关键字 |
图像处理、核磁共振成像、分割、分水岭分割,CNN, k - means聚类, |
相关工作 |
拉杰什·c·帕蒂尔和a . s . Bhalchandra博士核磁共振图像的分析处理是最具挑战性的新兴领域。磁共振成像(MRI)是一种先进的医学成像技术用于生产高质量的图像部分包含在人类的身体中。本文提出的方法,包括给定MRI图像的预处理、分割和最后形态学操作,检测和实时提取的脑瘤患者的MRI扫描图像。 |
Azian Azamimi阿卜杜拉,布鲁里溃疡Sze Chize和有利于西开发了一个自动检测方法,利用细胞神经网络(CNN)脑瘤。为此他们结合许多模板来获得准确的结果。使用新的算法仿真结果证明脑瘤可以发现在较短的时间。 |
Ishita Maiti Monisha Chakraborty博士使用分水岭算法与边缘检测相结合的技术操作对大脑肿瘤的MRI图像的分割。本文包括基于标记的分水岭算法。边缘检测是由精明的边缘检测器。这两种方法进行图像的HSV颜色模型。结果已被证明是非常准确的通过。 |
J。维贾伊和J.Subhashini得出结论,k - means聚类是一个公认的一个强大的工具的检测和提取大脑肿瘤的MRI图像。本文使用基于像素k - means聚类技术来达到目的。本文推导出无监督分割方法比监督方法。这种技术被证明是耗费时间和达到最大的无损压缩。本文证明了这种方法是非常有效的。 |
安南Mustaqeem Ali Javed Tehseen法蒂玛得出结论,基于分水岭分割和阈值分割是一种强大的工具,用于探测脑部肿瘤在MRI图像。本文的分析进一步包含人死于这种致命的痛苦和脑瘤的问题。论文的重点在于不同的分割技术。本文提到的方法包括图像采集、预处理、处理和后置处理输入的MRI图像。 |
Dibyendu Goshal1, Pinaki Pratim Acharjya已经推出了一项新技术的标记控制分水岭算法进行核磁共振图像的分割。本文展示了这种技术克服了与分水岭算法分割的问题。图片在每一步的详细算法得到。 |
介绍 |
医学图像处理已成为一个重要的研究领域。在医学科学,MRI(磁共振成像)是一个非常受欢迎的技术用于放射学分析身体的内部结构如大脑、肾脏等其他技术相比,MRI是计算机断层扫描(CT)和x射线。x射线是一种辐射,当他们穿过身体,密集的对象(如骨块辐射和x射线胶片上出现白色。CT使用电离,但MRI结合了强大的磁铁和无线电波(而不是x射线)和计算机操作磁性元素,创造高度详细的图像结构。一个重要和更专业的成像技术利用短暂的放射性物质产生三维的图像对象的身体内的功能。该扫描机器的输出称为PET扫描。PET扫描也给细节完整的化学或人体的代谢活动。SPECT代表单光子发射计算机断层扫描,这是一个基于核医学扫描过程。 |
脑瘤可以很容易地发现和提取核磁共振图像。肿瘤是一个一个单词的同义词肿瘤这个词是由一个细胞的异常生长肿瘤与癌症完全不同的东西。肿瘤会破坏正常的大脑细胞通过产生炎症,施加压力的部分大脑和头骨内的压力越来越大。图1表明,脑部肿瘤的存在。图2显示了大脑肿瘤的MRI结果图像。 |
图2显示了大脑肿瘤的MRI结果图像。 |
对于某些应用程序,如图像识别或压缩,我们不能直接处理整幅图像的原因是低效和不切实际。因此,提出了几种图像分割算法部分图像识别之前或压缩。在分割图像后改善图像质量的措施: |
1)噪声去除:中值滤波作为噪声消除非线性工具。在这种过滤技术每个图像像素被邻居像素的中值。 |
2)形态开放:头骨形态开放是另一个重要的预处理(删除)的步骤。两个灰度形态学操作、水土流失和扩张是用于此目的。在这里,3 x 3平方结构元素(SE)被认为是肿瘤检测。 |
各种SEGMENTAION技术 |
(我)细胞神经网络: |
2012年,Azian Azamimi阿卜杜拉,布鲁里溃疡Sze Chize和有利于西提出了脑部肿瘤检测方法基于细胞神经网络(cnn)。CNN可以被定义为任何空间布置的locally-coupled细胞,每个细胞是一个动力系统,有一个输入,一个输出,一个国家发展根据一些动态的法律规定。该算法如下: |
步骤1:启动 |
步骤2:原 |
步骤3:改善国有企业 |
美国有线电视新闻网 |
[1] |
步骤4:一种改进logicNOT模板 |
![](//www.cheescube.com/IJAREEIEimages/IJAREEIE-397-e001.gif) |
![](//www.cheescube.com/IJAREEIEimages/IJAREEIE-397-e002.gif) |
初步结果,大脑样本图像(肿瘤和非肿瘤)新算法仿真如图11和12所示。从这些结果,可以表明,新算法可以成功检测脑部肿瘤的位置。看来,该算法给出了清晰导致检测脑瘤的症状。 |
图像的输出是基于黑白图像分割区域。黑色代表正常区和白色区域表示为肿瘤区域。使用新的算法仿真结果证明脑瘤可以发现在较短的时间。 |
使用CNN的优点是增加的吞吐量的大规模并行结构,结合模拟信号处理的方法。然而,该算法仍然有其弱点的头骨(白色戒指)无法过滤与CNN模板。 |
(2)流域在HSV颜色模型和边缘检测算法: |
2012年,Ishita Maiti Monisha Chakraborty博士开发脑部肿瘤检测的另一个方法。他们使用分水岭方法结合边缘检测操作。它是一个基于颜色的脑部肿瘤检测算法使用脑核磁共振图像HSV颜色空间。精明的边缘检测的边缘检测器应用于图像的输出。一步一步的算法如下: |
第一步:读的原始图像 |
RGB格式 |
步骤2:将图像HSV |
步骤2:把图像HSV格式(把图像划分成三个区域) |
步骤3:每个区域的对比度增强 |
步骤4:分水岭变换应用于每个地区 |
第五步:边缘检测(精明的经营者)应用于每个地区 |
第六步:三个分割区域的组合 |
第七步:最终的分割图像 |
本文描述了基于标记的分水岭算法和HSV颜色模型。图像的梯度大小这里用于预处理克服过分割问题。标记是用来修改梯度图像。这里的距离变换的分水岭变换内部计算标记。最后修改梯度图像实行区域最小值的位置使用MATLAB工具箱内部和外部标记。 |
整个算法是基于HSV颜色模型。大脑肿瘤图像转换到HSV颜色模型,单独的总图像分成三个区域色调,饱和度和强度。然后执行流程图描述的总过程使用的三个地区。第一个直方图均衡化做色调区域的对比度增强。直方图均衡化的方法修改动态范围和对比。然后一节描述基于标记的分水岭算法应用于对比增强的图像。然后运用精明的经营者获得的图像边缘分水岭算法的输出。整个过程重复图像的饱和度和强度地区。最后,三个输出图像来自精明的边缘检测相结合。 |
然后结合图像转换为RGB颜色模型,该模型的图像。 |
在这项工作中,发现当这个发达算法应用于灰度图像分割肿瘤区域获得的性能不是很好颜色模型中的HSV颜色空间携带更多的信息比灰度图像。这可以表示通过比较图6与图4 (j)问 |
使用这个算法的图像可以更精确地分割但是有一些挑战关于这个算法,该算法分割是一个常见的问题。为了避免这个问题基于标记的分割过程中使用。 |
(3)k - means聚类: |
2013年,J.Vijay J。Subhashini提出一种有效的方法,用于自动分割脑瘤先生肿瘤组织提取的图像。在这个方法进行分割使用k - means聚类算法。这增强了肿瘤边界。 |
k - means聚类的局限性可能需要许多迭代轮。提出修改的主要论点是密集的距离计算的减少发生在每个运行(迭代)的k - means算法之间的每个数据点和所有集群中心。减少密集距离计算,一个简单的机制,在每个迭代中,每个数据点之间的距离和最近的集群计算和记录在一个数据结构。因此,在接下来的迭代每个数据点之间的距离和先前的集群是重新计算。 |
在拟议的方法,分割和k - means聚类相结合。大脑图像由四个区域即灰质(GM)、白质(WM),大脑脊髓液(CSF)和背景。因此,需要一个输入图像分成这四类。为了避免误分类的可能性,外椭圆 |
形状的对象应该被删除。增强后的图像形态学处理提取所需的地区进行。下一步是通过实现k - means与集群产生精确的结果。 |
k - means聚类算法的执行时间是少比其他聚类方法。拟议的工作也降低了计算复杂度,还提供了一个精确的方法提取感兴趣的区域(ROI)。更重要的是,监督分割方法需要大量的训练和测试数据相对复杂的过程。本研究可以应用于最小的数据量与可靠的结果。 |
结果和讨论 |
研究各种分割技术,这是看到的每个技术给了最好的结果。每个都有自己的优势和劣势一直试图克服使用先进的版本。让我们看一看每个技术上面讨论的结果。 |
的细胞神经网络(CNN)算法一直致力于灰度MRI图像。这种技术被证明花较少时间检测脑部肿瘤。这种技术进行比较的结果与先前的结果。 |
的流域和边缘检测算法被应用于彩色大脑的磁共振图像。先进的分水岭技术,它是基于标记的分水岭技术被使用。该算法证明了大脑肿瘤检测从颜色的MRI图像比灰度图像。图4 (j)显示颜色的MRI图像的检测脑瘤。 |
图6显示了从灰度MRI图像检测脑瘤。 |
的K -意味着聚类算法结合与k - means聚类,图像的分割。基本的重点是在删除之前的外摇桨形态的过程。采取较小的识别,证明了该算法的执行时间。 |
结论和未来的范围 |
检查脑部肿瘤的位置,使用磁共振成像(MRI)。放射科医生将评估MRI灰度图像。这个过程非常耗费时间和精力。本文回顾各种技术提出了分段的MRI图像相对花费较少时间比手工操作检测和提取脑瘤。在未来的工作中,将比较的基础上,其他的技术参数以及执行时间参数。 |
数据乍一看 |
![Click Here 图1](//www.cheescube.com/articles-images/IJAREEIE-397-g001.gif) |
![Click Here 图1一个](//www.cheescube.com/articles-images/IJAREEIE-397-g001a.gif) |
![Click Here 图2](//www.cheescube.com/articles-images/IJAREEIE-397-g002.gif) |
图1 |
图1一个 |
图2 |
![Click Here 图3](//www.cheescube.com/articles-images/IJAREEIE-397-g003.gif) |
![Click Here 图4](//www.cheescube.com/articles-images/IJAREEIE-397-g004.gif) |
![Click Here 图4一](//www.cheescube.com/articles-images/IJAREEIE-397-g004a.gif) |
图3 |
图4 |
图4一 |
![Click Here 图4 j](//www.cheescube.com/articles-images/IJAREEIE-397-g004j.gif) |
![Click Here 图5](//www.cheescube.com/articles-images/IJAREEIE-397-g005.gif) |
![Click Here 图6](//www.cheescube.com/articles-images/IJAREEIE-397-g006.gif) |
图4 j |
图5 |
图6 |
![Click Here 图6](//www.cheescube.com/articles-images/IJAREEIE-397-g006a.gif) |
![Click Here 图11](//www.cheescube.com/articles-images/IJAREEIE-397-g011.gif) |
图6 |
图11 |
|
|
引用 |
- AzianAzamimi阿卜杜拉,布鲁里溃疡SzeChize和有利于西”,实现一种改进的细胞神经网络算法的脑部肿瘤检测、“生物医学工程国际会议(ICoBE),槟城,2012年2月27 - 28日,页。。
- Yu-Hsiang Wang教程:图像分割。
- IshitaMaiti MonishaChakraborty博士,“脑部肿瘤的新方法基于分水岭分割和边缘检测算法在HSV颜色模型中,“国家会议上计算和通信系统(可),73卷,第3期,第345 - 329页,2012年3月。
- J。维贾伊,J。Subhashini”,一个有效的脑部肿瘤检测方法使用k - means聚类算法,“IEEE国际会议通信和信号处理,页。653 - 657年4月3日- 5日,2013年。
- Bilotta.E Cerasa.A。,Pietro.P。,Quattrone.A., Staino.A., Stramandinoli.F., “A CNN Based Algorithm for the Automated Segmentation of Multiple Sclerosis Lesions,” EvoApplications, Part I, pp. 211-220, 2010.
- k . s .天使Viji j . Jayakumari“绩效评估标准的图像分割方法和聚类算法的分割MRI脑部肿瘤图像,”欧洲科学研究期刊》的研究,硕士2,pp.166 - 179, 2012。
- Laxman辛格R.B.Dubey, Z.A.Jaffery Zaheeruddin”分割和脑部肿瘤的特征图像,先生”IEEE国际会议最近通信和计算机技术的进步,2009年。
- ArashAzimZadehIrani和BahariBelaton“基于k - means通用的分割系统”第六届国际会议在计算机图形学中,成像和可视化,2009。
- AmitavaHalder, ChandanGiri AmiyaHalder,脑部肿瘤检测使用基于分割的对象标识算法。
- K.S.Tamilselvan Dr.G。Murugesan和B。Gnanasekaran”,脑部肿瘤检测从临床CT和MRI图像使用WT-FCM算法,“绿色计算IEEE国际会议,沟通和能量守恒(ICGCE), 260 - 263年,2013页。
- AnamMustaqeem Ali Javed Tehseen法蒂玛,”一个高效的脑部肿瘤检测算法使用基于分水岭&打控股的分割,“国际期刊的图像,图像和信号处理,10卷,34-39,2012页。
|