集和白手起家的数据集。比较模型支持向量机,CNN, DCNN-F-SVM。设置实验参数,设置窗口大小为5,= 0.1, 。使用公共数据集是BraTS18数据集。白手起家的数据集是临床26患者的MRI图像。在实验中使用的评价指标是DSC,敏感性和特异性。实验软件和硬件环境的描述如表所示3。

4.2。公共数据集实验

模型训练完成后,测试集可以预测的模型获取神经胶质瘤模型分割获得的分割结果。在测试集除以3倍交叉验证,每个模型的评价指标对BraTS18数据集如表所示4。表中的数据充分表明该模型具有较好的肿瘤分割性能比支持向量机和CNN。与支持向量机相比,该算法提高了8.3%,9.7%,和1.4%的三个指标:DSC,敏感性,特异性;与美国有线电视新闻网(CNN)相比,该算法有三个指标:DSC,敏感性,特异性,增加了4.7%,分别为2.6%和0.2%。

4.3。白手起家的实验数据

在本节中,26例的临床MRI图像收集,和脑部肿瘤被训练和分段使用三个模型,并给出了实验结果。表5和6的分割结果CNN和DCNN-F-SVM 26患者,分别。

在索引值表所示5,DSC值通常分布在0.86和有一个上下浮动误差约为0.18。灵敏度值通常分布在0.89和浮动误差约0.14。特异性的值通常分布在0.95和有一个上下浮动误差约为0.11。

在索引值表所示6,DSC值通常是分布在0.89,和有一个上下浮动误差约为0.15。灵敏度值通常分布在0.91和0.12上下浮动的错误。特异性的值通常是分布在0.96和0.09上下浮动的错误。

表7显示了DSC,三种方法的特异性和灵敏度值。DCNN-F-SVM提议增加了与CNN和支持向量机单独使用相比,在表中的三个指标(DSC、敏感性和特异性)是3.5%,2.6%,和3.2%相比,支持向量机和高1.6%,0.9%,和2.4%相比较高的CNN。该模型确实可以提高分割的性能。

5。结论

脑部疾病的诊断需要准确诊断没有偏差。任何误诊将造成不可挽回的损失。脑瘤在脑部疾病的发病率高,患者的数量也在逐年增加。这也增加了医务人员的工作负载在一定程度上在这一领域。一个准确和有效的脑部肿瘤图像分割方法迫切需要提出,解决了日益增长的需求。基于这一背景,提出了一种深度分类器提高分割精度,实现自动分割,没有人工干预。DCNN和集成支持向量机的分类器主要由串联连接。模型的实现分为三个阶段。在第一阶段,一个深卷积神经网络训练学习从图像空间中映射到肿瘤标记空间。在第二阶段,预计从深层卷积神经网络训练获得标签输入集成支持向量机分类器的测试图像。 In the third stage, a deep convolutional neural network and an integrated support vector machine are connected in series to train a deep classifier. The simulation implementation verified the superiority and effectiveness of the proposed model. However, the proposed model still has shortcomings such as long calculation time. How to optimize the algorithm and shorten the running time will be the next research content.

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本研究项目支持的中国西北队列研究中国国家重点研发项目(批准号2017 yfc0907200和2017 yfc0907201)和项目控制和预防出生缺陷陕西陕西卫生和计划生育委员会(批准号sxwsjswzfcght2016 - 013)。