关键字 |
| 预处理;图像分割;特征提取;分类;Braintumour;MRIimages |
介绍 |
| 当大脑内形成异常细胞时，就会发生脑瘤。肿瘤主要有两种类型:恶性肿瘤(快速生长)和良性肿瘤(缓慢生长)。原发性脑瘤也是恶性的，影响周围组织，它包含癌细胞。继发性脑瘤是从身体其他部位扩散到大脑的。影像学在脑肿瘤的诊断中起着重要的作用。科学家们根据脑瘤的位置和涉及的组织类型对其进行分类，以检测它是否癌性和非癌性。世界卫生组织将120种肿瘤分类是根据细胞的行为从低侵袭性到高侵袭性进行分类的。它涉及高分辨率技术，特别是MRI(磁共振成像)和CT(计算机断层扫描)。 |
磁共振成像 |
| 医学影像学研究面临着通过磁共振成像(MRI)检测脑肿瘤的挑战。1969年，Raymond V. Damadian发明了MRI，是第一个使用MRI来研究人体的人[1]。 |
| 核磁共振成像[2]是研究人体内部结构的有力工具。与计算机断层扫描(CT)或x光等其他医学成像技术相比，核磁共振成像为大脑、肌肉、心脏和癌变组织提供了更高质量的图像。在肿瘤的大脑里。肿瘤组织的MR图像强度等级根据肿瘤类型在T1-w和T2-w图像上表现出不同的强度等级。T1-w区大部分肿瘤信号强度为低或中等。T2-w上大部分肿瘤呈亮强。大脑的解剖结构通常可以通过核磁共振成像扫描来观察。因此，该技术是脑肿瘤检测和肿瘤成像的一种特殊技术。 |
文献调查 |
图像预处理 |
| MRI图像预处理是图像分析的首要步骤，它通过图像增强和降噪技术来提高图像质量。图像增强的方式，更精细的细节得到改善，噪声从图像中去除。增强和降噪技术在脑肿瘤检测中得到了最好的结果。增强可以使图像边缘更加突出，得到像肿瘤一样的锐化图像，从而减少噪声，从而减少图像的模糊效果。 |
| 一事。巴尔温德·辛格求婚了中值滤波技术用于去除图像中的椒盐噪声和泊松噪声。在中值过滤器中，窗口沿图像滑动，窗口内像素的中值强度值成为正在处理的像素的输出强度值。中值滤波器保留了图像的边缘，同时减少了随机噪声。每个像素被设置为对应输入像素邻域内像素值的中值。该滤波器用于去除这些噪声，并采用包围盒法识别肿瘤[4]的位置。 |
| 订单统计信息过滤器提出了一种将中值滤波和均值滤波相结合来确定低噪声图像中像素值的简单有效的医学图像去噪方法。该方法用于去除影响MRI图像的罗氏噪声。该方法比M. N. Nobi和M. A. Yousuf开发的其他滤波方法的性能要好得多。 |
| C.Ramalakshmi和A.Jaya chandran开发各向异性过滤去除背景噪声，从而保留图像中的边缘点。该技术采用并行滤波和对比拼接。选择一个与噪声梯度相关的扩散常数，通过滤波使背景噪声平滑。 |
| 去噪使用加权中值滤波器用于高频分量的去除，可以在不干扰边缘的情况下去除MRI中的椒盐噪声。对一个3*3,5*5,7*7,9*9.11*11窗口的邻域像素进行提取和分析，J.Jaya采用了前景均值灰度值和背景均值对比度值。k . thanushkdi, M.Karnan在2009年[7]。 |
图像分割 |
| 图像分割的目的是将图像划分为区域(空间上连接的像素组称为类)。或子集)和对象的一个或多个特征或特征。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提议流域分割算法[8]用于脑肿瘤分割，这是在地形表面变换灰度图像的梯度。基于Maker的分水岭分割解决了图像分割问题。该方法由灰度图像生成内部标记，使用外部标记查找内部标记之间的像素。这是通过分水岭变换实现的。计算该变换与修改后的梯度图像生成分水岭脊线，并将其叠加在原始图像上，得到MRI对肿瘤区域的分割。采用层次聚类算法对肿瘤细胞进行聚类。 |
| 基于颜色的分割利用k-均值聚类，以预处理后的MR图像为聚类特征，显著识别肿瘤区域。这里将预处理好的灰度级脑MR图像转换为RGB彩色图像。采用直方图均衡化技术，充分利用了被忽略的像素值。然后使用25个箱子粗略地表示RGB彩色图像。粗表示使用来自基于直方图的窗口处理的空间信息。采用k均值方法对粗图像数据进行聚类。与其他边缘检测算法相比，该算法的检测效果更好，在较短的时间内提高了肿瘤检测精度。这是由Sarbani Datta开发的。Monisha Chakraborty博士[9]。 |
| Easha Noureen。卡姆鲁尔·哈桑博士求婚了直方图阈值MRI图像中脑肿瘤检测的分割方法。该方法基于直方图特征的阈值分割和灰度阈值分割，适用于不同灰度背景下亮度均匀的区域或物体图像。必须应用一个阈值来分割对象和背景。直方图表示图像的强度值，阈值分割是一种基于阈值将灰度图像或彩色图像转换为二值图像的技术。对大脑MRI图像进行分割，绘制各部分的直方图。计算直方图的阈值点，并使用两半的阈值点进行分割。绘制直方图，它介于像素数和像素强度之间。柱状图可以用来绘制直方图。计算两个直方图的差值，并用条形图绘制结果差值，以选择阈值点。这一结果对MRI图像[10]中脑肿瘤的检测具有重要意义。 |
| 种子区生长方法是一种分割方法，它检查初始“种子点”的相邻像素，并确定应该将像素邻居添加到该区域。这是一种直接确定区域的技术。基于区域的分割的公式是，它必须是完整的，并且区域内的每个像素必须是不相交的，这样彼此之间才能被识别出清晰的分离。它满足像素灰度在区域范围内的条件。这种分割用于发现图像中是否存在异常。快速全自动算法，利用MRI的均匀纹理特征和空间特征找到种子点，得到的分割结果准确。这是Mukesh Kumar和Kamal Mehta在2011年开发的[11]。 |
特征提取 |
| 特征提取是从不同异常类别的预处理图像中提取特定特征的技术。该技术提取目标分类所需的高级特征。特征是那些唯一描述尺寸、形状、组成、位置等的项。特征提取是构建任何模式分类的重要步骤，旨在提取每个类的特征相关信息。Gaurav Kumar和Pradeep Kumar Bhatia回顾了各种类型的特征，特征提取技术和在图像处理系统[12]中使用这种技术的重要性。 |
| SivaSankari.S。Sindhu提出了一种在MRI中提取脑肿瘤最优特征的图像处理技术GLCM[13](灰度共现矩阵)和Gabor特征提取利用k-means聚类分割算法。使用GLCM技术提取部分特征，Gabor特征提取为对比度。相关性。同质性。熵。能量。形状。颜色。纹理和强度。从而提取特征，并与其他度量进行比较，得到了有效的结果。 [14] |
| Pratik P. Singhai, Siddharth A. Ladhake开发CCA数字MRI图像中的连通分量分析(Connected Component Analysis)技术，在检测到区域边界后，提取出不受边界支持的区域。CCA是一种检测大型连通前景区域或目标的方法。在图像分析中，使用连接组件标记操作提取对象，该操作包括为像素的每个最大连接前景区域分配唯一的标签。任何未被边界分隔的像素集合称为连通分量。连接组件的集合将图像划分为片段，从而使用连接组件分析以像素为单位计算检测到的肿瘤区域。[15] |
| 尼拉姆·马克尔，比克什·库马尔·辛格。A.S . Thoke采用基于纹理和形状特征该方法可有效地用于脑肿瘤的分类，具有较高的准确性。形状是物体在图像本身中的基本属性。用于描述医学图像的特征集是纹理特征。在提取由肿瘤区域组成的感兴趣区域(ROI)进行进一步分析之前，将特征提取并表示在一个数组中，称为特征向量。对Haralick的纹理特征进行了进一步的分类实验。特征向量是由傅里叶描述符系数和7个矩不变量等形状特征以及13个纹理特征[16]组成的一行。纹理和形状特征在脑肿瘤的分析和分类中具有较好的效果。 |
| Dina Aboul Dahab。Samy S. A. Ghoniemy提出了基于MRI图像中肿瘤区域内指定感兴趣区域(ROIs)自动利用的方法。形成每个ROI，提取包括肿瘤形状和强度特征的特征集并进行归一化。然后给每个ROI一个权重，以估计MR图像中每个脑肿瘤的PDF。这些权重被用作一个建模过程来修改传统的PNN。这种方法是基于学习矢量量化(LVQ)是一种监督竞争学习技术。通过使用一组受感染的脑mri扫描图像对脑肿瘤[17]进行分类，成功地测试了该模型 |
图像分类 |
| 分类是对一个像素或一组像素的标记。多个特征用于一组像素，即需要一个特定对象的许多图像。图像分类是指将图像标记为一些预定义的类别之一。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. |
| Kailash D.Kharat & Pradyumna Kulkarni[18]提出了两种基于人工神经网络的脑肿瘤分类方法。将网络分为前馈神经网络和反向传播神经网络。基于前馈人工神经网络(FF-ANN)和基于反向传播神经网络(三层）.在第一层(输入层)创建了500个节点的FF-ANN分类器。隐层为1 ~ 50个节点，输出层为1个节点，并对节点进行变化，以确定最优的隐层节点数。这是为了避免拟合或不拟合数据。目前应用最广泛的神经网络学习方法是BP算法。在神经网络中的学习包括修改网络的权重和偏差，以最小化代价函数。分类器已被用于将受试者分类为正常或异常的MRI大脑图像。 |
| 用包装器对磁共振图像进行分类多类支持向量机分类器(MC-SVM)使用颜色，纹理和形状特征。为了将大量的特征减少到更小的特征集，使用了多类支持向量机的包装算法。比较了MC-SVM分类器在不同核函数下的性能。从分析和分类精度等性能指标中，可以推断出使用高斯RBF核函数的MC- SVM进行脑MRI分类效果优于线性和多项式核函数。基于高斯RBF核函数的包装器方法MC-SVM增强了MR脑图像的正常和良恶性分类，该方法对人脑正常或异常(良性或恶性肿瘤)的分类具有较高的敏感性、特异性和准确率。这是由n.r ajakshmi和Lakshmi Prabha开发的。[19]。 |
| 尼拉姆·马克尔，比克什·库马尔·辛格。a.s. Thoke提出了一种混合方法，使用纹理和形状未来融合来分类恶性和良性肿瘤。MR上肿瘤和非肿瘤区域均无明显区别，使用图像处理工具箱进行特征提取，使用神经网络工具箱进行分类。在特征提取前，利用MATLAB的imtool函数提取由肿瘤区域组成的感兴趣区域(ROI)进行进一步分析。良性肿瘤和恶性肿瘤的纹理特征非常接近，单靠纹理特征可能无法获得理想的分类效率。线性矢量量化(LVQ)最后用于恶性肿瘤和良性肿瘤的模式分类。LVQ是Kohonen学习规则的监督版本。在LVQ中，每个输出单元代表一个类。用LVQ对肿瘤进行分类，结果表明，纹理和形状特征对脑肿瘤的分析和分类具有满意的效果。[20]。 |
| 在该表中，现有系统展示了图像处理技术中所使用的各种方法，并显示了各种方法的查找率从91%到100%不等。 |
结论及未来工作 |
| 本文介绍了在MRI图像中检测脑肿瘤的不同图像处理技术。讨论了MRI图像中的四个组成部分，以提高脑肿瘤的检测性能、分类和准确性。分别是预处理、分割、特征提取和分类。表一给出了现有系统中各种图像处理技术的概述，并显示了各种方法的查找率，显示了不同的准确率。未来的研究将提高准确性，也可以在检测肿瘤和分析肿瘤生长方面做得更先进。图1为包含肿瘤的MRI图像，也可以确定肿瘤的类型。这项工作将扩展到中值滤波和基于区域的算法，以检测MRI中的肿瘤类型，这将提供更有效的结果。 |
|
表格一览 |
 |
| 表1 |
|
数字一览 |
 |
| 图1 |
|
|
参考文献 |
- Damadian, R.， Goldsmith, M.和minkoff, L.，癌症中的核磁共振:XVI，活体人体的FONAR图像，生理化学和物理，第9卷，第97-100页，1977。
- “国家脑肿瘤学会”，[在线][可用]http:/www，脑瘤，org/patients-families - friends/about-braintumors/brain -tumorfaq,html。
- Logeswari, T.和Karnan, M.，“基于软计算分割的脑肿瘤检测的增强实现”，IEEE信号采集与处理国际会议，第243-247页，2010。
- 杨晓明，“基于分割和边界框的脑肿瘤检测方法研究”，中华脑外科杂志，第2卷，第2页，2013。
- Nobi, M. N.和Yousuf, M. A.，“一种去除磁共振和超声图像噪声的新方法”，《科学研究杂志》，第3卷，第81-89页，2011。
- Ramalakshmi, C.和jayachandran, A.，“基于神经网络分类的MR图像中的脑肿瘤自动检测”，国际计算机科学与网络安全杂志，卷。14日,唐小松,2014年。
- Jaya, J.， thanushodi, K.，和Karnan, M.，“MR脑图像去噪的跟踪算法”，IJCSNS国际计算机科学与网络安全杂志，第9卷，第11页，2009。
- Rajeswari, R.和Gunasekaran, G.，“使用分水岭和分层聚类算法的肿瘤检测和分割”，IJIRCCE，卷。2、2014年第5期特刊
- SarbaniDatta和MonishaChakraborty博士，“使用分割技术从预处理磁共振图像中检测脑肿瘤”，IJCA, 2011。
- EashaNoureen和Kamrul Hassan博士，Md.，“使用直方图阈值法获得阈值点的脑肿瘤检测”，《iosr电气与电子工程杂志》，第9卷，第9页。14-19, 2014年。
- 穆克希·库马尔，梅赫塔，“基于纹理的肿瘤检测和自动分割方法”，计算机学报，Vol.2, pp. 855-859, 2011。
- Gaurav Kumar和Pradeep Kumar Bhatia，“图像处理系统中特征提取的详细综述”，国际先进计算与通信技术，2014。
- JainySachdeva, Vinod Kumar, Indra Gupta, NiranjanKhandelwal, chirag Kamal Ahuj，“基于ga - svm的多类脑肿瘤分类”，2011。
- 陈晓明，“基于磁共振成像技术的脑肿瘤特征提取”，中国生物医学工程学报，2014年第3期。
- Pratik, P.， Singhai,Siddharth, A.和Ladhake，“基于标记的分水岭分割的数字MRImages脑肿瘤检测”，IJITEE, Vol. 2, pp. 2278-3075, 2013。
- NeelamMarshkole, Bikesh Kumar Singh，“基于纹理和形状的线性矢量量化脑肿瘤分类”，国际计算机应用杂志，第30卷，第0975 - 8887页，2011。
- Dina AboulDahab,Samy, S. A.， Ghoniemy, Gamal, M. Selim，“基于图像处理和概率神经网络技术的脑肿瘤自动检测和识别”，国际图像处理与视觉传播杂志，第1卷，2012。
- 刘志军，王晓明，“基于神经网络的脑肿瘤分类方法研究”，《中国脑肿瘤杂志》，Vol.1, pp. 553 - 553, 2012。
- Rajalakshmi, N.，和Lakshmi Prabha，“基于颜色转换k均值聚类分割的脑MRI自动分类和不同核函数与多类svm的应用”，国际跨学科会议，第24-26页。
- NeelamMarshkole, Bikesh Kumar Singh，和thoke, a.s.，“使用线性矢量量化的基于纹理和形状的脑肿瘤分类”国际计算机应用杂志，卷。30, pp. 297 - 297, 2011。
- 梅加纳戈里，SivajiMutkule, prafulsonarkar，“基于fMRI图像挖掘的脑肿瘤检测”，计算机与通信工程学报，2013年第2期。
- Gladis, V. P.， PushpaRathi，和Palani, S.，“使用线性判别分析的特征选择和提取脑肿瘤mri图像分类”。
- 陈志伟，陈志伟，“磁共振成像技术在脑肿瘤诊断和定位中的应用”，国际信息技术学报，2014年第4期。
- 潘凯杰，杨晓明，“神经网络在脑肿瘤检测中的应用”，《现代工程学报》，2013年第1期。
- JankiNaik和SagarPatel教授，“在脑MRI中使用决策树进行肿瘤检测和分类”。
- Karuppathal, R.和Palanisamy, P.，“基于模糊的mri脑肿瘤自动检测和分类方法”，ARPN工程与应用科学杂志，卷。9日,2014年。
- Ramaswamy Reddy, A.， Prasad, E. V.，和Reddy, L.S. S.，“不同分割技术用于脑肿瘤检测的比较分析”，国际计算机应用杂志，第82卷，2013。
|
菜单
