文摘

我们发展迅速、强大和实用工具,用于检测脑损伤以最小的用户干预,协助临床医生和研究人员在诊断过程中,放射治疗计划和评估病人对治疗的反应。我们提出一个统一引力模糊clustering-based分割算法,集牛顿引力成模糊聚类的概念。我们首先对数据库执行模糊规则的图像增强是由T1 / T2加权磁共振(MR)和fluid-attenuated反转恢复(天赋)来促进流畅的分割图像。标量输出获得送入引力模糊聚类算法,将健康结构的不健康。最后,通过概述的病灶轮廓自动initialization-free水平集演化方法。优势的损伤检测算法精度和同时使用的特性计算的强度属性扫描先生在一个级联模式,这使得计算快速、健壮的、独立的。此外,我们验证了算法和大规模的临床实验中使用合成脑损伤的数据集。结果,84% - -93%重叠的性能,重点是鲁棒性对不同和异构类型的病变和迅速的计算时间。

1。介绍

从广义上讲,“大脑病变”可以被定义为脑组织损伤或异常变化;这可以造成损伤,感染,接触某些化学物质、免疫系统问题,和许多其他因素。由于其位置,中心思想,身体功能、和情感,脑损伤很难诊断和治疗。然而,由于最近的核磁共振成像和计算机的发展,大脑病变诊断做出了很大的飞跃。本文提出的算法可以使诊断和监测过程产生巨大的影响。它可以检测到损坏或不健康的地区核磁共振扫描,精度高。这有助于决策和规划手术切除病变(如果有必要和可能的)。它还允许一个应用空间局部放射治疗,例如,射波刀和强度1- - - - - -3),在当前临床实践通常是手动完成的对比度增强t1加权或天赋图像。大部分的医学成像模式给出的图像灰度强度,包括核磁共振成像。这些图像受噪声、工件和可怜的分辨率和对比度由于仪器和重建算法的局限性,甚至病人运动。因此,变得如此具有挑战性的自动识别算法的优点和缺点可能取决于图像的属性在考试。因此,由于图像恶化因素所提到的,很难制定一个标准方法能处理所有类型的图像(先生4]。因此,权衡一直出现在计算机辅助诊断系统。然而,比较我们的统一fuzzy-hard clustering-based系统对经典方法基于方法分类器,区域增长,神经网络,可变形模型,等等,我们的方法是公认的一大优势提到(尤其是在处理日益恶化的因素5]。节2,我们提出我们的病变检测的框架。从模糊集的简要背景开始,我们将展示如何可以利用这个理论来提高非齐次先生图像通过调整适当的模糊规则(6]。接下来,我们将给出一个轮廓的分割方法,基于一种新的引力模糊聚类概念和水平集演化,它定义了最后的位置,形状,大小的病变。实验和评价研究进行了合成和expert-segmented数据集介绍部分3。我们将完成这篇论文的讨论和结论部分4。

2。模糊和重力方法提出

2.1。图像增强先生提出的模糊集合

准确诊断脑损伤的质量取决于扫描先生;特别是,知名度小,在大脑图像低对比度的物体。不幸的是,这些对象的对比往往是如此之低,一些异常的检测变得困难,尤其是在处理密集的组织。为了处理这个问题,之前通常对原始图像进行对比度增强检测过程。

一个图像增强的详细调查由Bankman [7),冈萨雷斯和森林8施],[9),拉斯(10]表明,古典方法像负变换,日志,γ,对比度拉伸,或基于直方图转换工作有效地提高普通图像;然而,当应用到图像先生,他们带来的权衡之间的增强和图像细节保护由于缺乏原始图像直方图的一些基本特征,因为它是明显的在图1。

后,图像增强技术的深入研究,我们提出了一个基于调整模糊规则的更好的方法。这种技术并纠正上述缺点;取得这个增强的对比感兴趣的特征,提高诊断的可见性细节没有创建工件或失去图像细节。得到一个更好的理解这种技术,我们必须回到模糊集理论。

通常,在集合论中,我们习惯了所谓的脆集的成员只能真或假bivalued传统意义上的布尔逻辑。这个经典集合理论在实际应用程序中使用有限由于其缺乏灵活性[11]。因此,陈守煜教授提出了一个更成功的模糊集理论,引入了部分会员的概念所描述的隶属度函数(11]。假设是一组元素,每个元素用吗 ,也就是说, 。一个模糊子集在特点是一个成员函数, ,所以

当变量是连续的,在这个方程可以有无限的元素。时的值是离散的,的元素可以明确地显示。的规范化问题转化为模糊规则在于寻求一种方式来增加大脑中的某些组织的对比,而其他组织quasi-untouched强调这些组织之间的区别,所以提出了模糊规则如下:

第一先成的模糊规则将寻求与模糊集黑暗深集(两套蓝色的图表示2),结果是通过使用一个模糊和操作,通过一个实现操作(11),如图所示 在哪里和标量值代表强度水平像素的输入和输出模糊集,分别。表示一个特定的强度水平区间附近可见光谱的颜色黑色。黑暗的隶属程度设置组件在回应这个输入是一个标量值 。我们找到相对应的输出模糊规则的第一部分,这个特定的输入,通过执行和之间的操作和一般结果 ,评估也在 ,因此, 在哪里表示模糊输出值由于模糊规则的第一部分和一个特定的输入 。使用相同的思路,得到模糊反应由于其他祖先和后果以及输入 ,如下:

这些方程表示的结果影响的过程。我们应该记住,这些反应在一个模糊集,即使输入是一个标量值。

聚合方法的应用上述模糊集来获得总体响应生成的规则进行,这是通过一个或操作提出建议的模糊规则库,也就是说, 被模糊输出的数量年代={黑、灰色、明亮的}。我们可以看到,整个反应是工会的三个单独的模糊集。这是完整的输出对应于一个特定的输入。但我们仍在处理一个模糊集,所以最后一步是获得一个清晰的输出 。这是通过defuzzifying最终的输出模糊集获得以上;获得脆,标量输出通过计算重心 ,也就是说, 脆的输出,在所有可能的值的数量在(6)可能,是一个标量值代表的强度水平像素输出模糊集。

通过这种方式,我们能够实现动态范围扩张对比的一种有效的方式使用简单的计算操作conditionate形象未来流程。

2.1.1。对比度增强的实验结果

我们使用不同的图像对比度增强实验进行了不同的核磁共振成像,并提出模糊集合技术被证明是最有效的,这可以证明的直方图形状图1。通过检查我们的方法和比较的结果,它与其他经典的方法,一个清晰的区别是指出。

现在让我们检查我们的结果。图3(一个)显示一个图像的强度跨度窄范围的灰度,直方图如图1(一)揭示了。下一个结果是一个图像对比度较低;图3 (b)是由于使用直方图均衡化增强图像的对比度。由直方图图如图所示1 (b)灰度有点分散,但转移到正确的,它完全失去了原始图像的直方图的形状。结果是一个图像曝光过度的外表。我们可以看到,这将是很难区分的健康不健康组织由于一些灰色的细节丢失。我们可以看到在图3 (c),该方法的结果是一个图像有增加对比度和丰富的音调。这种改善的原因可以解释通过检查图的直方图1 (c)。不同于其他技术生产的直方图,这直方图一直保持相同的基本特征,原始图像的直方图(8]。和灰度发生在各个方向的传播,这适用于所有图像先生测试。至于γ和日志转换,我们可以看到很多细节丢失,证明他们的直方图。对比度拉伸有点更有效率,但是它的直方图缺乏伸展,这导致了一个微不足道的增强。

2.2。通过细分损伤检测过程

一般来说,主要的目标分割是图像分割成区域(也称为类或子集)均匀的对一个或多个特征或功能(11]。这在医学成像是非常重要的,因为它允许特征提取,图像测量和显示。最重要的是,它允许图像像素的分类到解剖或病理损伤和组织畸形等地区,在别人。

2.2.1。统一引力模糊聚类(UGFC)

先生的一些图像分割方法已经开发的最杰出的研究人员和在现代处理器上运行。其中包括工作Prastawa et al。12),自动、多通道atlas-based方法,报道平均86.7%重叠在一个小的数据集上的三个患者平均1.5 h处理时间。在最近的一项研究中,Hamamci et al。13]报道80% - -90%重叠表现和他们的方法叫“肿瘤”,这是基于细胞自动机(CA)算法。然而,用这种方法一个严重的缺点是它需要直径画初始化,提高其计算时间约16分钟,防止它被全自动。Menze et al。1425日)报道平均60%重叠神经胶质瘤患者他们的方法基于歧视随机决定森林的框架。Gooya et al。1515日)报道平均74.5%重叠神经胶质瘤患者第6 - 14小时的处理时间,与他们的方法是基于EM算法。Geremia et al。16)采取了歧视的随机决定森林的框架,给好的结果与低噪声水平和高质量的磁共振高分辨率。另一个有趣的工作是由刘et al。17]曾经经典的模糊clustering-based方法和平均95.6%重叠在一个表现良好的five-patient天赋图像的数据集。后一种方法需要密集的用户交互和校正每个病人至少8.4分钟。最近,沈et al。18]扩展模糊c均值(FCM)方法通过引入额外的词描述的模糊成员之间的距离和之前组织概率地图;他们用一个模拟图像数据集,和一个重叠报道从34%到79%不等,这取决于信号降低。

在本文中,我们提出一种新颖的基于联合努力,模糊聚类分割方法框架。该方法采用牛顿引力概念从集群的角度为了hard-cluster图像像素,否则可能不必要的成员分配给集群,他们绝对不属于。然而,这种方法模糊聚的像素位于有争议的地区为了优化部分体积效应处理。结果是一个定义良好的感兴趣的区域(ROI),是由不健康的组织形象先生正在考虑。

一般来说,牛顿重力定律可以制定如下: 表示对象之间的重力与质量1和对象2的质量 , 表示两个对象之间的距离是一个系数,取代牛顿常数;我们设置 为计算方便。有效地应用本法时,我们提出以下假设:(我)每个像素的质量是1。(2) 像素被聚集到集群在时间 。(3)属于集群的每个像素有相同的潜力,也就是说,平等的偏好。

集群中的所有像素流入一个物体的质量等于这些像素的数量。基于上述假设,重力的力量之间的k像素,我th集群将 是k像素,是我集群中心。

现在,我们将定义引力聚类目标函数(),应该最小化: 在哪里表示的像素聚集我th集群和站在考虑集群的总数。现在,在[19),标准模糊C则目标函数()被定义为 是像素的数量,和的会员jth像素的我集群和被定义为 在哪里是迭代数,fuzzifier,和∈(1.4,2.6),最近被Ozkan证明和Turksen [20.)在他们的研究基于成员值计算函数的泰勒展开分析。在我们的实验中,被选为1.7和1.8,因为这两个数字给最好的聚类。对我们的三个数据集,这个参数分割性能的影响的骰子重叠测量绘制在图4。现在,我们将定义一个综合引力模糊聚类目标函数():

的一阶导数关于和设置为零的结果在以下线性系统:

这些方程的基础上,综合引力模糊聚类算法的结构显示在图5。ρ收敛性判据,在我们的实验中,它被设置为0.01。应该注意的是,内核估计图像的直方图是用于定义初始质心,也就是说, ,在 ,被定义为 在哪里是内核函数高斯函数与零均值和方差等于1;是像素的总数;代表了强度水平;和∈(0,50)是带宽。此外,关键h(h_暴击)被定义为最小值这样有c模式对应于集群的数量。

2.2.2。水平集演化的构造地区利益

构造的轮廓定义感兴趣的区域(ROI)基于水平集演化没有仅是我们建议的方法的一个重要组成部分。这是因为临床专家分割,尤其是神经成像,主要概述了ROI的边缘使用手动轮廓,无论是手术规划、放射治疗,或治疗反应分析21,22]。提出了一种变分公式由内部能量项,处罚的偏差水平集函数从签署的距离函数,以及外部能量项驱动的运动零电平设置对ROI设定的界限GFC算法。这种方法有以下优势经典水平集公式(23,24]:(我)水平集函数所代表的轮廓可以打破或合并自然进化,和拓扑的变化从而自动处理。(2)水平集函数总是一个函数在一个固定的网格,它允许高效的数值方案(有限差分格式在我们的例子中)。(3)由于内部能量,水平集函数(LSF)是自然和自动保持作为一个近似签署了距离函数在进化。因此,仅是可以避免的。

传统上,如果Ω_ϕ是欧几里得空间的一个子集,光滑的边界,然后签署距离函数(SDF)的子集是可微的几乎无处不在,及其梯度满足程函方程(25),也就是说,

所以,任何函数满足这个属性是一个自卫队加上一个常数。现在,我们提出下列积分: 作为一个度量,定义了距离是一个自卫队Ω⊂吗R²我们称之为“内部能量。“有在我们处理,我们提出如下变分公式: β∈[0.04,0.1]是一个参数控制惩罚的偏差的影响从自卫队外部能量驱动的零水平的运动曲线并取决于图像数据。

现在,我们考虑 的而后导数(26),和演化方程, 成为梯度流最小化 。让GFC算法和生成的图像指标函数,用于边缘为了停止水平集演化在最优解附近(27]。后者的定义是 在哪里是标准差的高斯内核 。然后我们定义的外部能量 作为 与 和 在哪里∈(2,6)∈(3.5)是常数,是单变量狄拉克函数,是亥维赛函数。所以,总能量

现在,理解的几何意义 ,假设的零水平集表示为一个可微的参数化曲线吗K(τ),τ∈[0,1]。然后,根据Vemuri和陈23),计算的零电位曲线的长度在保形规 。注意,当函数是一个常数,成为区域的面积 (28]。的应该是正的,如果初始轮廓被放置在ROI和消极时放入,加快收缩或扩张,分别。通过变分法,而后的导数可以写成(26]

因此,函数这个函数最小化满足欧拉方程:

所以,最小化的梯度流是 这是水平集函数演化方程的算法。解释在右边第一项的影响上面的方程,即的内部能量,我们注意到梯度流: 有因素作为其扩散速度。如果 扩散率是正的,这个术语通常是扩散的影响,也就是说,更甚至因此减少梯度 如果 然后,这个词已经反向扩散效应,因此增加了梯度(29日]。

3所示。评价和实验结果

定量和定性验证开发方法的研究进行了三个不同的数据集。这些集合组成多通道图像先生(T1Gd T1, T2,和天赋)80低级和高级神经胶质瘤的合成和真实患者病例,1毫米的各向同性的决议。这些数据集是来自以下:(我)犹他大学数据库(30.]:合成脑瘤数据集被用于验证的第一部分。这个数据模拟超声造影t1加权图像先生与综合生成肿瘤。肿瘤的概率地图和水平的强度不均匀性(偏见字段)也可用。这个数据集包含在绩效评估由于地面实况分割是现成的。(2)真正的图像与地面真理从数据库Kitware先生(装备)31日]:工具包提供了合成和真实的大脑图像与手工分割结果指导专家。(3)脑瘤数据集从我们的INNN:获得一个大数据集的脑瘤/病变患者,接受治疗的西班牙de Neurologia y Neurocirugia (INNN),墨西哥,是利用在第二组实验。作为我们的地面实况分割阶段,我们使用手工列出的肿瘤轮廓在同一家医院放射肿瘤科专家。这些图片都是t1和天赋形式,他们提供了一个有效的方法抑制脑脊液(CSF)室旁hyperintense病变。值得一提的是,1.5 T磁共振扫描仪位于INNN被用来生成图像。

定量地评估分割,我们使用了Jaccard系数()和骰子重叠()[32相似性度量和灵敏度),()和特异性()对成功和出错率测量33]。这些措施可以表示为 在哪里T=地面实况,年代=像素标记算法,TP = true积极、FP =假阳性,FN =假阴性。就像前面所提到的,真实实验和合成图像。

图6显示了相同的挑战病人的图像显示在图2的对比是非常贫穷的,非常小的强度变化沿病变边缘,使检测更加复杂。这可以在图2 (b)增强后,检测是由一个健壮的系统中描述(33),最后被误导由于强度图像中出现的不均匀性。然而,通过应用该方法,损伤检测与更大的精度,见图6 (c)。这个进步很大部分归功于hard-fuzzy集群,它反映了重力的概念。通常,在经典的模糊聚类,在一个图像的所有像素都分配一个成员每一个结构,不管的大小相应的会员。这使它更容易,因为我们发现在我们的实验中,尤其是当他们分类错误是对一些像素分为结构的强度范围。出于这个原因,在考虑一些随机的存在intensity-inhomogeneities蔓延的形象和身体不是组织的问题,而是有关射频信号先生,不仅需要考虑像素的强度水平,还其空间位置,以保证一个合适的聚类。像素的空间位置是非常重要的,因为它帮助我们进行gravitation-based集群地区模糊聚类是不合适的。例如,像素的中心WM /通用组织可能不必要的成员分配给其他组织,事实上他们不属于;这就是为什么最好hard-clustered。应用引力的概念,这些相同的像素将吸引所有其他像素位于这附近不远只要足够小,是大到足以超过其他集群的吸引力。此外,他们将连接起来形成了一个更强的集群作为解释的算法。另一方面,组织区像素位于十字路口,有一个强度范围,可以使它们适合在这些组织中,如果fuzzy-clustered会做得更好。这将消除所有的不确定性,照顾部分体积效应,并达到最优状态更迅速。这种引力的优点模糊聚类现象可以显式地目睹了在图6 (c),错误地分配给所有的像素图的病变6 (b)仅仅因为他们的强度范围匹配的病变是折现图6 (c)不是因为他们的强度,而是因为他们的空间位置。

相同的场景中可以看到在图7每个两个天赋图像在第一行左额叶的病变,但还有一个看似可检测右额叶损伤。然而,算法忽视它,尽管它令人信服的强度范围内,按照地面实况在第二行。

图8描绘了两个高级神经胶质瘤的分割结果,我们可以看到UGFC结果在第三行完全吻合地面真理在第二行。如前所述,评价研究进行了使用(29日),(30.),(31日)和(32)。此外,绩效指标,骰子重叠,Jaccard,敏感性,特异性之间的地面真理分割算法的结果被发表在表1,2,3合成和临床数据集。好的结果在实际图像先生获得表中可以看到2和3演示Kitware数据集上的性能和西班牙de Neurologia y Neurocirugia数据集。然而,这并非如此在合成图像。图9显示了一些合成图像先生从犹他大学的数据库检测成功;然而,正如在桌子上1,一个贫穷的重叠表现获得由于误导地面实况。然而,基于视觉检查,可以看到检测是不够好。图10显示更具挑战性例多发性硬化患者(INNN17 INNN21)的强度谱病变几乎匹配的健康组织。此外,病变呈现高度的不连续这个算法是一个巨大的挑战,从而导致一个非常贫穷的性能表可以看出10.732 INNN17有重叠和INNN21 0.511性能。我们也比较了该方法在自动病变检测的核磁共振扫描使用无监督和监督方法由郭et al。34优化(MICO)[]和乘法内在组件35方法由Li et al。,他们的研究结果发表在数字11,12,13。

最后,图14显示了两个设备图像处理的方法和乘法内在组件优化(MICO),它可以看出一个目测证人更精确的检测,我们的方法比MICO方法。我们应该强调,图中给出的强度不均匀性14混淆了MICO方法,甚至超出了病灶轮廓。然而,我们的方法是正确的。

4所示。讨论和结论

我们提出了一个大脑损伤检测算法以及在合成损伤数据集验证研究和两个真实数据集:一个从Kitware库,另一个从一个接受放射治疗的肿瘤的临床数据库规划研究院y de Neurologia Neurocirugia墨西哥(INNN)。高度异构组织的性能对这些数据集内容展示了平均0.83和0.85的重叠。然而,表现不佳的0.48是在合成图像从犹他州先生注册数据库,主要是由于穷人地面实况。在所有情况下,该算法提供了优质分割相比基准算法。平均来说,提出自动算法大约需要8秒(用MATLAB R2007b 3.00 GHz,双处理器)相比,21岁,12秒分别采取的MICO和客户。该方法的优点包括其自动性质,其效率在计算时间方面,和鲁棒性对不同的病变和异构类型。另一个需要考虑的重要方面是,算法可以在不同的工作模式。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者要感谢研究所Politecnico Nacional de Mexico促进这个项目,西班牙de Neurologia y Neurocirugia墨西哥提供医疗指导随着先生的图片,和墨西哥CONACyT de资助这个项目。