多通道磁共振脑肿瘤图像分割使用稀疏的子空间聚类算法

文摘

脑瘤是最致命的疾病之一,具有高死亡率。形状和大小的肿瘤在生长过程中是随机的。脑部肿瘤分割是一个脑部肿瘤辅助诊断技术,分离不同的脑部肿瘤结构如水肿和活跃和肿瘤坏死组织从正常脑组织。磁共振成像(MRI)技术的优势没有辐射对人体的影响,在结构组织良好的成像效果,能够实现任意方向的层析成像。因此,医生经常使用核磁共振脑肿瘤图像分析和处理脑部肿瘤。在这些照片中,肿瘤结构只是以灰度变化,和发达的图像通过不同的设备和不同的条件也可能是不同的。这使得传统的图像分割方法很难处理好与脑部肿瘤的分割图像。考虑到传统的单模MRI脑部肿瘤图像包含不完整的脑部肿瘤信息,很难段单模脑肿瘤图像,以满足临床需求。摘要介绍了稀疏的子空间聚类算法(SSC)来处理多通道磁共振脑肿瘤的诊断图像。没有添加噪声,该算法比传统方法具有更好的优势。 Compared with the top 15 in the Brats 2015 competition, the accuracy is not much different, being basically stable between 10 and 15. In order to verify the noise resistance of the proposed algorithm, this paper adds 5%, 10%, 15%, and 20% Gaussian noise to the test image. Experimental results show that the proposed algorithm has better noise immunity than a comparable algorithm.

1。介绍

肿瘤是一种常见的恶性疾病,危害人类健康。根据起源,肿瘤一般分为初级和中级。与乳腺癌、肺癌、食道癌肿瘤,脑部肿瘤的发病率相对较低。与人类肿瘤的总发病率相比,它约占1.4%;然而,人类肿瘤的死亡率达到2.4% (1]。神经胶质瘤是最常见的原发性脑肿瘤的成年人。主要分布于神经胶质细胞和组织浸润,它是最常见的恶性脑瘤。根据肿瘤的本质,神经胶质瘤通常分为良性和恶性的。良性神经胶质瘤通常生长相对缓慢,患者有延长生存期,长期的疾病的主要表现是良性的神经胶质瘤。恶性神经胶质瘤一般增长速度,和短期课程是恶性神经胶质瘤的突出表现。如果可以尽快发现颅内病变,和相应的治疗可以实现,大脑肿瘤对人类的健康危害是可以减少的。CT或MRI成像分析脑组织的病理状态是目前的主流方法研究脑部肿瘤。不同的肿瘤诊断成像技术有不同的优势。MRI与CT成像相比,使用非侵入性成像方法,它可以为观察者提供了高质量的图像而不损伤和头骨工件,与清晰的解剖结构,和很好的软组织分辨率。 At the same time, intracranial images in any direction can be obtained by adjusting the relevant parameters. In addition, using different imaging sequences, MRI of different angles or modalities of the same tissue can be obtained. This type of image is generally referred to as a multimodal MRI image.

脑部肿瘤的有效诊断需要的成功分割肿瘤在大脑图像。基于分割的结果,医生可以确定的形状,大小和肿瘤的具体位置。根据图像中肿瘤的分割结果,给出相应的治疗方案。由于脑部疾病患者数量的增加和智能诊断技术的发展,基于脑部肿瘤的研究工作继续增加。国际会议医学影像计算和计算机辅助干预(MICCAI)始于2012年,组织比赛基于多通道脑瘤细分连续四年,大大促进脑部肿瘤分割技术的发展。十分重要的研究价值和现实意义,提高诊断效率,挖掘潜在的病理信息的核磁共振脑肿瘤图像通过图像处理技术和机器学习方法。然而,肿瘤只是以MRI图像,灰度信息和肿瘤的边缘结构和正常组织有明显的灰度相似性。同时,大小、位置、形状和相应的肿瘤在大脑中组织的扩张将显示不同的州有不同的病人。这些特征对肿瘤分割技术的发展构成挑战。

所谓的脑部肿瘤分割是指的过程分段各种肿瘤组织从各种传统的大脑组织。一般来说,脑部肿瘤图像的分割方法可以概括为三类2]:纯粹的人工、半自动和全自动分割。手动分割是指手工绘制的轮廓目标组织。图1是手动分割的原理图。手动分割是无聊的和费时,所以它并不能满足日益增长的需求细分。此外,每个节体有不同的分割方式,导致在分割结果的偏差。虽然手动分割有许多缺点,手动分割的分割精度最高,到目前为止,并且经常用作地面实况进行自动分割。半自动分割初始化敏感。用户需要输入一些初始化数据,得到最终的分割结果。全自动分割不需要手动设置任何参数,能自动定位和部分肿瘤区域。

仍然缺乏一个通用方法,可以处理所有脑肿瘤图像和目前获得令人满意的结果。通常,针对特定图像数据分割方法。回顾相关文献,肿瘤图像分割方法可以概括如下:(1)基于阈值的方法。该方法的实用性和分割效果非常好。全球的直方图阈值可以表示为一个双峰模型,和一个单一的阈值可以用来区分肿瘤和背景。文献[3)提出了一种无监督的方法来提高像素灰度和利用这段脑瘤T1c图像。如果有多个类型的地区形象,multithreshold策略需要添加分割方法,称为局部阈值。为当地的意思是,它可以通过估计当地的统计特征,如灰度平均(4和高斯分布的数据5]。一般来说,基于阈值的方法不能使用的核磁共振图像的所有信息,和分割结果比较粗糙。因此,在脑部肿瘤分割首先应用基于阈值的方法(2)成立的方法。通过预定义的相似性标准,合并相邻的像素在交叉区域,目标大脑核磁共振图像分为所需的分区。文献[6)应用区域增长肿瘤MRI分割图像分割,效果很好。文献[7提出了一种改进的区域增长的方法。这个方法获得一个更精确的边界消息通过减少体积效应。泄漏的差距后,会生成部门也在一定程度上填补。形态学方法,分水岭分割表示目标轮廓边缘部分的分水岭,这是广泛应用于脑部肿瘤分割。参考文献(8,9)提出了一种多尺度分水岭变换方法。文献[10构造一个人为辅助层次分水岭分割方法的方法。分水岭分割算法的原理,这种图像边缘和区域容易产生oversegmentation分水岭转换。为了解决这个问题,一些相关处理方法挖掘一个接一个(3)像素分类方法。收集到的MRI脑部肿瘤数据一般有两种格式,即2 d切片和三维体积。如果是大脑肿瘤分割基于片格式,其实质是一样的传统图像分割。基于像素的方法主要是使用图像的像素特征,并使用一些相关的分类器分类中的所有像素脑组织图像,从而达到分割的影响。非监督分类主要是由聚类(11,12]。核心理念是测量肿瘤的肿瘤组织与其他组织之间的关系图像。监督分类器(13,14)主要使用这些标记训练样本训练模型中的有关参数,已达到最佳的肿瘤分割效果(15]。(4)基于模型的方法。基于模型的肿瘤分割方法主要是3 d-oriented体积数据,其次是2 d切片数据。最典型的是活动轮廓模型(16)和水平集方法(17]。这两个模型的基础上,肿瘤分割形成了两个学校:基于生成算法的分割方法和判别算法。各种组织的生成算法使用独特的信息来预测脑组织的信息不能被捕获的图像(18- - - - - -20.]。在某些生成模型,为了解决困难问题的先验知识的编码的肿瘤,肿瘤的病变组织可以建模为所需的形状(21- - - - - -23),也可以使用给定的推断病人图像和肿瘤的肿瘤生长模型是可能的位置结构(24]。判别方法通常需要一定规模的训练样本(25- - - - - -27]。经过多次训练,判别模型的处理效果更健壮的MRI图像的影响工件和灰度信息。图2显示了基于模型的肿瘤分割的基本流程。有效培训,这类方法的第一步通常是提取局部灰度差异(28]或灰度分布和其他voxel-wise特性[29日),然后把这些特征的判别分类器模型。为了判别模型和生成模型的优点结合起来,一个名为生成的方法判别模型(30.,31日提出了)

摘要小鬼2015竞争数据库作为实验对象,和传统的分割方法和基于稀疏表示的稀疏的子空间聚类方法用于段脑肿瘤图像。本文的主要创新如下:(1)介绍了稀疏的子空间聚类算法实现大脑肿瘤的图像分割。该算法的优点是使用低维数据恢复和近似高维数据,有效地降低高维数据的维数,同时保持数据之间的相关性。这个算法的引入可以解决过度的问题数据维度(2)本文主要讨论在多峰性核磁共振脑肿瘤图像的分割。single-modality图像融合策略,一个简单和快速线性融合策略选择。分段多通道图像之前,superpixel分割的图像预处理,特征向量提取,降低数据维度。大脑肿瘤分割,实验结果表明,多通道脑瘤信息可以使用尽可能多的获得更精确的分割结果

2.1。多通道磁共振脑肿瘤图像介绍

多通道磁共振图像的图像相同的组织在不同的对比通过不同先生发展序列。当肿瘤和其他病变发生在大脑组织,水分子存在的自由形式的脑瘤接受损伤反应,如组织水肿。在天赋和T2图像中,水分子的束缚态的形式显示高信号。因此,理论上可行的使用才能模态核磁共振图像分割整个肿瘤为主要依据。然而,由于一些特殊的情况下,肿瘤也会显示不规则变化天赋的形象。这时,T2模式的图像数据可以提供额外的参考。图3描述了三个不同的天赋和T2图像。其中包括(1)天赋的图像,(2)T2图像,和(3)人工标记肿瘤结构图像。本文使用的数据从有钱的都是201532)数据库,该数据库包括图像四个模式:T1, T2, T1c,和天赋。

(一)

(b)

(c)

2.2。肿瘤在大脑核磁共振图像分割困难

有许多困难在MRI脑部肿瘤的分割图像。这些困难可以概括如下:(1)最典型的MRI的问题来自于不同的非标准获得的强度范围不同的扫描仪。因为不同的磁场强度和收购协议,同样的病人,医院之间的大脑核磁共振强度值也不同(2)大脑肿瘤本身没有固定的形状或先验知识。大脑病理学在大脑中可以出现在任何地方和任何形状。此外,这种病理可能重叠的灰度值范围的灰度值范围的健康组织,使脑部肿瘤的分割更复杂(3)MRI具有不可忽视的Rician白噪声在收购过程中(33](4)统一的组织往往是受每个维度的空间强度的变化。这是由于偏差场效应。核磁共振的偏见会影响图像的平滑低频信号强度。这个问题需要一个偏移场校正预处理步骤,通常会增加大脑周围的强度值(5)大肿瘤或大脑病变可能扭曲了大脑的整体结构,做一些程序无法执行。举例来说,一个更大的肿瘤可能会影响大脑的整体对称,从而无法计算左右对称特性。此外,大脑与健康的大脑大肿瘤很难注册模板

3所示。脑瘤基于稀疏的子空间聚类算法的图像分割

广泛应用于稀疏表示图像分割算法。稀疏表示可以有效地降低数据操作的复杂性和数据的后续处理带来便利。SSC基于稀疏表示是一个聚类算法和子空间聚类34]。在分割之前,需要对目标图像预处理。

3.1。图像预处理

SSC分割图像之前,需要分成superpixels形象。Superpixels是由一系列不规则的图像块相邻的像素具有类似特征,如纹理、颜色和亮度。它取代一些superpixels大量的像素,从而有效地减少的数据量表达的特点,从而减少图像后处理的复杂性。Superpixel分割算法目前分为两类,一是基于图论,另一种是基于梯度下降,如简单的线性迭代聚类(SLIC) [35]。基于梯度下降法的分割方法属于一个迭代分割方法。首先,给出一个初始聚类,然后梯度聚类方法用于修改以前的聚类结果,并不断迭代,直到满足收敛条件。superpixel渲染使用SLIC细分如图4。

(一)

(b)

3.2。基本模型

该算法假设数据组成的高维空间数据,和每个数据可以表示为一个低维子空间。即通过让数据在高维空间中线性表达与数据在低维子空间,数据所属的低维子空间可以清楚地知道,这有利于集群操作。稀疏的子空间聚类的基本框架如图5。

SSC模型构建过程如下。

给定一组数据集 ,尺寸是 ,位于线性的子空间。线性子空间的尺寸。然后定义矩阵在哪里是一个矩阵的秩吗组成的子空间数据。是置换矩阵。子空间聚类本质上是获取矩阵。

意味着每个子空间表示的数据矩阵可以通过数据在同一子空间线性表示除了本身: 在哪里。公式(1)可以写成矩阵形式如下: 在哪里是一个稀疏矩阵。为了使稀疏矩阵最稀疏,矩阵的非零值是最小化,通过获取范数最小化,我们利用凸优化执行以下过程:

然而,解决方案的规范在实际问题是一个np难问题。通常规范是用来取代规范来解决,将子空间表示模型

3.3。脑瘤基于稀疏的子空间聚类的图像分割

图像分割是图像分割的过程分成不重叠的区域,提取ROI,而稀疏的子空间聚类是一个用于集群数据过程相同的类到相同的子空间。一个图像包含多个目标图像与一个复杂的纹理结构,但图像上的特征是由多个低维子空间数据。因此,稀疏的子空间聚类算法可以用来分割图像。首先,把图像分为多个superpixel块,并将superpixel同一个目标图像块划分为相同的子空间,从而达到提取目标图像的目的。流程如图6。

多种模态的图像融合策略使用线性融合。线性融合是最简单的多通道磁共振脑肿瘤图像融合方法。这是一个进行像素级融合方法,处理对象像素。主要经营每个模态的大脑图像像素单元,以便全面过程在每个模态脑肿瘤图像的像素信息。通过线性融合操作,多通道图像可以被转换成single-modal大脑图像包含多通道脑瘤组织信息。因此,多通道图像分割是转换成single-modal图像分割,和多通道处理的操作简化。线性融合的具体操作如下: 在哪里融合图像; , ,和的像素值吗 , ,和在位置 ;和 , ,和每个模态图像的权重,满足。图7是一个融合图像的多通道图像。使用线性融合操作,我们使用下面的天赋比获得融合图像的图: 。预处理后的融合图像,SSC可以用来完成多通道图像分割。

(一)

(b)

(c)

SSC-based多通道图像分割算法的步骤如下:(1)输入图像并使用部分中描述的预处理算法3所示。1将融合图像superpixel块(2)提取 - - - - - -维特征向量从superpixel块特征矩阵 (3)使用稀疏的子空间聚类的基本模型得到稀疏系数矩阵(4)计算相似度矩阵 ,在哪里 (5)通过使用获得的聚类结果是谱聚类算法

4所示。仿真实验分析

4.1。Experiment-Related设置

比较主要包括FCM算法、支持向量机和2015年前15名小鬼的结果的挑战。本文的实验数据是小鬼们201528]。数据库包含数据的两种类型的患者,那些与良性肿瘤和恶性肿瘤,并包含了274名患者的脑部图像数据。每个病人的大脑图像数据包含天赋图像,T1影像,T1c图像,T2图像,和黄金分割的结果。每个模态图像的大小。我们随机选择来自25脑瘤患者的数据。每个病人的数据包括五个部分,即天赋模式,T1模式,T1c模式,T2模式,黄金分割的结果。每个模式的数据大小。因为同一个病人的肿瘤二维图片相似,一组二维多通道脑肿瘤图像是每个病人的从数据中提取。总共有25套多通道脑肿瘤图像数据。其中,有15组恶性肿瘤良性肿瘤数据的数据和10组。

本文算法的性能主要取决于superpixels的质量。superpixels由数量控制的质量superpixels和紧凑的因素。摘要SLIC superpixel分割算法需要考虑密度的因素和目标superpixel块的数量36]。为了研究密度的影响因素 ,数量预定义的superpixel起初是1000块。然后,我们探索紧凑的变化的影响因素大小分割结果。紧凑的因素导致更多的刚性边界,而会产生一种非常灵活的边界,但它会增加superpixel形状和不规则的。图7是天赋的结果图像分割的价值是不同的。通过视觉检查superpixel边界和区域,当 ,边界可以获得一个更好的分割结果。

下一步是确定目标superpixel块的数量。图8显示天赋图像分割的结果的价值是20和号码吗目标superpixel块是不同的。当压实系数是固定的 ,通过改变数量目标superpixel块,骰子措施是用来评估形成superpixels的性能。

(一)

(b)

(c)

基于上述实验结果,紧凑的因素在这个实验中,superpixels的数量。FCM是2的模糊因素,支持向量机的参数。

4.2。评价指标

有四个评价指标常用的客观评价标准,即骰子系数,Jaccard系数,假阳性率(精度),真阳性率(回忆)。四个评价指标如表所示1。


数量	指数	解释

1		骰子是一组系数相似性测量方法。图像中,它主要是指在多大程度上实际分割结果和黄金分割结果相互重叠,和价值。其中,0代表实际分割结果之间没有重叠和黄金分割结果,代表最严重的分割精度,1代表实际分割结果和黄金分割结果完全重叠,代表最优分割精度。
2		Jaccard系数方法类似的骰子系数依赖于相似性来衡量。它描述了实际分割结果之间的重叠度和黄金分割结果从另一个角度来看。
3		假阳性率(精密)反映了实际分割结果的准确性。实际的比率之间的重叠分割结果和黄金分割结果用于描述。比率越高,越高的黄金比例结果包含在实际的分割结果。
4		真正的积极率(召回)反映实际结果的准确性在实际分割结果。它指的比率实际之间的重叠和黄金分割结果。比率越高,越高的比例真正的黄金分割的分割结果。

4.3。仿真结果和分析

表2显示了评价指标的结果不同组的多通道图像分割算法的结果,和表3显示了前15名的分割结果小鬼们2015年的挑战。它可以从表中的数据的比较,该算法的平均骰子指数是0.8577。比2015年前15名的小鬼们竞争,准确性并没有太大的区别,它甚至可以超过几个排名的结果。平均精度指数高达0.9615,这是一个很大的优势相比,前15名的数据。与前15名相比,真阳性率略有不足。这是因为前15名竞争算法使用深度学习算法部分肿瘤在三维空间和使用大脑肿瘤的三维信息。综合考虑,本文算法可以使用脑部肿瘤的二维信息获取类似的前15名算法的分割精度。可以看出,本文算法具有一定的价值。


实验样品		指数
实验样品		骰子	Jaccard	精度	回忆

恶性肿瘤	1	0.8923	0.8042	0.9627	0.8287
	2	0.8596	0.7752	0.9748	0.7789
	3	0.8385	0.7431	0.9263	0.7821
	4	0.9507	0.8785	0.9874	0.9264
	5	0.9310	0.7886	0.9845	0.7954
	6	0.8746	0.7964	0.9678	0.8103
	7	0.9152	0.8522	0.9034	0.9371
	8	0.8386	0.7371	0.9976	0.7352
	9	0.8731	0.7796	0.9948	0.7911
	10	0.8694	0.7649	0.9563	0.8002
	11	0.8627	0.7628	0.9915	0.7832
	12	0.7016	0.5364	0.9997	0.5349
	13	0.8018	0.6742	0.9306	0.7132
	14	0.8220	0.6976	0.9736	0.7120
	15	0.8129	0.6842	0.9637	0.7058
明亮的肿瘤	1	0.7961	0.6425	0.9264	0.6779
	2	0.8129	0.8413	0.9779	0.8646
	3	0.9298	0.6624	0.9836	0.6732
	4	0.9401	0.6830	0.7375	0.9118
	5	0.9228	0.8698	0.9990	0.8769
	6	0.9418	0.8891	0.9862	0.8996
	7	0.7147	0.5510	0.9996	0.5534
	8	0.7753	0.6256	0.9676	0.6394
	9	0.9027	0.8244	0.9834	0.8426
	10	0.8624	0.7632	0.9623	0.7824
的意思是		0.8577	0.7451	0.9615	0.7743


排名	骰子	精度	回忆

1	0.8730	0.8715	0.8916
2	0.8710	0.8621	0.9140
3	0.8720	0.8531	0.8633
4	0.8511	0.8619	0.8633
5	0.8739	0.8532	0.9180
6	0.8650	0.8530	0.9011
7	0.8325	0.8344	0.8457
8	0.8670	0.8623	0.8820
9	0.7760	0.7475	0.8635
10	0.8513	0.8248	0.9150
11	0.8417	0.8345	0.8917
12	0.8580	0.8716	0.8635
13	0.8512	0.8343	0.8916
14	0.8327	0.8527	0.8363
15	0.8328	0.8055	0.9090

表4显示的平均评价指标的比较这三种算法在25组数据测试。从表中的数据的比较,我们可以看到,每个索引的SSC算法大大提高了相比其他两种算法。


方法	评价指标
方法	骰子	Jaccard	精度	回忆

FCM	0.7110	0.5564	0.7205	0.6975
支持向量机	0.8012	0.7056	0.9013	0.7558
SSC	0.8577	0.7451	0.9615	0.7743

图9是直方图的比较各种评估方法的四个评价指标。从图中,更大的优势SSC算法可以明显发现。

为了验证SSC算法的抗噪声,本文增加了5%,10%,15%,和20%原始图像高斯噪声。分割结果后噪声添加如表所示5- - - - - -8。的变化趋势值的四个评价指标表5- - - - - -8,它可以分析肿瘤分割效果随增加噪音。噪音内容越大,越分割效果。这是完全符合理论。


实验样品		指数
实验样品		骰子	Jaccard	精度	回忆

恶性肿瘤	1	0.8123	0.7758	0.9036	0.8080
	2	0.8016	0.7469	0.9229	0.7568
	3	0.8001	0.7154	0.9086	0.7735
	4	0.8462	0.8369	0.9321	0.8858
	5	0.8528	0.7427	0.9650	0.7804
	6	0.8134	0.7528	0.9487	0.7940
	7	0.8347	0.8274	0.8936	0.9166
	8	0.8006	0.7144	0.9376	0.7130
	9	0.8104	0.7423	0.9721	0.7668
	10	0.8110	0.7417	0.9325	0.7878
	11	0.8234	0.7326	0.9639	0.7626
	12	0.6841	0.5146	0.9688	0.5229
	13	0.7695	0.6155	0.9129	0.7007
	14	0.7996	0.6639	0.9639	0.7013
	15	0.8005	0.6582	0.9470	0.6982
明亮的肿瘤	1	0.7486	0.6301	0.9003	0.6663
	2	0.7952	0.8204	0.9575	0.8452
	3	0.8985	0.6471	0.9588	0.6620
	4	0.8625	0.6598	0.7176	0.9031
	5	0.8563	0.8446	0.9425	0.8206
	6	0.9012	0.8396	0.9393	0.8759
	7	0.6852	0.5329	0.9579	0.5414
	8	0.7410	0.6012	0.9493	0.6225
	9	0.8863	0.8071	0.9389	0.8223
	10	0.8401	0.7540	0.9522	0.7639
的意思是		0.8110	0.7167	0.9315	0.7557


实验样品		指数
实验样品		骰子	Jaccard	精度	回忆

恶性肿瘤	1	0.7585	0.7147	0.8452	0.7581
	2	0.7662	0.7020	0.8967	0.7052
	3	0.7596	0.6996	0.8746	0.7196
	4	0.8008	0.7989	0.9003	0.8320
	5	0.8020	0.7011	0.9114	0.7404
	6	0.7642	0.7102	0.9095	0.7462
	7	0.8001	0.7834	0.8482	0.8346
	8	0.7779	0.6996	0.9063	0.6730
	9	0.7823	0.7032	0.9101	0.7162
	10	0.7863	0.7142	0.9011	0.7285
	11	0.7903	0.7020	0.9039	0.7126
	12	0.6523	0.5011	0.9008	0.5028
	13	0.7124	0.6031	0.8557	0.6896
	14	0.7210	0.6313	0.8932	0.6745
	15	0.7695	0.6220	0.8712	0.6512
明亮的肿瘤	1	0.7103	0.6102	0.8103	0.6326
	2	0.7533	0.7945	0.8410	0.8071
	3	0.8120	0.6103	0.8124	0.6426
	4	0.8236	0.6120	0.6731	0.8426
	5	0.8022	0.8008	0.8526	0.7945
	6	0.8471	0.8106	0.8989	0.8142
	7	0.6326	0.5030	0.9009	0.5231
	8	0.7002	0.5936	0.8855	0.6005
	9	0.8308	0.7852	0.8797	0.8030
	10	0.8001	0.7262	0.8722	0.7103
的意思是		0.7662	0.6853	0.8702	0.7142


实验样品		指数
实验样品		骰子	Jaccard	精度	回忆

恶性肿瘤	1	0.7010	0.6235	0.7788	0.6963
	2	0.7121	0.6417	0.8293	0.6625
	3	0.7006	0.6582	0.8126	0.6741
	4	0.7259	0.7128	0.8253	0.6701
	5	0.7361	0.6733	0.8256	0.6693
	6	0.7140	0.6682	0.7896	0.6642
	7	0.7263	0.7117	0.7526	0.6723
	8	0.7030	0.6336	0.7864	0.6008
	9	0.7234	0.6402	0.8124	0.6037
	10	0.7026	0.6513	0.8102	0.6395
	11	0.7263	0.6412	0.8006	0.6279
	12	0.6136	0.4562	0.8152	0.4963
	13	0.6742	0.5846	0.7852	0.6230
	14	0.6892	0.6006	0.7984	0.6172
	15	0.7211	0.6001	0.8010	0.6003
明亮的肿瘤	1	0.6982	0.5895	0.7142	0.6110
	2	0.7120	0.7312	0.7265	0.6753
	3	0.7361	0.5742	0.7416	0.5996
	4	0.7216	0.5863	0.6246	0.7582
	5	0.7121	0.7323	0.7693	0.7296
	6	0.7132	0.7125	0.8263	0.7369
	7	0.6030	0.4852	0.8082	0.5020
	8	0.6482	0.5611	0.8060	0.5801
	9	0.7413	0.7230	0.8132	0.6778
	10	0.7143	0.6736	0.8007	0.6256
的意思是		0.7028	0.6346	0.7862	0.6405


实验样品		指数
实验样品		骰子	Jaccard	精度	回忆

恶性肿瘤	1	0.6013	0.5582	0.5786	0.6030
	2	0.6230	0.5631	0.6023	0.5436
	3	0.6058	0.5477	0.6113	0.5633
	4	0.6003	0.5693	0.6037	0.5721
	5	0.6146	0.5746	0.6012	0.5126
	6	0.6008	0.5832	0.5963	0.5362
	7	0.6001	0.5746	0.5748	0.5284
	8	0.6200	0.5365	0.5836	0.5369
	9	0.5963	0.5208	0.5862	0.5623
	10	0.5982	0.5300	0.5916	0.5123
	11	0.5996	0.5613	0.5746	0.5023
	12	0.5342	0.4203	0.5842	0.4523
	13	0.5846	0.5110	0.5532	0.5203
	14	0.5768	0.5030	0.5631	0.5417
	15	0.5636	0.5007	0.5711	0.5731
明亮的肿瘤	1	0.5875	0.5114	0.5369	0.5324
	2	0.5939	0.5630	0.5284	0.6064
	3	0.5742	0.5023	0.5748	0.5412
	4	0.5936	0.5431	0.5303	0.6234
	5	0.5768	0.5623	0.5923	0.6127
	6	0.5693	0.5665	0.5830	0.6471
	7	0.5234	0.4528	0.5746	0.4864
	8	0.5236	0.5220	0.5822	0.5520
	9	0.5741	0.5360	0.5623	0.6113
	10	0.5698	0.5142	0.5722	0.5436
的意思是		0.5842	0.5331	0.5765	0.5527

表9给出了分割性能的比较三种算法在不同噪声比率。每个表中的数据后上面的25个样本数据的平均值。图10显示了这三个算法的分割精度的变化趋势与增加噪音。从表可以得出结论9和图10SSC算法相对更好的三个算法的抗噪性能。随着噪声的数量增加,FCM的性能下降最快,其次是SVM, SSC较小的相对衰落。这进一步说明了SSC算法选择的可行性和参考价值。


噪声比	算法	骰子	Jaccard	精度	回忆

5%	FCM	0.7002	0.5316	0.7010	0.6753
	支持向量机	0.7912	0.6902	0.8956	0.7412
	SSC	0.8410	0.7367	0.9515	0.7657
10%	FCM	0.6833	0.5241	0.6931	0.6595
	支持向量机	0.7800	0.6789	0.8763	0.7286
	SSC	0.8362	0.7353	0.9402	0.7542
15%	FCM	0.6658	0.5056	0.6767	0.6323
	支持向量机	0.7682	0.6574	0.8553	0.7001
	SSC	0.8268	0.7246	0.9362	0.7405
20%	FCM	0.6312	0.4712	0.6420	0.6125
	支持向量机	0.7404	0.6310	0.8211	0.6803
	SSC	0.8182	0.7131	0.9265	0.7327

5。结论

对肿瘤分割结果不同的特性有不同的影响。为了更好地利用多通道脑肿瘤图像信息,本文提出了一种SSC-based multimodal脑肿瘤图像分割方法。首先,使用线性融合多个single-modality脑MRI图像融合到一个图像处理;其次,superpixel特性提取构造特征矩阵;最后,基于稀疏表示的稀疏的子空间聚类算法用于完成分割。使用小鬼2015竞争数据,实验方法,结果表明,该方法可以使用集成肿瘤信息的多通道图像和获得良好的分割结果。添加不同比例的噪声之后,该算法的分割性能下降明显慢比对比算法,也验证了该算法具有良好的抗噪声。然而,本文中使用的方法有一定的局限性。它需要优化各种模态数据融合的重量,这是非常费时。

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

这项工作得到了江苏省自然科学基金(BK20131097),江苏省高职教育实业教育一体化平台建设项目、江苏省高层骨干专业建设项目,333年江苏省高层次人才培养项目(第三(2016)- 2887)和江苏省重点教学改革项目“物联网应用技术”跨境集成”项目课程教学的探索和实践系统优化”(2017 jsjg077)。

引用

r·西格尔,d . Naishadham和a . Jemal癌症统计数据,2013年,“CA:临床医生的癌症杂志》上,卷63,不。1,11-30,2013页。视图:出版商的网站|谷歌学术搜索
大肠Montseny戈迪略n, p . Sobrevilla”的调查MRI脑部肿瘤分割,“磁共振成像没有,卷。31日。8,1426 - 1438年,2013页。视图:出版商的网站|谷歌学术搜索
p•吉布斯·d·l·巴克利,s . j .菱铁矿和a . Horsman“肿瘤体积测定形态学分割图像,先生”物理学在医学和生物学第41卷。。11日,第2446 - 2437页,1996年。视图:出版商的网站|谷歌学术搜索
a . Stadlbauer e .莫泽s·格鲁伯et al .,“改善脑部肿瘤的描述:一个自动化分割方法基于1 h-mrsi代谢物在神经胶质瘤的病理变化,“科学杂志,23卷,不。2、454 - 461年,2004页。视图:出版商的网站|谷歌学术搜索
k·j·尚和m . s . Kumar“头骨剥离和自动使用种子生长和阈值分割的大脑核磁共振技术,”2007年国际会议上智能和先进的系统,页422 - 426,吉隆坡,马来西亚,2007年。视图:出版商的网站|谷歌学术搜索
m·r·卡乌斯s . k . Warfield a·p·m·黑f . a . Jolesz和r·Kikinis”先生的自动分割图像脑瘤。”放射学,卷218,不。2、586 - 591年,2001页。视图:出版商的网站|谷歌学术搜索
Lakare和a·考夫曼”三维分割技术医疗卷”视觉中心的计算、计算机科学部门,纽约州立大学,2000。视图:谷歌学术搜索
m . Letteboer w . Niessen p . Willems e . b .大坝和m . Viergever“交互式多尺度分水岭分割肿瘤在大脑先生的图像,”学报MICCAI IMIVA车间荷兰乌得勒支,页1 - 6,2001。视图:谷歌学术搜索
e .大坝、m . Loog和m . Letteboer“集成自动分割和互动脑瘤,”学报17模式识别国际会议,2004。ICPR 2004剑桥,页790 - 793年,2004年。视图:出版商的网站|谷歌学术搜索
j·e·盖茨r·t·惠特克和通用琼斯,“案例研究:评估user-assisted分层分水岭分割,“医学图像分析,9卷,不。6,566 - 578年,2005页。视图:出版商的网站|谷歌学术搜索
m·c·克拉克·l·o·霍尔,d . b . Goldgof r . Velthuizen f·r·Murtagh和m . s . Silbiger”自动肿瘤分割使用知识技术,”IEEE医学成像,17卷,不。2、187 - 201年,1998页。视图:出版商的网站|谷歌学术搜索
a . s . Capelle o . Alata c·费尔南德斯s勒费弗尔南德斯和j•菲利,“无监督分割在MRI脑部肿瘤的自动检测,”图像处理(2000年国际会议的猫。No.00CH37101)616年,页613 - 2000 BC,加拿大,温哥华。视图:出版商的网站|谷歌学术搜索
p .钱y . Chen J.-W。郭et al .,“mDixon-based合成CT代宠物衰减校正在腹部和骨盆共同使用转移模糊聚类和基于主动学习分类,“IEEE医学成像,39卷,不。4、819 - 832年,2020页。视图:出版商的网站|谷歌学术搜索
p .钱,江y, z邓et al .,“集群原型和模糊会员共同利用跨域最大熵聚类,“IEEE控制论,46卷,不。1,第193 - 181页,2016。视图:出版商的网站|谷歌学术搜索
b . Yegnanarayana人工神经网络,2009年φ分公司学习。。
h·w·荣格j . Liu, a . Dubra和j . Tam“锥感光细胞分割和直径测量使用圆受限活动轮廓模型自适应光学图像上,“调查眼科及视觉科学卷,59号11日,第4652 - 4639页,2018年。视图:出版商的网站|谷歌学术搜索
f . Gibou r . Fedkiw, s . Osher”的水平集方法和最近的一些应用程序,”计算物理学杂志卷,353年,第109 - 82页,2018年。视图:出版商的网站|谷歌学术搜索
h . k . Krishnappa Mahalakshmi, d . Jayadevappa”自动脑瘤使用先生图像分割和识别,”国际创新技术和探索工程杂志》上,8卷,不。12日,第2651 - 2647页,2019年。视图:出版商的网站|谷歌学术搜索
b·费施尔d·h·礼拜大肠Busa et al .,“整个大脑分割:自动标记的神经解剖学的结构在人类的大脑,”神经元,33卷,不。3、341 - 355年,2002页。视图:出版商的网站|谷歌学术搜索
k·m·波尔j·费舍尔,j·j·莱维特et al .,“一个统一的方法来注册、分割和强度修正,”医学影像计算和计算机辅助干预- MICCAI 2005、j·s·邓肯和g . Gerig Eds。施普林格,页310 - 318年,2005年。视图:出版商的网站|谷歌学术搜索
m . Prastawa e·布利特、美国Ho和g . Gerig“脑瘤分割框架基于孤立点检测的,”医学图像分析,8卷,不。3、275 - 283年,2004页。视图:出版商的网站|谷歌学术搜索
d·t·基尔,Grimson w·e·l·r·Kikinis“脑瘤分割识别偏离常态,”医学影像计算和计算机辅助干预- MICCAI 2002、t . Dohi和r . Kikinis Eds。施普林格,页388 - 395年,2002年。视图:出版商的网站|谷歌学术搜索
m . b . Cuadra c .鸡肉,a . Bardera o .奎逊纳j·g . Villemure和j.p. Thiran”Atlas-based分割病理先生的大脑图像使用模型的损伤增长,”IEEE医学成像,23卷,不。10日,1301 - 1314年,2004页。视图:出版商的网站|谷歌学术搜索
a . Gooya k·m·波尔m . Bilello et al .,“GLISTR:神经胶质瘤图像分割和登记,”IEEE医学成像没有,卷。31日。10日,1941 - 1954年,2012页。视图:出版商的网站|谷歌学术搜索
d . Cobzas n .伯克贝克·m·施密特m . Jagersand和a·默撒,“三维变分脑瘤分割使用高维特性集,”2007年IEEE 11计算机视觉国际会议,页1 - 8,2007年里约热内卢。视图:出版商的网站|谷歌学术搜索
美国Ho·e·布利特,g . Gerig”水平集演化与区域竞争:自动脑部肿瘤的三维分割,”对象识别支持用户交互服务机器人魁北克市,页532 - 535年,魁北克,加拿大,2002。视图:出版商的网站|谷歌学术搜索
c·h·李,王,a·默撒·m·r·g·布朗和r·格林尼“分段脑瘤使用pseudo-conditional随机领域,”医学影像计算和计算机辅助干预- MICCAI 2008d·迈塔克瑟白兰地,l·阿克塞尔g . Fichtinger g . Szekely, Eds。,第366 - 359页,2008年。视图:出版商的网站|谷歌学术搜索
e . Geremia o . Clatz b h . Menze e . Konukoglu a . Criminisi和n . Ayache”空间决定森林MS病灶分割的多通道磁共振图像,”神经影像卷,57号2、378 - 390年,2011页。视图:出版商的网站|谷歌学术搜索
d . Zikic b·格洛克大肠Konukoglu et al .,“决定森林高级别胶质瘤组织分割的多通道,先生”医学影像计算和计算机辅助干预- MICCAI 2012,n . Ayache h . Delingette p . Golland和k·森,Eds。施普林格,页369 - 376年,2012年。视图:出版商的网站|谷歌学术搜索
d . Zikic b·格洛克大肠Konukoglu et al .,“上下文敏感的森林分类的分割脑瘤组织”Proc MICCAI-BRATS,页1 - 8,不错,法国,2012年。视图:谷歌学术搜索
b . h . Menze e . Geremia n . Ayache和g . Szekely“分段神经胶质瘤在多模式图像使用大脑病变分割,生成模型”Proc MICCAI-BRATS(多通道脑瘤分割挑战),比如22 - 30,2012页。视图:谷歌学术搜索
b . h . Menze a . Jakab美国鲍尔et al .,“多通道脑肿瘤图像分割基准(小鬼)”IEEE医学成像,34卷,不。10日,1993 - 2024年,2015页。视图:出版商的网站|谷歌学术搜索
美国鲍尔,r .王寅l·p·诺尔特和m·雷耶斯“脑部肿瘤的mri医学图像分析的一项调查研究,“物理学在医学和生物学,卷。58岁的没有。13日,R97-R129, 2013页。视图:出版商的网站|谷歌学术搜索
e•和诉Rene稀疏的子空间聚类算法,理论,应用程序,”IEEE模式分析与机器智能,35卷,不。11日,第2781 - 2765页,2013年。视图:出版商的网站|谷歌学术搜索
m . Angulakshmi和g . g . Lakshmi Priya,”沃尔什阿达玛变换为简单的线性迭代聚类(SLIC) superpixel基于谱聚类的多通道MRI脑部肿瘤分割,“IRBM,40卷,不。5,253 - 262年,2019页。视图:出版商的网站|谷歌学术搜索
a . Radhakrishna s Appu美国凯文,l . Aurelien f·帕斯卡,和美国Sabine,SLIC superpixels,2010年欧洲。

计算和数学方法在医学