一项调查显示使用图像处理技术检测大脑Tumorinmri图像

A.Sindhu¹,S.Meera²

M.Phil。研究学者,PSGR Krishnammal大学对于女性来说,Peelamedu,印度哥印拜陀
助理教授,我的部门。Peelamedu T, PSGR Krishnammal女子学院,印度哥印拜陀

文摘

医学图像处理是快速发展的,具有挑战性的领域现在天。医学影像技术用于医学诊断。脑部肿瘤是一种严重威胁生命的疾病。使用图像处理技术检测脑瘤涉及四个阶段即图像预处理,图像分割,特征提取,分类。图像处理和神经网络技术用于提高性能的检测和分类脑部肿瘤在MRI图像。在这个调查综述了各种图像处理技术尤其是脑部肿瘤磁共振成像检测。超过25图像处理技术显然是综述的研究论文。

关键字

预处理;图像分割;特征提取;分类;Braintumour;MRIimages

介绍

脑部肿瘤发生在大脑内异常细胞形成。有两种主要类型的肿瘤:恶性(快速增长)和良性肿瘤(slowgrowing)。原发性脑瘤也是恶性影响周围组织和它含有癌细胞。二次脑部肿瘤扩散到大脑从另一个地方。成像在脑部肿瘤的诊断中发挥着重要作用。科学家已经分类根据其位置和类型的脑肿瘤组织涉及检测是否癌变和癌变。120年世界卫生组织分类类型的肿瘤,它是基于细胞的不那么咄咄逼人的行为更积极。它涉及到高分辨技术特别是MRI(磁共振成像)和CT(计算机断层扫描)。

磁共振成像

医学成像研究面临的挑战是通过磁共振影像(MRI)检测脑瘤。1969年雷蒙德v Damadian发明MRI和是第一个使用MRI探讨人体[1]。

磁共振成像[2]是一种强大的工具为投资主体的内部结构。脑部核磁共振成像提供了更好的图像质量,肌肉、心脏和癌组织与其他医学成像技术,如计算机断层扫描(CT)或x射线。在大脑肿胀的。先生的图像强度级别的肿瘤的组织表现出不同强度级别T1-w和T2-w图像基于肿瘤的类型。T1-w大多数肿瘤或中间信号强度较低。在T2-w大多数肿瘤都有明亮的强度。大脑的解剖学通常可以被MRI扫描。这技术是一种特殊的脑瘤和癌症成像检测。

文献调查

图像前处理

核磁共振图像的预处理是图像分析的主要步骤,进行图像增强和降噪技术用于提高图像质量。图像增强的细节是改善和噪音从图像中删除。增强和降噪技术实现大脑肿瘤的检测,可以给最好的结果。增强将导致更加突出边缘和尖锐的形象像肿瘤获得噪声将减少从而减少图像的模糊效果。

一事。Balwinder辛格提出中值滤波技术对去噪的椒盐噪声和泊松噪声图像。中值滤波器,一个窗口沿着图像幻灯片和窗口内的像素强度值的中位数变成了正在处理的像素强度值的输出。中值滤波图像中的边缘保留同时减少随机噪声。将每个像素的像素值中值对应的输入像素的社区。该滤波器用于消除这些噪声和边界框法实现识别肿瘤的位置[4]。

次序统计滤波器展示一个简单和有效的技术来去除噪声从医学图像中值滤波和均值滤波相结合的方法确定像素值的噪声图像。该方法用于删除Rician噪音影响核磁共振图像[5]。这个方法执行比另一种更好的过滤方法由m . n . Nobi和m·a·优素福。

C。Ramalakshmi和。Jaya Chandrandeveloped各向异性过滤消除背景噪音,从而保留图像中的边缘点。这种技术适用于并发过滤和对比度缝合。扩散常数相关噪声梯度和平滑的背景噪音过滤选择一个合适的阈值。[6]。

去噪使用加权中值滤波器应用于去除高频组件和它可以把盐和胡椒噪音从MRI没有令人不安的边缘。它适用于每个像素的3 * 3,5 * 5,7 * 7,9 * 9.11 * 11窗口邻域像素的提取并分析了前景的平均灰度值均值的背景和一直受雇于J.Jaya对比价值。K。Thanushkodi, M。2009年Karnan [7]。

图像分割

图像分割的目的是一个图像分割成区域(空间连接组的像素被称为类。或子集)和对象对一个或多个特征或功能。图像分割plays a significant role in image processing as it helps in the extraction of suspicious regions from the medical images. The idea behind segmentation is to segment an image into several clusters. The results will be such that, it is possible to identify regions of interest and objects in the original image.

r . Rajeswari。g . Gunasekaran提出分水岭分割算法[8]对大脑肿瘤分割,这是将灰度级图像的梯度在地形表面。制造商基于分水岭分割解决图像分割问题在这个内部标记生产从灰度图像和外部标记用于查找内部之间的像素标记。这是通过分水岭变换。计算这个变换以及修改后的梯度图像产生分水岭脊线,这线叠加在原始图像,从核磁共振产生肿瘤区域的分割。肿瘤细胞集群使用层次聚类算法。

基于颜色的分割使用k - means聚类识别肿瘤区域明显形成了预处理先生作为一个集群的形象特征。大脑对这里预处理灰度图像转换为RGB彩色图像。直方图均衡化的方法和需要执行的优势被忽视的像素值。然后被粗表示RGB彩色图像使用25箱。粗表示使用空间信息从一个基于直方图的窗口过程。k - means是粗糙的图像数据被用于集群。这表明更好的结果与其他边缘检测算法相比,在更短的时间内提高肿瘤检测的准确性。这是由Sarbani达塔。博士Monisha Chakraborty [9]。

Easha Noureen。医学博士,Kamrul哈桑提出直方图阈值检测大脑肿瘤在MRI图像分割方法。这是基于阈值的直方图特征和灰度阈值,适用于一个图像区域或对象的均匀亮度的背景下,放置不同的灰度。一个阈值必须应用领域对象和背景。直方图呈现图像的强度值和阈值是一种技术,将灰度或彩色图像转换为二进制图像基于阈值。大脑的磁共振图像划分和各部分的柱状图。阈值的直方图计算和分割使用阈值点的一半。绘制柱状图和数量的像素和像素之间强度. bar图可以用来绘制直方图。区别两个直方图的计算和合成的区别是绘制使用条形图选择阈值的点。这个结果给重视探测大脑肿瘤在MRI图像[10]。

种子区域生长方法是一种分割方法,它检查相邻像素的最初的“种子点”并确定像素的邻居应该被添加到该地区。这是一个技术直接决定区域。制定该地区的分割,它必须完成,每个像素在该地区必须分离,这样清晰的互相分离可以被识别。它满足条件是像素的灰度范围内的地区。此分割用于找到图像中存在异常。快速和全自动算法,同质纹理特征和空间特征的MRI用于找到种子点,分割结果是准确的。这是由穆克什·库马尔,卡迈勒•梅塔在2011年[11]。

特征提取

特征提取是提取特定特性的技术从不同的预处理图像异常的类别。这种技术提取高级功能需要为了执行分类的目标。特性是那些独特的物品描述,如大小、形状、组成、位置etc.Feature提取是一个重要的一步的建设模式分类,旨在描述每个类的相关信息的提取。Gaurav Kumar和Pradeep Kumar Bhatia综述了各种类型的特征,特征提取技术和使用这种技术在图像处理系统中的重要性[12]。

SivaSankari.S。信德提出一种图像处理技术提取的最优特性脑部肿瘤在MRI利用GLCM[13](灰度共生矩阵法)和伽柏特征提取借助k - means聚类分割算法。一些特性,应用灰度共生矩阵建立使用技术和伽柏中提取特征提取物是对比。相关性。同质性。熵。能量。形状。颜色。结构和强度。因此,特征提取和与其他指标相比,给有效的结果。 [14]

Pratik p . Singhai哈斯Ladhake发达CCA(连接成分分析)技术在数字MRI图像提取的地区不支持的边界区域边界检测后。CCA前景检测大型连接区域或对象。在图像分析中,提取对象使用指定的连接组件标签的操作由一个独特的标签每个最大连接前台区域的像素。任何一组像素不分离的边界被称为连接组件。连接组件的设置一个图像分割成段,从而检测到肿瘤的面积是计算像素使用连接成分分析。[15]

Neelam Marshkole Bikesh Kumar辛格。一个。年代Thoke特征提取的基础上使用纹理和形状特征它可以有效地用于脑肿瘤分类与高水平的准确性。物体的形状是一个基本的属性出现在图像本身。组功能,用于描述一个医学图像纹理特征。在特征提取之前感兴趣的区域(ROI)组成的肿瘤区域提取为进一步分析Feature提取并代表在一个数组称为特征向量。Haralick的纹理特征是实验进行进一步的分类。特征向量是一行组成的形状特征,如傅里叶描述符系数和七个不变矩以及13个纹理特征[16]。纹理和形状特征可以给满意的结果分析和脑部肿瘤的分类。

达哈伯迪娜·布勒。萨米s a Ghoniemy提出的方法基于自动利用指定感兴趣的区域(roi)在肿瘤在MRI图像领域。形成每个ROI,提取功能包括肿瘤形状和强度特征提取和标准化。每个ROI重量估算每一个脑瘤的PDF先生的形象。这些重量是用作建模过程传统并修改。这种方法是基于学习矢量量化(LVQ)这是一个监督竞争学习技术。这个模型是成功测试了通过使用一组感染大脑mri扫描图像分类肿瘤[17]

图像分类

分类是一个像素的标签或一组像素。多个特性用于一组像素即需要许多图像的特定对象。图像分类是指数量的标签图像到一个预定义的类别。图像分类is more important as it is a critical step for high-level processing such as brain tumor classification. Classification is the last step in the process of brain tumor detection used to classify the image into normal or abnormal and classify the abnormality type whether it is benign or malignant. This study evaluates various techniques which are used in tumor detection from brain MRI.

凯拉什D。Kharat & Pradyumna Kulkarni[18]提出了脑瘤两种方法基于人工神经网络的分类。网络被分为前馈神经网络和反向传播神经网络。首先基于前馈人工神经网络分类器(FF-ANN)和第二个分类器基于反向传播神经网络(三层)。FF-ANN节点分类器成立与500年在第一层(输入)。1到50个隐层节点和1个节点作为输出层和不同节点为了确定最优隐藏节点的数量。这是为了避免配件或下拟合数据。学习方法是使用最广泛的neuralnetwork BP算法。学习神经网络涉及修改网络的权重和偏见为了最小化代价函数。分类器被用来分类科目为正常或异常的MRI大脑图像。

包装方法与图像分类先生多类支持向量机分类器(MC-SVM)使用颜色、纹理和形状特征。减少大量的功能较少量的功能使用包装器与多支持向量机算法。MC-SVM分类器的性能与不同的核函数。从性能分析和措施分类准确性,推断,大脑MRI分类最好使用MC - SVM比线性高斯RBF核函数和多项式核函数,高斯RBF核函数的包装器方法MC-SVM增强大脑先生的分类图像与正常和良性或恶性类这种方法是有效的人类大脑正常或异常的分类(良性或恶性肿瘤)与高灵敏度、特异性和准确性。这是由N。Rajalakshmi Lakshmi Prabha。[19]。

Neelam Marshkole Bikesh Kumar辛格。一个。年代Thoke提出了一种混合方法对恶性和良性肿瘤进行分类使用纹理和形状期货的融合。肿瘤和肿瘤区域出现先生几乎没有区别,图像处理工具箱用于特征提取和安工具箱已被用于分类。在特征提取之前,感兴趣的区域(ROI)组成的肿瘤区域提取使用MATLAB imtool函数进行进一步分析。纹理特征的良性和恶性肿瘤都彼此非常接近,因此纹理特征本身可能不是给所需的分类效率。线性矢量量化(LVQ)最后用于分类的模式恶性和良性肿瘤。LVQ Kohonen学习规则的监督版本。在LVQ每个输出单元代表一个类。LVQ被用于肿瘤的分类显示,纹理和形状特征可以给满意的结果分析和脑部肿瘤的分类。[20]。

在这个表现有系统显示了各种方法已用于图像处理技术也显示找到的方法从91%变化到100%。

结论和未来的工作

本文描述了不同的图像处理技术检测大脑肿瘤在MRI图像。四部分讨论了在核磁共振图像来提高性能,分类和检测大脑肿瘤的准确性。他们是预处理、分割、特征提取和分类。表我提出了各种图像处理技术的概述现有系统中也显示了发现率的方法和显示不同的准确率。未来的研究铅对提高准确性和也可以做更高级的检测肿瘤和增长进行分析。图1显示了包含肿瘤的MRI图像,还可以定义肿瘤类型。这个工作将extendedfor中值滤波和基于区域的算法来检测肿瘤在MRI的类型将提供更有效的结果。

表乍一看

表1

数据乍一看

图1

引用

Damadian, R。,Goldsmith, M.,andMinkoff, L., NMR in Cancer: XVI, FONAR Image of the Live Human Body, Physiological Chemistryand Physics, Vol. 9, pp. 97-100, 1977.

“国家脑部肿瘤学会”,[网络][可以]http: / www, braintumor,org/patients-family-friends/about-brainTumors/brain-tumorfaq,html。

Logeswari, T。,and Karnan, M.,“An Enhanced Implementation of Brain Tumor Detection Using Segmentation Based onSoft Computing”,IEEE International Conference on Signal Acquisition and Processing, pp. 243-247, 2010.

一事,Balwinder辛格“改善脑部肿瘤检测使用分割ANDBOUNDING盒子”IJCSMC,卷2,页- 246,2013。

Nobi m . N。,and Yousuf, M. A., “A New Method to Remove Noise in Magnetic Resonance and Ultrasound Images”,JOURNAL OFSCIENTIFIC RESEARCH, Vol. 3, pp. 81-89, 2011.

Ramalakshmi C。,andJayaChandran, A.,“Automatic Brain Tumor Detection in MR Images Using Neural Network BasedClassification”,International Journal of Computer Science and Network security,Vol. 14, pp.5,2014.

Jaya, J。,Thanushkodi, K., and Karnan, M., “Tracking Algorithm for De-Noising of MR Brain Images”, IJCSNS International Journal ofComputer Science and Network Security, Vol. 9, pp. 11, 2009.

Rajeswari, R。,and Gunasekaran, G.,“Tumor Detection and Segmentation Using Watershed and Hierarchical Clustering Algorithms”,IJIRCCE,Vol. 2, Special Issue 5, 2014.

SarbaniDatta MonishaChakraborty博士,“脑部肿瘤检测预处理图像使用SegmentationTechniques先生”,IJCA, 2011年。

EashaNoureen Kamrul Hassan博士,医学博士,“大脑肿瘤检测使用直方图阈值阈值点”IOSRJournal电气和电子工程,9卷,页。14-19,2014年。

穆克什·库马尔,Kamal K,梅塔,“基于纹理的肿瘤检测和自动分割使用播种地区GrowingMethod”ComputerTechnology国际杂志》,855 - 859年,2011页。

Gaurav Kumar Pradeep Kumar Bhatia,“详细审查的特征提取在图像处理系统”Internationalconference一个先进的计算机和通信技术,2014年。

JainySachdeva Vinod库马尔,因陀罗Gupta, NiranjanKhandelwal andChirag Kamal Ahuj,“多级脑肿瘤分类usingGA-SVM”, 2011。

SivaSankari信德,S。,“Feature Extraction of Brain Tumor Using MRI”, International Journal of Innovative Research inScienceEngineering and Technology, Vol. 3, 2014.

Pratik, P。,Singhai ,Siddharth, A., and Ladhake, “Brain Tumor Detection Using Marker Based Watershed Segmentation from Digital MRImages” , IJITEE, Vol. 2, pp. 2278-3075, 2013.

NeelamMarshkole Bikesh Kumar辛格,脑部肿瘤的“基于纹理和形状分类使用线性VectorQuantization”,国际期刊《计算机应用,30卷,pp.0975 - 8887, 2011。

蒂娜AboulDahab,萨米,s。,Ghoniemy, Gamal, M. Selim, “Automated Brain Tumor Detection and Identification Using ImageProcessing and Probabilistic Neural Network Techniques”, International Journal of Image Processing and Visual Communication, Vol.1,2012.

凯拉什,D。Kharat, andPradyumnaKulkarni脑肿瘤分类使用基于神经网络的方法”,国际期刊ofComputer科学和信息学,第1卷,2231 -5292,2012页。

Rajalakshmi, N。,and Lakshmi Prabha,“Automated classification of brain MRI using color converted k-means clustering segmentation andapplication of different kernel functions with multi-class svm”, International Interdisciplinary Conference, pp.24-26.

NeelamMarshkole Bikesh Kumar辛格andThoke,响亮的,“Texture and Shape based Classification of Brain Tumors using Linear VectorQuantization” International Journal of Computer Applications,Vol.30, pp.0975 – 8887, 2011.

MeghanaNagori, SivajiMutkule andPrafulSonarkar,“检测脑瘤的挖掘功能磁共振成像图像”,国际期刊研究在计算机和通信工程,精神文明2卷,2013年。

Gladis, v P。,PushpaRathi, and Palani, S.,”Brain tumor mri image classification with feature selection and extraction using lineardiscriminant analysis”.

哈尔,Ed-EdilyMohd Muhd MudzakkirMohd,净化,“脑部肿瘤检测和定位InMagnetic磁共振成像”,信息技术融合和服务的国际期刊,4卷,2014年。

PankajSapra, RupinderpalSingh andShivaniKhurana,“脑部肿瘤检测使用神经网络”,国际现代工程科学杂志》上,第1卷,2013年版。

SagarPatel JankiNaik,教授,“肿瘤检测和分类在大脑核磁共振”使用决策树。

Karuppathal, R。,and Palanisamy, P., “Fuzzy based automatic detection and classification approach for mri-brain tumor”,ARPN Journal ofEngineering and Applied Sciences,Vol. 9,2014.

Ramaswamy Reddy,。普拉萨德,e . V。,andReddy, L.S. S., “ Comparative Analysis of Brain Tumor Detection using DifferentSegmentation Techniques” International Journal of Computer Applications, Vol .82 , 2013.