关键字 |
| 图像处理，MRI，分割，分水岭分割，CNN, k-Means聚类， |
相关工作 |
| Rajesh C. Patil和A. S. Bhalchandra博士分析了核磁共振图像处理是最具挑战性和新兴的领域。磁共振成像(MRI)是一种先进的医学成像技术，用于产生人体各部分的高质量图像。本文提出了实时患者MRI扫描图像中脑肿瘤检测与提取的方法，包括对给定MRI图像的预处理、分割和形态学操作。 |
| Azian Azamimi Abdullah, Bu Sze Chize和YoshifumiNishio开发了一种利用细胞神经网络(CNN)自动检测脑肿瘤的方法。为此，他们组合了许多模板以获得准确的结果。仿真结果表明，该算法能在较短的时间内检测出脑肿瘤。 |
| Ishita Maiti和Monisha Chakraborty博士采用分水岭算法结合边缘检测操作对MRI图像进行脑肿瘤分割。本文包括基于标记的分水岭算法。边缘检测由Canny边缘检测器进行。这两种方法都是在图像的HSV Color模型上进行的。结果表明，本文的结果是非常准确的。 |
| j·维贾伊和j·苏哈希尼已经得出结论，k均值聚类是一种公认的从MRI图像中检测和提取脑肿瘤的强大工具。本文采用基于像素的k均值聚类技术来实现这一目标。本文推导出无监督分割方法优于有监督分割方法。该技术被证明是更少的时间消耗和实现最大无损压缩。论文证明了该方法的有效性。 |
| Anam mustqeem, Ali Javed, Tehseen Fatima结论表明，基于分水岭和阈值的分割是MRI图像中脑肿瘤检测的有力工具。这篇论文还对脑瘤这一致命问题所造成的痛苦和死亡进行了分析。本文的重点在于各种分割技术。本文所述的方法包括对输入MRI图像的图像采集、预处理、处理和后处理。 |
| Dibyendu Goshal1, Pinaki Pratim Acharjya提出了一种新的标记控制分水岭算法对MRI图像进行分割。文中介绍了该技术如何利用分水岭算法克服过分割问题。文中给出了详细的每一步图像算法。 |
介绍 |
| 医学图像处理已成为医学研究的主要领域之一。在医学科学中，磁共振成像(MRI)是一种非常流行的技术，它被用于放射学分析身体的内部结构，如大脑，肾脏等。与MRI相比较的其他技术是计算机断层扫描(CT)和x射线。x射线是一种辐射，当它们穿过人体时，骨骼等高密度物体会阻挡辐射，在x射线胶片上呈现白色。CT使用的是电离，而MRI则是将强大的磁体与无线电波(而不是x射线)和计算机结合起来，以操纵磁性元素，并创建人体结构的高度详细图像。一种重要的、更专业的成像技术，它利用短寿命的放射性物质产生人体内部功能物体的三维图像。这种扫描仪的输出称为PET扫描。PET扫描还能提供人体完整的化学或代谢活动的细节。SPECT是单光子发射计算机断层扫描(Single Photon Emission Computed Tomography)的缩写，是一种基于核医学的扫描程序。 |
| 脑瘤可以很容易地从MRI图像中检测和提取。肿瘤一词是由细胞异常生长形成的肿瘤的同义词。肿瘤与癌症完全不同。肿瘤会产生炎症，对大脑部分部位施加压力，增加颅骨内的压力，从而损害正常的脑细胞。图1显示脑内肿瘤的存在。图2为脑肿瘤图像的MRI结果。 |
| 图2为脑肿瘤图像的MRI结果。 |
| 对于一些应用，如图像识别或压缩，我们不能直接对整个图像进行处理，因为这样做效率低，不实用。因此，提出了几种图像分割算法，在识别或压缩之前对图像进行分割。在分割图像之前，采取以下步骤来提高图像质量: |
| 1)降噪:中值滤波器是去除噪声的非线性工具。在这种滤波技术中，每个图像像素都被邻域中值像素所取代。 |
| 2)形态开放:形态学打开是另一个重要的预处理(去颅骨)步骤。两种灰度形态操作，侵蚀和膨胀用于此目的。在这里，3 x 3平方的结构元件(SE)被考虑用于肿瘤检测。 |
各种分割技术 |
(i)细胞神经网络: |
| 2012年，Azian Azamimi Abdullah、Bu Sze Chize和Yoshifumi Nishio提出了一种基于细胞神经网络(cnn)的脑肿瘤检测方法。CNN可以定义为局部耦合单元的任何空间排列，其中每个单元都是一个动力系统，它有一个输入，一个输出，以及一个根据某些规定的动力学定律演化的状态。提出的算法如下: |
| 第一步:开始 |
| 2 .原创 |
| 第三步:改进的SOE |
| 美国有线电视新闻网 |
| [1] |
| 步骤4:改进的logicNOT模板 |
 |
 |
| 初步结果如图11和12所示，采用新算法模拟的样本脑图像(肿瘤和非肿瘤)。从这些结果可以看出，新提出的算法可以成功地检测脑肿瘤的位置。该算法对脑肿瘤症状的检测结果更为清晰。 |
| 图像的输出是基于黑白区域的图像分割。黑色为正常区域，白色为肿瘤区域。仿真结果表明，该算法能在较短的时间内检测出脑肿瘤。 |
| 使用CNN的优点是由于结构的大量并行性，加上信号处理的模拟方式，提高了吞吐量。但该算法仍有其不足之处，即颅骨(白环)无法用CNN模板进行滤波。 |
(二)HSV颜色模型中的分水岭和边缘检测算法: |
| 2012年，Ishita Maiti和Monisha Chakraborty博士开发了另一种脑肿瘤检测方法。他们将分水岭方法与边缘检测操作相结合。它是一种基于彩色脑MRI图像在HSV颜色空间中的脑肿瘤检测算法。对于边缘的检测，Canny边缘检测器应用于输出图像。分步算法如下: |
| 步骤1:读取原始图像 |
| RGB格式 |
| 步骤2:转换HSV中的图像 |
| 步骤2:将图像转换为HSV格式(将图像划分为三个区域) |
| 第三步:增强每个区域的对比度 |
| 步骤4:在每个区域应用分水岭变换 |
| 步骤5:对每个区域进行边缘检测(canny算子) |
| 步骤6:三个分割区域的组合 |
| 步骤7:最终分割图像 |
| 本文介绍了基于标记的分水岭算法和HSV颜色模型。这里使用梯度幅值对图像进行预处理，以克服过度分割的问题。标记用于修改渐变图像。这里计算了内部标记的距离变换的分水岭变换。最后，通过使用MATLAB工具箱在内部和外部标记的位置施加区域最小值来修改梯度图像。 |
| 总体算法基于HSV颜色模型。将脑肿瘤图像转换为HSV颜色模型，将整个图像分为色相、饱和度和强度三个区域。然后使用这三个区域中的每一个执行流程图中所描述的整个过程。首先对色相区域进行直方图均衡化增强。直方图均衡化是一种修改动态范围和对比度的方法。然后将A节中描述的基于标记的分水岭算法应用于对比增强图像。然后将canny算子应用于分水岭算法的输出，得到图像的边缘。在图像的饱和度和强度区域重复整个过程。最后，将canny边缘检测得到的三幅输出图像进行组合。 |
| 然后将组合后的图像转换为RGB颜色模型，即拍摄图像的模型。 |
| 研究发现，将该算法应用于灰度图像对肿瘤区域进行分割时，由于HSV颜色空间比灰度图像承载更多的信息，其分割效果不如彩色模型。对比图6和图4(j)q可以看出这一点 |
| 使用该算法可以更精确地分割图像，但该算法存在一些挑战，过度分割是该算法的一个常见问题。为了避免这一问题，本文采用了基于标记的分割方法。 |
(iii) k均值聚类: |
| 2013年，J。维杰，J。Subhashini提出了一种有效的脑肿瘤自动分割方法，用于从MR图像中提取肿瘤组织。该方法采用k均值聚类算法进行分割。这进一步增强了肿瘤边界。 |
| k均值聚类的局限性是可能需要许多迭代轮。提出的修改的主要论点是减少K-means算法在每个数据点和所有聚类中心之间的每次运行(迭代)时发生的密集距离计算。为了减少密集的距离计算，提出了一种简单的机制，在每次迭代中，计算每个数据点与离它最近的聚类之间的距离，并将其记录在数据结构中。因此，在接下来的迭代中，重新计算每个数据点与其之前最近的聚类之间的距离。 |
| 该方法将分割和k均值聚类相结合。大脑图像由四个区域组成，即灰质(GM)、白质(WM)、脑脊液(CSF)和背景。因此，一个输入图像需要分成这四类。为了避免误分类的机会，外层椭圆 |
| 形状的物体应该被移除。图像增强后进行形态学处理，提取所需区域。下一步是通过集群实现K-means生成准确的结果。 |
| 与其他聚类方法相比，K-means聚类的执行时间更短。所提出的工作还降低了计算复杂度，并提供了一种提取感兴趣区域(ROI)的准确方法。更重要的是，监督分割方法需要大量的训练和测试数据，这使得过程相对复杂。本研究可应用于最少的数据量，结果可靠。 |
结果与讨论 |
| 研究了各种分割技术，可以看出每种技术都给出了最好的结果。每一种都有自己的优点和缺点，已经尝试使用其高级版本来克服。让我们来看看上面讨论的每种技术的结果。 |
| 的细胞神经网络(CNN)算法已经对灰度核磁共振图像进行了研究。这项技术已被证明可以用更短的时间来检测脑肿瘤。并与已有的结果进行了比较。 |
| 的分水岭和边缘检测算法正被应用在大脑的彩色核磁共振图像上。采用了先进的流域技术——基于标记的流域技术。该算法证明了彩色MRI图像比灰度图像更能检测出脑肿瘤。图4(j)为彩色MRI图像检测出的脑肿瘤。 |
| 图6为灰度MRI图像检测出的脑肿瘤。 |
| 的K-均值聚类算法将MR图像分割与k-means聚类相结合。基本的重点是在形态学过程之前去除外皮。实践证明，该算法执行时间较短。 |
结论及未来范围 |
| 为了检查肿瘤在大脑中的位置，磁共振成像(MRI)被使用。放射科医生将评估灰色核磁共振图像。这个过程真的很费时费力。本文介绍了用于分割MRI图像的各种技术，这些技术相对于手动操作检测和提取脑肿瘤所需的时间更短。在未来的工作中，这些技术将在其他参数以及执行时间参数的基础上进行比较。 |
数字一览 |
 |
 |
 |
| 图1 |
图1一个 |
图2 |
 |
 |
 |
| 图3 |
图4 |
图4一 |
 |
 |
 |
| 图4 j |
图5 |
图6 |
 |
 |
| 图6 |
图11 |
|
|
参考文献 |
- AzianAzamimi Abdullah, Bu SzeChize和Yoshifumi Nishio，“一种用于脑肿瘤检测的改进细胞神经网络算法的实现”，国际生物医学工程会议(ICoBE)，槟城，pp. 27-28, 2012年2月。
- 王玉祥，教程:图像分割。
- IshitaMaiti, Dr. MonishaChakraborty，“基于HSV颜色模型的分水岭和边缘检测算法的脑肿瘤分割新方法”，全国计算与通信系统会议(NCCCS)， Vol. 73, No. 3, pp. 329-345, 2012年3月。
- J.Vijay, J.Subhashini，“一种基于k均值聚类算法的高效脑肿瘤检测方法”，IEEE国际通信与信号处理会议，第653-657页，2013年4月3-5日。
- 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. Angel Viji, J. Jayakumari，“MRI脑肿瘤图像分割的标准图像分割方法和聚类算法的性能评估”，《欧洲科学研究杂志》，Vol.79, No.2, pp.166-179, 2012。
- Laxman Singh, R.B.Dubey, Z.A.Jaffery,Zaheeruddin，“从MR图像中分割和描述脑肿瘤”，IEEE国际通信与计算最新技术进展会议，2009。
- ArashAzimZadehIrani和BahariBelaton“基于K-means的通用分割系统”第六届计算机图形学，成像和可视化国际会议，2009。
- AmitavaHalder, ChandanGiri, AmiyaHalder，基于分割的对象标记算法的脑肿瘤检测。
- K.S.Tamilselvan, Dr.G.Murugesan和b.g anasekaran，“基于WT-FCM算法的临床CT和MRI图像脑肿瘤检测”，IEEE绿色计算、通信和能量守恒国际会议(ICGCE)，第266 -263页，2013。
- AnamMustaqeem, Ali Javed, Tehseen Fatima，“基于分水岭和阈值保持的高效脑肿瘤检测算法”，国际图像图形与信号处理杂志，第10卷，pp. 34-39, 2012。
|
菜单
