大脑肿瘤的MRI分割和量化

Sudipta罗伊^{* 1},Atanu萨哈^{* 1}和萨米尔·k·Bandyopadhyay教授²,老成员IEEE

B.Tech。第五学期计算机科学与工程专业的学生,加尔各答大学
教授,计算机科学与工程系,加尔各答大学A.P.C.路92号,印度加尔各答- 700009

通讯作者:Sudipta罗伊,电子邮件:scse.roy@gmail.com

文摘

检测脑部肿瘤是最常见的死亡在当前医疗社会的场景。计算应用在日常生活中越来越重要。具体来说,计算生物医学应用的计算机辅助系统的使用已经探索到一个更高的程度。自动化的大脑紊乱的诊断与图像先生是一个特定的医学图像分析的方法。图像分割是用来提取异常肿瘤部分大脑。本文探讨了一种方法来识别肿瘤在大脑紊乱的诊断图像。

关键字

肿瘤检测、分割、诊断技术和大脑核磁共振

介绍

医学图像分析是一个重要的生物医学应用程序,它在本质上是高度计算,需要自动化系统的援助。这些图像分析技术通常用于检测人体异常通过扫描图像。自动检测异常的医学图像是一种重要的医学诊断中必要的过程,有时计划和治疗。

而检测异常,如肿瘤专家是可能的,手动分割通常是繁琐和费时和错误。有很多方法,找到一个肿瘤磁共振影像(MRI)自动半。在这种方法,需要人工干预,这又让这个过程耗时和昂贵的。关键的问题是找到肿瘤位置自动,后来发现它的精确边界。检测肿瘤的一个重要因素在intensitylevel健康组织的区别。然而,仅仅依靠强度水平通常是不够的。Thespatial的像素信息集群形成肿瘤也应在检测过程中使用。先生的分割图像组织分成不同类别,尤其是灰质(GM),白质(WM)和脑脊液(CSF),是一个重要的任务。

肿瘤或肿瘤是肿瘤或固体损伤细胞的异常生长形成的看起来像一个肿胀。肿瘤并不等同于癌症。肿瘤是良性的,3或恶性,而恶性癌症是由定义。一个良性肿瘤是恶性的肿瘤,缺乏这三个属性的癌症。因此,根据定义,一个良性肿瘤并不生长在一个无限的,积极的态度,不侵入周围组织,不传播不相邻的组织(转移)。良性肿瘤的常见例子包括摩尔和子宫肌瘤。恶性肿瘤(从拉丁词根mal - =“坏”和“火炉之主”伊格尼=“火”)是医疗条件的倾向,特别是肿瘤,变得逐渐恶化,并可能导致死亡。它的特点是间变的属性,侵袭性和转移。恶性肿瘤是一种相应的形容词的医学术语用来描述一种逐步恶化的严重疾病。这个词是最熟悉的描述癌症。

癌前病变(或癌变前的条件)是一种疾病,综合症,或发现,如果不及时治疗,可能导致癌症。它是一个广义状态显著增加患癌症的风险。脑部肿瘤分割和量化图像先生是一个具有挑战性的任务。肿瘤的边界,它的体积是重要参数,可以直接影响手术治疗,放射治疗,或肿瘤回归率的定量测量。肿瘤的位置在大脑中是其中一个因素决定脑瘤如何影响个体的功能和肿瘤引起症状。肿瘤图像的一部分,在这部分有更多的强度,我们可以使我们的假设图像中肿瘤的半径,这是基本的事情考虑的算法。首先一些图像增强和降噪技术用于增强图像质量,在那之后一些形态学操作应用于检测图像中的肿瘤。形态学操作基本上是应用于一些关于肿瘤的大小和形状的假设,最后肿瘤是映射到原始灰度图像with255强度图像中可见的肿瘤。算法已经尝试过许多不同的图像从不同的角度和一直给予正确的预期的结果。

审查工作

有重大开发自动化计算机算法forlocating肿瘤在大脑核磁共振。审查的模式识别方法[1]中提出的为MRI segmentationis, MRI分割的方法和应用可以在[3]中找到。在监督方法,工作[6]结合信息从registeredatlas模板和用户培训监督分类器的输入。[7]的方法基于孤立点检测的检测肿瘤登记并使用仿射变换。然而,这种方法失败的大肿瘤。[8]中描述的方法是基于健康的大脑训练图像而不是训练病理学。识别偏离常态,多层马尔可夫随机场是usedwhich计算昂贵。在[4]中提到的工作,作者采用基于图谱的病理分类使用仿射变换。他们认为肿瘤生长有一个径向扩张的起点。所有上述methodsare耗费时间,也需要专家输入大量的数据。 Supervised patternrecognition methods have exhibited problems with reproducibility [2], due tosignificant intra and inter-observer variance introduced over multiple training trials.

无监督的方法报道[9]T2加权图像分为fewblocks,计算边的数量、强度的对比参数每块。它假定异常占用更少,10%的所有像素,并且包含肿瘤块像素表现出更少的边缘像素。然而,肿瘤可能落在不同的块,使部分肿瘤联合国——可检测。在另一个方法,colour-based集群使用[10]。图像转换为RGB先生,RGB到L * a * b *飞机。使用k - means聚类[12]*和b *飞机为了阈值,标志着肿瘤。这种方法的问题是,他们依赖onintensity级别分类,容易误分类。本文的方法对肿瘤检测和分割。分析过滤techniquessuch作为噪声reductionis伽柏& QMF过滤器由[11]。这些原始methodsalong减少噪声模糊importantand subsequentsteps所需的详细结构。 The colour ray casting method todifferentiate the region of interest from thebackground is implemented by [12]. But thistechnique is image dependent and not applicable for gray level images. Expectation maximizationsegmentation (EMS) software package is also usedfor image pre-processing [13]. The main advantage of this technique is that it is a fully automatictechnique. Diffusion filtering combined with simple non-adaptive intensity thresholding is used to enhance the region of interest [14]. The maindrawback of this technique is the non-adaptive nature of the threshold value. Fuzzy connectednessbased intensity non-uniformity correction has beenimplemented by [15]. A sequential approach withfuzzy connectedness, atlas registration and biasfield correction is used in this approach. Theconclusions revealed that the proposed techniquecan be used only if the intensity variationsbetween the images are of a limited range.The effect of inter-slice intensity variationis minimized with the weighted least squareestimation method [16]. The selection of weightsfor the least square method is the majordisadvantage of this approach. The noise removaltechnique using wavelets and curve lets isimplemented in [17]. Hybrid approaches involvingVariance Stabilizing Transform (VST) are alsoused in this work. But this technique is applicablefor images with Poisson noise. Tracking algorithmbased denoising technique is performed by [18].

由于种子点跟踪随机自然,这种技术不是更有效。Acontrast代理积累模型contrastenhancement由[19]实现。Thisimproves只有图像的对比和不必要的组织并没有消除。wienerfiltering技术在先生的大脑图像噪声去除是用于[20]。除了噪声去除,其他几个文学alsoreported预处理步骤。这包括图像格式转换、图像类型转换等相结合的三种形式的图像处理这篇先生提出了[21]。只提到技术移除所有theabove specificartefacts highclassification准确性和segmentationefficiency是不够的。除了消除噪音,消除不必要的组织如颅骨组织先生准确识别图像非常重要的疾病。

病理学鉴定是由形象分类技术和科学证据是基于自然ofabnormality计划。治疗后,它是高度essentialto估计反应病人的科学证据。脑瘤的异常肿瘤的大小可能会降低indicatesa积极的效果,有时它可能increasewhich显示了负面影响。在任何情况下,重要的是要进行容量分析,脑肿瘤图像。图像分割覆盖这一目标通过提取出异常portionfrom有用的图像分析异常区域的大小和形状。Thismethod也称为“像素basedclassification”,因为每个像素areclustered与分类techniqueswhich整个图像分类。Severalresearch作品发表在医学图像分割的区域。

提出工作

图像的一部分包含肿瘤通常更有强度的另一部分,我们可以假设,形状和半径的肿瘤图像。我们使用这些基本条件来检测肿瘤在我们的代码和代码经过以下步骤:

在预处理中一些基本的图像增强和降噪技术实现。除此之外,不同的方式来检测边缘,做细分也被使用。这些步骤的目的是改善图像,图像质量得到更多的担保和缓解在检测肿瘤。预处理的基本步骤如下:图像转化为灰度图像的第一步。噪音是删除如果anyThe获得图像将会通过一个高通滤波器来检测edgesThen获得的图像添加到原始图像增强。

在处理遵循以下步骤:-

市场细分是一个阈值的基础上完成的,由于整体形象转化为二进制图像。基本matlab命令使用阈值分割。

它是最好的方法来段图像分离肿瘤但患有细分下,由于我们使用它作为一个检查我们的输出。我们没有使用分水岭分割输入,而这仅仅是用于输出检查的结果是否正确,给正确的答案每次如下所示。

应用于图像形态学操作后将其转换为二进制形式。操作的基本目的是只显示图像的一部分,这部分的肿瘤图像的强度和更多区域。下面的算法。

算法

输入:核磁共振成像灰度图像

输出:孤立的肿瘤

步骤1:- MRI扫描图像转换成灰度图像。

步骤2:下一个图像通过高通滤波器消除噪声和其他imge飙升。

步骤3:——现在过滤图像添加到灰度图像。

目的:将增强的图像(图片的步骤3)二进制图像阈值

顾不上-单独的肿瘤从分水岭图像分割方法

第六段:只选择这部分的图像从step4肿瘤图像的部分有更多的强度和面积。

获得的图像从没有或正在穿衣第六段添加到原始灰度图像从step1和合成图像的输出。

结果

分水岭分割使用强度作为一个参数来段整个图像数据集。此外,评估实施这些算法的额外的复杂性导致倾向密度依赖方法。[2]。Three-dimensional-segmentation是一种可靠的方法来达到一个适当的估计肿瘤体积。在所有可能的方法为了这个目的,分水岭可以作为一个强大的工具,它含蓄地提取肿瘤表面。基于分水岭分割算法已被用于检测肿瘤在2 d和3 d。最新进展在医学图像分析通常包括过程对图像分割的几个参数,为更小的尺寸或地区,解决不同方面分析解剖和病理图像有意义的区域。分类区域使用他们的多参数值使生理和病理的研究地区的利益更容易也更可确定的。这里,多参数特征指的是以下三个特定的值的边缘(E),灰色值(G)和局部对比度(H)的像素。

分水岭分割方法将任何形象不同强度和tumerous部分细胞有很高的蛋白质的液体,密度非常高,因此非常高的强度,因此分水岭分割的最佳工具分类肿瘤和高强度的大脑组织。分水岭分割可以分类的强度非常小的差异,这是不可能的蛇和水平集方法。

我们已经合成肿瘤图像映射到原始灰度图像用于演示目的。这里介绍的方法是用户友好和医生可以从菜单中选择大脑图像屏幕并找出增强图像和部分肿瘤

结论

结果表明,分水岭分割能够成功段肿瘤提供了在MATLAB环境中参数设置正确。本文探讨了一种方法来识别肿瘤在大脑紊乱的诊断图像。

引用

Bezdek, J.C.,大厅,润滑,克拉克,L。P.: Review of MR image segmentation techniques usingpattern recognition. Medical physics 20(4), 1033–1048 (1993)
举行,K。,Rota, K.E., Krause, B.J., Wells III, W.M., Kikinis, R., Muller-Gartner, H.W.:Markov random field segmentation of brain MR images. IEEE Trans. Med. Imaging, 878–886 (1997)
克拉克,L。,et al.: MRI segmentation: Methods and applications. Magnetic Resonance Imaging13(3), 343–368 (1995)
Cuadra, M.B.戈麦斯,J。,Hagmann, P., Pollo, C., Villemure, J.G., Dawant, B.M., Thiran,J.: Atlas-based segmentation of pathological brains using a model of tumor growth. In:Medical Image Comp.& Computer-Assisted Intervention MICCAI (2002), pp. 380–387.Springer, Heidelberg (2002)
克拉克,m。,Hall, L.O., Goldgof, D.B., Velthuizen, R., Murtagh, F.R., Silbiger, M.S.:Automatic tumorsegmentation using knowledge-based techniques. IEEE Trans. on MedicalImaging 17, 187–201 (1998)
卡乌斯,核磁共振,Warfield, S.K., Nabavi, A., Chatzidakis, E., Black, P.M., Jolesz, F.A.,Kikinis, R.: Segmentation of meningiomas and low grade gliomas in MRI. In: Taylor, C.,Colchester, A. (eds.) MICCAI 1999. LNCS, vol. 1679, pp. 1–10. Springer, Heidelberg(1999)
Prastawa, M。,Bullitt, E., Ho, S., Gerig, G.: A Brain Tumor Segmentation FrameworkBased on Outlier Detection. Medical Image Analysis 8, 275–283 (2004)326 M.K. Khandani, R. Bajcsy, and Y.P. Fallah
蒙古包,D。埃里克,W。,Grimson, L., Kikinis, R.: Recognizing Deviations from Normalcy forBrain Tumor Segmentation. Medical Image Computing and Computer- Assisted Intervention,388–395 (September 2002)
刘伊Phooi Voon F.C.T.小泽,S。:大脑tumorson t2加权MRI图像的检测和可视化使用多参数功能块。:工程inMedicine社会和生物学。IEEE-EMBS,页5104 - 5107 (2005)
吴,M.-N。,Lin, C.-C., Chang, C.-C.: Brain Tumor Detection Using Color-Based KMeansClustering Seg. In: IEEE Computer Society, IIH-MSP 2007, pp. 245–250 (2007)
华宝,平炉(1969)的主要原因和预防癌症。第二次修订版出版KonradTriltsch,德国维尔茨堡。
布鲁尔A.K.(1984)高PH值治疗癌症,测试老鼠和人类。21岁的药理生物化学和行为15。0091 - 3057 . doi: 10.1016 / (84) 90152 - 7
拉尔夫·瓦特计(2004)癌症输掉这场战争。汤森信为医生和病人。
柯式,d .(2009)对全球动力学模型的肿瘤免疫治疗。数学生物科学与工程,573 - 583。
Ledzewicz,美国(2005年)的最优控制系统建模肿瘤抗血管生成。ACSE 05年会上,中金,开罗,2005年12月19日,147 - 152。
Ghaffari, a和Nasserifar:(2009)数学建模和lyapunov-based药品管理局在癌症化疗。电气与电子工程学报,151 - 158。
皮质P, Cavouras D, Kalatzis J, Daskalakis, Kagadis G, Sifaki K, SolomouE。非线性最小二乘法featuretransformations改善概率神经网络在分类性能的人类大脑肿瘤在MRI。课堂讲稿在计算机科学2007;4707:239-47。
黄K, Aviyente美国小波对图像分类特征选择。IEEE Trans.Imag。Proc。2008;17:1709-20。
耶稣C,诺亚L, Ebadollahi年代,约翰·k·安德鲁•L概念在大脑纵向检测图像先生用多模态信号。IEEE国际研讨会于2009年生物医学成像;418 - 21所示。
Kowaliw T, Banzhaf W, Kharma N,哈丁。发展小说使用基于遗传规划的图像变换的图像特征。IEEE国会进化Computation2009; 2502 - 7。
普拉丹N, Sinha k发展综合特征向量的病理检测和健康组织在天赋,大脑的图像。生物信息学和医学工程杂志2009;10:1-11。