基于超像素的多模态MRI脑胶质瘤分割.pdf

《基于超像素的多模态MRI脑胶质瘤分割.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2014年6月西北工业大学学报June2014第32卷第3期JournalofNorthwesternPolytechnicalUniversityVol_32No．3基于超像素的多模态MRI脑胶质瘤分割苏坡，杨建华，薛忠(1．西北工业大学自动化学院，陕西西安710129；2．HoustonMethodist研究所，美国休斯顿77030)摘要：为了提高脑胶质瘤分割的精度和鲁棒性，提出了一种基于超像素的多模态MRI脑胶质瘤分割算法。首先，通过使用带加权距离的局部k．均值聚类算法，把多模态MRI过分割

2、成一系列均匀、紧凑、并精确吻合图像边界的超像素(superpixe1)。然后应用基于序贯概率比假设检验的动态区域合并算法对产生的超像素逐步合并，形成几十个具有统计意义的区域。最后对这些区域进行后处理以得到GBM各个组织的分割结果。应用该算法对15个GBM病人的多模态MRI数据进行了分割实验，结果表明，相对于基于FCM算法和归一化割(Ncut)算法，文中提出的分割算法更加精确。关键词：脑胶质瘤，图像分割，超像素，多模态核磁共振图像，区域合并，序贯概率比检验中图分类号：TP399文献标志码：A文章编号

3、：1000—2758(2014)03-0417—06脑胶质瘤(glioblastomamuhiforme，GBM)是脑像素点分类到相应的类别中。分类的算法包括无监肿瘤中最常见的、死亡率最高的一种恶性肿瘤。统督的聚类和有监督的学习。例如，Clark等提出了计表明，40％的脑肿瘤患者为脑胶质瘤。脑胶质瘤一种基于FCM(fuzzyC—meansalgorithm)的模糊均值患者术后存活时间的中位数仅为8个月，而5年以聚类的算法。该算法以多模态图像的灰度作为特征上的存活率几乎为零¨J。GBM在多模态MRI

4、图像向量，首先利用FCM对所有体素点进行聚类得到初中呈现出一片异质的肿瘤区域。这片区域通常包括始的分类，然后根据对称性，灰度分布等先验知识对3个部分：坏死肿瘤(necrosis)、活动肿瘤(enhanced初始分类进行优化，得到最终的分割结果。由于tumor)以及肿瘤挤压周围正常脑组织所形成的水肿FCM聚类时，没有考虑空间邻域信息，并且GBM组(edema)。由于GBM肿瘤在组织形态上的复杂性织的灰度分布会产生重叠，因此容易产生误分割。与特殊性，单模态MRI无法清晰地反映GBM的不基于图形分割的算

5、法4。现在也非常流行。这同组织结构。相比之下，多模态MRI图像中含有丰类算法用图的顶点来描述图像的像素，用图的边描富的组织结构信息，被广泛用于GBM的诊断和治述2个像素的相似性，由此形成一个网络图，然后通疗。本文的多模态MRI主要包括T2(T2加权成过解决能量最小化问题把图分割成子网络图，使不像)、T1PRE(T1加权成像)、T1POST(T1增强成像)同子网络图之间的差异和同一子网络图内部的相似和FLAIR(液体衰减反转成像)。在不同的模态下，性达到最大。这类算法通常需要解决一个求解广义GBM组

6、织图像呈现出不同的特征：活动肿瘤在特征向量问题，当图像比较大时，这类算法会遭遇计T1POST呈现高信号，坏死部分在T1POST呈现低信算复杂度大的问题。除了以上2类算法，基于Level号，而水肿部分在T2和FLAIR呈现高信号。GBMset的分割算法也广泛应用于GBM分割，但是由的分割是指根据这些特征，把GBM组织从正常的脑于GBM组织灰度不均匀，并且GBM组织之间经常组织中标记或分割出来。没有明显的边界，采用这类算法容易出现边缘泄露文献中，基于像素或者体素的分割算法广泛应的问题。用于GBM的分割

7、。这类算法的基本思想是根据每最近，超像素或超体素(supervoxe1)[6-7]引起了个像素在多模态图像上亮度信息、纹理信息等把该很大的关注，基于超像素和超体素的分割算法也成收稿日期：2013．10．10基金项目：美国国立卫生研究院(NIH)基金(5G08LM893)资助作者简介：苏坡(1985一)，北工业大学博士研究生，主要从事医学图像处理及模式识别研究。·420·西北工业大学学报第32卷部分区域合并算法均存在容易产生过合并，欠合并推断问题定义的断言是隐状态，不能直接观测，但它或者两者混合的情

8、况。针对现有区域合并算法的不在统计上与可以直接观’?贝4到的信息相关，这里足，Peng等¨提出了一种动态区域合并算法并证为多维随机变量代表超像素中的像素在各个模态图明了该算法产生的区域合并结果能保持一定的全局像的亮度。定义序贯似然比和序贯似然比累加和分属性。该算法把区域合并看做是一个由相似性度量别为：和一致性度量2个部分组成的推断问题。相似性度6=·n量解决寻找候选合并区域的问题，一致性度量则决；等=，2，⋯，n定是否对这些候选区域进行合并。在一致性度量部=(8)分，Peng引入序