雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

全球研究计算机科学杂志》上

菜单

石头:2229 - 371 x

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

一项调查对大脑图像分割方法

萨米尔·库马尔教授Bandyopadhyay
部门电脑Sc。&工程、印度加尔各答加尔各答大学
通讯作者:萨米尔Kumar Bandyopadhyay教授电子邮件:skb1@vsnl.com
相关文章Pubmed,谷歌学者

访问更多的相关文章全球研究计算机科学杂志》上

全球研究计算机科学杂志》上

文摘

在过去的十年中,已经提出了许多图像分割技术。这些分割技术可以分为三类,(1)特征阈值或集群,(2)边缘检测,和(3)区域提取。这个调查总结了其中的一些技巧。在生物医学图像分割领域,大多数提出技术属于的类别特征阈值或集群和边缘检测。我们现在目前的分割方法进行了综述,重点放在揭示这些方法的优点和缺点医学成像的应用程序。

关键字
边界形成、集群、边缘检测、梯度算子,区域提取与分割

介绍
今天在医学诊断成像是一个宝贵的工具。磁共振成像(MRI)、计算机断层扫描(CT)、数字乳房x光检查,和其他的非侵入性成像技术提供了一种有效的方式将映射主题的剖析。这些技术极大地增加了医学研究正常和病变的解剖知识和在诊断和治疗计划的一个关键组成部分。医学图像的大小和数量的增加,电脑的使用在促进他们的处理和分析已成为必要。特别是计算机算法描述的解剖结构和其他感兴趣的区域协助和自动化的一个关键组件特定的放射性任务。这些算法,称为图像分割算法,发挥至关重要的作用在许多生物医学成像应用,如组织的量化卷[1 - 5],[6],诊断病理学定位[8],[8]解剖结构的研究中,治疗计划[9],部分体积校正功能成像数据[7],和计算机综合手术[10]。
脑磁共振(MR)图像的自动分割的三个主要组织类型:白质(WM),灰质(GM)和脑脊液(CSF)是一种重视和研究的课题。众所周知,大脑的不同部分的容量分析是有用的在评估的进展或缓解各种疾病,如阿尔茨海默氏症、癫痫、硬化,精神分裂症[11]。
计算应用在日常生活中越来越重要。具体地说,使用计算机辅助计算系统生物医学应用程序已经探索到一个更高的程度。医学图像分析是一个重要的生物医学应用程序,它在本质上是高度计算,需要自动化系统的援助。这些图像分析技术通常用于检测人体异常通过扫描图像。自动化的大脑紊乱的诊断与图像先生是一个特定的医学图像分析的方法。
脑瘤疾病是最常见的死亡在当前医疗社会的场景。因此,准确检测大脑异常的类型是高度重要的治疗计划,可以减少致命的结果。可以获得准确的结果只有通过计算机辅助自动系统。
磁共振成像(MRI)是国家艺术医学成像技术,允许身体的横断面视图以前所未有的组织对比。核磁共振在评估中起着重要的作用的病理条件脚踝,脚和大脑。它已迅速发展成为一个公认的形态为肌肉骨骼系统疾病的医学成像过程,特别是脚和大脑由于使用非电离辐射。核磁共振成像提供了一个数字表示的组织特性,可以获得在任何组织。核磁共振扫描仪产生的图片最好被描述为通过大脑切片。磁共振成像的优势是能够产生图像片通过大脑在水平和垂直平面。
分割是一个重要的过程,从复杂的医学图像中提取信息。分割广泛应用在医学领域[3 - 4]。的主要目标图像分割是图像分割成相互排斥和疲惫的地区,每个地区的利益空间相邻,区域内的像素均匀对一个预定义的标准。
广泛使用的同质性标准包括强度值、质地、色彩、正常范围内,表面和表面的弯曲度。在过去许多研究人员在医学成像和软计算领域取得了重大调查领域的图像分割(5 - 8)。
图像分割技术可以分为基于边缘检测、区域或表面增加,阈值水平,分类器等分层自组织映射(HSOM)和特征向量聚类或矢量量化。矢量量化已经证明是一种非常有效的图像分割模型过程[9]。矢量量化过程将一个n维向量空间划分到米区域,优化准则函数所有的点在每个区域近似的表示向量习与该地区有关。
矢量量化过程有两个:一个是培训过程决定的码书矢量根据输入数据的概率,另一个是编码过程分配输入向量矢量码书。矢量量化过程已经实现的竞争学习神经网络(CLNN) [10]。自组织映射(SOM) [11] CLNNs的一员,这可能是最好的选择当使用神经网络实现矢量量化[16]。SOM对矢量量化的重要性之间的相似性主要是由于竞争学习过程采用SOM和矢量量化过程。
SOM的主要缺点是,在竞争层神经单元的数量需要约等于区域所需的数量分割图像。然而,不可能确定先验正确数量的地区分割图像。这是传统SOM对图像分割的主要限制。
SOM的HSOM直接解决上述不足。HSOM是自组织和地形测绘技术的结合。HSOM结合的想法关于图像分割处理的数据抽象分割图像的最后一个域独立输入图像的抽象。调用层次结构的分层分割过程抽象树。抽象树相似性一些主要熟悉的四棵树数据结构[17]中使用的一些图像处理和图像分析算法。
聚类分组的过程是一个数据集,数据在集群之间的相似性最大化,而不同簇的数据之间的相似性最大化[18],用于模式识别在图像处理。认识到一个给定的模式图像使用的技巧有很多,但总的来说两大类进行了分类:无监督技术和监督技术。
在无人监督的方法中,数据项是集群不是甚至在监督聚类数据点甚至。的一个著名的无监督算法,可以应用于许多应用,如图像分割[19],模糊c方法(FCM)[20]等。FCM算法是一个流行的模糊聚类算法被归类为限制软聚类算法。
软聚类算法找到一个给定数据集的软隔断,部分数据集合的一个元素可能属于多个集群。此外,有一个限制的功能点的隶属度在所有集群1 [21]。研究人员在这个领域使用SOM或HSOM FCM单独作为一个工具的磁共振脑图像分割肿瘤分析。一些论文提出一个混合动力技术结合的优势HSOM和FCM和实施核磁共振图像分割过程检测各种组织像白质、灰质、春秋国旅和肿瘤。
自动诊断包括两个主要步骤:(a)图像分类和(b)图像分割。图像分类的技术分类异常输入图像分成不同的肿瘤组(许多类型的脑肿瘤)基于一些相似的措施。这一异常检测技术的准确性必须相当高的治疗计划以来,在此基础上识别。第二步是图像分割用于提取异常肿瘤部分为容量分析是至关重要的。这个容量分析决定治疗对病人的影响可以从提取的大小和形状的异常部分。许多研究论文与图像分类和分割不同的方法在文献中报道。

审查工作脑图像分割
脑图像分割的主要目标是给定的脑图像分割成non-intersecting地区代表真正的解剖结构,如灰质,白质,等等。在过去的十年里,人们提出了很多方法来解决这个问题。部分列表包括edge-based方法[23],[24]知识或基于规则的方法,统计模型方法[25],[27]神经网络方法,和基于形变模型的方法[26]。尽管这一进步,自动分割的大脑结构仍然是一个非常具有挑战性的任务。本文提出了一种新的混合方法于一体的多尺度分析、图像归一化和弹性变形的模板。
执行分割方法差别很大取决于特定的应用程序,成像模式,和其他因素。例如,脑组织分割的不同需求从肝脏的分割。一般成像的构件(如噪声、部分体积效应,运动也可以分割算法的性能有显著的影响。
此外,每个成像模式都有其优点和缺点。目前没有一个为每个医学图像分割方法,产生可接受的结果。方法确实存在更普遍,可以应用于各种各样的数据。然而,专门对特定应用程序的方法通常可以取得更好的性能,考虑先验知识。选择一个合适的方法来分割问题因此可以艰难的困境。
进行有意义的分割图像,地区不同灰色的水平应该如果同一个对象的区域合并。分水岭分割生成空间均匀区域的分割。与经典的基于区域的分割,分水岭变换[28]梯度图像上执行。图像的梯度定义第一个偏导数和包含一个测量变化的灰色的水平。
各种分割方案存在的文献。很难估计自动或半自动分割结果与体内的大脑,由专家手工分割仍被认为是“黄金标准”或“地面实况”任何自动化算法。然而,手动分区大量lowcontrast / low-signal-to-noise比(信噪比)的大脑数据是艰苦的工作,很容易大内部观察者和观察者变异。完全自动化的灰度算法,另一方面,表现出高灵敏度各种噪音的工件,如内部组织噪声,降低国际组织强度对比,部分容积效应,和其他人(29-32)。
雷竞技苹果下载评论脑图像分割方法(例如,[31])存在退化等分割算法的质量由于噪音,和最近的出版物可以找到解决这些问题的各个方面(例如,部分容积效应量化[7])。由于工件,古典voxel-wise基于强度的分类方法,例如——建模和混合高斯模型的建模(例如,[11]和[25]),可能会让不现实的结果,与组织类地区出现颗粒,分散,或违反解剖约束。通过统计地图集包含空间信息提供了一种方法改善分割结果(例如,[13]和[18],[22])。统计地图集提供了每个像素的先验概率源自特定组织类。
算法是基于最大后验(MAP)则利用atlas信息算法迭代增强信息的噪声数据。共同注册输入图像和阿特拉斯的口口相传,一个计算密集型的过程,在这个场景中[23]是至关重要的。重要的是要注意,注册的质量结果是强烈依赖于主体的生理变化和可能收敛于一个错误导致患病的情况下或大脑严重受损。此外,注册过程只适用于完整的卷。一片不能注册到阿特拉斯,因此,不能分割使用这些先进的算法。
额外的常规方法提高细分平滑噪声和免疫是相邻的体素模型交互使用马尔可夫随机场(MRF)统计空间模型[9],[13],[27]。平滑结构得到适度的噪声的存在只要MRF参数控制空间相互作用强度的正确选择。设定过高会导致过度平滑分割和失去重要的结构性细节[15]。此外,MRF-based算法计算棘手的,除非一些近似使用,仍然需要计算密集型算法。用可变形模型的算法将组织边界信息[19]意味着固有的光滑但需要仔细的初始化和精确校准模型参数以提供一致的结果在一个嘈杂的环境。一些作品可以在文献中找到,比如模糊连接分割方法,试图提供一种替代MRF模型(例如,[20]和[26])。(26 - 35周不等),在许多其他作品,似乎仍是一个需要大量的参数的任务。

结论
本文概述了当前的方法用于计算机辅助解剖或电脑自动分割医学图像。方法和应用程序出现在最近的文献简要描述。我们只提到最常用的放射影像解剖学形态:磁共振成像(MRI), x射线计算机断层扫描(CT)、超声波、x射线投影射线照相。

引用
  1. d·马尔et al ., Proc。罗伊。说。伦敦,B 207:181 - 217 (1980)。
  2. m . Sonka et al ., IEEE反式。地中海,Img。15:443 - 452 (1998)。
  3. k, IEEE et al。反式。地中海,Img。16:878 - 886 (1997)。
  4. c . c .林Pro et al。Int,说。粉剂。的原因。地中海。4日安。会议1634 (1996)。
  5. g·e·克里斯滕森IEEE et al。反式。Img。Proc 10:1435 - 1447 (1998)
  6. m . Tabb et al ., IEEE Tran。Img。Proc 6:642 - 654 (1997)
  7. S.-P。裴,et al .,形象和视觉计算13:711 - 723 (1995)
  8. k, e . r .散步流言,b . j . Krause W。M。井,r . Kikinis“马尔可夫随机域分割的大脑图像,先生”IEEE反式。地中海,图像放大。,vol. 16, pp. 878–886, Dec. 1997.
  9. t·卡普尔·e·l . Grimson r . Kikinis andW。M。井”,增强空间先验磁共振图像的分割,“收。指出第一版。科学。,vol. 1496, pp. 148–157, 1998.
  10. j .张“平均场理论在EM盲人马尔可夫随机域图像恢复过程,“IEEE反式。图像处理,卷2,页27-40,1993年1月。
  11. j·c·拉贾帕克萨和f . Kruggel分割的图像强度尺度,先生”形象粘度计算,16卷,没有。3、165 - 180年,1998页。
  12. k . v . Leemput f·梅斯,d . Vandermeulen a·科尔切斯特和p . Suetens”自动分割的病变从多通道图像,先生女士”收。指出第一版。科学。,vol. 1679, pp. 11–21, 1999.
  13. r . Guillemaud和j·m·布雷迪先生的估计偏差场图像,“IEEE反式。地中海,图像放大。,vol. 16, pp. 238–251, June 1997.
  14. m . e .介绍,“优化强度阈值容量分析磁共振成像数据,“Proc。学报,1808卷,第310 - 299页,1992年。
  15. 答:茶室”,当地生物医学图像分割,“第一版。地中海,图像放大。图。,vol. 14, pp. 173–183, 1990.
  16. c . m .主教,神经网络模式识别。牛津大学,英国:牛津大学出版社,1995年版。
  17. w·M。Grimson井,e . l . r . Kikinis, f . a . Jolesz“核磁共振数据的自适应分割,IEEE反式。地中海,图像放大。,vol. 15, pp. 429–442, Aug. 1996.
  18. 美国德国造d .德国造,“随机放松、吉布斯分布和贝叶斯重建图像,“IEEE反式。模式肛门。机器智能。,没有。PAMI-6,第741 - 721页,1984年6月。
  19. j . Besag“肮脏的图片的统计分析(讨论),“j .皇家集权。Soc。,ser. B, vol. 48, no. 3, pp. 259–302, 1986.
  20. 美国z,马尔可夫随机场模型在计算机视觉。德国柏林:斯普林格出版社,1995年版。
  21. t·雷和w·Sewchand”统计方法x射线CT成像及其在图像分析应用2:一个新的随机modelbased x射线CT图像,图像分割技术“IEEE反式。地中海,图像放大。,vol. 11, no. 1, pp. 62–69, 1992.
  22. j . Besag“空间交互和晶格系统的统计分析(讨论),“j·罗伊。统计,Soc。,爵士。B卷。36岁的没有。2,pp.192 - 326, 1974。
  23. l·r·拉宾”教程隐马尔科夫模型和选择在语音识别中的应用,“Proc, IEEE 77卷,第286 - 257页,1989年2月。
  24. n . Aspert d圣克鲁斯,t . Ebrahimi”网:测量误差之间的表面使用的豪斯多夫距离,“在Proc, IEEE Int.Conf。多媒体博览会(ICME ' 2002年02),1卷,705 - 708页。
  25. r·o·杜达·e·哈特和d . g .鹳、模式分类。纽约:威利,2001年。
  26. g . Dugas-Phocion m·a·g·Ballester g . Malandain c . Lebrun和n . Ayache”改善EM-based组织分割和部分体积效应量化inmulti-sequence大脑核磁共振,“在Proc, Int。地中海相依。第一版。第一版。辅助干预(MICCAI), 2004年,页26-33。
  27. g . Gerig m . Jomier m .凯卡斯,”瓦尔麦特公司:一个新的验证工具,评估和改进三维物体分割,“在Proc, Int。地中海相依。第一版。第一版。辅助干预(MICCAI), 2001年,2208卷,第516 - 528页。
  28. j·l·Marroquin公元前Vemuri, s . Botello f·卡尔德隆和a . Fernandez-Bouzas”一个准确和高效的自动分割的贝叶斯方法大脑核磁共振,“IEEE反式。地中海,图像放大。,vol. 21, no. 8, pp. 934– 945, Aug. 2002.
  29. 杰•麦克伦尼t和d Terzopoulos”,医学图像分割使用拓扑适应性强的表面,“在Proc。1日联合会议。第一版。虚拟现实视觉和机器人在医学和内侧机器人和计算机辅助手术,1997,pp。23-32。
  30. d·l·范教授“空间模糊聚类模型,第一版。视觉图像理解。,卷84,不。2、285 - 297年,2001页。
  31. d·l·范教授c .徐和j·l .王子”当前的医学图像分割方法,”安。启生物医学。Eng。,vol. 2, pp. 315–337, 2000.
  32. m . Prastawa j·吉尔摩,w·林和g . Gerig“新生儿大脑核磁共振的自动分割,”在Proc, Int。地中海相依。第一版。第一版。辅助干预(MICCAI) 2004 - 17页。
  33. t . Rohlfing和c·r·毛雷尔,Jr .)“非刚性图像配准与应用程序共享内存多处理器环境的大脑,乳房,和蜜蜂,“IEEE反式。正,抛光工艺。生物医学。,vol. 7, no. 1, pp. 16–25, Mar. 2003.
  34. a . Ruf h·格林斯潘,j . Goldberger”组织的分类嘈杂的大脑图像,采用约束GMM先生“Int。地中海相依。第一版。第一版。辅助干预(MICCAI), 2005年,页790 - 797。
  35. z雪、沈d和c . Davatzikos“经典:纵向对齐和序列图像分割计算一致,“正。过程。地中海,图像放大。,vol. 3565, pp. 101–113, Jul. 2005.