在MRI图像自动分割病变的多发性硬化症用监督分类器

S.Sivagowri¹,Dr.M.C。Jobin基督²

副教授,生物医学Engg Adhiyamaan工程学院Hosur,印度¹
学系教授,生物医学Engg Adhiyamaan工程学院Hosur,印度²

文摘

磁共振成像(MRI)可用来检测损伤的大脑中多发性硬化(MS)患者和必须用于诊断疾病和监测其进展。在实践中,病变负载通常是手动或半自动分割量化的磁共振成像,这是费时,昂贵。我们提出的模型进行自动分割的多发性硬化病变大脑核磁共振成像数据。这些技术使用的监督分类器训练支持向量机(SVM)区分阻塞病变女士地区和非MS病灶区域主要基于纹理特征与援助的其他特性。这组框架的主要贡献是使用纹理特征来检测损伤女士在一个完全自动化的方法,不依赖于手动描述病变女士。因此,女士病变检测的灵敏度为81.5%,每片2.9假阳性基于leave-one-candidate-out测试,和女士之间的相似性指数区域由该方法和神经放射。这些结果表明该方法用于协助神经放射评估在临床实践中。

关键字

多发性硬化症、病变自动分割、磁共振成像、支持向量机。

介绍

多发性硬化(MS)是一种慢性的神经紊乱,这是引起结构破坏的轴突和髓鞘在中枢神经系统(CNS)。女士根据大脑区域受到影响,可能导致各种中枢神经系统障碍,如肢体的麻木或无力,在协调、眩晕或视觉障碍。这些临床发作是由于局部炎症针对中枢神经系统髓鞘,神经纤维周围的绝缘(轴突)。炎症导致“女士病变”,特点是髓鞘脱失,轴突损伤和轴突传导阻滞。女士病变的发展显示了相当大的可变性和病变女士描绘时间的变化形状,位置,和病人之间,甚至同一病人。因此,它是非常重要的放射科医生准确地检测病变女士和后续的数字,MS病灶的位置和区域每个病人的诊断。

磁共振成像(MRI)起着至关重要的作用在量化评估脑损伤和其他组织疾病,了解潜在的病理生理学,调查多发性硬化症的治疗效果。由于高分辨率和良好的软组织之间的分化和其他结构,核磁共振有优势的其他成像技术对神经系统疾病的研究。MRI被称为最好的女士paraclinical检查可发现95%的患者中的异常[1]。图像分割或组织分类,图像分析的关键步骤之一。先生的解释图像由一个专家是一个困难和耗时的任务,和结果直接取决于专家的经验。这样一个困难的原因的复杂性和视觉模糊的边缘有关解剖边界[2]。因此,它是理想的自动分割方法提供一个可接受的性能。

几个半自动化和自动化技术已经开发分类病变使用图像获得的二维(2 d)或三维(3 d)模式与单个或多个核磁共振序列(s)。多个序列包括质子density-weighted (PD), T1 (T1), T2加权(T2)和液体衰减反转恢复(天赋)。阿尔法诺等。[3]提出的一个自动化的方法基于relaxometric和几何特性的分类女士病变在1.5 T先生3 d图像。Boudraa等。[4]FCM算法应用于1.5 T二维(2 - d),图像分类正常和不正常的大脑结构。Leemput等。[5]提出了一个自动化的方法通过使用一个灰度组织分类和随机模型检测病变女士在1.5 T的3 d图像。Zijdenbos等。[6]开发了一个自动化框架女士的管道分析病变MRI数据。Khayati et al .(7、8)开发了一个自动的分割方法损伤大脑天赋先生女士图片使用一种自适应混合方法和马尔可夫随机场模型在1.5 T先生3 d图像。然而,我们所知的大多数研究都集中在病变女士的分割精度。但没有报道了灵敏度和误报,这是必要的在临床情况下实现方法。因此一个敏感的和特定的自动化方法来检测损伤大脑的分析研究是必要的大量的MS患者。

方法

女士在本文中,我们提出一个自动损伤大脑先生图像分割框架基于监督立体像素明智的分类支持向量机分类器,这是一种状态——艺术机器学习分类器。有四个主要步骤在我们建议的系统图1所示。第一,一个预处理步骤包括注册不同的模式,强度归一化,以及均匀性修正。第二,一步是用于初始女士病变区域的检测基于纹理特征。第三,支持向量机模型是用于执行voxel-wise分割基于特性。最后,假阳性压进一步消除通过后处理技术。

答:图像采集

等多重图像二维T1加权序列,二维t2加权快速旋转回声序列,序列二维天赋从49片3例(年龄:25 66女:3)服用两个临床诊断的研究包括168名女士病变被选为这个研究。所有图片都是收购了截面厚度为5毫米,1毫米的差距,一个十字路口和视野的22厘米,每个像素值的量化水平是16位。图2 (a) - (c)显示了t1加权图像,t2加权图像,天赋的图像,分别与一个女士病变由白色实线表示。女士病变具有更高的像素值在t2加权图像和天赋,但在t1加权图像像素值较低。

b预处理

下面的预处理步骤分割前应用程序:

注册登记:序列相同的病人先生到同一个空间(空间或立体定位空间)的病人)。注册也可以用来对齐的阿特拉斯的大脑提供一些初步估计的大脑组织。MS病灶分割挑战数据集,数据集都是严格注册到一个共同的参考框架和re-sliced各向同性体元间距,第512号决议x512x512,使用基于b样条插值。所有的数据集都re-sliced女士在同一分辨率条件下病灶分割模型训练数据集进行测试的的挑战MS病灶分割训练数据的挑战。然后他们注册MNI图集使用自动图像配准(空气)软件。

大脑提取:大脑从图像中提取,分割只发生在剩下的脑压。起初,一头地区被使用一个自动阈值分割技术基于线性判别分析在t1加权图像象素值直方图,通常有两个主要的峰值对应于头部区域和背景,分别。接下来,一个大脑区域提取阈值的像素值,这是由使用的三倍标准偏差(SD)的头地区内的象素值直方图的t1加权图像去除脂肪高像素值在大脑区域。

强度不均匀性(IIH)更正:同一组织不同的强度图像由于静态或应用磁场的不均匀性在扫描仪。颅内高压症校正方法降低强度的平滑变化的组织来简化后续的分割。Contrast-brightness校正应用于最大化之间的交叉培训和直方图的分割数据集之后,使用三维各向异性过滤消除空直方图箱。

降噪:收购过程可以诱导一些图像中的噪声。MS病灶增强了减法的背景图像一阶多项式近似的天赋的大脑区域形象。然后,一个钝的屏蔽滤波器应用于减法图像增强的女士病变的边界。

强度归一化:一些分割方法需要类似于图像的强度训练的强度图像,因此取决于一个强度归一化的步骤。强度归一化方法修改强度范围内的目标图像并将它们映射到一个预定义的强度范围。

c .特征提取

为了描述每平方的MRI片块,计算特征向量的39特性。块功能分为五类:二十四结构特性,两个位置特征,两个co-registered强度,三个组织先验和八个邻近的街区功能。天赋的纹理特征计算序列。结构特性包括直方图特性(均值和方差),gradient-based特性(梯度均值和梯度方差),运行length-based特性(灰度不均匀,运行长度不均匀)和公司发生依赖于特征(对比度、熵和绝对值)。运行length-based特性计算4倍水平,垂直,45度和135度方向。同现依赖特性计算一个像素的距离d = 1,相同的角度运行length-based特性。片相对位置的位置特性和参考片底部和径向欧几里得距离块左上角之间的像素和片的中心规范化除以最长的直径。片的中心和最长的直径是几何参数计算的预处理步骤。其他渠道特性包括强度方法中相应的块T1and T2频道。atlas空间先验概率特性包括先验的方法提取概率图谱(白质,灰质和脑脊液概率)的块。 The neighbouring blocks features are the difference between the mean intensity of the current block and the mean intensity of each of the eight neighbouring blocks in the same slice.

d SVM模型训练和分割

1)支持向量机(SVM):

支持向量机(SVM)是一种监督学习算法,已在其核心的方法创建一个从一组训练数据预测函数,函数本身可以是二进制,多媒体,甚至一般的回归预测。为此数学奋进号,svm找到一个超级表面试图分裂最大可能的正面和负面的例子各方利润的超平面。它使用核函数将数据从输入空间变换到一个高维特征空间中搜索一个分离超平面。径向基函数(RBF)内核选择内核的支持向量机。这个内核非线性样本映射到一个高维空间,这样它可以处理的情况下类标签和属性之间的关系是非线性的。图书馆LIBSVM 2.9[9]包括需要实现所有的方法,支持向量机的训练和预测任务。纳入我们的方法来处理所有的支持向量机操作。

2)培训:

一个或多个对象的数据集是用于生成SVM训练集。这个训练数据集的片分为n的平方w×w像素块的大小。训练支持向量机训练集T由条目ti (xi, yi) xi的特征向量是块bi,彝族的类标签这一块我= 1:n(块包含在训练集的数量)。我们的分类问题是二进制的,所以要么是0或1。培训条目是积极的条目如果易建联是1和消极的其他情况。每一块的训练数据集,每组手动连接像素标记的像素女士形成病变区域。块参与积极训练条目(TP)生成的本地化的所有病变区域和每个人,最小的矩形,覆盖病变区域分为重叠平方w×w像素块的大小。每一块bi贴上这些块的彝族= 1如果任何w2像素像素女士在这个块手动贴上。任何包含至少1块像素女士女士是在我们的方法中定义的块。同样,消极训练所涉及的模块条目(TN)生成本地化non-back——地面不手动贴上女士像素和像素划分成重叠广场w×w像素块的大小。每一块bi贴上这些块的彝族= 0。 Feature vector xi is calculated for each block of both positive and negative training entries. The w2 MS pixels. This helps the SVM engine to learn the features of the blocks that either partially or completely contain MS pixels.

在我们的例子中,我们使用一个主题数据集(只有10%的受试者)由三十7片作为训练数据集。由于训练集条目块的数量,将训练集足够大(134173培训条目对34特性比3946:1)为了避免维度的诅咒,这是问题的表演模式分类系统可以恶化如果训练数据的数量的比例特征用于分类器的相对较小。训练集的条目被喂以支持向量机引擎来生成一个分类器能够分类任何广场女士w×w块女士大脑天赋MRI片块(y = 1)或非块女士(y = 0)根据其特征向量(x)。

3)市场细分:

每一片的数据集分割分为重叠广场w×w像素块的大小。计算每个块的特征向量。训练支持向量机用于预测类标签的所有重叠块。块部门完成以重叠的方式来检测任何可能的女士。对于任何块分为女士块,假设真阳性的分类,这并不意味着所有的像素块应该分为像素女士因为训练支持向量机引擎检测块包含像素女士完全或部分。对于每一个切片,所有像素都分配一个整数的分数。这个分数是零值初始化的。在分割,如果任何块划分为块女士(y = 1),所有像素块内的分数增加。每个像素块重叠,是那块的一部分展示在图。3因此,分数将是任何值从0到w2。图4显示了样本块的分割MS6主题

4)后期处理:

邮局处理步骤的目的是改进和完善初始分割的性能通过处理不同类型的错误(假阳性和假阴性)。

图5显示了一个样本的初始分割片的主题(图5 (a))和5级的彩色分割评价假阴性和阳性标记为绿色和红色的颜色,分别(图5 (b))。

错误的初始分割病变可分为女士:

1型:造成假阴性检测病变区域女士(标注在图1。5 (b))。

类型2:造成假阴性不完全损伤区域女士(标签2图5 (b))。

类型3:造成假阳性假女士病变区域(标签3图5 (b))。

类型4:造成假阳性假的部分真女士病变区域(标签4图5 (b))。

5)评价方法:

评估我们的方法的性能通过使用自由反应(FROC)接受者操作特征曲线和重叠的措施。FROC曲线确定了通过改变阈值基于支持向量机的输出在离开一个候选人退出测试。重叠测量计算由以下方程,表示之间的符合程度,我们的方法获得的候选地区C T和大真理地区的手工方法:

其中T是大真理区域手动由两名有经验的神经放射,C是真阳性区域自动确定使用我们的方法,n (T∪C)是T之间的逻辑或像素的数量和C, n (T∩C)是逻辑的数量和像素区域T和C之间所有候选区域被划分为真阳性和假阳性基于以下标准:如果一个“真正”的区域包括至少一个候选人的像素区域,候选区域划分为一个真正的是积极的。否则,候选人地区被认为是一个假阳性。

结果

在最初的识别步骤的女士候选人;我们建议的方法检测到93.5%的女士与每片101假阳性病变。在应用基于规则的方法,47.5%的假阳性每片被移除,同时保持女士病变的敏感性检测。应用支持向量机后,84.3%的假阳性每片被排除在外,而敏感性下降了7.2%。图6显示的影响支持向量机分类的候选地区天赋与女士候选人地区图像。一些假阳性区域类似于女士病变由支持向量机被淘汰。

比较与其他结果,平均重叠测量(OM)导致本研究转化为相似性指数= 2 OM / (1 + OM)。这个表不包括阿尔法诺et al。[1],因为他们并没有明确国家在他们的论文相似度指数。结果之间的相似性指数区域由该方法和神经放射女士为0.77,这是最高的在过去的研究在表I。

更高的灵敏度和较低的假阳性是必不可少的初始女士病变的诊断和随访。更准确的分割病变女士也是必要的改变女士病变诊断区域。女士病变是识别和分割重叠程度的81.8%。没有假阴性地区和在这片只有一个假阳性区域。

讨论

MS病灶分割的新方法天赋的脑部MR图像序列。分割过程经历三个步骤。第一步是做的预处理提高亮度和对比度的所有天赋片数据集。第二步是主处理涉及使用训练支持向量机检测初始损伤女士来自各片使用特征向量主要是由结构特性。第三步是旨在改善和完善的后期处理生成的初始分割的性能通过基于svm分类。在这方面,《华盛顿邮报》处理步骤地址所有可能类型的错误在MS病灶分割结果的第二步,以减少整体错误包括假阳性和假阴性。主处理分类器使用三十三类四个特性。这些类别的特征选择与特征类比使用nonintentionally专家手工标注的任务的女士的地区。根据我们的观察,当专家标签女士病变天赋片,超强烈病变区域的潜在区域。这是我们的技术通过使用模拟群二十四结构特性。 Candidate areas are filtered based on previous experience with the brain positions where most likely lesions occur; hence a group of two position based features is used. Besides, the expert takes into account the difference between the intensity of the lesion area and the neighboring areas intensities to take final decision and we emulate this by using the eight neighboring features. Although both textural features and neighboring features are based on intensity, no redundancy exists between them as the first group is used to aid the classifier in the detection of special pattern areas while the later is used to take into account the relation of the intensity of the area and the neighboring areas. The main processing classifier uses an SVM engine. SVM Parameters selection and training set balancing directly affect the classification performance.

结论

我们开发了一个自动化的方法检测损伤的大脑图像先生女士用监督分类支持向量机。主要贡献的方法是使用结构特性没有手动选择ROI和综合处理步骤处理不同类型的错误在MS病灶分割,可以推广到其他女士分割技术的提高性能。我们的初步结果表明,我们提出的方法可能是有用的MS病灶的检测。结果,尽管一些修改是必要的检测病变女士,我们相信,我们的方法是有用的作为一个进一步发展的基本思路。

表乍一看

表1

数据乍一看


图1	图2	图3	图4

图5	图6	图7

引用

也是格罗斯曼。,J.C.麦高文。,“Perspectives on multiple sclerosis”, American Journal of Neuroradiology, Vol.19, pp.1251-1265, 1998.

西蒙,J.H.李,D。,Traboulsee, A., Coyle, P.K., Arnold, D.L., Barkhof, F., Frank, J.A., Grossman, R., Paty, D.W., Radue, E.W., Wolinsky, J.S., “Standardized MR imaging protocol for multiple sclerosis: consortium of MS Centers consensus guidelines”, American Journal of Neuroradiology Vol.27 (2), pp. 455–461, 2006.

阿尔法诺,B。,Brunetti, A., Larobina, M., Quarantelli, M., Tedeschi, E., Ciarmiello, A., et al. “Automated segmentation and measurement of global white matter lesion volume in patients with multiple sclerosis”, Journal of Magnetic Resonance Imaging, Vol 12, pp.799–807, 2000.

Boudraa, AO。,Dehak, SMR., Zhu, YM., Pachai, C., Bao, YG., Grimaud, J., “Automated segmentation of Multiple Sclerosis lesions in multispectral MR imaging using fuzzy clustering”, Computers in Biology Medicine, Vol 30,pp.23–40, 2000.

Leemput,而梅斯,F。,Vandermeulden, D., Colchester, A., Suetensm P., “Automated segmentation of multiple sclerosis lesions by model outlier detection”, IEEE Transactions Medical Imaging, Vol 20, pp.677–88, 2001

Zijdenbos,美联社Forghani, R。埃文斯,C。,“Automatic Pipeline analysis of 3-D MRI data for clinical trials: application to multiple sclerosis”, IEEE Trans actions Medical Imaging, Vol 21, pp.1280–91, 2002.

Khayati, R。,Vafadust, M., Towhidkhah, F., Nabavi, SM., “Fully automatic segmentation of multiple sclerosis lesions in brain MR FLAIR images using adaptive mixtures method and Markov random field model”, Computers in Biology Medicine, Vol 38,pp.379–90,2008.

Khayati, R。,Vafadust, M., Towhidkhah, F., Nabavi, SM., “A novel method for automatic determination of different stages of multiple sclerosis lesions in brain MRFLAIR images”, Computerized Medical Imaging and Graphics, Vol 32, pp.124–33, 2008

林祖嘉张。,C.J. Lin., “LIBSVM: A Library for Support Vector Machines, “ACM Transactions on Intelligent Systems and Technology”, Vol. 2, No. 3, pp. 1-27, 2011.