原文

数量:12 (12)

• 查看PDF
• 下载

地区不断增长的新生儿脑核磁共振图像分割

*通信:

Udayakumar E、ECE部门KIT-Kalaignar-Karunanidhi理工学院,哥印拜陀,Tamilnadu,印度,电话:+ 91 422 2367890;电子邮件:udayakumar.sujith@gmail.com

文摘

磁共振成像(MRI)越来越多地用于评估在婴儿大脑发育和发展。这些研究都是基于定量分析的解剖大脑核磁共振图像的分割。然而,大的变化与发展相关的大脑的形状和外观,较低的信噪比和部分体积效应在新生儿大脑目前挑战新生MRI数据的准确分割。该系统提供了一个框架基于准确的强度使用区域生长算法分割新生儿的大脑。

关键字

核磁共振;区域发展;k - means聚类;新生儿的大脑;图像分割

介绍

进入大脑的生长和发育新生儿大脑的磁共振(MR)分割图像(1使用)。手动分割的分段方法是对图像分割的方法之一。这种方法产生不准确的结果。大脑需要一个精确的技术包裹晚到多个地区。在医学成像、图像捕获。这种方法不仅繁琐耗时和昂贵的过程也会产生不准确的结果。此外,手动标签国米和intra-observer可变性。这些限制的手工方法现在和千差万别的大脑形状(2)和外观的大脑快速发展在这一时期。此外,部分体积效应目前由于反向信号强度在白质(WM)为组织提供了一个障碍的分类。

Contrast-to-Noise比率(CNR)先生的图片也低低信号噪声定量,因为新生儿大脑的体积小。主要障碍组织分类部分容积效应是由于反向白质的信号。根据组织类型包括白质、灰质。Cerebro-Spinal液体(CSF)在MRI分割问题。摘要自动大脑肿瘤分割提取肿瘤组织先生的图片。相比成人大脑分割,分割的新出生的脑成像数据先生是具有挑战性的方法。它有较低的中国北车和信噪比由于新生儿大脑的体积小。部分体积(PV)灰质(GM)和CSF导致强度类似WM新出生的大脑。这种光伏效应导致压贴错标签的WM CGM-CSF接口。

大约75%的人收到的信息以图形化形式。一个图像数字化,将它转换为一个可以存储在计算机的形式内存或某种形式的硬盘或光盘等存储介质。这个数字化过程可以通过一个扫描仪,9或摄像机抓帧器板连接到一台电脑。一旦图像数字化,可以经营各种图像处理操作。图像处理操作可以大致分为三大类:图像压缩、图像增强和恢复,测量提取。它包括减少的数量内存需要存储数字图像。

图像分割和方法论

图像分割是面向决策的正确分类图像像素的应用程序。这是一个过程,图像分割成不同区域。这些地区在本质上是均匀的。细分的程度取决于要解决的问题和利益分割对象后就会停止应用程序中被孤立。图像分割算法一般是基于两个基本属性强度值的不连续性和相似性。不连续的方法进行分割(3基于强度的变化。相似度是一个图像分区的区域类似于一组预定义的标准。这种技术的各种应用程序包括计算机视觉、遥感、图像分析、地理信息系统和医学图像领域的过程。医学图像分割是一个任务的识别和定位肿瘤,诊断和计算机指导手术。

大脑图像由四个区域灰质(GM)、白质(WM)脑脊液(CSF)和背景。为了避免误分类的可能性,外椭圆形状的对象应该被删除。通过删除这个对象我们将摆脱non-brain [4)组织和将只剩下软组织。作为组织的大脑结构是由边界类,因此准确分割的大脑组织定量研究是一个重要的一步。回顾两种不同的分割技术,如k - means聚类算法和区域增长算法。

k - means聚类算法

这是一个学习算法,可以解决聚类问题。通过一定数量的集群的一组数据是非常简单的。k - means聚类图像所示的流程图图1。k - means“k”中心,它可以被定义,每个集群。这些集群必须放置。后“K”新的质心之间的绑定完成相同的数据集点和最近的新中心。生成一个循环,这个循环的结果,“K”中心逐步改变自己的位置,直到中心,不移动了。输入图像和k - means聚类图像所示图2和图3。分段白质和灰质分段所示图4和图5。最后,该算法针对一个目标函数称为平方误差函数最小化。

k - means聚类算法的步骤:让x = {x₁,x₂,x₃…以下方式_n}是一组数据点和v = {v₁,v₂,v₃….v_n}是中心的设置。

步骤1:随机选择“C”集群中心。

步骤2:计算每个数据点之间的距离和集群中心。

步骤3:将数据点分配给集群中心的集群中心距离最小的所有集群中心。

步骤4:重新计算新的聚类中心。

步骤5:重新计算每个数据点之间的距离和新获得的聚类中心。

步骤6:如果没有数据点辞职然后停止,否则重复步骤3。

区域生长算法

该算法是一种经典的方法用于医学图像分割。这个想法一开始设定种子点区域内的像素点的分割,该地区被分割5手动选择),手动选择。近有相似的灰度值的像素,这种方法主要是用来利用这个重要的因素。这个邻居像素的种子被添加到区域建立同质性标准从而导致连接地区在该地区日益增长的阶段。

这种技术来定位输入图像数据集的区域的连接像素基于标准测试本地组像素的属性。可以选择像素的统计性质的社区和种子点的距离。这之后的下一个4或8邻居像素访问检查它是否属于同一地区。所示区域增长算法的流程图图6。这种不断的结果通过访问4或8邻居像素。继续,直到被标准的终止或终止所有的像素图像进行测试。这个结果在一组相连的像素在该地区感兴趣的搬迁。

它是一个迭代的方法。对于一个给定的k的目标能源函数的优化过程寻找每个迭代的局部最小值。这样的优化过程中,考虑一个层次聚类过程。类的真正没有得到降低,在分割配置与许多类过程开始时犹豫不决。输入图像预处理和图像所示图7和图8的能源的配置是通过合并两类相比,该地区合并和计算在每一对类的考试。它是合理的合并时,却降低了。

灰度均匀性,时刻与相关函数的特性和结构特性的三种类型的一致性规则用于区域生长算法。之间的区别一个初始区域的平均灰度和灰度的参考像素灰度均匀性的强调,而不是引用的灰度像素的平均灰度小社区中使用该地区日益增长的过程来克服噪声的影响。重点是时间相关函数的局部统计特性。灰度均匀性的方法有相同的成长过程。

参考像素的统计特征确定从窗口居中。窗口用于计算平均灰度小于这个窗口。没有迭代法更新地区时刻和相关比率增长。新时刻和相关比率计算,直到种植区域足够大,以确保准确性。分段白质和灰质分段。所示图9和图10。均匀的地区拥有相同的静力学可能不同,因为这一致性并不是取决于平均灰度。相同的程序所需的统计特性是纹理特征一致性。更复杂的纹理技术分割方法。边缘信息成为重要的模糊区域。分段肿瘤所示图11。提高精度边缘检测作为边界是相关的人类视觉系统,它是通过区域增长。

一个迭代过程是区域生长算法的概念,简单region-base图像分割方法,6)检查马嘶巡回像素的初始种子点,然后确定这些马嘶巡回像素被添加到种子点。

为区域生长算法步骤

步骤1:让{C₁C₂C,…_n}是集群的n集群没有种子点{P₁P₂每分钟,…_n}是初始种子点的位置。

步骤2:像素差值的初始种子点π及其邻近点在Ci分类,i = 1, 2,…n

步骤3:重新计算置信区间的边界,这些边界点作为新的种子点π(s)。除了计算各自的平均像素值的置信区间。

步骤4:重复步骤2和步骤3,直到图像中所有的像素都被分配到一个合适的集群。

压片不同的阈值手术后肿瘤分割出图像半自动(地7,8]。

平均每个案例为每个方法表明,种子区域生长压片之间更好的分割(5)方法。基于种子值,受感染地区的所有分割,因为它的性质分组像素区域。

实验结果

在协助治疗计划的计算肿瘤区域起着至关重要的作用。虽然计算机辅助技术是复杂的,需要巨大的努力实现但不乏味,费力、耗时的手工方法(9,10]。

以下表1讨论了统计参数的计算使用k - means聚类分割图像。

表1:性能测量使用k - means聚类算法进行图像分割。

分割图像中列出的性能测量表2使用区域生长算法。通过分析表1和2的结果是通过k - means算法和结果区获得的区域增长算法只是肿瘤受影响的区域(11- - - - - -14]。

表2:性能测量使用区域生长算法分割图像。

结论

领域的最新研究领域的图像处理过去十年是图像分割。虽然大脑MRI分割方法是一个艰巨的任务,需要提高分割的精度和准确性。让改善大脑分割方法应该引入新方法,结合对未来的不同的方法。使用第一阶段最重要的是大脑分割工具,用于检测和分析解剖偏差,因为今天的研究在生物世界增加新的知识不同疾病之间的关系。今天的活动非常感兴趣的研究领域是在大脑肿瘤分割方法。摘要生物医学图像分割使用两种不同的方法。比较研究不同的方法用于医学图像分割有更好的准确度和精密度结果讨论和证明该地区日益增长的技术给比k - means聚类技术更好的精度。

引用

1. Udayakumar E, RoopaSree,斯里赫里K, et al . Certaininvestigation使用核磁共振脑图像分割的病态。中东科研杂志。2015;6:1076 - 84。
2. Makropoulos, Gousias Ledig C, et al。自动全脑MRI分割发展中新生儿的大脑。IEEE医疗成像。2014;33(9):1818 - 31所示。
3. 卡多佐MJ,墨尔本,肯德尔GS,等。自适应新生儿大脑分割。Proc MICCAI。2011;14:378 - 86。
4. Prastawa M, Gilmore JH,林W, et al .先生的自动分割图像的发展中新生儿大脑。医学图像肛门。2005;99 (5):457 - 66。
5. 歌Z, Awate SP,轻的DJ, et al .临床新生儿大脑MRI分割使用自适应非参数数据模型和灰度马尔可夫先知先觉。Proc MICCAI。2007;10:883 - 90。
6. 雪H, Srinivasan L,江年代,et al。自动分割和重建新生儿核磁共振成像的大脑皮层。科学杂志。2007;38:461 - 77。
7. 卡多佐MJ,墨尔本,肯德尔GS, et al。适应:一种适应性早产新生儿脑MRI分割算法。科学杂志。2012;65:97 - 108。
8. Rueckert D, Gousias Heckemann RA, et al .,大脑核磁共振成像的自动分割成2岁的83个地区的利益。神经图像。2008;(2):672 - 84。
9. Gui L, Lisowski R, Faundez T, et al。Morphology-driven新生儿大脑的自动分割的图像。医学图像肛门。2012;16 (8):1565 - 79。
10. Weisenfeld倪,战争?古人SK。新出生的大脑核磁共振的自动分割。科学杂志。2009;47:564 - 72。
11. Gousias,爱德华兹广告,卢瑟福马,等。新出生的大脑的磁共振成像:手动分割标记地图册的术语和早产儿出生的。科学杂志。2012;62:1499 - 1509。
12. Gousias,锤子,Counsell SJ, et al。新生儿大脑的磁共振成像:自动分割成50解剖区域的大脑图像。PLoS ONE。2013;8:e59990。
13. 塔年代,Ong SH,庄年代,et al。水平集分割braintumors使用一个基于阈值的速度函数。爱思唯尔形象和视觉计算的杂志。2010;28:26-7。
14. xie K, Yanga J, Zhanga ZG, et al .半自动的大脑肿瘤和水肿使用MRI分割。欧洲放射学杂志。2005;56:12-19。