肿瘤检测和使用分水岭分割和层次聚类算法

r . Rajeswari¹,g . Gunasekaran²

研究学者,圣彼得学院的高等教育与研究,圣彼得大学Avadi,钦奈,印度
本金,米纳克希工程学院,钦奈,印度

文摘

肿瘤是一个不正常的组织可能是固体或液体的质量。肿瘤是细胞的集合形成肿块或质量。不同类型的肿瘤,他们有不同的特点和不同的治疗。这个肿瘤,癌症成为危及生命。所以医学成像,有必要检测肿瘤的确切位置和它的类型。定位肿瘤在MRI的磁共振影像(MRI)分割扮演重要的角色。MRI是首选技术,使脑部肿瘤的诊断和评价。当前工作提出了肿瘤分割和分水岭方法分层聚类算法,采用集群脑瘤。比较其他集群技术层次聚类的性能起着重要作用。病人的阶段是由这个过程,是否可以用药物治愈

关键字

肿瘤,MRI扫描,分水岭,聚类、层次聚类。

我的介绍。

肿瘤可能是主要的,次要的。如果是原点,那么它被称为初级。如果部分肿瘤蔓延到另一个地方,生长在自己的,那么它被称为次要的。大脑肿瘤影响脑脊液(脑脊髓液),导致中风。医生给予治疗中风而不是治疗肿瘤。的检测肿瘤对治疗很重要。人的预期寿命的影响脑部肿瘤会增加如果是发现在早期阶段。通常质量和恶性肿瘤细胞有两种类型。恶性肿瘤的检测质量肿瘤有点困难。的准确识别恶性的3 d表示大脑和3 d分析器工具是必需的。 This paper focuses on the detection of mass tumor. The development platform for the detection is mat lab because it is easy to develop and execute. At the end, we are providing systems that detect the tumor and its shape [1].

一)类型的肿瘤

脑部肿瘤分类是基于组织涉及的类型,肿瘤的位置,无论是良性或恶性。

一个¯·良性脑瘤

这种类型的肿瘤通常不包括癌细胞可以删除。良性脑瘤通常有一个明显的边界或边缘。他们不会扩散到身体的其他部位。然而,良性肿瘤可导致严重的健康问题。

一个¯·恶性脑瘤

这包括癌细胞,因此也称为脑癌。他们可能会快速增长,会影响附近的健康的大脑组织。这种类型的肿瘤可威胁生命。现在,根据是什么类型的细胞的肿瘤,脑部肿瘤的医生团体成绩。有我四年级年级年级第四。从低级的肿瘤细胞(等级I和II)看起来更正常,一般从高档的增长慢于细胞肿瘤(等级III和IV)。随着时间的推移,低级的肿瘤可能成为优质的肿瘤。

b)分割技术

分割是分区的过程图像为它的组成区域或对象。图像分割是图像分析的第一步。图像分割的目的是代表图像的形式是有意义的和容易分析。图像分割将图像分成多个部分,通常用于在数字图像识别对象或其他相关信息。最基本和重要的图像处理技术是图像分割和模式识别是很有必要的。图像分割的基本思想是段分成几个集群。分割的结果会这样,可以识别感兴趣的区域和原始图像中的对象。图像分割是用于各种应用,包括模式识别、目标识别、特征提取和医疗成像[4]。

有很多细分技术在图像处理。下面简而言之解释这些技术在图1:

1)模糊c均值聚类

2)k - means聚类

3)层次聚类

阶段的肿瘤检测

c)磁共振成像(MRI)

核磁共振主要用于生物医学检测和可视化在身体内部结构的细节。这种技术主要是用来检测不同组织有更好的技术与计算机断层扫描。这使得该技术一个非常特殊的一个用于检测脑瘤和癌症成像[2][3]。

本文由,MRI图像处理方法扫描大脑肿瘤的一部分。相比其他方法,如CT(计算机断层扫描)和MRI(磁共振成像)是最好的方法来查看肿瘤区域。分水岭算法是用来检测肿瘤从MRI扫描报告。这些图像检测到的像素,该方法部分肿瘤区域。有许多不同类型的聚类算法用于集群肿瘤区域,如k - means聚类模糊c均值算法,蚁群优化、层次聚类算法是本文所指组肿瘤区域在一个集群中。

二世。现有的方法

聚类方法旨在对象分组成子集在这样一个时尚,类似的对象组合在一起,而不同的对象属于不同的群体。聚类方法被广泛用于生物医学应用程序尤其脑部肿瘤检测异常的磁共振(MR)图像。在医学图像的分割,目标是识别不同地区,器官和解剖结构从数据获得通过MRI或其他医学成像技术。以下信息是在现有的聚类技术用于肿瘤集群。

一)k - means聚类

集群是一个对象集合,它们之间是相似的,不同的对象属于其他集群。聚类是一种无监督学习方法处理找到一个结构未标记的数据的集合。

将对象组织到组织成员的过程在某种程度上是相似的。

k - means聚类算法是一种基于属性/组对象特性分为k数量的组,k是一个正整数。分组(集群)是通过最小化之间的欧几里得距离数据和相应的聚类质心。因此k - means聚类的功能是集群数据[5]。

b)模糊c均值算法

c函数的最小化是一个非线性优化问题,可以通过使用各种解决方法,包括模拟退火和遗传算法迭代的最小化。最受欢迎的方法是一个简单的皮卡德迭代通过静止点的一阶条件,称为模糊c均值(FCM)算法。静止点的目标函数可以找到相邻J通过拉格朗日乘数法的约束:

FCM算法的收敛性证明(Bezdek, 1980)。注意(4.8 b)给vi的加权平均数数据项属于一个集群中,权重的隶属度。这就是为什么该算法被称为“c”。模糊逻辑是一种处理数据通过给部分会员图像中每个像素的价值。的成员值模糊集范围从0到1。模糊聚类基本上是一个多值逻辑,使中间值一个模糊集的成员也可以是其他模糊集的成员相同的形象。有完整的会员和non-membership之间没有突然的转变。隶属函数定义了图像的模糊性以及定义图像中包含的信息。这些是三个主要的基本特征参与由隶属函数描述。他们是支持边界。 The core is a full member of the fuzzy set. The support is a non-membership value of the set and boundary is the intermediate or partial membership with value between 0 and 1 [6][7].

三世。提出的方法

一)分水岭分割

这是最好的方法之一组图像像素的基础上他们的强度。像素下类似的强度下降被组合在一起。这是一个很好的分割图像分割技术从图像中分离肿瘤。流域是一个数学形态学操作工具。分水岭是通常用于检查输出而不是使用作为输入分割技术,因为它通常患有下细分和细分。流域和阈值算法对分割技术是有用的脑部肿瘤。图像分割是基于图像的分割区域。部门是类似属性的基础上完成的。

相似之处分离群体。分割的基本目的是提取图像的重要特征,信息很容易被察觉。分水岭分割的基本原理是将灰度级图像的梯度在地形表面,f的值(m, n)解释为高度和每个局部最小值嵌入到图像称为汇水盆地,如图2所示。

基于标记的分水岭分割方法具有几个重要的属性,使其高度可用的各种图像分割问题。在目前的方法,内部标记产生的灰度图像,然后外部标记发现了发现是介于内部的像素标记。

这是通过计算的分水岭变换距离改变了形象。然后修改实施梯度图像区域最小值的位置的内部和外部的标记。下一步涉及标记的分水岭变换的计算修改后的梯度图像产生分水岭脊线。最后导致分水岭脊线叠加在原始图像并产生肿瘤区域从核磁共振图像的最终分割的过程。

b)层次聚类方法

很多时候,集群有子类,并进而有自己的子类。这种现象的例子可以发现在生物分类当我们有一个物种的动物王国,脊索动物门,一个sub-phylum“脊椎动物门,等等。这样的分类分级和适当的分区可以找到下面的分类方法。更正式,序列是一个层次聚类如果存在2样品,c1和c2,这在某种程度上属于同一集群k和保持较高水平> k聚在一起。层次聚类的一个例子是一个通信树,或一个系统树图(如图3),显示样本是如何组合在一起的。第一级显示所有样本xi作为独立集群。当我们增加的水平,越来越多的样品以分层的方式聚集在一起。

层次聚类过程可分为两种不同的方法:烧结的和分裂的。使用的烧结的聚类分析方法,最近和最远的邻居算法,是一种自底向上的凝结的方法,我们首先n单集群和先后合并生产其他的集群。最小生成树,另一方面,使用的方法是自顶向下的方法,我们先后从一个集群和集群产生分裂。

一般来说,所有凝结的算法通常产生相同的结果,如果集群紧凑和分离。然而,如果集群接近彼此或如果他们的形状不是超球面,可以期待不同的结果。算法的时间空间复杂度是O (n2)和O (cn2d2)分别在c和d的群集的数量是它们之间的距离。

因此,近邻算法可以有效地检测细长的集群但没有有效集群是紧凑和同等大小的。因此我们期待farthest-neighbour算法来检测这种集群。

算法:Farthest-Neighbour

以下是farthest-neighbour聚类算法:

1。开始

2。初始化c;c ' = n;Di = {11};我= 1,…,n

3所示。做

4所示。c = c - 1

5。找到最近的集群Di和Dj

6。合并Di和Dj

7所示。直到c = c '

8。返回c集群

9。结束

在步骤5中,找到最近的集群使用聚类准则函数如下:

距离(Di, Dj) = max | | x - x ' | |,其中x e Di和x ' e Dj

可能上述两种烧结的方法建议之间的妥协是使用以下标准来找到最近的集群:

davg (Di, Dj) = (1 / (ninj))年代年代| | x - x ' | |,其中x e Di和x ' e Dj

dmean (Di, Dj) = | | mi -乔丹| |

算法:最小生成树

最小生成树算法是一个分裂的方法,因为我们给出了最小生成树的所有集群节点只给我们提供一个与最初的工作。存在多种方式把集群先后。最长的一种方法是简单的把边缘和创建2集群,然后递归删除集群的最长的边缘,直到所需的数量。删除的另一种方法在选择边缘是比较边缘的长度的长度事件在其边缘节点。结果,我们可以考虑的优势是不一致的,如果它的长度l是明显大于l, l的所有其他边缘事件的平均长度在其节点(图5)。这种方法的优点是确定集群的不同距离彼此分离。

四、实验结果

为了提供一个更坚实的评估拟议的技术,本节讨论分割结果。获得的数据显示,不同阶段的应用层次多个马尔可夫链模型和总生育率分割算法。

这里,分层算法,肿瘤的一部分地区是在单一集群和集群剩余相似的对象或其他类似集群被组合在一起形成一个集群在fig-7整个形象先生。

诉的结论

有许多简单的贪婪的方案构建分层聚类的整个企业层次聚类可以使用更多的理由。总是存在一个层次聚类粒度各级接近最优,同时进行。k-clustering问题,最小化成本的集群。我们返回一个层次聚类算法,对于每个k,诱导k-clustering保证最优八倍以内。层次聚类的标准启发式贪婪和自底向上的工作

单键,平均连锁,全联,我们的算法在效率和简单相似,但由上而下的工作。摘要肿瘤细胞分组到单个集群,这些单一集群结合在一起形成一个新的集群或这些单个集群子分为多个集群基于对象之间的距离。

介绍了脑部肿瘤检测使用核磁共振图像处理方法,分割利用分水岭算法和肿瘤细胞集群使用层次聚类。取得的结果上一节所示,显示了使用层次聚类算法有效的肿瘤检测。形状和大小的肿瘤。

引用

Oelze, M。L, Zachary,参考书籍,O ' brien W.D.,Jr., Ã¢ÂÂDifferentiation of tumor types in vivo by scatterer property estimates and parametric images using ultrasound backscatter Ã¢ÂÂ , on page(s) :1014 – 1017 Vol.1, 5-8 Oct. 2003 .
Sudipta罗伊,萨米尔K。Bandyopadhyay”,检测和量化的大脑肿瘤的MRI和它是对称的分析”,IJICTR,卷2 6号,2012年6月。
罗伊和”栏目Bandyopadhyay”,检测和量化的大脑肿瘤的MRI和它对称的分析”,国际期刊的信息和通信技术研究,肯塔基州,美国,2012年6月。
Mii-Shen Wen-Liange,刘德华Chen Yang抑制fuzzy-soft学习矢量量化细分先生”,爱思唯尔有限公司52卷,问题1,Pag: 33-43, May2011。
小李,Tu-sheng林,梁廖”,多光谱MRI大脑基于核聚类分析的图像分割。",2012年国际会议系统工程和建模(ICSEM 2012) IPCSIT 34卷(2012)
m . Ganesh诉Palanisamy”,修改后的自适应模糊C聚类算法则对大脑图像分割先生”,国际工程研究与技术杂志》上(IJERT), ISSN: 2278 - 0181,卷1期8、10 - 2012。
Gopal, N。m ., Karnan¢诊断脑肿瘤通过核磁共振成像使用图像处理聚类算法如模糊C意味着随着智能优化技术¢,页面(s): 1 - 4,计算智能和计算研究(ICCIC), 2010年IEEE国际会议,2010年12月28 - 29日。
李刚,¢改进分水岭分割和基于有序抖动半调最优规模和互信息,页面(s) 296 - 300,计算机科学和信息技术(ICCSIT), 2010第三IEEE国际会议,2010年7月9 - 11。
f·梅,y, h·钟和w·苏。“快速、健壮的椭圆提取一个分层的方式,”模式识别、41卷,2008年8月8号,pp.2512 - 2524。
T。Logeswari和M。Karnan”增强脑部肿瘤检测的实现使用分割基于软计算”,国际计算机理论与工程学报,2卷,第四,2010年8月。
T。Logeswari和M。Karnan”增强脑部肿瘤检测的实现使用分割基于软计算”,国际计算机理论与工程学报,2卷,第四,2010年8月。
维达Harati,拉苏尔Khayati,阿布的大学生,基于一个完全自动化的肿瘤分割模糊连通性BrainMR图像算法”,爱思唯尔有限公司7卷,pag: 483 - 92年,2011年5月。