脑肿瘤磁共振波谱图特征值提取方法与算法

©2013由B.V.信息工程研究院负责评选和同行评议可在www.sciencedirect.comwww.sciencedirect.com在线获取ScienceDirectIERI Procedia 4（2013）331 - 3362013年电子工程与计算机科学脑肿瘤磁共振波谱图特征值提取方法与算法Meghana Nagoria，Madhuri Joshib政府工程学院，火车站路，Aurangabad，431001 Maratwada技术学院，Kothrud，Pune，411029摘要在大多数医院中，扫描脑肿瘤患者的MRS图，然后将观察到的代谢物值手动输入数据库。这一过程很耗时。有缺点，而与图像一样大的存储工作，招致更多的时间在打开和关闭和更正是不允许的。因此，有必要使这一过程自动化。在本文中，作者提出了三种不同的方法来提取代谢物的值从MRS图。提取的值存储在数据表中，该数据表比存储为图像格式的图形需要更少的存储。本文强调了每种方法的优点，并提出了这些方法最有效的合适情况。© 2013作者。由Elsevier B. V.在CC BY-NC-ND许可下开放获取。信息工程研究院负责评选和同行评议关键词：图像处理;数据挖掘;MRS;代谢物;峰点1. 介绍MRI光谱学（MRS）提供了使用MRI非侵入性研究组织生物化学的能力。在称为体素的给定大脑区域内，这些分子的信息通常以光谱仪的形式呈现，x轴上的旋进频率揭示了化合物的身份，y轴上的强度有助于量化物质的量。[1]MRS是一种非侵入性的技术，用于研究脑肿瘤的代谢变化。MRS可用于识别局部生化异常。MRS还可以用于测量代谢活动的变化，MRS创建具有与脑肿瘤相关的四个主要属性或特征即NAA、Cr、Cho、Cr 2。[2]提取这些值是一项艰巨的任务2212-6678 © 2013作者由Elsevier B. V.在CC BY-NC-ND许可下开放获取。信息工程研究所负责的选择和同行评审doi：10.1016/j.ieri.2013.11.047332Meghana Nagori和Madhuri Joshi / IERI Procedia 4（2013）331从图中提取这些特征并将其存储在数据库表中。使用MRS图的主要缺点是它需要大量的存储器空间。本文提出了从图中有效地提取值的各种方法。如果数值不清晰可见，则采用更接近正确数值的近似值。2. 拟议工作作者提出的方法是：2.1. 从最明显的峰值点该方法的目的是从MRS图中提取代谢物即（NAA，Cr，Cho和Cr2）的值。在代谢物值的帮助下，很容易得出关于肿瘤类型的初步结论。如图1所示，未定义Y轴的图形比例，因此对其进行了近似校准。该图由四个感兴趣的峰组成，即Cr 2、Cho、Cr和NAA。图形扫描法提取最清晰、最易读的峰值点之一。将相同的峰值点投影到Y轴上，并取更接近该峰值点的标度值。1个单位值= Y轴上更接近峰值/标度值的提取值（1）一旦定义了标度，则将不清晰可读的其他峰值点投影到Y轴上，并获取纵坐标值。峰值点值计算为1个单位的标度与纵坐标值的乘积。峰值点值= 1单位值×纵坐标值（2）在这种方法中，通过使用上述方程近似地计算峰值点，其值不能容易地从图中提取。值提取算法：1.定位MRI图像的X轴。（所有MRI图像的X轴相同，即PPM，具有相同的标度）2.代谢物[0]= X轴上2的位置，因为NAA代谢物总是出现在2 PPM。3.代谢物[1]= X轴上3的位置，因为Cr代谢物总是出现在3 PPM。4.代谢物[2] = Cr旁边的峰位置。5.代谢物[3] =小于但接近4 PPM的峰位置。6.对于Metabolite Calldetect_peakpoint（m）中的每个m;将结果保存在结果数组中;7.端8.从用户处获取合适的刻度值。9.缩放结果。(peak点值=比例尺×纵坐标值）10.显示结果。11.端2.2. 实验工作数据收集自5家不同医院的88例患者。每个患者的MRS图被用作每个所提出的方法中的输入。显示了值提取方法生成的结果示例Meghana Nagori和Madhuri Joshi / IERI Procedia 4（2013）331333从表2中可以看出，与正常值相比，通过可见峰方法提取的值没有太大差异，这表明该方法在从各种不同来源收集数据的情况下工作良好。相对于实际肿瘤类型，使用数值提取方法查找肿瘤类型的准确度为：12/12=100%观察值发现肿瘤类型相对于实际肿瘤类型的准确度为：8/12=66.67%由于数据是从不同的医院收集的，每个医院都有自己的扫描仪参数，因此发现这种方法最有效。表1. MRS图名称NAACRChoCR2实际肿瘤类型预测肿瘤类型阿贾伊·罗卡德15.0419.619.139.42良性良性阿米尔·马尼亚尔14.99.6111.113.8良性良性阿莫尔·盖夸德12.56.898.523.43良性良性阿克沙伊索塞0.216.275.110.78感染恶性阿努拉达·查万0.728.297.934.04感染恶性阿伦·乔杜里0.716.118.1931.1感染恶性Ajay Kharat9.0129.6116.619.42恶性恶性阿克沙伊萨万德10.2111.7712.418.03恶性恶性博鲁德8.1612.61215.02恶性恶性阿鲁因加勒7.866.057.553.93轻度轻度阿龙10.1916.3911.0110.19轻度感染巴巴布·辛德14.58.2412.0914.47轻度轻度表2.通过拟议方法名称NAACRChoCR2实际肿瘤类型预测肿瘤类型阿贾伊·罗卡德15.0419.619.139.42良性良性阿米尔·马尼亚尔14.99.6111.113.8良性良性阿莫尔·盖夸德12.56.898.523.43良性良性阿克沙伊索塞0.216.275.110.78感染恶性阿努拉达·查万0.728.297.934.04感染恶性阿伦·乔杜里0.716.118.1931.1感染恶性Ajay Kharat9.0129.6116.619.42恶性恶性阿克沙伊萨万德10.2111.7712.418.03恶性恶性博鲁德8.1612.61215.02恶性恶性阿鲁因加勒7.866.057.553.93轻度轻度阿龙10.1916.3911.0110.19轻度感染巴巴布·辛德14.58.2412.0914.47轻度轻度334Meghana Nagori和Madhuri Joshi / IERI Procedia 4（2013）3312.3. 使用标准模板标准模板是正常人的MRS图。标准模板直接提供了正常人的NAA标准值、Cr标准值、Cho标准值和所有代谢率，如表3所示。将受试图与标准模板进行比较，并记录NAA、Cr和Cho的相对增加或减少，并分别命名为x、y和z。一般来说，NAA和肌酸（Cr）减少，胆碱（Cho）增加，恶性程度增加。[3]如果所述规则被测试下的图满足，则异常代谢比率由以下等式给出：NAA标准品Cr标准品1.6（三）其中，NAAstd和Crstd是标准模板中的峰值点的值，并且x和y是使得肿瘤变成恶性的NAAstd和CrstdNAA标准品Chostd puz1.2（四）其中Chostd是标准模板中的峰点值，z是Chostd中的增量。ChostdCr标准品1.5（五）上述方程被重新排列，使得x、y和z在一侧取为，NAA标准品≤ 1.6 Cr标准品≤1.6mg（六）NAA标准品1.2 mg Cho标准品1.2mg1.5铬标准品铬标准品铬1.5铬（七）（八）在上面的等式中，所有左边的值都是已知的，所以它可以用来得到x，y和z的值。当所有数据来自同一台扫描仪时，这种方法是最有效的。在此，使用比率值，如NAA/Cr、NAA/Cho和Cho/Cr。[4]根据比率，我们可以区分正常和异常代谢比率，如表3所示。表3.代谢率NAA/CRNAA/ChoCho/CR正常2.01.61.2异常<1.6<1.2>1.52.4. 图形扫描Meghana Nagori和Madhuri Joshi / IERI Procedia 4（2013）331335该方法提取那些峰值点标签和与之相关联的值。从图中提取峰值点的步骤：1. 取一个图形图像。对图像应用降噪。扫描图像时可能会引入噪声。噪声给原始图像增加了虚假和无关的信息。因此，降噪步骤从图像中去除噪声。2. 将图形图像转换为灰度图像。它只携带强度信息，也称为黑白图像。3. 使用一定的阈值创建二值图像。二进制图像意味着每个像素都用单个位0或1表示。最简单的分割方法是分段法。我们使用阈值将灰度图像转换为二值图像。阈值可以手动选择，也可以使用阈值算法自动计算。[5][6]4. 扩大图像。扩大意味着增长或扩大。膨胀将二值图像进行膨胀，结构元素通常为3x3正方形。膨胀的目的是扩大前景像素的边界，并且这些区域内的孔变得更小。5. 侵蚀了形象。Erode的意思是缩小或减少。腐蚀一般取二值图像腐蚀结构元素为3x3正方形。侵蚀导致前景像素区域缩小，并且这些区域内的孔变得更大。膨胀和腐蚀是数学形态学中的两个基本算子。6. 应用Canny边缘检测算法提取出图像中的峰。它是一个边缘检测算子。它能正确检测所有峰值。图1（a）二值图像（b）膨胀和腐蚀后（c）Canny边缘检测器7.找到峰值。图2（a）从ROI中提取值（b）提取样本值3. 基于支持向量机的336Meghana Nagori和Madhuri Joshi / IERI Procedia 4（2013）331然后提取所有连接的组件，并通过两步过程丢弃所有非文本字符组件。然后从提取的组件中提取特征。所有这些提取的组件可以包含文本组件和非文本组件。它们通过双向过程被分离和消除。首先，为所有对象绘制初始BB（边界框）。然后使用CC统计度量来去除非文本成分。为此，应用以下两个规则[a][b]来去除可能由背景对象产生的非常大的分量和非常小的分量。[a] 爱塔..[b] BBw > 2 * BBh。[c] 像素距离（Ci，Cj）1。这里A是元件的面积，BBh和BBw是BB的高度和宽度。这里[a]丢弃所有非常小的组件，[b]丢弃所有大的和更宽的对象。假阳性的发生是使用基于CC的方法的主要缺点。当提取粗字符时，例如在字母O的情况下，分别提取内圆和外圆，从而增加了假阳性计数。规则[c]用于丢弃这些组件。这些特征形成SVM的特征向量。这些特征与SVM进行了测试，用于识别单个字符。[7][8]然后，所有识别的字符被合并形成文本行。4. 结论提出的算法进行了测试和评估的基础上，软件仿真。软件的开发如果值清晰可读，则图形扫描方法是最好的。值提取方法允许在值不可读时进行一些近似，但不影响最终结果。这两种算法将代谢物值存储在数据库中。数据库值用于识别肿瘤是否为恶性。标准模板方法不处理代谢物值。它利用标准方程组生成疾病向量，从而推断肿瘤的恶性程度。引用[1] Juan M. García-Gómez，Jan Luts，Margarida Julià-Sape，”通过磁共振波谱仪对脑肿瘤自动分类的多项目多中心评价”，Magn Reson Mater Phy，Springer，2009，5-18[2] Stephen Gruber，Andreas Stadlbauer，Vladimir Mlynarik，Brigitte Gatterbaur，Karl Roessler和Ewald Moser，[3] H Watanabe，H Fukatsu，M Katsuno，M Sugiura，K Hamada，Y Okada，M Hirayama，T Ishigaki和G Sobue[4] John R Hesselink，http://spinwarp.ucsd.edu/neuroweb/Text/mrs.htm[5] 拉斐尔角作者：Richard E. Woods和Steven L. Eddins，Digital Image Processing using MATLAB，Pearson Education India，2009。[6] Ben Bauer和Michael Reynolds，[7] 许志伟，张志忠，林志仁，”支持向量分类实用指南”，2010[8] 杨永义，杨永义，杨永义.放大图片作者：Robert M. Nishikawa，