多模态MRI脑肿瘤图像分割方法研究

发布时间：2020-09-21 19:30

　　现阶段恶性肿瘤是我国居民死亡的主要原因之一,其中脑肿瘤在人群中的发病率较高,脑胶质瘤更是最常见的原发性脑肿瘤。随着现代成像技术的不断发展,尤其是MRI成像技术,为我们评估脑肿瘤的情况和选择治疗方案提供了有利的帮助。脑肿瘤分割的精准度更是医生诊断患者病症信息的关键。脑肿瘤结构复杂、形状多变、灰度不均匀以及在不同的患者身上表现出相当大的差异性。人工分割MRI脑肿瘤图像耗时耗力,并且常常会受到主观差异的影响。由于以上原因,许多研究人员致力于开发半自动或自动脑肿瘤分割方法。首先本文使用了一种基于超像素的分割方法。图像预处理后采用超像素SLIC算法来进行图像分割,随后从超像素块中提取灰度统计特征和纹理特征。其中灰度统计特征包括均值、标准差、偏态和峰值等,纹理特征使用的是灰度共生矩阵和局部二进制模式。最后使用SVM分类器用于将每个超像素块分类为肿瘤区域或非肿瘤区域。然后本文又采用了一种基于全卷积神经网络的U-Net全自动脑肿瘤分割方法。我们首先使用Elastic变换进行数据增强,初始化U-Net参数后,使用Adam优化器来进行学习优化。通过参数构建完全的U-Net网络,就可实现脑肿瘤的自动分割。。最后本文采用了 DSC、Senstivity、Specificity作为统一的评价标准来比较两种方法。虽然基于全卷积神经网络的U-net分割方法和基于超像素的分割方法最终都取得了令人满意的结果,但是前者结果更为优秀、方法更为先进。本文提供的两种方法,可以在无人工干预的情况下对患者脑肿瘤图像产生特异性的分割,对诊断、治疗具有临床指导意义。
【学位单位】：山东大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R739.41;TP391.41
【部分图文】：

分割方法,像素,图论

割方法［２５］。如果依照原理的角度来对超像素分类，我们可以将这些方法总结为基逡逑于图论的分割方法和基于梯度下降的分割方法。这样分类的好处就是十分的简单逡逑明了。超像素分类图如图３－１所示：逡逑－Ｎｃｕｔｓ逡逑ｚ，‘．■邋．Ｑ邋基于图论的分ＳＪ邋Ｋ逦邋Ｇｒａｐｈ－Ｃｕｔ逡逑，一———一邋＼逦．逡逑／逦、Ｓｕｐｅｒｐｉｘｅｌ邋ｌａｔｔｉｃ逡逑Ｉ＾ＰＩ逡逑，邋Ｔｕｒｂｏｐｉｘｅｌ逡逑／逡逑＇．＇、爿基报朗卸盼割［．．．．．．．．．．．．．邋Ｓｅｅｄ逡逑、ｓｕｅ逡逑图３－１超像素分割方法分类逡逑本章节简单的介绍几种常用的超像素生成算法【２６］。逡逑（１）基于图论的分割方法逡逑在计算机视觉领域中经典的Ｎｃｕｔｓ分割算法就是基于图论的分割方法。图论逡逑的方法思想的核心是：首先把整幅图像看作是一个完整的无向图，假设图像上的逡逑每个像素对应图中的一个顶点，然后有关联的像素用边连接。必须注意的是边上逡逑１７逡逑

值函数,阈值函数

第４章卷积神经网络逡逑、［７邋如果ｖＭ逡逑＾邋＝逦ｎ逦（４－２）逡逑［０逦如果ｖ＜０逡逑这里我们可以很容易的观察出阈值函数的性质，该函数的最后的取值只能是逡逑０或者１，阈值函数的输出并不可以随着权值的变化而变化。逡逑（２）邋Ｓｉｇｍｏｉｄ函数：如图４－２邋（ｂ）所示，数学表达式如公式（４－３）逡逑这里我们可以很容易的观察出阈值函数的性质，该函数的取值只能是０或者逡逑１，阈值函数的输出并不可以随着权值的变化而变化。逡逑ｆ（ｖ）邋＝逦逦逦邋（４－３）逡逑ｌ＋ｅｘｐ（－ａｖ）逡逑

过程图,过程,卷积核,卷积

表４－〗卷积层和池化层中图像特征的处理流程对比逡逑卷积层逦ｍｍ逡逑Ｗｉｄｔｈ，Ｈｅｉｇｈｔ、Ｄｅｐｔｈ逦Ｗｉｄｔｈｌ、Ｈｅｉｇｈｔｌ、逦Ｄｅｐｔｈ邋１逡逑卷积核尺寸Ｆ步进Ｓ，逦卷积核尺寸Ｆ逡逑卷积核个数Ｋ填充因子Ｐ逦步进Ｓｔｒｉｄｅ逡逑Ｗｉｄｔｈ邋１、Ｈｅｉｇｈｔ邋１，邋Ｄｅｐｔｈ邋１逦Ｗｉｄｔｈ２，邋Ｈｅｉｇｈｔ２，逦Ｄｅｐｔｈ２逡逑卷积层使用的卷积核横跨整个逡逑深度，池化层使用的卷积核只影逡逑响一个深度的节点逡逑１揭示了池化层和卷积层的处理流程的对比。池化层和卷积层的最大逡逑：卷积层使用的卷积核横跨整个深度，池化层使用的卷积核只影响逡逑的节点。逡逑化和平均池化这是最为常见的池化方法。下图４－７和下图４－８解释平均池化的池化过程。逡逑

【参考文献】