聪明的大脑肿瘤组织分割从磁共振影像(MRI)使用元启发式算法

K.Selvanayaki¹,Dr.P.Kalugasalam²

研究学者,安娜理工大学、哥印拜陀印度Tamilnadu
教授/主管部门科学与人文,Tamilnadu工程学院,哥印拜陀,Tamilnadu、印度

文摘

图像处理中使用的分割是一个基本的技术来提取可疑区域从给定的图像。本文提出meta-heuristic方法如蚁群优化(ACO)、遗传算法(GA)和粒子群优化(PSO)分段脑部肿瘤的三维磁共振图像。本文分为两个阶段。在第一阶段使用跟踪算法执行预处理和增强。这些都是用来预处理抑制工件,删除不需要的部分头骨从大脑核磁共振和这些使用加权中值滤波图像增强。增强的技术评估峰值信噪比(PSNR)和平均信噪比(ASNR)过滤器。在第二阶段的智能分割三个算法将实现识别和细分的可疑区域使用算法,遗传算法和算法,及其性能进行了研究。提出的算法与真正的病人MRI检测。结果与大脑核磁共振表明,该方法可以提高系统的灵敏度和可靠性的自动检测脑瘤,算法测试21日对从数据库真实患者的大脑核磁共振和评价该方法的性能。

关键字

脑瘤,磁共振影像(MRI),预处理和增强、分割、元启发式算法,蚁群优化(ACO)、遗传算法(GA)和粒子群优化(PSO)。

介绍

脑肿瘤是一种最积极的和致命的恶性肿瘤,更难以治疗,大多数抗癌药物很难甚至肿瘤。一项全国性调查,基于概率样本的病人承认短期医院在2000年到2010年期间,美国排放颅内肿瘤的诊断,是在高于200医院进行的。年度为原发性颅内肿瘤发病率估计在17000年和17400年的继发性颅内肿瘤——每100000美国人口8.2和8.3,分别。原发性颅内肿瘤发病率的随着年龄的稳步增长。的年龄调整率男性高于女性(8.5和7.9 / 100000)。然而,尽管男性更容易神经胶质瘤和neuronomas,脑膜瘤和垂体腺瘤的发病率高于女性。这个智能系统将医学图像作为输入从核磁共振脑图像分析肿瘤组织。医学影像是一个重要的主题通常被认为是更好的诊断和病人护理的关键。它经历了一个爆炸性的增长在过去的几年中由于成像模式如x射线、计算机断层扫描(CT)、核磁共振(MR)成像,和超声波。目前,核磁共振成像是最敏感的测试头(特别是在大脑中)在日常临床实践。大脑的图像和其他颅先生比与其他结构更清晰和更详细的成像方法。 This detail makes MRI an invaluable tool in early diagnosis and evaluation of many conditions, including tumors.

概述和Metaheuristic算法的优点:

最近,许多研究人员他们的注意力集中在一种新的算法,称为metaheuristics。metaheuristic是一组算法的概念,可以用来定义启发式方法适用于广泛的一组不同的问题。换句话说,metaheuristic是一个通用算法框架,它可以应用到不同的优化问题的修改使其相对较少,适应一个特定的问题。metaheuristics的使用显著增加的能力找到高质量的解决困难,几乎在合理的时间相关的组合优化问题。尤其是对于大型和了解甚少的问题。一些meta-heuristics,如遗传算法和模拟退火,提出了计算棘手的问题。蚁群优化(ACO)是一种新的metaheuristic发达构成近似的解决方案。蚂蚁算法是第一个提出Coloni et al .,(1991)和已经收到广泛关注由于其成功的应用程序很多组合优化问题。遗传算法和模拟退火方法,蚂蚁算法也培养其解决策略通过使用自然的比喻。介绍一种自动分割脑磁共振图像,采用蚁群优化的遗传算法和粒子群优化技术。

蚁群优化的概述:

蚁群优化(ACO) metaheuristic;最近以人群为基础的方法,观察真正的启发了蚂蚁的殖民地和基于他们的集体觅食行为。真正能够找到最短路径的蚂蚁窝不使用视觉线索的食物来源。蚂蚁正在一条直线连接一个巢是一个追踪信息素的食物来源。信息素是一种挥发性化学物质时被蚂蚁躺下散步,和每只蚂蚁概率更愿意遵循方向丰富的信息素。这种基本行为的真实蚂蚁可以用来从人口获得最佳值。算法,构造问题的解决方案在一个随机迭代过程中,通过添加解决方案组件部分的解决方案。每个单独的ant构建解决方案的一部分用的是人造的信息素,这反映了其经验积累而解决问题,和启发式信息依赖问题。

遗传算法的概述:

遗传算法是一种迭代过程,涉及人口的个人,每一个由有限字符串的表示符号,被称为基因组编码一种可能的解决方案在一个给定的问题空间。这个空间,称为搜索空间,包括所有可能解决手头的问题。标准遗传算法所得如下:随机生成的初始种群个体或一些。每进化步骤,被称为一代,个体在当前人口是解码和评估根据一些预先定义的质量标准,称为健身或适应度函数。组建一个新的人群,个人选择根据他们的健康。因此,高适应性的人有更好的机会¢复制”,而不健康的人更有可能消失。然后执行交叉概率与pc之间的两个选择个人,叫家长,通过交换部分基因,形成两个新的个体,称为后代。接下来,介绍了变异算子,以防止过早收敛到局部最适条件通过随机抽样点在搜索空间。翻转位随机携带;有一些小概率点。 Genetic algorithms are stochastic iterative processes that are not guaranteed to converge. The Termination condition may be specified as some fixed, maximal number of generations or as the attainment of an acceptable fitness level.

粒子群优化的概述:

粒子群优化(pso)是一种现代启发式算法,可以应用于非线性和非连续优化问题。这是一个基于随机优化技术连续非线性函数。算法从场景和用它来解决优化问题。粒子群优化是一种优化技术提供了一个基于进化的搜索。介绍了这个搜索算法进行拉斯•埃伯哈特和詹姆斯·肯尼迪博士于1995年。算法是指一种相对较新的家庭的算法可以用来找到最优或接近最优解的数值和定性问题。

智能系统的概述:

市场细分是一个过程,分离对象在一个图像。基于纹理的分割始于一个用户定义的训练区域,在纹理特征计算,然后作为一个像素分类器应用于其他像素在一个横截面图像或整个体积分离成群体。而图像纹理被定义在许多不同的方式,重复模式的主要特点是在地区或模式。模式可以重复,或者作为一组小变化的主题,可能位置的函数。医学图像,因为对象通常是某些类型的组织,如血管、脑组织、骨头等在这个智能分割描述了应用程序的技术如蚁群系统,提出遗传算法,粒子群优化(ACO-GA-PSO)实现从大脑MRI可疑区域的分割。在这工作,最初大脑图像预处理和增强先生通过加权中值滤波去除高频组件(ie.noise)的图像。然后头骨地区消除。第二个可疑区域从背景中提取组织使用三个算法(ACO-GA-PSO)。最后,算法评估。下面的图1描述了智能系统的结构。

以前的分割方法:

核磁共振脑图像分割的最初目的是给定大脑核磁共振图像的分割成non-intersecting区域描述真实的解剖结构。在过去的十年里,人们提出了很多方法来解决这个问题。部分列表包括曲面模型、变形和动态轮廓模型,Iteretive增长模型。最早的方法分割的脑部MRI提出了亚伦等。[1]使用一个新的通用的分割工具,依靠互动可变形模型作为水平集实现。互动率求解水平集PDE给用户即时反馈参数设置,因此用户可以调整三个独立参数和实时控制的形状模型。艾哈迈德等[2]。演示基于生理的定性、定量算法优于两种经典的分割技术。安琪拉等[4]。

开发了一种γ相机基于多丝正比室配备了高速率,数字电子读出系统在核医学成像应用。Azadeh[5]提出了我们建议的方法和结果分析患者的大脑光谱三种肿瘤(恶性神经胶质瘤,星形细胞瘤,少突神经胶质瘤)。新兴市场等[6]报告描述最初使用的积累健康数据库目前包括50 20 - 72岁的受试者。Bricq[7]提供了一个统一的框架,无监督分割的多通道脑MR图像,包括部分体积效应,偏压场校正和信息的概率图谱。陈等人[8]提出了一种两步方法,并结合地区和轮廓变形,来定位对象的边界从指定的初始边界的计划。春燕等[9]提出了可变形的适应系统中基于模型的方法。图形用户界面,可以干预细分用户实时交互。科瑞娜等人[10]关注脑脊髓的自动提取流体组织边界,尤其是在心室表面,从串行结构磁共振脑成像研究中获得的衰老和痴呆。

达纳等[11]提出了一种变分脑瘤分割算法,扩展了当前的纹理分割的方法来使用高维特性集计算从核磁共振数据和注册的地图册。Dimitris等[13]提出了几种混合可变形的方法我们已经发展了细分和登记。这些方法包括metamorphs、新颖的形状和纹理形变模型集成框架和可变形模型的集成图形模型和学习方法。伊丽莎白等[14]报告检测和量化弯曲度异常高分辨率的多分辨图像提供了一个新的恶性肿瘤的无创性诊断方法。Erik等[15]集成自动分割基于监督学习与交互式多尺度分水岭分割方法。

自动组合方法提供了一个初始分割,应用的构建模块,用户可以使用交互式方法。圭多等[17]使用一个EM-type算法,包括组织分类、非均匀性校正和大脑剥离成一个迭代优化方案使用混合分布模型。Hamarneh等[18]介绍了使用基于物理形状变形生物框架变形,产生额外的准确性、鲁棒性和可靠性,允许在必要时直观的实时用户指导和交互。秀树等[19]利用区域分割技术提取脑瘤和水肿区域的边界。Iftekharuddin等[20]提出了两个小说fractal-based纹理特征被用于小儿脑瘤在MRI分割和分类。

两个纹理特征之一使用piecewise-triangular-prism-surface-area (PTPSA)分形特征提取算法。杰森[21]集中制定融合软模型分配到亲和力的计算,模型通常都是免费的。Jayaram等[23]描述了一个框架来评估图像分割算法。图像分割是目标识别和描述。Jeffreyet al[24]引入了一个自动化的方法在空间和时间上使用概率推理从四维时空段脑部肿瘤磁共振成像数据。Kabir等等[26]解决本文的自动分割是中风病灶multi-sequences先生。病变增强不同根据形态先生和有一个明显的获得在各种来源的信息在一个单一的过程。凯等人[27]指定一个半自动方法已经开发了脑瘤和水肿分割提供客观、可再生的细分,接近手册的结果。

预处理和增强

图像采集:

预处理和增强技术是用于提高检测可疑区域的磁共振影像(MRI)。这些技术应用于所有类型的扫描图像像核磁共振图像的头,身体和膝盖。这些照片是收购了西门子MAGNETOM1 1.0特斯拉的MRI系统。图像是数字和256 X 256像素的大小。灰度量化为12位,使4096个不同的像素强度。一个3 d FLASH技术用于生成64年或128年连续的薄片。先生的照片被转移到KONTRON MIPRON2图像处理工作站,和现有的增强技术被应用。八个比特为每个像素使用的工作站,或256强度水平。一个软件程序压缩的12位磁共振图像线性最大强度为255。

预处理和增强:

预处理和增强技术是用于提高检测可疑区域的磁共振影像(MRI)。基于本节介绍了梯度图像增强方法对大脑图像先生基于一阶导数和地方统计数据。预处理和增强方法包括两个步骤:第一部的电影的构件(如标签和x射线标志使用跟踪算法从MRI中删除。第二,使用加权中值滤波去除高频组件技术。它给高分辨率磁共振成像比较比中值滤波,自适应滤波器和空间滤波器。该方法的性能也评估通过一种峰值信噪比(PSNR),平均信噪比(ASNR)。下面的图2显示大脑MRI从预处理和提高阶段。

算法

加权中值滤波:

加权中值(WM)滤波器的鲁棒性和边缘保持能力经典中值滤波。WM过滤器属于广泛的一类非线性滤波器称为堆栈。这使得工具的使用为后者开发类描述和分析WM过滤器的行为和属性,例如噪声衰减能力。这一事实WM过滤器是阈值函数允许使用神经网络训练方法获得自适应WM过滤器。WM的应用是语音处理,自适应加权中值和最优加权中值滤波器对图像和图像序列重建,加权中位数作为DPCM编码和梅花形编码健壮的预测,在扫描率和加权中值滤波器转换在正常电视和高清电视系统。加权中值滤波器确定噪声点在图像噪声检测。它调整滤波窗口的大小自适应地根据窗口的噪声点,在滤波窗口中像素点由一定的规则自适应分组,给每组的像素点对应的重量根据相似性,最后filtering-treated噪声检测。加权中值滤波的评估标准是考虑如下:

性能评价:

Karnan等使用对比,对比改进指数(CII)背景噪音水平,峰值信噪比(PSNR)和平均信噪比(ASNR)评价增强性能。对比和人民共和国的定义被定义为,

CII = C / C处理原始(1)

C和C处理原始= MRI的对比

头骨从大脑核磁共振成像:

人类头骨骨结构,骨架的一部分,在人类头上,大脑头骨包围,这些都是提供了大脑的基本安全支持面临的结构和对大脑形成一个空腔。第三部分解释了这种自动系统的去除颅骨部分先生的大脑图像。这些头骨部分分为左,右和底部的头骨。下表显示的跟踪算法用于删除不需要的部分核磁共振这意味着左,右和上头骨部分不需要进一步的处理。下面的表1显示了跟踪算法的头骨部分核磁共振。

分割使用算法

蚁群优化(ACO)是一个基于元启发式,可以用来寻找困难的优化问题的近似解。在配电网中,一组软件代理称为人工蚂蚁搜索给定的优化问题的好方案。应用算法,优化问题转化为寻找最佳路径问题的加权图。人工蚂蚁逐步构建解决方案通过移动图形。解决施工过程是随机的,有偏见的信息素模型,即一组参数与图形组件的值是由蚂蚁。在运行时修改。在这个实现中,我们使用的20个数字迭代。选择图像像素,它有最优水平,被存储为一个单独的图像。下面显示了脑瘤蚁群优化算法检测。

第一步:阅读MRI图像或ROI图像并存储在一个二维矩阵。

步骤2:与相同像素灰度值与相同数量标签。

第三步:图像中每个内核,计算后能量U (x)的价值。

步骤4:后能源价值的内核是存储在一个单独的矩阵。

第五步:蚁群系统用于后能量函数最小化。过程如下:

第六步:初始化的值的迭代次数(N),蚂蚁(K),初始信息素值(T0),一个常量值信息素更新(ρ)。(在这里,我们使用的是N = 20, K = 10, T0 = 0.001和ρ= 0.9)

第七步:创建一个解决方案矩阵(S)来存储标签的所有像素,后能量的所有像素值,初始所有蚂蚁信息素值在每个像素,和一个标志列提是否选择的像素是蚂蚁。

第八步:将标签和能量函数的值存储在年代。

步骤9:初始化信息素值,T0 = 0.001。

第十步:初始化所有所有蚂蚁的标志值为0,这意味着像素还没有选择,如果它是设置为1意味着选择。

步骤11:选择一个随机像素对于每个蚂蚁,不选择之前。

步骤12:更新信息素被所有蚂蚁选择的像素值。

步骤13:使用GA,选择设置的最小值,指定为当地最低(Lmin)。

步骤14:比较这局部最小值(Lmin)与全球最低(Gmin),如果Lmin小于Gmin,分配Gmin = Lmin。

15步:选择蚂蚁的解决方案等于局部最小值,其全局信息素更新。

16步:执行步骤(13)(15),直到所有的图像像素被选择并执行步骤(7)为M乘以(16)。

步骤17:Gmin最小化后能量函数的最优标签。

18步:存储像素具有最佳的标签在一个单独的图像分割图像。

分割使用遗传算法(GA)

Thangavel和Karnan(2005)说,遗传算法(GA)是一种优化技术获取最好的可能的解决方案在庞大的解空间。遗传算法操作的字符串,字符串编码来表示参数集。肿瘤像素的强度值被认为是作为遗传算法的初始种群。然后可疑区域的强度值转换为8位二进制字符串,然后这些值转换为字符串和强度值被认为是人口作为遗传算法的适应度值。现在的遗传算子的复制、交叉和变异应用新的人口的字符串。以下步骤描述遗传算法寻找最优阈值检测肿瘤组织。

遗传算法的算法

步骤1:加载图像的大小是256 x256(每个元素对应于一个0到256之间的灰度值和确定他们的类。

步骤2:将图像3 x3标签(细胞)。

步骤3:计算所有像素的健身价值标签F (x) = 1 / (1 + x2)

第四步:选择两个父母随机交叉和变异操作,交叉概率PC和变异概率点。计算父母和孩子的健康。适应度函数是归一化直方图函数F (x)。

第五步:初始化局部最优值为0

第六步:找到跨越函数初始化的父母我= x的位置,j = y的位置

1。Pa = F(张、j - 1)、Pb = F (i + 1, j + 1)

2。Pa = F (i, j - 1)、Pb = F (i, j + 1)

3所示。Pa = F(张,j)、Pb = F (i + 1, j),

4所示。Pa = F(张,j + 1)、Pb = F (i + 1, j - 1)

第七步:计算出孩子的父母

C1 = Pa - F (x)

pb C2 = F (x)

第八步:选择一个孩子为当地更新Selectchild = max (C1, C2)

步骤9:选择找到局部最优值的最优值标签如果(LocalOptimal < SelectChild)那么LocalOptimal = SelectChild LocalOptimal其他没有变化

后选择当地的最佳元素放在各自的标签。

第十步:重复步骤6、7、8和9的所有元素,直到结束标签。

步骤11:更新最优值找到全局最优LocalOptimal = LocalOptimal +突变

步骤12:选择全局最优值为一个图像找到最优值

如果(GlobalOptimal < LocalOptimal)那么GlobalOptimal = LocalOptimal其他没有变化在全局最优选择全局最优元素放在各自的标签。

13步:重复步骤2到12个,直到所有元素的标签。

步骤14:考虑全局最优值的自适应阈值分割

分割使用粒子群优化(PSO)

粒子群优化(pso)是一种现代启发式算法,可以应用于非线性和非连续优化问题。这是一个基于随机优化技术连续非线性函数。粒子群的概念起源于一个模拟的简化的社会制度。最初的意图是图形化模拟的编排的鸟鸟鱼块或学校。然而,人们发现粒子群模型可以作为优化器。算法初始化一群随机粒子(解决方案),然后搜索寻优更新一代又一代。在每次迭代中,每个粒子通过跟踪两个“最好”的值更新。第一个是最好的解决方案(健身)取得了迄今为止。(健身价值也存储。)这个值称为pb。 Another "best" value that is tracked by the particle swarm optimizer is the best value, obtained so far by any particle in the population. This best value is a global best and called gbest. When a particle takes part of the population as its topological neighbors, the best value is a local best and is called lbest.

步骤1:加载图像的大小是256 x256(每个元素对应于一个0到256之间的灰度值和确定他们的类。

步骤2:把图像3 x3(或)5 x5(或)7 x7标签等。

步骤3:初始化所有粒子内部的标签。

第四步:计算所有像素的健身价值标签。

第五步:选择最好的最优(pb)值标签。

如果(健身价值<最好的健身价值(pb)历史上更新当前值= new pb其他当前值=健身价值

经过选择的当前值元素放在各自的标签。

第六步:重复步骤4和5的所有元素,直到结束标签。

第七步:选择最好的健身价值的粒子的粒子gb。

第八步:计算每个粒子的粒子速度。

v (cp) = (cp) + c1 * rand () * (pb [p] - [p]) + c2 * rand () * (gb [p] - [])

v (cp) =当前粒子速度,pb (cp) =最好的健身价值,gb[] =所有粒子的适应度值,rand() =(0, 1)之间的随机数,c1, c2正在学习的因素。通常c1 = c2 = 2。

第九步:更新粒子位置为每个粒子根据给定的解决方案。

现在v[] =由于[]+ []

由于[]是当前粒子

升级后的每个粒子的速度和位置

第十步:步骤2进行进一步的标签。

结果和实验

以下智能系统结果表明粒子群优化是一个非常简单和准确的脑部肿瘤检测算法。PSO的99.28%给准确的检测算法和遗传算法。所以似乎是有效的优化范围广泛的功能。在过去的几年中,算法已经成功地应用在许多研究和应用领域。证明算法能得到更好的效果在一个更快,更便宜的方法与其他方法相比。算法是有吸引力的另一个原因是,很少有参数调整。

结论

脑瘤的智能分割基于磁共振影像(MRI)描述了一种梯度脑图像分割使用蚁群优化(ACO),粒子群优化(PSO)和遗传算法(GA)。通过跟踪算法最初预处理阶段完成。下加工的大脑MRI分割利用蚁群优化算法、粒子优化和遗传算法。这个智能分割的优点是检测和评估三大元启发式算法及其性能的分割从大脑核磁共振大脑肿瘤组织。我们推广这个算法对大脑MRI从任何数据库和统计结果显示提出的可以执行比算法和PSO算法GA算法用于肿瘤检测和检测

引用

亚伦e . Lefohn约书亚·e·盖茨,罗斯·t·惠特克¢互动,基于gpu的3 d水平集分割”,医学影像计算和计算机辅助介入”会议上(MICCAI), 564 - 572年,2003年4月。
艾哈迈德·萨德本·史密斯Ghassan Hamarneh, Torsten M¨轮胎式压路机、一个¢同时分割、动力学参数估计,和不确定性的可视化动态宠物一次¢,施普林格医学影像计算和计算机辅助干预”(MICCAI),体积4792/2007,726 - 733年,2007年10月。
Amini L Soltanian-Zadeh H,卢卡斯。C:¢自动分割的大脑结构MRIA¢,Proc。Intl.Soc.Mag.Reson.Med.11 (2003)。
安吉拉•巴尔GiovanniCarugno,桑德罗Centro,乔治•Charpak庭院。Cruickshank MarieLenoble雅克•莱:一个¢成像脑瘤使用多丝γ相机和铊- 201 A¢,IEEE核科学研讨会会议记录,体积:1,452 - 456年,2001年7月。
Azadeh yazdan-shahmorad,哈米德soltanian-zadeh,雷扎。Zoroofi:一个¢MRSI Braintumor描述利用小波和小波包特征空间和人工神经NetworksA¢,IEEE在医学和生物工程协会,2004。IEMBS 04。第26届国际会议,体积:1、1810 - 1813年,2004年9月。
新兴市场Mortamet,曾庆红Donglin Guido Gerig, MarcelPrastawa, ElizabethBullitt,一个¢健康老化的影响来衡量颅内室卷使用大脑先生设计数据库¢,地中海形象第一版第一版协助间歇雨刷Int地中海之形象第一版第一版协助间歇雨刷,383 - 391年,2005年。
Bricq。年代,夹头。Ch, Armspach.J。P:¢统一框架多通道脑MRI分割基于隐马尔科夫ChainsA¢,爱思唯尔医学影像分析,2008年3月。12卷,问题6,639 - 652页,2008年12月。
Chan.F.H.Y、Lam.F.K Poon.P.W.F、Zhu.H Chan.K。H:¢对象边界位置按地区和ContourDeformationA¢,IEEE,诉讼在视觉形象的过程,Vol.143,问题6,353 - 360年,1996年12月。
春燕江,新华社张黄Wanjun Christoph Meinel。:¢分割和量化的脑瘤,一个¢IEEE国际研讨会在虚拟环境中,人机接口和测量系统中,61 - 66,美国2004年7月。
科瑞娜。Drapaca Colin Studholme Valerie Cardenas:一个¢分割tissueboundary进化的大脑图像序列先生usingmulti-phaselevel setsA¢,爱思唯尔科学公司在计算机视觉和图像理解,卷100,问题3,312 - 329,December2005。
Dana Cobzas尼尔·伯克贝克马丁•Jagersand马克•施密特:一个¢3 dvariational脑瘤分割使用高维特性集,一个¢。IEEE 11计算机视觉国际会议上,iccv - 2007, 2007年10月1 - 8,巴西。
大卫·T。蒙古包,埃里克。Grimson W, L, Kikinis。R:¢识别偏离常态的Braintumor SegmentationA¢,施普林格,MICCAI,信号2488年,388 - 395年,2002年-柏林海德堡。
狄维士。,卢卡斯.L Simonetti。W, Suykens正当K, Vanhamme L,范德格拉夫M, Buydens L.M.C, Heerschap Van Huffel年代:一个¢磁共振成像和光谱成像技术的结合提高了脑部肿瘤的分类?一个¢,IEEE MBS的第26届国际会议,2004年9月1 - 5日。
Devos.A、Simonetti.A.W VandGraaf.M,卢卡斯。L Suyke ns。正当K, Vanhamme。L Buydens.L.M。C, Heerschap。VanHuffel。年代:¢使用多元先生成像强度与代谢数据光谱成像先生脑肿瘤分类一个¢爱思唯尔磁共振杂志》173218 - 228年,2005年。
Dimitris N迈塔克瑟白兰地,甄钱,一位黄黄和鲁伊,陈Ting,莱昂轴向。:¢混合可变形模型的医学分割和注册,一个¢IEEE医学图像处理,9日国际会议控制、自动化、机器人技术和视觉(ICARCV -2006), 2006年1 - 6。
伊丽莎白·布利特曾Donglin Guido Gerig,斯蒂芬•Aylward Sarang乔希,J。Keithsmith,威力林、马修·G。Ewend,:¢船曲折和脑瘤Malingnancy:盲StudyA¢,学术放射学,12卷,10个问题,1232 - 1240页,2005年8月。
ErikDam Marcoloog,玛洛Letteboer:一个¢集成自动和交互脑瘤SegmentationA¢,学报》第17届国际会议模式识别(ICPR 04), IEEE计算机协会,数量:3,790 - 793年,2004年8月。
Fadi N。Karameh,本。Dahleh:一个¢EEG信号的自动分类在脑瘤diagnosticsA¢,芝加哥协会美国控制研讨会论文集(2000),4169 - 4173,2,2000年6月。
Guido Gerig Marcel Prastawa,林的哀愁,约翰•吉尔摩:一个¢分割评估新生儿早期大脑发育的高分辨率3 t MRIA¢,施普林格linkon短通信、体积2879/2003,979 - 980 2003。
Hamarneh.G麦景图。C:一个¢CorpusCallosum gmentation磁共振图像中利用人工OrganismsA¢,医学图像分析实验室(MIAL)。
Hideki山本和Katsuhiko Sugita Noriki Kanzaki, Ikuo Johja和Yoshio节目,Michiyoshi Kuwahara,:一个¢磁共振图像增强使用V - FilterA¢,IEEE在航空航天和电子系统杂志,数量:5日期:1990年6月6日。
郑Iftekharuddin k M, J。,Islam M. A, Ogg R. J,:Ã¢ÂÂBrain Tumor Detection in MRI: Technique and Statistical ValidationÃ¢ÂÂ,Conference on Signals, Systems and Computers, 2006. ACSSC '06. Fortieth Asilomar , 1983-1987, Oct. 29 2006.
Alan Yuille Jason j·科索埃坦沙龙,一个¢多级细分和贝叶斯模型分类与应用程序集成脑瘤SegmentationA¢,施普林格医学影像计算,体积4191/2006,790 - 798年,2006年9月29日。
Jayaram K。Udupa Punam K。萨哈,:¢模糊连通性和图像SegmentationA¢,IEEE学报》,卷。91年10,1649 - 1669年,2003年10月。
Jayaram K。Udupa,维姬R。Lablane,希拉里·施密特,塞丽娜Lmielinska Punam K。萨哈,乔治J。帕特Molholt Grevera,应诸葛,Yinpengjin, Leanne M。柯里:一个¢方法来评估图像AlgorithmA¢,IEEE在医学图像处理,1 - 14,2002年。
杰弗里·所罗门John A . Butman Arun Sood:¢脑瘤的细分4 d图像使用隐马尔科夫模型先生”,爱思唯尔在计算机方法和程序BiomedicineA¢,美国,页76 - 85,卷84,问题2,76 - 85页,2006年12月。
布鲁诺·莫雷蒂,阮Jing-hao雪,苏马里内特Revenu,丹尼尔•Bloyet:一个¢知识分类和标签的大脑结构fromMRI一次¢,爱思唯尔在模式识别字母,卷22日发行3 - 4,395 - 405年,2001年。
卡比尔。Y, Dojat。米谢勒。B,《福布斯》。F, Garbay。C:一个¢Multimodal MRI分割的缺血性中风LesionsA¢,IEEE的第29届国际会议在医学和生物工程协会,2007。2007年磨床。第29届国际Kai谢,杰,Zhang.Z。G,朱。Y。M:,一个¢半自动的脑瘤和水肿分割使用MRIA¢,爱思唯尔,欧洲放射学杂志》,卷56,问题1页第12 - 2005。