结合mri多模态信息与svm参数优化的脑肿瘤分割研究

《结合mri多模态信息与svm参数优化的脑肿瘤分割研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、南方医科大学2011级硕士学位论文结合MRI多模态信息与SVM参数优化的脑肿瘤分割研究TheresearchofbraintumorsegmentationbasedonMRImulti_modalitvimagesandoDtimizedparametersofSVMmUIti_modali“lmageSand0DtlmlZedparameterS0I3VⅣl课题来源：国家自然科学青年基金项目(81o0642)国家自然科学基金项目(6127155)学位申请人导师姓名专业名称培养类型培养层次所在学院僖辛评委芄食主席譬缸军委致会武员、诡丈砰l目人王

2、晓春杨丰丧诲生物医学工程学术型硕士生物医学工程学院7马固灿教授蓣厌华叙授最低新再J叔设涩天文教授纭龌教授了马园灿敌授袭昃年老叉：{煲2014年5月16日广州硕士学位论文结合M砒多模态信息与SVM参数优化的脑肿瘤分割研究硕士研究生：王晓春指导老师：杨丰黄靖摘要脑肿瘤是指生长在颅腔内的癌性物质，包括由脑、脑膜、血管、神经及脑附件等脑实质发生病变引起的原发性肿瘤，和由身体其他部位转移侵入颅内的继发性肿瘤，在人群中发病率很高，可发生于任何年龄，以20～50岁最为多见。而且不论其性质是良性还是恶性，一旦在颅内占据一定空间，势必压迫脑组织，造成颅内压升高、中

3、枢神经损害，危及患者的生命。近年来随着加剧的环境污染、过重的生活压力等因素的影响，脑肿瘤的发病率呈上升趋势，最新的肿瘤流行病学调查研究结果表明，脑肿瘤发病率占全身肿瘤发病率的1．4％，而死亡比例超过2．4％，仍然是一类发病率、死亡率较高的肿瘤性疾病，成为威胁人类生命的重要疾病之一。胶质瘤是最常见的原发性恶性脑肿瘤，居中枢神经系统肿瘤首位。胶质瘤多呈浸润地弥漫性生长，形状多变且与周围组织边界模糊，需要在全面的神经系统检查的基础上，采用适当的成像方式辅助检查，使医生能够准确地诊断并有效地分割肿瘤。脑肿瘤起病缓慢，逐渐进展，病程长短不一，一般表现为由颅

4、内高压引起的头痛、呕吐、视神经乳头水肿等症状。不同的肿瘤发病部位，还可以表现为局灶性症状和体征如偏瘫、失语、精神及意识障碍等麻痹性症状以及癫痫、肌肉抽搐等刺激性症状。临床医生依靠病史和可靠的查体，在神经解剖、生理和各种疾病发展规律的诊断学基础上，进行综合、客观地分析，并进一步选择辅助检查工具，全面分析研究肿瘤的部位、大小、性质、血供及对周围组织的累摘要及程度，对肿瘤做出较为精确的定位与定性鉴别诊断。脑肿瘤的治疗原则上是以手术治疗为主，辅助以放、化疗、生物治疗等方式。手术治疗的前提就是需要合理有效的手段检测和监测脑肿瘤，尽可能地切除肿瘤，由于恶性肿

5、瘤浸润性生长，与周围组织边界模糊，不同医生对同一病人的肿瘤图像，或者同一个医生不同时期对同一病人的肿瘤图像分割结果存在差异，因而利用计算机图像处理技术有效地识别分割肿瘤，是临床应用发展的必然趋势。临床上常用于脑部辅助影像检查的技术包括计算机断层扫描(Computedtomography，CT)和磁共振成像(MagneticResonanceImaging，MRJ)等。这些影像技术的发展及广泛应用，大大增加了脑肿瘤的检出率，给医生和患者带来很大的帮助。影像学设备为计算机处理提供多类图像，磁共振成像(magneticresonanceimaging，

6、MRI)是一种重要的解剖性影像诊断技术，MRI图像对软组织有极好的分辨力。它作为一种无损伤、无辐射、多参数的成像方式，对组织的形态及病理改变的显示有较高的敏感性，目前已经成为诊断脑部肿瘤的重要工具。不同模态MRI图像侧重表现图像不同的差异信息，比如，FLA瓜模态中肿瘤与正常组织灰度差异明显，T1C边界纹理特征区别明显。单一模态mI图像难以充分提供病变组织的可辨识信息，同时，脑胶质瘤形状多变且与周围水肿区域边界模糊，准确分割图像中的肿瘤十分困难。临床上一般由有经验的医生结合多模态(Multi—modality)MRj图像，利用计算机辅助软件，手动一

7、层一层地勾画肿瘤区域，主观性很强，可重复操作性差。因而利用机器有效地分割肿瘤是临床应用发展的必然趋势。目前常见的肿瘤分割方法主要有基于图像灰度信息的模糊聚类(FCM)方法、水平集方法、神经网络方法、AdaBoost迭代方法、以及支持向量机(supportVectorMachine，SV】Ⅵ)方法等。FCM方法实现简单，运算速度快，但是由于医学图像信息复杂，边缘不清晰，因此，种子点的选取对聚类结果影响很大，并且FCM方法难以利用图像的空域信息。对于水平集方法，其最大优点在于曲线的拓扑Ⅱ硕士学位论文变化处理自然，稳定性强，但是曲线初始化要求高，参数选

8、择敏感，分割结果容易陷入局部极值。神经网络方法学习能力强，但神经网络方法对训练样本要求较高，容易出现过拟合及局部最优的问题，使得其泛化性