基于超像素谱聚类的MRI脑肿瘤分割方法及评估

沙特国王大学学报基于超像素谱聚类马鲁塔穆图·安古拉克什米、格纳纳潘迪坦·G.拉克什米·普里亚印度泰米尔纳德邦Vellore VIT大学阿提奇莱因福奥文章历史记录：2017年10月25日收到2017年12月29日修订2018年1月30日接受2018年2月1日在线发布保留字：脑肿瘤感兴趣区域分割超像素谱聚类MRIA B S T R A C T自动脑肿瘤分割方法在医学研究领域正变得具有挑战性，因为脑肿瘤具有不同的大小，形状和强度。在本文中，频谱聚类- ing用于分割脑肿瘤组织的磁共振图像（MRI），因为它创建高质量的集群。对于海量数据，谱聚类算法需要构造稠密的相似性矩阵。为了克服谱聚类的缺点，所提出的方法通过（i）使用基于超像素的谱聚类识别标记为感兴趣区域（ROI）的肿瘤区域来执行脑(ii)然后，通过在所获得的MRI的ROI上执行谱聚类来分割脑肿瘤组织。感兴趣区域的识别减轻了谱聚类的计算负担。使用谱聚类的ROI分割产生高质量的聚类结果，用于脑肿瘤分割。在BRATS 2012数据集上取出观察结果，并使用骰子评分、灵敏度和特异性指标进行评估。该方法优于其他聚类方法的竞争骰子得分值分割水肿和肿瘤核心（TC）区域。©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍脑肿瘤是脑中细胞的不受控制的生长（Gordillo等人，2013年）。死于脑瘤的人在过去的几十年里不断增加。肿瘤可以被分类为恶性或良性。没有癌细胞的囊肿被称为良性。它们可以完全删除，并且在删除后不会复制。良性肿瘤的侵袭性较小，不会侵入附近的组织。带有癌细胞的肿瘤被称为恶性肿瘤，它更具侵略性，并且随着头部压力的增加而迅速上升。它们侵入大脑和身体其他部位的附近组织，如脊髓。磁共振成像（MRI）技术以其高空间分辨率、软组织对比度和无创性等特点在医学领域得到了广泛的应用。*通讯作者。电 子 邮 件 地 址 ： angulakshmi. vit.ac.in （ A.Maruthamuthu ） ， lakshmipriya.gg@vit.ac.in（L.P. Gnanapandithan G.）.沙特国王大学负责同行审查MRI为脑肿瘤诊断和治疗计划提供了丰富的信息（Bauer等人，2013年）。由于脑肿瘤的形状、大小和强度各不相同，使得肿瘤分割过程更加繁琐。MRI的四个切片是T1、T2、T1对比度和FLAIR图像（如图1所示），用于提取脑肿瘤。通过T1加权成像和对比增强获得血液屏障破坏。在T1对比图像中，肿瘤核心（TC）的低信号部分可以观察到坏死区域。T2加权（T2）和液体衰减反转恢复（FLAIR）MRI用于发现肿瘤和水肿的延伸（Yuhong等人，2016年）。然而，MRI图像也受到强度不均匀性的影响（Xiaofei等人，2015年）和弱射频（GeethuMohan和MonicaSubashini，2018年）可能影响分割技术的准确性。脑肿瘤分割是识别受影响的肿瘤组织并通过破坏脑中识别的肿瘤组织来保护健康组织免受损害的过程。在临床实践中，识别肿瘤组织的这项工作是通过手动注释来执行的。由于手动过程自动分割是一个耗时的过程，近年来，自动分割的发展成为令人兴奋和重要的研究领域（Angulakshmi和Lakshmipriya，2017）。一般来说，自动脑肿瘤分割方法分为监督分割和无监督分割https://doi.org/10.1016/j.jksuci.2018.01.0091319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA. Maruthamuthu，L.P.格纳纳潘迪坦湾/沙特国王大学学报1183图1.一、a. FLAIR图像b.T1图像c。T1对比图像d。T2图像。技术（Gordillo等人， 2013年）。监督方法需要大量的数据集与有效的地面真相。然而，手动收集标记数据集是一项具有挑战性且耗时的任务。另一方面，无监督方法不依赖于任何训练数据集，并且可以应用于不同成像协议的数据集。我们已经研究了无监督聚类方法可以用来降低复杂性，提高执行速度，而不损失分割的准确性。由于谱聚类在其他聚类技术中获得了最优的全局解，因此我们将重点放在脑肿瘤分割的谱聚类上谱聚类使用数据的图拉普拉斯算子来执行数据的分组（聚类）拉普拉斯矩阵的特征向量和特征值提供了给定数据的连通分量的重要拉普拉斯矩阵的特征值集称为图的谱。因此，它获得了“谱聚类”的名称谱聚类的主要限制是用于特征分解的密集亲和矩阵构造（Donghui等人， 2009年）。本文提出了一种基于谱聚类的脑肿瘤ROI分割方法。为了从MRI图像分割肿瘤组织，执行超像素的谱分组以识别图像中的肿瘤区域（ROI）。通过估计图像的相等大小的块的集中趋势值（平均值或中值或模式值）来生成超像素。这些超像素在聚类任务中结合了局部邻域空间信息以增加抗噪性。将图像的大小按比例缩小到肿瘤区域，标记为用于分割的ROI。最后，利用谱聚类方法对感兴趣区域进行分割，以获得高质量的聚类精度，用于脑肿瘤组织的分割。图二.显示了拟议工作的流程图。论文的其余部分组织如下。相关工作在第2款.基本概念在第3节中概述。第4节介绍了所提出的方法。实验结果和讨论在第5节中进行，最后，结论在第6节中讨论。2. 相关作品由于本文的重点是无监督方法，因此在本节中讨论的相关无监督技术很少。用于执行脑肿瘤分割的非监督方法包括Graph Cut（Corso等人，2008年），模糊C均值（FCM）（标志例如，2009）、高斯混合模型（GMM）（Liang等人，2012）和K均值（Tuhin和Samir，2012）。 在论文中（Phillipset al.，1995年），作者最初使用的模糊技术的脑肿瘤分割。后来，它与基于知识的方法相结合，以获得更可靠的性能（Emblem et al.，2009年）。聚类方案利用像素来通过算法产生聚类。FCM方法同样与其他技术混合以提供更好的分割结果（Zexuan等人，2012; Yogita等人，2017; AnithaVishnuvarthanan等人， 2017年）。K均值聚类是另一种用于脑肿瘤分割的常用聚类技术（Tuhin和Samir，2012; Madhukumar和Santhiyakumari，2015）。K-means算法在聚类任务期间遭受初始种子点选择，因此是不确定的。GMM通常用于对无监督的脑肿瘤分割方法进行建模（Liang等人，2012;Menze等人，2015年）。GMM通过寻找高斯混合的最大似然参数来拟合输入信息。期望最大化（EM）被应用于解决GMM中的优化问题。本文图二. 拟议工作的流程图。1184A. Maruthamuthu，L.P.格纳纳潘迪坦湾/沙特国王大学学报XP公司简介2ð Þ2;a1/4fgSije-2r2 ;i（Juan-Albarracín等人，2016），GMM用于产生竞争性结果，具有用于脑组织分割的最先进的无监督算法。传统的无监督聚类算法将局部信息融入聚类任务中。每个像素的局部空间数据被认为涉及在其周围的指定窗口内的作为相邻像素的平均值或中值的值。2016），作者已经将传统的FCM、K均值和GMM作为非凸方法，因为它们产生最优局部解。最近，许多研究人员（Jeetashree等人，2016）已经将空间信息结合到传统的聚类算法中以提高图像分割的性能。在过去几年中，图切割也是用于图像分割的普遍使用的方法（Corso等人， 2008），因为它产生全局最优解。谱聚类是基于图切割的聚类方法之一（Jianbo和Jitendra，2000; Andrew等人，2001年）。该方法是成功的，因为它可以在多项式时间内产生一个近似的全局最优解谱聚类不对聚类的形状或数据点的密度分布做任何假设交织的螺旋也可以然而，基于图割的方法往往需要求解一个广义特征向量问题，并且当数据集很大时，可能会承受很大的计算量。为了克服谱聚类的缺点，Nystrom方法执行大亲和矩阵的低秩近似（Fowlkes等人，2004年）。该技术产生更好的分割精度。然而，由于数据集的庞大和非线性，分割结果的准确性受到影响正交特征向量在快速近似谱簇中3. 基本概念在本节中，详细描述了非局部均值（NLM）滤波器和谱聚类。3.1. 非局部均值滤波去噪方法处理从MRI图像中去除噪声。非局部均值（NLM）滤波技术由（Buades等人，2005），被发现在MRI图像中的噪声的高斯和莱斯分布下运行良好。不对用于过滤感兴趣像素的像素的位置进行假设。NLM滤波器利用了图像中高度冗余的优点。NLM过滤器的工作原理是通过使用相似性度量，用相邻像素值的加权平均值恢复给定图像中的所有像素。让像素的离散网格表示为G.对于给定的图像uui 在那里我G，恢复的重量使用图像u的所有像素的加权平均值来计算像素i的像素i。 它被表示为NLMu i，并使用方程计算。（一）NLMuiwi;juj1j¼GG表示像素的离散网格。符号uj是像素j处的原始强度。 其中w=i;j =i是在像素i处的强度恢复中分配给u j的权重。这取决于像素我和J.它也满足的条件0≤wi;j≤ 1和j 1权重定义如下：（二）、1.一、kuL i-uL jk2！-ing（Donghui等人， 2009）方法，在代表集上的聚类，在原始图像上执行代表点根据wi泽里实验2H2ð2Þ该方法在预处理阶段使用K-均值算法将像素聚类成k个组。只有质心考虑使用谱聚类进行进一步分割。然而，代表性数据点无法有效捕获几何结构。超像素最初由Xiaofeng和Jitendra提出，代表了一个连贯的局部区域，保留了图像挖掘所需的大部分特征。超像素的估计可以显著地减少图中的节点数量，并且在保持图像数据的同时加快图划分。超像素还结合了用于聚类的局部空间数据，以增加抗噪性。使用谱聚类也成功地进行了脑肿瘤分割（Yang和Grigsby，2010; Padole 和Chaudhari，2012）。在该论文中（Po等人，2013）已经使用K均值聚类生成超像素，然后通过谱聚类对超像素进行分割以用于脑肿瘤分割。受谱聚类和超像素在分割过程中的广泛应用的启发，我们提出了基于ROI的脑肿瘤分割的超像素谱聚类。本文的主要贡献概括如下提出了一种利用超像素将MRI脑肿瘤图像缩小到ROI（肿瘤区域）的新方法。感兴趣区域的提取减少了谱聚类的稠密相似性矩阵的形成。使用谱聚类的ROI分割发现像素之间的全局解剖关系，以开发用于脑肿瘤分割的高质量全局最优解所提出的方法也可用于索引大型脑肿瘤数据库索引还帮助医生检索大图像，用于诊断和治疗计划，其中Z是代表归一化因子，h代表滤波或平滑因子。令以像素i和像素j为中心的两个相似性块获胜，Li和Lj。项u∈Li∈表示块窗口Li中相邻图像强度平方邻域的向量。项uLj表示补丁窗口Lj中相邻图像强度平方邻域的向量。这种相似性借助于加权欧几里得距离的递减函数来评估，并表示为（k·k2），并在等式中示出（3）至测量两个补丁窗口Li和Lj之间的相似性。kuLi-uLjk2;a3其中a表示高斯核的标准偏差。相似的像素平均具有较大的权重。3.2. 谱聚类基 于 图 的 流 行 的 无 监 督 聚 类 技 术 之 一 是 谱 聚 类 （ Jianbo 和Jitendra，2000; Andrew等人，2001年）。谱聚类通过分解拉普拉斯矩阵的特征向量和特征值来实现数据的分组（聚类）.传递信息的连通分量的重要数据由拉普拉斯矩阵的特征向量和特征值提供。 给定图像I 1;I2. 在R R D，其中I1;I2. In表示图像中的像素。图像是repre-记为加权图G V;E，其中V表示图中的节点，E表示节点之间的关系该图表示为相似性矩阵S，其中第i和第j相似性矩阵的行由等式Eq.（四）<8dIi;Ij29=;204肿瘤疾病。：0;i^j;●●A. Maruthamuthu，L.P.格纳纳潘迪坦湾/沙特国王大学学报1185¼J22¼执行预处理步骤以使图像适合于在计算机辅助设计（CAD）系统中处理，：;我2我;...ii2i.Σ.- 是 的 Σ2我;%其中d∈Ii;Ij∈表示节点Ii和Ij之间的欧几里得距离。加权图的符号r1控制社区的密度。然后将相似矩阵转化为归一化拉普拉斯矩阵进行特征向量分解.最后，对最大的k个特征向量采用K-均值算法进行聚类，得到原始信息的聚类.4. 该方法使用均值、中值、众数来计算，并用作对应块的超像素值通过取块中所有像素值的平均值来估计块的平均值设B1;B2. B M 表示图像I的块，其中m表示块的数目让我们考虑一下像素的内涵，密度值为P1;P2. 其中n表示块中的像素数。 使用平均M i计算CTV 代表平均值第i个块Bi的值，并在等式中给出。（五）、n在所提出的方法中，包含以下Mi¼1XPiJð5Þ使用谱聚类而不是考虑到整个形象。使用超像素执行数据缩减。超像素是使用图像块的中心趋势值（CTV）生成的这些超像素被认为是谱聚类的节点，以识别ROI。超像素分割的结果得到肿瘤超像素和非肿瘤超像素.将图像中肿瘤超像素的原始块表示为肿瘤块。 使用局部二值模式（LBP）特征提取技术提取与肿瘤块相似的相邻块以形成ROI。最后，使用谱聚类分割ROI以表示各种肿瘤组织。建议的方法将在以下章节中解释nj¼1其中i 1; 2. . m;图像I的块的数量：Pi是第j个像素值的第i的块B我在给定的图像I中。哪里第二节. n;没有 图像I的第i个块中的像素。使用中值Medi计算的CTV表示第i个块Bi的中值，并且计算如下步骤1：对给定图像I的第i个块Bi的像素值进行排序。步骤2：步骤2：在对块B1中的像素值进行排序之后，使用中值Medi计算的CTV在等式1中给出（六）、8比1。n2我2019年1月1日我4.1. 预处理=我也是。Pn1如果n20>ð6Þ其中n/41;2：：n个像素第i个块B：。Pnis。第n个像素值抑制不想要的失真或增强某些图像FEA，tures很重要。由于无监督分割没有参考，或手动标记的模型，人工制品，如噪声和强度inho-在图像处理过程中，噪声是高的。由于这种因素，聚类的结果可能会受到影响，是的。到减少的影响的不想要预失真涉及NLM滤波的处理技术（Buades等人， 2005）方法和N4ITK偏置场校正（Tustison等人，2010）在所提出的方法中对图像执行。在所提出的研究中，偏差校正适用于T1c图像模块化。在对图像进行预处理后，进行ROI识别。ROI识别的解释将在后续章节中进行4.2. 感兴趣区域（ROI）识别图像的大小被缩小到比原始图像小的ROI。所提出的方法中的ROI表示在肿瘤中保持的异常区域。由于ROI识别，在给定的图像中的非肿瘤部分被删除的肿瘤分割。仅检查实质性肿瘤区域以供进一步处理。然后对感兴趣区域进行谱聚类，在不损失高质量谱聚类精度的情况下减少了谱聚类的稠密相似矩阵构造。确定ROI的过程包括以下步骤，并在以下小节中进行说明● 超像素计算● 超像素的分割● 肿瘤块的识别。● 相邻区块识别4.2.1. 超像素计算在所提出的方法中，图像被分割成大小相等的小块。中心趋势值（CTV）通常表示数据围绕某个关键值组织组的趋势。在所提出的方法中，计算每个块的CTV我我2的第i个块B，.是第i个块B的第nPn21是第i个块B的第n×1个像素值 i12m是图像I的块的数目。使用模式Modei计算的CTV表示图像I的第i个块Bi的模式值，并且在等式（1）中给出（七）、模式i^第i个像素中最频繁出现的像素值Pi图像I的块Bi为在那里我一、二、三m ，并且m是图像I的块的数量。现在使用使用CTV估计的块的超像素来呈现整个图像。这些超像素分割使用谱聚类。在下一小节中描述超像素的分割的细节。4.2.2. 超像素分割对图像的块的超像素值执行谱聚类执行超像素的分割以获得肿瘤超像素和非肿瘤超像素。超像素的分割结果在图中给出。 3 c和d。黑色指定非肿瘤超像素，白色点表示肿瘤超像素。4.2.3. 肿瘤块在原始图像中识别肿瘤超像素所属的图像块。由于肿瘤可以延伸穿过肿瘤块，因此从原始图像中选择具有与肿瘤块相似特征的相邻块来表示ROI。采用基于局部二值模式（LBP）的特征提取技术来识别与肿瘤块（T）具有相似特征的相邻块。4.2.4. 相邻区块LBP是一种流行的特征提取技术（Ojala等人，2002年），它在各种应用中发挥着至关重要的作用，如纹理分类，;1186A. Maruthamuthu，L.P.格纳纳潘迪坦湾/沙特国王大学学报s-1;ð Þð ÞX图3.第三章。针对两个患者图像（a）和（b）的所提出的方法的分割结果（a）（c）(e)–(f): ROI (g)–(h):图像的压缩、分割、相位识别和检索LBP算子给出像素和相邻像素之间的局部空间关系它还描述了灰色调的对比度。在LBP特征提取技术中，图像被划分为大小相等的小单元。单元中的每个像素具有八个相邻像素。将中心像素值与八个相邻像素值进行比较像素值为大的BC系数表示类似的直方图，反之亦然。如果区域相似，则将新区域标记为肿瘤区域。重复相邻或相邻块识别的操作，直到相邻块和肿瘤块之间不存在相似性。最后，将获得的区域标记为ROI。图中给出了ROI。 3 E和F。下面给出了用于识别称为ROI的肿瘤区域的算法大于中心像素值的被标记为1，否则被标记为0.最后，对于每个像素，接收八位二进制值。将获得的二进制值转换为十进制值并存储在LBP掩码中。二进制值被转换成十进制值在方程。（八）、LBPsrx;ygfx;y-fxp;yp2s8s¼0其中LBP s;r是像素x ; y的半径为r的圆上的s个邻居。fx; y是对称邻域像素的灰度值，并且fxp;yp表示中心像素的灰度值。函数g（w）给出了阈值函数，并在等式（1）中示出。（九）、.1; w>¼0ROI识别算法输入：输入MRI肿瘤图像输出：ROI步骤1：将图像分割成相等大小的n个块b1;b2. b n.步骤2：使用Central计算每个块的超像素值S趋势值S i<$CTVII I其中i<$1; 2...................................n. n是块的数量CTV是区块的中心趋势值，使用等式（5）步骤3：对超像素S1执行谱聚类，其中第一卷第二卷获得聚类的s个像素的数量（c1/4肿瘤超像素（白色）和c2=非肿瘤超像素（黑色））。其中w<$f<$x;y<$-f<$x p;y p<$。然后，在块的十进制值上计算直方图。直方图被最佳地归一化。块的直方图被连接以表示特征向量。在所提出的方法中，肿瘤块的LBP直方图和肿瘤块的八个相邻块进行比较，以形成ROI。肿瘤块T 确定前一步被认为是中心块。中心块有八个相邻区块N1;N2. N8。肿瘤块（T）和相邻块的直方图之间的相似性为：使用Bhattacharya相似性度量（Aherne等人，1997），并在下面的等式中指定。（十）、BC HT;H NiXHT ωHNi10其中，HT是肿瘤块T的直方图，HNi是肿瘤块T的直方图，表示第i个邻域块N的直方图，i = 1; 2. 0：8。步骤4：在图像中找到肿瘤超像素cl的对应块，并将该块标记为肿瘤块（T）。步骤5.使用LBP特征提取找到与肿瘤块（T）相似的相邻块以形成ROI。肿瘤组织从感兴趣区域的分割报告在后半部分。4.3. ROI分割谱聚类直接应用于感兴趣区域，提高了处理速度和分割精度。该方法综合考虑感兴趣区域内所有像素值，构造相似度矩阵，进行谱聚类.由于ROI的大小很小，因此可以避免形成大的相似矩阵。在相似性矩阵构造上不进行近似，以避免形成密集的相似性矩阵。这有助于扩展高质量的准确性gw0;w 0<ð9ÞA. Maruthamuthu，L.P.格纳纳潘迪坦湾/沙特国王大学学报1187¼ ð Þ¼ ð Þ¼ ð Þ谱聚类在肿瘤分割中的应用TC与ROI的分割结果如图3g和h所示。5.实验结果与讨论对于实验证据，图像取自BRATS 2012挑战数据集（MultimodalBRATS，2012）。该数据集包含80张患者图像。数据集的详细信息见表1。该系统在Windows-8操作系统下运行，采用Intel R-core（TM）i5- 4500 U CPU 2.30GHZ，内存8 GB。灵敏度、特异性和骰子得分用于评估分割的性能，并在等式中给出。（11）在所提出的方法中，在地面实况和分割区域灵敏度TP11TPFFN专属性TN12公司简介Dice score2骰子得分2FN-2000型双排螺旋桨其中TN是真阴性，其对分割区域中正确分割的阴性情况像素的数量进行计数。TP是True Positive（真阳性），用于计算分割区域中正确分割的阳性情况像素的数量。FN是假阴性，它对分割区域中不正确分割的阴性情况像素的数量进行计数。FP是假阳性，它对分割区域中不正确分割的阳性情况像素的在所提出的方法中，使用3D Slicer对来自数据集的3D图像进行预处理以进行偏差校正。将3D偏移校正图像转换为2D并调整大小为256*256灰度级图像。每个切片的2D分割在所选切片上单独执行，并且它们被重叠以产生最终结果。尽管如此，切片可能包含水肿、肿瘤核心（TC）、坏死、白质、灰质、脑脊液（CSF）作为异常脑的不同水平。由于在给定的数据集本身中，地面实况可用于水肿和TC，因此所提出的方法识别大脑的水肿和TC。从实验分析，表1BRATS 2012数据集的描述。合成图像真实患者图像高等级2520低品位2510观察到从FLAIR图像中很好地提取了水肿，其中TC从T1对比图像中提取。然而，为了分割肿瘤组织，通过考虑n = 2来执行谱聚类为了将所获得的分割结果与地面实况进行比较，地面实况的大小被降低到ROI。在所提出的方法中，每个图像被划分成不同的块大小。对于每个块，计算CTV，即平均中值和模式值，以产生超像素集，其中这些超像素充当用于识别构成ROI的肿瘤块的源。从合成的高级FLAIR图像的ROI中分割水肿被用来衡量CTV的效率和最佳块大小的选择当考虑诸如2、3、4和5的较小块尺寸时，超像素的数量增加。因此，增加了计算负担。当考虑块大小为8时，ROI中包括的肿瘤和非肿瘤像素的数量是最佳的。当选择16和32的块大小时，ROI中包括的肿瘤和非肿瘤像素的数量更多，并且不满足所提出的方法的意图。因此，对于块大小8获得最优解，对于块大小8，超像素的数量是32。从图中可以看出。 4a，与ROI分割模式相比，平均值和中值为所有块大小提供几乎相同的骰子得分值。除此之外，在图4b中示出了关于用于ROI分割的各种块大小的平均值和中位数所需的处理时间比众数少一点。在一些情况下，标记的肿瘤像素可以在具有非肿瘤超像素值的块中使用。这些肿瘤像素对于任何分割的超像素（分割的）块都是并排可用的通过使用LBP特征提取技术提取ROI来找到与肿瘤超像素块相似的相邻块来识别这种肿瘤像素块所提出的方法也可以应用于肿瘤图像的等级是未知的提取脑肿瘤组织。对于使用NLM滤波器诊断MRI图像例如搜索的比率被设置为5，相似性窗口的比率被设置为2，并且Sigma（过滤度）被实验性地设置为3。在所提出的工作分割ROI使用谱聚类，k-最近邻设置为20的相似性矩阵结构，和西格玛设置为0.5的高斯相似性距离度量。该方法采用归一化Laplacian矩阵，并利用K means ++对Laplacian矩阵的特征向量进行聚类。该算法用于簇质心的确定。在该算法中，最初，聚类中心是任意选择的。随后的中心是根据最近点相对于平方距离的概率来选择的图四、不同块大小和CTV值的拟议方法的比较a. ROI分割的骰子评分值比较B. ROI分割的每张图像执行时间比较1188A. Maruthamuthu，L.P.格纳纳潘迪坦湾/沙特国王大学学报表2比较所提出的方法与基于谱聚类的方法的骰子得分值方法合成图像（骰子评分）真实患者图像（骰子评分）高等级低品位高等级低品位水肿TC水肿TC水肿TC水肿TCNystrom方法。Fowlkes等人（ 二零零四年）0.480.790.420.610.510.280.260.33KASPDonghui等人（2009年）0.580.800.550.690.560.320.270.35提出0.870.920.760.860.720.580.350.58图五、所提出的方法与基于谱聚类的合成图像的方法的灵敏度和特异性值的比较a. 水肿-B. TCC. 水肿-D. TC-图六、所提出的方法的灵敏度和特异性值与基于谱聚类的方法用于真实患者图像的比较。水肿TC-Real患者高等级图像。C. 水肿TCA. Maruthamuthu，L.P.格纳纳潘迪坦湾/沙特国王大学学报1189见图7。针对四个患者图像（FLAIR图像（a）-（d）和T1对比图像（i）-（l））的所提出的方法的分割结果。(e)–(h): Segmentation of edema (white colour) （m）（q）（u）现有的集群。该方法被执行10次，因为K意味着++也不是确定性的。在得到的10个结果中，要求具有最佳目标函数的结果用于聚类。KASP（Donghui等人， 2009）和Nystrom方法（Fowlkes等人， 2004）用于比较所提出的方法的准确度。KASP，Nystrom和所提出的方法的目的是减少计算负担的密集相似性构造的谱聚类。在使用Nystrom方法进行分割的情况下，原始相似性矩阵不用于谱聚类，因为它们从给定的原始相似性矩阵中随机选择像素点最终矩阵在KASP方法的情况下，K-均值聚类的聚类中心用于表示相似性矩阵。因此，这两种方法都近似于原始的相似度矩阵和分割精度，计算量小. 为了将所提出的方法与KASP （Donghui等人，2009）和Nystrom方法（Fowlkes等人， 2004），KASP（Wen-Yen，2014）Nystrom方法（Michael，2004）网站中可用的代码已被重复使用，并针对BRATS 2012挑战数据集进行了测试。给出了该方法与KASP和Nystrom方法的骰子得分比较结果表3将该方法与传统聚类方法的骰子得分值进行比较方法合成图像（骰子评分）真实患者图像（骰子评分）高等级低品位高等级低品位水肿TC水肿TC水肿TC水肿TCKmeans0.720.640.510.600.550.210.190.22FCM0.760.820.740.780.610.290.230.25GMM0.830.860.710.820.690.300.250.28提出0.870.920.760.860.720.580.350.581190A. Maruthamuthu，L.P.格纳纳潘迪坦湾/沙特国王大学学报见图8。比较所提出的方法与传统的聚类方法的敏感性和特异性值的合成图像。a.水肿-合成高级图像。B. TCC. 水肿D. TC见图9。所提出的方法与传统的聚类方法的灵敏度和特异性值的比较真实的患者图像。a.水肿B. TC-Real患者高等级图像。C. 水肿-真实患者低级别图像。TC合成图像（高等级和低等级）和真实患者图像（高等级和低等级）。所提出的方法在这两个事件中产生更好的骰子分数，因为ROI中的所有像素都被考虑用于块大小的相似性矩阵构造8.还有无花果。图5和图6示出了灵敏度的比较，所提出的方法与KASP和Nystrom方法的专属性值水肿的提取和所提出的方法的TC在图中描绘。7.第一次会议。将该方法与K-means、FCM等传统聚类方法的骰子得分值进行了比较A. Maruthamuthu，L.P.格纳纳潘迪坦湾/沙特国王大学学报1191表4拟定方法与BRATS 2012挑战方法的骰子评分值比较方法合成图像（骰子评分）真实患者图像（骰子评分）高等级低品位高等级低品位水肿TC水肿TC水肿TC水肿TC森林分类Darko et al. （ 2012年）0.650.900.550.710.700.710.440.6203The Dog（2012）0.430.800.140.550.560.730.380.71提出0.87 0.920.760.860.720.580.350.58和GMM分别用于合成图像和真实患者图像，如表3所示。从表3可以理解，与其他聚类方法相比，所提出的方法显示出更好的骰子得分。这是因为SC的相似性所提出的方法产生了更好的骰子得分比GMM为真实的病人和合成图像。由于肿瘤的复杂模式在合成图像中具有较少的强度重叠和较少的伪影，因此GMM能够产生更接近BRATS 2012数据集中合成图像的谱聚类的骰子分数由于高斯混合模型对类内数据分布的假设是可靠的，因此无法处理真实图像中因此，它产生更少的骰子得分为真实的病人图像相比，所提出的方法。K-均值算法和FCM由于其不确定性而产生较少的骰子分数。所提出的方法与K-均值、FCM和GMM的灵敏度和特异性值的比较在图1A和图1B中示出。8和9分别用于合成图像和真实图像。所提出的工作的骰子得分与分类森林的比较（Darko等人，2012年）和肿瘤切割（Andac和Gozde，2012年）的方法显示在表4.这些方法的骰子得分值取自BRATS 2012会议记录。与其他两种方法相比，该方法对合成图像的分割效果和对高等级真实图像的水肿分割效果更好。低等级真实患者图像获得低骰子分数，因为水肿和TC之间存在强烈重叠在论文中（Darko et al. ，2012 ），作者已经使用分类森林（CF）执行了脑肿瘤的分割作为分类任务。分类森林的输入是使用GMM和非局部上下文敏感特征计算的初始上下文敏感特征的辨别能力，连同作为额外输入的初始组织概率一起增加了分类器的上下文敏感信息的量。从而获得了更好的骰子得分的关键情况下（即）对于真实患者图像，用于（i）从低等级真实图像分割水肿和然而，与所提出的方法相比，该方法需要更多的时间来训练分类器。在论文（Andac和Gozde，2012）中，作者使用肿瘤切割方法进行了多模态脑肿瘤分割多模态图像信息增加了分割的信息量从而获得了更好的骰子得分的关键情况下（即）真实的病人图像。由于所提出的方法仅使用区域级均匀线索（超像素）作为输入，见图10。针对合成图像，比较拟定方法与BRATS 2012挑战方法的灵敏度和特异性值。a.水肿-合成高级图像。B. TCC. 水肿-合成低等级图像。D. TC1192A. Maruthamuthu，L.P.格纳纳潘迪坦湾/沙特国王大学学报图十一岁针对真实患者图像，比较拟定方法与BRATS 2012挑战方法的灵敏度和特异性值a. 水肿-B. TC-Real患者高等级图像。C. 水肿TC表5BRATS 2012数据集每例患者的总体执行时间（秒）与其它方法相比，所提出的方法的执行时间更少。然而，未来将更加专注于获得真实患者图像的Dice评分更高6. 结论谱聚类，我们获得了较少的骰子得分（i）从低级别的真实图像的水肿和TC的分割和（ii）高级别的真实图像的TC的分割。此外，真实患者图像具有高强度重叠。因此，必须从图像中提取多个特征，以获得更好的效果。在未来，为了获得更好的骰子分数，可以集成诸如纹理和边缘特征的特征，以使用谱聚类来分割肿瘤。因此，图像中的附加信息将提高分割精度。所提出的方法与BRATS 2012激发方法（取自BRATS 2012会议记录）的灵敏度和特异性值的比较见图11和12。10和11分别用于合成和真实图像。表5中给出了Nystrom、KASP、K-means、FCM、GMM和拟定方法的BRATS 2012数据集的执行时间。执行时间包括预处理时间和单个患者的T1对比图像和FLAIR图像这些方法在同一组图像上进行分类森林的执行时间（Darko等人，2012）和肿瘤切割（Andac和Gozde，2012）方法不被考虑，因为它们在不同的平台上运行。从表5中可以看出，与其他方法相比，K-means运行得更快。然而，它带来了不确定性的结果，很难得到好的集群。的本文提出了一种基于感兴趣区域的脑肿瘤自动分割方法。使用基于超像素的图像光谱聚类来识别ROI（肿瘤区域）。使用图像的块的集中趋势值来计算超像素。 最后，使用谱聚类分割ROI以分割肿瘤组织。该算法构造的稠密相似性矩阵不受谱聚类的ROI大小限制，从而保证了高质量的谱聚类精度。 该方法用于从MRI图像中分割肿瘤，水肿和TC的Dice得分分别为0.8和0.9，对于高等级合成图像，水肿的Dice得分为0.7和0.8对低等级合成图像分别进行TC和TC的处理。如果的真实患者图像，所提出的方法档案骰子得分对于高级别图像，水肿和TC分别为0.7和0.5低级别图像水肿和TC的Dice评分分别为0.3、0.5。我们未来的工作将集中在从ROI中提取多个特征，以提高分割精度。引用Aherne，F.，Thacker，N.，Rockett，P.，1997.频率编码数据的bhattacharyya度量作为绝对相似性度量。 Kybernetika 32（4），1-7.Andac，H.，戈兹德大学，2012.在BRATS数据集上使用“肿瘤切割”方法进行多模态脑肿瘤分割在：MICCAI-BRATS研讨会的会议记录十九比二十二安德鲁，Y.N.，Jordan，M.，Yier，W.，2001.谱聚类分析与算法。In：Adv Neur In.第2页。849-856Angulakshmi，M.，Lakshmipriya，G. G.，2017.脑肿瘤自动分割技术综述。Int. J. 成像系统Technol. 27，66-77.Anitha Vishnuvarthanan ， M. ， 帕利 孔达 河Vishnuvarthanan ， G. ，Yudong ， Z. ，Arunprasanth，T.，2017.使用聚类和自然启发优化技术的自动混合方法用于改进肿瘤和组织方法以秒为单位的Nystrom24KASP26K-Means12FCM31GMM45该方法20A. Maruthamuthu，L.P.格纳纳潘迪坦湾/沙特国王大学学报1193磁共振脑图像分割。Appl. 软计算57，399- 426。鲍尔，S.，维斯特河，Nolte，L.P.，雷耶斯，M.，2013年。基于MRI的脑肿瘤医学图像分析研究综述。Phys. Med. Biol. 58（13），97-129。Buades，A.，Coll，B.，Morel，J.M.，2005年 对图像去噪算法进行了综述，并提出了一种新的去噪算法。多尺度模型你好4，490-530。科尔索，J.J.，Sharon，E.，Dube，S.，El-Saden，S.，美国辛哈Yuille，A.，2008.高效的多级脑肿瘤分割与集成贝叶斯模型分类。IEEE Trans. Med. I m a g i n g 27（5），629-640.达科，Z.，本·格洛克，E.，Konukoglu，J.S.，Antonio Criminisi，D.H.，是的，C.，Demiralp，O.M.，托马斯，T.，达斯河Jena，S.J.，Price，2012.用于脑肿瘤组织分割的上下文敏感分类森林。在：会议记录MICCAI-BRATS研讨会，pp. 五比九Donghui，Y.，Ling，H.，迈克尔，I.J.，2009.快速近似谱聚类。第15届ACM SIGKDD知识发现和数据挖掘国际会议论文集，第15页。907-916徽章，K. E.，Nedregaard，B.，哈尔德，J.K.，Nome，T.，Due-Tonnessen，P.，Bjornerud，A.，2009年动态磁敏感对比成像中胶质瘤的自动表征：基于知识模糊聚类的脑肿瘤分割。J. Magn. Reson. Imaging 30（1），1-10.Fowlkes，C.，贝隆吉，S.，Chung，F.，Mai