基于医学影像的病脑检测
发布时间：2020-11-20 23:23
在当今时代,脑疾病对人类的健康生活,影响越发严重,这使得及早发现病情并诊断治疗成为当下医学研究的重点课题。为了规避人工阅片,大夫由于疲劳,经验不足带来的主观上的错误,计算机辅助诊断技术成为了当今时代医学发展的趋势,能够辅助大夫对脑疾病患者进行更好更准确地判断和治疗。本文旨在借助计算机辅助诊断技术对健康脑与病脑进行自动分类。使用医学脑部核磁共振图像,首先采用对比度限制自适应直方图均衡化算法增强脑图像使得图像纹理特征更加明显,更加凸显病灶区域。然后对脑图像进行小波分解,在此基础上提取图像的纹理特征,并与形状特征相结合对脑图像进行特征识别。为了加快小波变换的速度,拟用提升哈尔(Harr)小波变换分解脑图像;通过对提取的多个纹理特征进行比对分类效果,选定峰度用作识别的纹理特征,然后结合图像形状特征Hu不变矩作为识别总特征。最后,选择RBF核支持向量机对脑图像进行分类,并提出了一种基于网格搜索与和声搜索联合优化支持向量机参数的方案,得到了较高的分类精度。经五折交叉验证后,与几种常用的病脑检测算法进行了对比实验,实验结果表明,本文算法识别率较高。卷积神经网络可以通过调整卷积层和池化层中的参数来自动提取图像特征的特性,比传统机器学习需要人为提取特征更有优越性。为了更进一步提高病脑检测的准确率,本文采用GoogLeNet深度学习网络进行训练分类,考虑到脑图像样本数目有限,提出了一种基于GoogLeNet与迁移学习的病脑检测方案,实验结果表明,较传统支持向量机分类,深度学习的方法更为有效,分类精度达到了100%。
【学位单位】：长春工业大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：R742;R445.2;TP391.41
【部分图文】：
第2章医学图像处理技术12由此类推，在空间维数更多的情况下，这样的线性函数便用超平面来表征。如下图2.1所示。给出训练样本集D=(1,1),(2,2),(,)，其中∈{1,+1}，分类学习的最基本的思路就是为训练样本集D在该样本空间中找到这个可被正确划分的超平面，进而把不同的样本正确归类。划分超平面的线性方程：+=0图2.1支持向量与间隔W是法向量，代表超平面的方向，b是位移量，决定超平面与原点的距离。使用简单的数学知识，可以求得间隔为γ=2‖‖，SVM的思想是使得间隔最大化，显然，最大化2‖‖相当于最小化‖‖，为了计算方便，将公式转化成如下公式，它即为支持向量机的基本型：min12‖‖2s.t.(+)≥+1该基本型是一个凸二次规划问题，可以采用拉格朗日乘子法和标准二次规划技术和程序[36][37]，对其对偶问题求解。二、线性不可分支持向量机对于本文的病脑与健康脑的分类问题，上述线性可分支持向量机并不能很好的解决，而使用非线性模型才能更准确地归类。对线性不可分脑样本进行划分时，第一步，对样本空间进行映射，即通过使用非线性变换，使得映射到高维空间后的样本线性可分。第二步，实现结构风险最小化，即通过寻找最优分界面进行样本分类。当两类样本可分时，可以不用映（2-1）（2-2）（2-3）
第3章基于SVM的病脑检测17通过上面11张病脑图片与健康脑图片对比，可以发现病脑与健康脑在中心区域纹理特征有明显差异，呈不规则变化。3.2算法实现流程算法实现的技术路线如下：第一步：使用对比度限制自适应直方图均衡化算法（CLAHE）将获得的脑图像进行增强预处理，以突出病变区域。第二步：采用提升haar小波变换，并对得到的高低频子带图像进行特征提龋第三步：将脑图像分为训练集与测试集两部分，其中训练集送入核支持向量机进行训练获得模型。第四步：将得到的训练模型用于输入的测试集分类，输出分类结果。具体算法流程图如下图3.2所示：图3.2算法流程图3.3图像预处理3.3.1实验平台本文的实验研究平台是MatlabR2019a，使用了Libsvm3.23工具箱。Matlab矩阵实验室对数据的分析非常专业，并配置了许多的科学工具箱。Matlab具有编程简单，使用方便；其函数库可以任意增加拓展；语言简单，内容丰富；便捷而又完善的的图形处理功能，简便的绘图功能及大量的工具箱为用户提供了方便。本实验基于CPU为IntelCOREi5-337u，1.8GHZ，4GBRAM，win1064位操作系统。训练提升haar小波变换测试集脑图像MRI脑图像特征提取核支持向量机正常脑或病脑输出图像预处理
第3章基于SVM的病脑检测183.3.2图像增强本文为了改善图像质量，增强图像对比度，选择了对比度限制自适应直方图均衡化算法（CLAHE）[39].它是自适应直方图均衡（AHE）的一种变体，首先计算以每个像素为中心的上下文区域中的一个直方图的灰度值，然后，根据其局部直方图的像素强度等级分配像素强度值。与AHE不同，CLAHE具有防止过度增强噪音和减少边缘阴影效应的好处。因此本文采用对比度限制自适应直方图算法增强每个图像的对比度。其中对脑膜瘤图像进行增强结果如下图3.3所示：图3.3脑膜瘤图像均衡化及其自适应直方图由图3可见对肉瘤图像采用CLAHE算法增强，图像病灶区域的对比度比原图增强，纹理特征更明显，更好地凸显了病灶区域。3.4特征提取使用离散小波变换(DWT)[40]提取特征的优点是：（1）可以降低小波系数的维数，自主选择分解级数，以获得较小的特征向量。（2）在DWT基础上提取图像的特征向量可以更有利于将医学MRI脑图像分为正常和异常两类[41][42]。陆思源[17]在论文中经过实验对比证实，Haar小波在病脑检测中的表现较其他小波更好。由此本文对Haar小波采用提升方案，这样能进一步提升特征提取算法的计算速度。
【参考文献】
本文编号：2892161
【学位单位】：长春工业大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：R742;R445.2;TP391.41
【部分图文】：
第2章医学图像处理技术12由此类推，在空间维数更多的情况下，这样的线性函数便用超平面来表征。如下图2.1所示。给出训练样本集D=(1,1),(2,2),(,)，其中∈{1,+1}，分类学习的最基本的思路就是为训练样本集D在该样本空间中找到这个可被正确划分的超平面，进而把不同的样本正确归类。划分超平面的线性方程：+=0图2.1支持向量与间隔W是法向量，代表超平面的方向，b是位移量，决定超平面与原点的距离。使用简单的数学知识，可以求得间隔为γ=2‖‖，SVM的思想是使得间隔最大化，显然，最大化2‖‖相当于最小化‖‖，为了计算方便，将公式转化成如下公式，它即为支持向量机的基本型：min12‖‖2s.t.(+)≥+1该基本型是一个凸二次规划问题，可以采用拉格朗日乘子法和标准二次规划技术和程序[36][37]，对其对偶问题求解。二、线性不可分支持向量机对于本文的病脑与健康脑的分类问题，上述线性可分支持向量机并不能很好的解决，而使用非线性模型才能更准确地归类。对线性不可分脑样本进行划分时，第一步，对样本空间进行映射，即通过使用非线性变换，使得映射到高维空间后的样本线性可分。第二步，实现结构风险最小化，即通过寻找最优分界面进行样本分类。当两类样本可分时，可以不用映（2-1）（2-2）（2-3）
第3章基于SVM的病脑检测17通过上面11张病脑图片与健康脑图片对比，可以发现病脑与健康脑在中心区域纹理特征有明显差异，呈不规则变化。3.2算法实现流程算法实现的技术路线如下：第一步：使用对比度限制自适应直方图均衡化算法（CLAHE）将获得的脑图像进行增强预处理，以突出病变区域。第二步：采用提升haar小波变换，并对得到的高低频子带图像进行特征提龋第三步：将脑图像分为训练集与测试集两部分，其中训练集送入核支持向量机进行训练获得模型。第四步：将得到的训练模型用于输入的测试集分类，输出分类结果。具体算法流程图如下图3.2所示：图3.2算法流程图3.3图像预处理3.3.1实验平台本文的实验研究平台是MatlabR2019a，使用了Libsvm3.23工具箱。Matlab矩阵实验室对数据的分析非常专业，并配置了许多的科学工具箱。Matlab具有编程简单，使用方便；其函数库可以任意增加拓展；语言简单，内容丰富；便捷而又完善的的图形处理功能，简便的绘图功能及大量的工具箱为用户提供了方便。本实验基于CPU为IntelCOREi5-337u，1.8GHZ，4GBRAM，win1064位操作系统。训练提升haar小波变换测试集脑图像MRI脑图像特征提取核支持向量机正常脑或病脑输出图像预处理
第3章基于SVM的病脑检测183.3.2图像增强本文为了改善图像质量，增强图像对比度，选择了对比度限制自适应直方图均衡化算法（CLAHE）[39].它是自适应直方图均衡（AHE）的一种变体，首先计算以每个像素为中心的上下文区域中的一个直方图的灰度值，然后，根据其局部直方图的像素强度等级分配像素强度值。与AHE不同，CLAHE具有防止过度增强噪音和减少边缘阴影效应的好处。因此本文采用对比度限制自适应直方图算法增强每个图像的对比度。其中对脑膜瘤图像进行增强结果如下图3.3所示：图3.3脑膜瘤图像均衡化及其自适应直方图由图3可见对肉瘤图像采用CLAHE算法增强，图像病灶区域的对比度比原图增强，纹理特征更明显，更好地凸显了病灶区域。3.4特征提取使用离散小波变换(DWT)[40]提取特征的优点是：（1）可以降低小波系数的维数，自主选择分解级数，以获得较小的特征向量。（2）在DWT基础上提取图像的特征向量可以更有利于将医学MRI脑图像分为正常和异常两类[41][42]。陆思源[17]在论文中经过实验对比证实，Haar小波在病脑检测中的表现较其他小波更好。由此本文对Haar小波采用提升方案，这样能进一步提升特征提取算法的计算速度。
【参考文献】
相关期刊论文 前4条
1 翟军昌;高立群;欧阳海滨;孔祥勇;;一种自适应全局和声搜索算法[J];控制与决策;2015年11期
2 高雷阜;赵世杰;于冬梅;徒君;;SVM参数优化的AFMC算法[J];计算机工程与科学;2015年07期
3 焦蓬蓬;郭依正;刘丽娟;卫星;;灰度共生矩阵纹理特征提取的Matlab实现[J];计算机技术与发展;2012年11期
4 王健峰;张磊;陈国兴;何学文;;基于改进的网格搜索法的SVM参数优化[J];应用科技;2012年03期
相关博士学位论文 前1条
1 王水花;基于机器视觉的多尺度脑图像的若干技术研究[D];南京大学;2017年
相关硕士学位论文 前4条
1 刘方园;基于粒子群和生物地理学算法优化BP网络的脑图像检测研究[D];南京师范大学;2019年
2 毋雪雁;基于遗传算法与粒子群算法混合优化加权K最近邻算法的病脑检测系统[D];南京师范大学;2018年
3 陆思源;基于蝙蝠优化极限学习机的病脑检测系统[D];南京师范大学;2018年
4 王海楠;基于捕食者—食饵粒子群算法和单隐层神经网络算法的病脑检测系统[D];南京师范大学;2017年
本文编号：2892161
本文链接：https://www.wllwen.com/shoufeilunwen/mpalunwen/2892161.html
最近更新
教材专著
