《基于空间特征联合核稀疏表示的脑肿瘤提取方法-刘定一.pdf》由会员分享，可在线阅读，更多相关《基于空间特征联合核稀疏表示的脑肿瘤提取方法-刘定一.pdf（6页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、第38卷第4期V0138 No4doi：103969jissn16717775201704013基于空间特征联合核稀疏表示的脑肿瘤提取方法刘定一1，刘亚军2，詹天明3(1三江学院计算机科学与T程学院，江苏南京210012；2东南大学计算机科学与工程学院，江苏南京210000；3江苏大学计算机科学与通信工程学院，江苏镇江212013)摘要：为了提高融合多序列MR图像应用于脑肿瘤提取时分割区域的准确性，基于核稀疏表示分类方法，联合多序列MR图像中的空间结构和灰度特征信息，提出一种空间特征联合的脑肿瘤核稀疏表示分类方法首先构建各个类别的子字典，再用邻域滤波核稀疏表示方法对多序列脑MR图像进行分类，该
2、邻域滤波核可以有效地将灰度特征与空间结构结合起来提高脑肿瘤提取的准确性对国际数据库MICCAI BraTS提供的临床和仿真数据进行分割结果表明：与稀疏表示分类方法相比，所提出的基于空间特征联合核稀疏表示的脑肿瘤提取方法由于增加了空间结构信息，所得的提取准确率提高了56关键词：脑肿瘤提取；多序列核磁共振图像；核稀疏表示；邻域核；空间特征联合中图分类号：TP3914 文献标志码：A 文章编号：167l一7775(2017)04044906引文格式：刘定一，刘亚军，詹天明基于空间特征联合核稀疏表示的脑肿瘤提取方法J江苏大学学报(自然科学版)，2017，38(4)：449454Brain tumor
3、extraction based on spatialfeaturecombining kernel sparse representationLIU Dingyil，LIU rajun2，ZHAN Tianmin93(1College of Computer Science and Engineering，Sanjiang University，Naniing，Jiangsu 210012，China；2School of Computer Scienceand Engineering，Southeast University，Naniing，Jiangsu 210000，China；3Sc
4、hool of Computer Science and Communication Engineering，Jiangsu University，Zhenjiang，Jiangsu 212013，China)Abstract：To improve the brain tumor extraction accuracy by muhisequenee MR image，the spatialfeature combining kernel sparse representation(KSR)was proposed to connect spatial structureinformation
5、 and intensity feature information for brain tumor extractionThe sub-dictionary of each labelwas built，and the neighboring filtering kernel based on KSR was applied to extract brain tumor fromMSMR imagesThe spatial information and the intensity feature information were combined in theproposed method
6、 to improve the accuracy of brain tumor extractionThe clinical and simulation data fromMICCAI BraTS dataset were divided by the proposed methodThe results show that compared with sparserepresentation method，the proposed brain tumor extraction method based on spatialfeature kernel sparserepresentatio
7、n can increase the brain tumor extraction accuracy by 5一6due to the introducing ofspatial structure information收稿日期：20160807基金项目：国家自然科学基金青年科学基金资助项目(61502206)；江苏省自然科学基金青年基金资助项目(BK20150523)；江苏省博士后基金资助面上项目(1402094C)；江苏大学科研启动基金资助项目(14JDG041)作者简介：刘定一(1983一)，男，江苏靖江人，实验师(sjldyldy163corn)，主要从事计算机图像分析与高性能计算研
8、究刘亚军(1953一)，女，江苏南京人，教授(zgzswansinacom)，主要从事计算机高性能计算与大数据分析研究万方数据450Key words：brain tumor extraction；multi-sequence magnetic resonance image；kernel sparse representa-tion；neighboring filtering kernel；spatialfeature combining颅内肿瘤又称“脑瘤”，是神经外科最常见的疾病在临床检查中，医学成像方式已成为脑肿瘤主要诊断方式目前用于脑肿瘤检查和诊断的成像方式主要有核磁共振成像(MRI)
9、、CT成像、PET成像以及SPECT成像等方式每一种成像方式都有它特殊的成像机理，并在脑肿瘤检查和诊断中发挥各自的作用目前临床上常用于脑肿瘤检查和诊断的成像方式是核磁共振成像该成像方式对人体没有电离辐射损伤，且对软组织有较好的分辨率，因此非常适合用于人脑成像随着核磁共振成像的发展，研究发现可通过调节参数绘制人脑内部各种不同类型的影像不同参数所成的像对应不同的序列，这些不同序列图像常常被结合起来组成多序列图像，并用于脑部病变区域的分割和提取旧o目前常用于脑肿瘤检查和诊断的图像序列有Tl权重图像(T1序列)、他权重图像(眨序列)、T1增强序列图像(T1 c序列)和液体衰减反转恢复序列图像(FLAI
10、R序列)图1显示了这4个序列图像图1 多序列脑核磁共振图像从图1可见，脑肿瘤和脑组织在不同序列图像中所呈现的状态是不一样的在Tl序列中，肿瘤区域与组织区域的区分度不是很清晰，但脑组织间的区分度较高在他序列中，肿瘤区域与脑脊液区域的灰度值较近，在图像中呈高亮度特点在T1C序列中，肿瘤区域中的活跃部分呈高亮度信号，而被活跃部分包围的坏死部分呈现低亮度信号，肿瘤周边的水肿区域的灰度与组织中的灰质的灰度比较接近而在FLAIR序列中，肿瘤及其水肿区域则整体呈现高亮度信号由于每个序列图像在肿瘤区域所呈现出的状态不一致且很难在某一个序列图像中将肿瘤区域与其他区域进行区分，因此联合多序列图像对脑肿瘤进行提取是
11、现在临床研究的热点旧。4 J目前，很多机器学习的方法怕。81被广泛应用于多序列核磁共振图像的脑肿瘤提取中这些方法通过对手动标记的样本进行训练得到模型参数，再用分类模型对剩下的样本进行测试，从而得到每个样本所属的类别由于有人工标记的样本指导，最终的脑肿瘤提取结果比较符合预期但是传统的机器学习方法在应用到脑肿瘤提取时需要对肿瘤中的坏死区域和活跃区域、水肿区域以及三类脑组织分别选择各自的训练样本而测试样本的分类结果是属于各个子类，因此要实现肿瘤区域提取则需要将肿瘤中的坏死区域和活跃区域相加虽然该方法能得到脑肿瘤的提取结果，但并不符合临床需求为在临床上直接满足肿瘤整体提取的需求，稀疏表示分类方法已经被
12、成功应用到这一任务中【9j该方法首先用各个类别中选取的训练样本构建包含肿瘤区域、水肿区域以及脑组织区域的字典测试样本可以用字典中所有原子的线性组合表示，且其系数向量需满足稀疏性约束通过求解模型，计算出测试样本在各个子字典上的表示残差即可实现分类的目的该方法的主要问题是只对单一的样本进行分类，未考虑图像中的空间结构信息而对医学图像而言，空间结构信息对目标提取的准确性非常重要文中拟提出一种空间特征联合的脑肿瘤核稀疏表示分类方法首先将肿瘤区域、水肿以及脑组织中的训练样本所在的图像块拉成向量建立具有鉴别性的字典，再用邻域滤波核稀疏表示方法对多序列脑MR图像进行分类，该邻域滤波核可以有效地将灰度特征与空
13、间结构结合起来，以提高脑肿瘤提取的准确性1稀疏表示分类器与核稀疏表示分类器设由训练样本构建的字典为D=D。，D：，万方数据451D。，其中k表示类别个数，Di表示第i个类别的子字典：Di=d订，d也，d沁，ni是该子字典中训练样本的个数给定测试样本Y，其可以由字典中所有原子的稀疏线性组合表示，即Y=d Jld】+d12d J2+dl。Idl目I+d埘dl+d控dt2+ahdl。， (1)可写为Y=Da， (2)式中d为稀疏表示系数向量，其值可通过求解最小化问题得到，即1 rain0 Y一四Id 0；+A|d 0 l， (3)厶式中A为调节口稀疏度的参数Y的类别可通过与它在每个子字典上线性组合的
14、残差求得，即L(y)=argmin IIyDi口i l|： (4)当数据集不是线性可分时，稀疏表示分类器的分类效果将会显著下降对于线性不可分的情况，一般使用核方法将数据投影到高维特征空间，使得数据在高维特征空间内线性可分基于这一思想，LIUJJ等叫提出核稀疏表示分类方法设妒是特征映射函数，将测试样本和字典都映射到高维特征空间：Y_p(Y)和D=D，D：，仇-圣(D)=p(D。)，p(D：)，妒(D。)，与式(3)类似，核稀疏表示分类方法需求解最小化问题，即1min0垆(y)一咖(D)口0；+A l|口|I 1， (5)a f-,而Y的分类结果可由下式决定，即L(y)=arsmin 0 p(y)
15、一面(Di)口i II 2 (6)由于p是隐式函数，在实际应用中常用核函数的方式来表示高维特征的内积形式，即K(yi，Yj)=(p(yi)，Iio(yj) (7)通过式(7)的转化，核稀疏表示的分类方法可以直接使用核方程无需再考虑如何表示特征映射方程p将式(7)带入到(5)中，最小化问题可以表示为1 一 一rain_j倥1Qh一口p+A|口|l 1+c， (8)口二式中：C=(12)K(y，Y)为常数；Q为矩阵，且Q“=K(di，d山p为向量，且Pi=K(di，Y)同理，分类准则可表示为L(y)=a唱minn乎啦i一2dTip (9)2空间特征联合的脑肿瘤提取方法设多序列脑图像I=JTl，产，
16、K，m1R，首先将训练样本在各个序列图像中的邻域提取出来，再将每个序列的邻域块转为向量形式，再将4个序列的向量相结合得到训练样本在多序列图像中的特征，即v(x)=VTI(X)，l，12(X)，眦(X)，l，FLAIR(X)，(10)式中l，11(X)，l，12(X)，l，11c(X)，VFLAIR(工)分别为训练样本z在不同序列图像中的邻域块组成的向量按照该方法将所有的训练样本都转变为特征向量形式，通过合并可以组成用于测试样本表示的字典在得到该字典后，可以核稀疏表示分类方法对测试样本进行分类传统的核稀疏表示分类方法大都采用高斯核函数，该核函数可以度量数据间的相似性，但无法体现图像的空间结构信息
17、但在脑肿瘤提取的问题中，像素在空间中的分布是具有一定的相关性的在众多核函数中，邻域滤波核n叫的特点是在特征空间中计算相邻像素的空间相似性，因此非常适合脑肿瘤的提取设n是图像的一个块，其大小为，该图像块中的像素表示为z“，m=1，2，3邻域滤波可表示为1 一州如”)_寺互矿如)(11)式中W”=exp(一y。|I XX“旺)，其核函数表示为(v(x。)，(z，)=0是参数口“和U“的解为r口”1=(Q+)一(P+x(g+d)，泌+1)：s妒(口(I+1)一d(f)，尘)， (15)o 肛其中s斫(，r)是软阈值方程，即)，卜s咖(Y)maxIYl一丁，0基于核稀疏表示分类的脑肿瘤提取算法步骤如下
18、：根据训练样本及其在多序列脑图像中的小邻域构建字典；提取测试样本在多序列脑图像中的特征向量；选取邻域滤波核；计算矩阵Q和向量p；迭代计算“和U“+1直到收敛；由式(9)计算测试样本的特征向量在不同子类中的表示残差；根据残差最小原则对测试样本进行分类3试验结果与分析2013年国际会议MICCAI发起的挑战之一脑肿瘤分割中的数据被用于验证文中方法的有效性文中测试了其中10组数据，其中5组是临床数据，5组仿真数据每个数据都包含Tl，T2，TlC，FLAIR这图2 稀疏表示分类方法和核稀疏表示分类方法的肿瘤提取结果对比图2a，2c分别显示了一组临床数据和仿真数据的某一帧图像，从左到右则分别为T1，T2
19、，T1C，FLAIR序列图像从图中可见肿瘤区域、水肿区域以及脑组织在这4种不同序列图像中的灰度特征是不同的图2b，2d为图2a，2c对应的脑肿瘤提取结果，从左到右分别为稀疏表示分类方法、文中方法的提取结果、数据库中给出的手动提取结果以及文中方法与手动提取结果的差异图像从对应的脑肿瘤提取结果中可见文中方法所得结果优于稀疏表示分类方法的结果，主要原因是文中方法通过核方法有效地将空间结构信息引入到提取准则中，使得肿瘤和水肿的提取结果都呈块状结构，这体现了肿瘤在图像中所呈现的真实状态图3为文中方法在临床数据和仿真数据中不同帧的提取结果，以展示文中方法在三维数据中提取脑肿瘤的表现(f)文中方法对图(d)
20、的自动提取结果虱3 文中方法与手动提取结果对比万方数据453图3a，3d分别展示I临床数据和仿真数据的他序列图像，每行显示了对应图像的4个不同帧图3b，3e显示了数据库给出的脑肿瘤手动提取结果，图3c，3f则显示了文中方法所得的脑肿瘤区域的提取结果从图中可见文中方法所得的三维提取结果与手动提取结果非常接近，这表明文中方法可以有效地在多序列三维核磁共振数据中较准确地提取脑肿瘤为定量分析和比较，采用Jaccard指标J来衡量脑肿瘤的提取结果Jaccard指标越高表明提取结果越接近手动提取结果表1显示了稀疏表示分类方法(SRC)、传统核稀疏表示分类方法(KSRC)以及文中所提出的基于邻域滤波核表示分
21、类方法的Jaccard指标表1不同方法在临床数据和仿真数据中提取脑肿瘤的Jaccard指标由表1可见，3种方法在临床数据和仿真数据中的平均Jaccard指标为069，078，084以及084，087，092从结果可见由于通过核函数将数据中低维空间映射到高维空间，采用核稀疏表示分类方法的分割结果更好，而与传统的核稀疏表示分类方法相比，邻域滤波核稀疏表示方法因结合了图像的空间结构信息，因而其提取结果更加准确表2列出文中方法与几种经典的脑肿瘤提取方法在Dice指标(dice similarity coefficient，DDsc)，阳性预测值(positive predictive value，PP
22、Pv)和敏感度(JS卿)方面的对比结果这3个指标值越高说明提取结果越准确由表2可见，文中方法的提取结果的DSC值和PPV值在仿真数据和临床数据上都高于其他几个方法的指标，而敏感度值也接近最优值对比试验结果表明文中方法的脑肿瘤提取结果略优于已有的经典脑肿瘤提取方法表2文中方法与经典方法的比较结果4 结 论1)所提出的基于核稀疏表示分类的脑肿瘤提取方法不仅适用于多序列脑核磁共振图像的脑肿瘤提取，还适用于多模态脑图像的脑肿瘤提取2)文中通过应用邻域滤波核可以将当前样本与其邻域样本的相关性用于分类准则中，使得测试样本的分类结果不仅体现其特征信息同时也体现其空间结构信息3)临床数据和仿真数据的测试结果显
23、示采用核稀疏表示分类方法较稀疏表示分类方法提取准确率提高了56，但核稀疏表示分类方法的运行时间较长参考文献(References)1 GORDILLO N，MONTSENY E，SOBREVILLA PStateof the art survey on MRI brain tumor segmentationJMagnetic Resonance Imaging，2013，31(8)：142614382詹天明，詹永照，冯灿时间维信息的4D多发性硬化损伤区域分割方法J江苏大学学报(自然科学版)，2015，36(5)：566572ZHAN T M，ZHAN Y Z，FENG C4D MS lesi
24、on segmentation method based on temporal informationJJournal of Jiangsu University(Natural Science Edition)，2015，36(5)：566572(in Chinese)3 MAJUMDER P，KSHIRSAGAR V PBrain tumor segmentation and stage detection in brain MR images with3 D assessmentJInternational Journal of ComputerApplications，2013，84
25、(15)：16194TUSTISON N J，SHRINIDHI K L，WINTERMARK M，et a1Optimal symmetric muhimodal templates and concatenated random forests for supervised brain tumor segmentation(simplified)with ANTsRJNeuroinformatics，2015，13(2)：2092255JIANG J，WU Y，HUANG M Y，et a13D brain tumor万方数据454678segmentation in multimodal
26、 MR images based on lear-ning populationand patientspecific feature setsJComputerized Medical Imaging and Graphics，2013，37(78)：512521BAUER S，NOLTE L P，REYES M。Fully automaticsegmentation of brain tumor images using support vectormachine classification in combination with hierarchicalconditional rand
27、om field regularizationcProceedings of the 14th International Conference on MedicalImage Computing and Computer Assisted InterventionHeidelberg：Springer Verlag，2011：354361MEIER R，BAUER S，SLOTB00M J，et a1Patient-specific semi-supervised learning for postoperative braintumor segmentationJLecture Notes
28、 in Computer Sci-ence，2014，8673：714721ZHANG N，RUAN S，LEBONVALLET S，et a1Kernelfeature selection to fuse multispectral MRI images forbrain tumor segmentationJComputer Vision andImage Understanding，2011，115(2)：256269910ZHAN T M，GU S H，FENG C，et a1Brain tumor seg-mentation from muhispectral MRIs using
29、sparse representation classification and Markov random field regularizationJInternational Journal of Signal Processing，Image Processing and Pattern Recognition，2015，8(9)：229238LIU J J，WU Z B，WEI Z H，et a1Spatial-spectralkernel sparse representation for hyperspectral imageclassificationJIEEE Journal of Selected Topics inApplied Earth Observations and Remote Sensing，2013，6(6)：24622471ZHAN T M，ZHANG J，XIAO L，et a1An improvedvariational level set method for MR image segmentationand bias field correctionJMagnetic Resonance Ima-ging，2013，31(3)：439447(责任编辑梁家峰)万方数据