MRI脑肿瘤自动分割方法中基于贪婪蛇模型和模糊C均值优化的研究

沙特国王大学学报基于贪婪蛇模型和模糊C均值优化的MRI脑肿瘤自动分割C. Jaspin Jeba Sheelaa，G.苏甘提湾a登记号17221282162010，St. Xaviers自治学院，Palayamkotai附属于Manonmaniam Sunadaranar大学，Abishekapatti，Tirunelveli 627012，泰米尔纳德邦，印度b印度泰米尔纳德邦Tirunelveli 627012，Abishekapatti，Tirunelveli，Manonmaniam Sunadaranar大学附属Nagercoil W.C学院计算机科学系阿提奇莱因福奥文章历史记录：2018年12月9日收到2019年4月4日修订2019年4月10日接受在线提供2019年保留字：MRI图像图像分割模糊C均值算法贪婪蛇模型A B S T R A C T由于脑肿瘤的形状、强度和大小各不相同，因此在MRI（Magnetic Resonance Images）图像中进行脑肿瘤的自动分割成为医学领域的一个具有提出了一种基于贪婪蛇模型和模糊C均值优化的脑肿瘤自动分割方法该方法首先通过膨胀和腐蚀两级形态学重建去除非肿瘤部分，从而识别出近似的感兴趣区域（ROI）贪婪蛇算法通过对重建图像进行阈值分割形成掩模以掩模边界作为蛇的初始轮廓，贪婪蛇模型估计肿瘤的新边界。这些边界是准确的地区，是尖锐边缘，在有斜坡边缘的地方精度较低。不准确的边界进一步优化，使用模糊C均值算法，以获得准确的分割输出。最后选取周长较大的区域在T1加权对比增强图像数据集上进行实验验证，使用骰子得分，特异性，灵敏度和Hausdorff距离等指标。与传统的MRI图像中的脑肿瘤分割方法©2019作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍脑肿瘤是一种细胞不受控制的生长，可以破坏大脑中的 磁共振成像（MRI）（Bauer等人，2011，2013）是一种提供关于大脑的有用信息的成像技术，因为它提供软组织之间的高对比度。在过去的几十年里，脑肿瘤导致的死亡人数不断增加。脑肿瘤的早期检测和准确分割（Bengio，2012）可降低脑肿瘤导致的死亡率。用于分割脑肿瘤的手动诊断可能导致不正确的分割结果。因此，迫切需要一种有效的（计算机辅助诊断）自动脑肿瘤分割算法。 脑肿瘤可以是良性的或恶性的（Clark等人，1998; Cobzas等人， 2007年）。*通讯作者。电子邮件地址：jaspinjebasheela@gmail.com（中国）Jaspin Jeba Sheela）。沙特国王大学负责同行审查良性不含癌细胞，癌细胞可扩散到邻近组织。恶性是一种含有癌细胞的脑肿瘤，癌细胞容易扩散到邻近组织。脑肿瘤分割算法可以分为四类：（i）基于阈值的分割（ii）基于边缘的分割（iii）基于区域的分割和（iv）基于聚类的分割。基于阈值的分割（Dass和Devi，2012）基于图像中存在的像素的强度将图像划分为不同的区域。阈值算法又可分为全局阈值算法和局部阈值算法。全局阈值处理在整个图像中使用单个阈值。这种方法很简单，如果图像是均匀的，并且在前地和背景区域之间存在高对比度。Otsu局部阈值处理对图像的每个部分使用不同的阈值，其中图像被划分为子图像。全局阈值比局部阈值更快。基于边缘附近像素强度的突变，边缘分割算法（Sujjiet al.，2013）将图像细分为前景和背景。基于梯度的分割（Aswathy等人，2014）使用之间的差异获得https://doi.org/10.1016/j.jksuci.2019.04.0061319-1578/©2019作者。由爱思唯尔公司出版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.com558C. Jaspin Jeba Sheela，G.Suganthi/沙特国王大学学报特定像素及其相邻像素。边缘分割方法采用Sobel算子、Laplacian算子、Canny算子和Prewits算子等算子。在基于区域的分割（Kandwal等人，2014），基于某些标准进行分割。这种基于区域的分割方法可以分为区域生长法、区域分裂与合并法和分水岭分割法。区域生长方法（Angel Viji和Jayakumari，2013）最初选择种子像素，并且区域基于区域的强度和区域的相邻像素开始生长。如果生长条件失败，则区域的生长停止，该方法可以应用于诸如病变和肿瘤的小区域的分割。在区域分割与合并方法中，将图像分割成不同的区域，直到不能再分割为止，然后根据一定的准则进行合并。分水岭分割法可用于分割对比度分布均匀的区域。聚类方法（Shen等人，2005）将像素分组到不同的类中，并且它不需要任何训练。具有最大概率的像素被分组在同一类别中。常 用 的 聚 类 方 法 是 （ i ） K-means clustering （ ii ） Fuzzy c-means clustering（iii）Hierarchal clustering。K-means聚类算法根据像素的属性将像素聚类为不同的类K-means执行硬聚类，其中每个像素具有对应于特定聚类的隶属函数模糊C均值（FCM）（Ahmed等人， 2002）聚类算法将隶属函数分配给对应于聚类中心的图像的每个像素。更靠近聚类中心的像素具有朝向对应聚类的更高成员资格。层次聚类技术将图像的像素分成三个类，在聚类开始之前不需要指定类的数目。脑肿瘤通常可以在如下三个步骤i) 预处理MRI图像ii) 检测感兴趣区域（ROI）iii) 优化分割结果脑肿瘤图像包含不需要的失真和伪像，例如噪声。这样的失真和伪影必须在实际分割开始之前被去除，以实现良好的分割结果。通常，中值滤波器用于滤除此类噪声。中值滤波器用紧邻像素的中值强度替换像素值，从而保留滤波后的MRI图像的边缘。在对图像进行预处理之后，使用任何合适的分割方法对ROI进行近似分割和优化。论文的其余部分组织如下，第二节提出了自动脑肿瘤分割方法。第三节讨论了所提出的分割方法的实验结果最后，第四节结束了本文。2. 相关作品已经提出了各种分割方法，诸如高斯混合模型（Wu和Corso，2012）、K均值（Paul和Bandhyopadhyay，2012）和模糊C均值（Aparajeeta等人， 2016年）。高斯混合模型（Wu和Corso，2012）通过估计最大似然参数进行过滤。在k-means算法中，种子点的选取是图像分割的一个重要环节。FCM（Aparajeeta等人，2016）提供准确的分割结果。常用的分割方法有阈值分割、边缘分割、区域分割等.基于区域的分割方法包括区域生长、区域分割与合并、分水岭分割和活动轮廓模型。在活动轮廓模型或蛇模型中，蛇最初被放置在感兴趣区域的轮廓附近。蛇由于内部和外部力而运动，并且当能量函数最小时停止运动。Ivan Cabria等人，提出了一种势场分割（PFS），它使用集成方法融合PFS的分割结果。在这种方法中（Cabria和Gondra，2017），像素的强度被视为质量，并为每个像素估计势场。如果势场小于自适应势阈值，则将对应的像素视为肿瘤象素Mohammad Havaei等人提出了一种使用深度神经网络的脑肿瘤分割。在这篇论文中，他们提出了一种卷积神经网络，它同时具有全局上下文特征和局部特征（Havaei et al.，2017年）。神经网络的最后一层是传统的实现使用两阶段训练系统的全连接层。Elisee Ilunga-Mbuyamba等人提出了一种用于脑肿瘤分割的局部活动轮廓模型（LACM）。该方法自动平衡感兴趣区域和背景之间的平均强度距离（Ilunga-Mbuyamba等人，2017年）。这是为了减少活动轮廓在不需要的边界的吸引力。此外，它还使用分层质心形状描述符（HCSD）来检测肿瘤区域。Morales等人（2017）提出了一种计算机辅助分割，可以计算大脑分割和体积分析。Essadike等人（2018）提出了一种分割异常组织区域的分割方法。利用光学相关检测初始活动轮廓 活动轮廓模型向实际肿瘤边界移动。Angulakshmi和LakshmiPriya（2017）提出了这种基于光谱聚类的分割方法，该方法使用超像素识别肿瘤区域。基于谱聚类算法将肿瘤组织与非肿瘤组织分割开来。Umit Ilhan等人开发了一种分割方法，可以清楚地区分受癌症影响的组织。该方法使得分割的肿瘤区域对于执业医师来说更清楚，使得在诊断期间对他/她来说将是容易的。它综合运用了形态学运算、像素相减、阈值分割和图像滤波等技术。Guotai Wang等人提出了一种使用深度学习和图像特定微调的MRI脑肿瘤分割。该方法使用基于深度学习的交互式分割与卷积神经网络（CNN）。图像特定的微调可以是有监督的或无监督的。监督需要额外的涂鸦，而无监督的方法不需要额外的用户交互。卷积神经网络可以通过使用加权损失函数来设计，并且可以使用基于交互的不确定性来进行微调。该方法可用于二维胎儿磁共振图像的多器官分割.脑肿瘤的三维脑肿瘤核心分割和全脑肿瘤分割。肿瘤核心分割排除水肿，而全脑肿瘤分割包括水肿区域。下一部分示出了所提出的MRI脑肿瘤分割算法（参见图1B）。①的人。3. 提出的MRI分割方法所提出的MRI图像中的自动脑肿瘤分割可以通过五个步骤来完成，C. Jaspin Jeba Sheela，G.Suganthi/沙特国王大学学报559ðÞeðÞYðÞðÞðÞðÞXX11 101 0XXn图1. 提出的脑肿瘤分割方法的框图。i) 预处理ii) Snake轮廓检测iii) 基于贪婪蛇算法的iv) 分段结果的优化v) 选择准确分割的肿瘤区域所提出的脑肿瘤分割方法的框图如图所示。3.1. 预处理MRI图像通常由失真和伪影组成对于计算机辅助分割，必须在分割之前去除失真和伪影以获得准确的分割输出。有必要在去除这些伪影的同时保持基本特征。中值滤波是最常用的滤波技术，它滤除失真和伪影而不损失诸如边缘信息的基本特征地区本文采用两级形态学运算消除背景。第一级形态学恢复是通过腐蚀，而第二级形态学恢复是通过膨胀。令I2x; y是用作掩模图像的中值滤波图像为了简单起见，我们将掩模图像I2 x; y表示为掩模图像X的腐蚀形态学重建从标记图像“M”，其由r X M表示。reMenM 3：2用设S1x; y为一级形态学重构图像的输出.为了方程的简单性，我们将1级形态重建图像S1x; y表示为Y。通过从标记扩张掩模图像“Y”的形态学重建图像“M”表示为r d M。rdMdM 3：3Y Y中值滤波器将像素值替换为最近的邻域像素。 让我x y是最早的核磁共振成像有n的话，d n M d n 1 M。图像膨胀使用1分;2分3Y Y图像，I2 x; y为中值滤波图像或表示为的预处理输出。I2x;y介质nfI1i;ji;j2wg3：13结构元素，其被表示为结构元素。2401035其中w表示图像中以位置x;y为中心的3×3.2. Snake轮廓检测初始蛇轮廓可以分两步检测(i) 背景最小化(ii) 持守与扩张结构化图像，这是背景最小化的图像。3.3. 持握与扩张背景最小化输出最小化背景信息。 对背景最小化后的图像S2x; y采用阈值分割法进行分割，阈值为背景消除后的图像中出现的最大亮度。因此，强度等于max的像素-最大强度被转换为前景，而强度不是最大强度的像素被设置为背景。设S3= x; y=为阈值输出，表示为3.2.1. 背景最小化背景最小化算法的目标是在保持肿瘤特征的前提下，最小化S3 x;y ¼1，如果 S2≤ x; y≤max≤ S2≤ x; y≤0否则2013年3月4日×.ment. 设S2= x;y = 2级形态重建，560C. Jaspin Jeba Sheela，G.Suganthi/沙特国王大学学报BJ吉吉×ðÞð ÞðÞðÞðÞP11 101 0¼ð ÞÞ：R ¼第1页伊日¼ð ð ÞÞþ交货价ð ÞÞ：IJDtjðm-Þ¼内能可以表示为，E（单位：¼）asjv0sj22v00 S22月3日：11点图2. Greedy snake分割起始点没有和有膨胀（a）没有膨胀（b）Greedy snake起始点没有膨胀（c）膨胀输出（d）Greedy snake起始点有膨胀。该分割图像的边界可以用作贪婪蛇算法的初始蛇轮廓。为了提高贪婪蛇算法的分割精度，通过对分割图像进行膨胀来扩大分割图像的边界。 图 2显示了一个例子，选择的初始轮廓贪婪蛇算法没有和扩张。如果初始蛇轮廓被选择为图2（b），而不对如图2（b）所示的分割图像进行预处理， 2（a），则贪婪蛇输出可能错过一些肿瘤边界，因为初始轮廓位于肿瘤区域内。因此，如图2（c）所示的扩张使初始轮廓位于肿瘤区域之外，如图2（c）所示。 2（d）. 这种膨胀过程将增加分割图像的边界，从而进一步提高贪婪蛇算法的分割精度设S4= x;y = 0，对于阈值化图像S3 x; y的扩张输出，其中图像膨胀使用33结构元素，其被表示为2401035在这里，第一项使蛇的行为像膜。s值越大，拉伸时的内能越大。图像能量是边缘能量、线能量和终端能量的组合。Eim weEewl ElwtEt 3：12其中we、wl和wt是边、线和终止的权重边缘中的能量可以通过梯度来求出。蛇将被吸引向具有大图像梯度的轮廓。如果一个特定的边缘具有低的边缘能量，蛇将试图移动轮廓的边缘具有较高的边缘能量。根据wl的符号，蛇会被白线或黑线吸引。约束能量会把蛇移开，从该地区的某些特征。 设I为3 x; y是贪婪蛇分割图像，应用于模糊C均值聚类算法的输入。3.5. 模糊C均值聚类优化设I 3x; y是模糊c均值聚类输入，其被分割以获得优化图像I 4x;y。模糊C均值（FCM）算法从图像I3 x ; y中分割出一组数据X分成两个或多个集群。边界上的区域（像素）不属于特定的类（前景或背景）。这样的像素具有在“0 0”和“1 0”之间的隶属度，背景或前景的成员。FCM算法最初由Dunn提出，并由Bezdek扩展让3.4.贪婪蛇算法蛇形或活动轮廓是在图像内移动的曲线，其中存在最小能量。蛇移动并试图在外力和内力的影响下找到感兴趣区域的边界。蛇的初始轮廓可以从扩张图像S4的边界估计出来。使用从初始轮廓估计的初始轮廓对I2x;y进行分割以获得贪婪蛇分割图像I3 x; y图像迫使蛇轮廓向图像移动特征，如边缘和线条。设E为内能，图像像素的数据集是，X1;X2;.. ... . X Ng2013年3月13日数据“X”包含“N”个元素。簇的数目表示为即2≤cN。<设Mij是Xi在任何聚类“j”中的隶属度。设Rj为第j个聚类中心。设设FCM算法工作如下，1. 将隶属度矩阵M1/M2/M3/M4/M5/M6/M5/就当是我吧。Eex表示外部蛇力。因此，蛇的总能量表示为2. 在任何步骤“t”的聚类中心矩阵我不知道。EZEvs ds35PNM m XM蛇jN m1/1IJEZEVSEvs ds三六三。更新但是，但是，外力Eex是镜像力Eim和外部约束力Eco之和。Eco3： 7分Eim¼E ex1Pc. D组21t1/22013年3月15日EZ½EinvsEimvsEcovs]ds13：8节Dij¼vutXN1/12016年12月16日其中vs是曲线的参数表示。[2019 - 03 - 19 00：00：00][2019 - 03- 1900：00：00]蛇形曲线的内能是蛇形曲线的能量和样条曲线的能量之和。Ein¼EcrEcur3：104. 如果任何两次连续迭代的精度之间的绝对差小于终止值s，则停止迭代。马太福音1章-马太福音3： 17节否则，重复步骤2和3，直到等式（3.17）满足。þX-c结构元素.ð2013年3月 14日在MM我的天C. Jaspin Jeba Sheela，G.Suganthi/沙特国王大学学报561ðÞ××¼¼¼¼¼FCM聚类的工作原理是根据数据与聚类中心之间的距离为每个数据分配成员资格。如果聚类中心与数据点之间的距离较小，则数据点与该聚类的成员关系更大由于所提出的方法旨在将图像分割成两类（前景和背景），因此将聚类数c设置为2。FCM算法利用GreedySnake分割算法分割出的区域中的像素。贪婪蛇分割算法的边缘是准确的，因为边缘像素可能属于或可能不属于肿瘤端口。FCM算法将贪婪蛇算法分割出的区域内的完整像素分为两类，一类包含肿瘤组织的像素，另一类包含非肿瘤区域的像素。设I4 x; y为优化的分割图像通过FCM。3.6. 精确区域选择分别为0.7。FCM算法中的最大迭代次数t、终止值s和模糊指数m设为100，0.001和2。每个图像的大小是512 - 512，在实际分割之前，其最初使用具有3 - 3的掩码大小的中值滤波器进行图3示出了在预处理、背景消除（1级和2级形态学重建）、阈值处理、膨胀、贪婪蛇分割和FCM优化期间获得的输出图像。在这里，我们已经测量了指标，如特异性，灵敏度和骰子得分使用方程。（4.1），（4.2）和（4.3）分别。特异性也称为真阴性率，用于测量正确识别的实际阴性。灵敏度、特异性和Dice评分是二元分类测试（如分割）的性能。灵敏度也称为真阳性率，是正确识别的实际阳性的量度Dice得分用于衡量所提出的输出如何与地面实况分割结果匹配，如图所示。 四、FCM优化的分割输出具有多于一个的分割区域，如图所示。 2（a）-（e）. 精确的边界可以通过选择具有最大周长的区域来选择。因此，估计所有区域的周长，并选择具有最大周长的区域作为图2（f）-（j）中所示的准确区域。所提出的分割算法的分割输出是Zmx; ym。专属性TN公司简介灵敏度TPTPFFN骰子得分2×TPFN-2×TP-FP2019-04-2401：01：0014： 3分4.实验结果本节显示了所提出的分割算法的实验结果。数据集取自T1加权对比增强图像数据库，该数据库包含233个患者图像，具有三种脑肿瘤，如脑膜瘤、胶质瘤和垂体瘤，如表1所示。贪婪蛇算法中a、b、we、wl、wt的值分别为0.7、0.2、0.3、0.4和0.5。表1数据集的描述类型切片数量脑膜瘤708胶质瘤1426垂体瘤930将分割结果与地面真值输出进行比较，找出TN（真阴性）、TP（真阳性）、FN（假阴性）和FP（假阳性）。TP（真阳性）：如果基础真值是肿瘤，则输出也是肿瘤。TN（True Negative）：如果基础真值为非肿瘤，则输出为肿瘤。FP（假阳性）：如果基础事实是非肿瘤，输出是肿瘤。FN（假阴性）：如果基础事实是肿瘤，输出是非肿瘤。概率随机指数是比较肿瘤区域和非肿瘤区域两个部分的度量。PRI估计其标记在地面实况和所获得的分割结果之间一致的对的分数。PRI的范围为0到1。PRI 0相似，没有相似之处和PRI 1个，bles所有的分割是相同的地面真相。562C. Jaspin Jeba Sheela，G.Suganthi/沙特国王大学学报图3.第三章。基于最大周长的精确区域选择（a）-（e）FCM输出（f）-（j）选择的精确区域。C. Jaspin Jeba Sheela，G.Suganthi/沙特国王大学学报563¼þ图四、所提出的算法的实验结果（a）输入MRI图像（b）预处理图像（c）1级形态重建图像（d）2级形态重建图像（e）保持输出（f）扩张输出（g）具有初始轮廓的贪婪蛇模型输入（h）贪婪蛇输出（i）分段FCM输出（j）提出的分割输出。PRIa1a2a1a 2b 1b 22014年4月4日使用中值滤波器和预处理的图像如图所示。 5（d）-（f）. 将预处理后的图像背景最小化，a1=a2是分割的像素结果和地面实况之间的相似性，b1b2是分割的像素结果和地面实况之间的差。将所提出的脑肿瘤分割方法的性能与常规脑肿瘤分割方法的性能进行 比 较 ， 所 述 常 规 脑 肿 瘤 分 割 方 法 诸 如 K-means 算 法 （ Paul 和Bandhyopadhyay ， 2012 ） 、 Fuzzy-C-Means 算 法 （ Aparajeeta 等人，2016）、高斯混合模型（Wu和Corso，2012）、新阈值方法（Ilhan和Ilhan，2017）和交互式分割（Guotai Wang等人， 2018年）图5示出了用于预处理输出、膨胀、贪婪蛇输出、FCM输出和最终分割输出的图像。图5（a）阈值化并扩张以获得图5（g）-（i）中所示的扩张图像。扩张的图像被用作贪婪蛇算法的初始轮廓，其中贪婪蛇分割输出在图5（j）对贪婪蛇输出执行优化以获得图5（m）-（o）中所示的优化结果。最后，所提出的分割算法如图所示。 5（p）-（r）。图6示出了针对所提出的方法与常规方法（例如，GMM、FCM、K均值、新阈值方法和针对肿瘤（例如，脑膜瘤、神经胶质瘤和垂体瘤）的交互式分割）表2示出了所提出的方法和传统方法的骰子得分估计。骰子的得分似乎对所有人都很高图五.针对脑膜瘤类型的所提出的算法的实验结果（a）-（c）输入MRI图像（d）-（f）预处理图像（g）-（i）扩张输出（j）-（l）贪婪蛇输出（m）-（o）分段FCM输出（p）-（r）所提出的分段输出。564C. Jaspin Jeba Sheela，G.Suganthi/沙特国王大学学报0.40.90.80.70.6骰子得分0.50.30.20.10骰子分数分析脑膜瘤胶质瘤垂体瘤图图8示出了针对肿瘤类型脑膜瘤提出的方法和常规方法的灵敏度和特异性的图形比较。与传统的方法如交互式、新阈值、GMM、FCM和K-均值相比，该方法在所有三种类型的肿瘤中的灵敏度都很高。表3显示了针对肿瘤类型的建议方法和传统方法的灵敏度值。灵敏度为脑膜瘤分析方法1.210.8性能0.6图6.不同类型肿瘤（如脑膜瘤、神经胶质瘤和垂体瘤）的Dice评分的比较（建议方法和传统方法）。表2Dice-score在提出的和传统的脑肿瘤分割方法之间的比较评分0.40.20方法灵敏度和特异性图8.脑膜瘤拟定方法与传统方法的灵敏度和特异性性能比较三种肿瘤类型脑膜瘤、胶质瘤和垂体瘤的Dice评分分别为0.78、0.59和0.49。脑膜瘤类型的骰子得分提供较高的值，而垂体瘤类型提供较低的值。在三种不同类型的肿瘤中，所提出的方法的Dice-score大于传统方法。图图5和图7分别示出了肿瘤类型脑膜瘤和神经胶质瘤的 输 出 图像。表3提出的和传统的脑肿瘤分割方法之间的灵敏度比较。方法脑膜瘤胶质瘤垂体瘤K-means0.580.410.35GMM0.60.430.36FCM0.60.450.38新阈值0.620.470.4互动0.640.490.42提出0.670.510.44图7.针对神经胶质瘤类型的所提出的算法的实验结果（a）-（c）输入MRI图像（d）-（f）预处理图像（g）-（i）扩张输出（j）-（l）贪婪蛇输出（m）-（o）分段FCM输出（p）-（r）所提出的分段输出。方法脑膜瘤胶质瘤垂体瘤K-means0.650.490.4GMM0.670.520.42FCM0.690.520.42新阈值0.720.540.45互动0.750.570.47提出0.780.590.49C. Jaspin Jeba Sheela，G.Suganthi/沙特国王大学学报565图9.所提出的算法的实验结果对于PSNR类型（a）-（c）输入MRI图像（d）-（f）预处理图像（g）-（i）扩张输出（j）-（l）贪婪蛇输出（m）-（o）分段FCM输出（p）-（r）所提出的分段输出。10.90.80.7性能0.6胶质瘤分析表4提出的和传统的脑肿瘤分割方法之间的特异性比较。方法脑膜瘤、胶质瘤、垂体瘤K均值0.87 0.88 0.87GMM 0.9 0.9 0.89评分0.50.40.30.20.10灵敏度和特异性FCM 0.92 0.92 0.9新门槛值互动拟议数方法图10.针对胶质瘤的所提出的方法和常规方法的灵敏度和特异性的性能比较表5不使用FCM和使用FCM的方法的平均PRI方法脑膜瘤胶质瘤垂体瘤不带FCM的0.912470.9234120.89321PRI与FCM0.968430.9532420.9321410.90.80.70.6性能评分0.50.40.30.20.10胰腺肿瘤分析灵敏度和特异性10.950.90.850.8平均值0.750.70.650.60.550.5平均分析无FCM的PRI有FCM的PRI方法图11.针对肺肿瘤的拟定方法和常规方法的灵敏度和特异性的性能比较方法图12. .所提出的方法的平均PRI比较没有和有FCM。566C. Jaspin Jeba Sheela，G.Suganthi/沙特国王大学学报x 2 Py2G图13.建议的分割输出与一些测试图像的真实值的比较（第1行显示输入图像，第2行显示真实值结果，第3行显示建议的分割输出，第4行显示相应的HD值（mm））。脑膜瘤、胶质瘤和垂体瘤分别为0.67、0.51和0.44。该方法对所有类型肿瘤的敏感性均高于传统方法。图9示出了在不同阶段获得的Pastoris肿瘤的输出图像。图10显示了肿瘤类型胶质瘤的灵敏度和特异性的图示。该方法对胶质瘤的敏感性和特异性均高于传统方法图 十一岁所提出的方法的特异性被认为是高（0.94）的肿瘤胶质瘤相比，建议和传统的方法。所提出的方法和高斯混合模型的特异性是相同的肿瘤类型脑膜瘤和Pneumonia。如表4所示，发现脑膜瘤和垂体瘤的特异性为0.96和0.91。所提出的方法对于脑膜瘤和垂体瘤的特异性高于传统的交互式分割方法，但对于肿瘤类型胶质瘤的特异性相似。据观察，脑膜瘤和胰腺癌肿瘤的特异性被发现是相同的GMM和提出的方法。该方法对脑膜瘤、胶质瘤和垂体瘤等所有类型肿瘤的Dice评分和灵敏度均优于传统方法。对于肿瘤类型脑膜瘤、神经胶质瘤和垂体瘤，计算具有和不具有FCM的所有测试图像的平均PRI。平均PRI列于表5中对于不包括FCM块的所提出的方法，PRI较小在使用FCM算法的情况下，PRI在三种不同类型的肿瘤中增加，其在图1所示的图中描绘。12个。这表明FCM优化了肿瘤组织的边界Hausdorff距离（HD）给出最大表面距离度量。它代表肿瘤大小之间的最大差异。令G表示真实分割输出，P表示所提出的分割输出。然后，可以使用Hausdorff距离测量最大表面距离，HD最大值：10000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000哪里HP;Gmaxminjx-yj 4： 6图图13显示了建议的分割输出与地面实况结果的比较，以及少数测试图像的HD值。HD值是通过使用等式将获得的输出（P）与地面实况结果（G）进行比较而获得的（4.5）。发现所有测试图像的HD值均小于5这表明，从地面实况结果中分割的输出只有很小的变化下一节显示了所提出的分割算法的结论。5. 结论提出了一种MRI图像中脑肿瘤的自动分割方法。使用贪婪蛇算法和模糊C均值优化。该方法首先使用两级形态学重建来检测初始蛇轮廓，扩张和侵蚀通过阈值化形成掩模，重建图像。蛇的初始轮廓是从侵蚀面具的边界估计的。贪婪蛇算法使用初始轮廓分割感兴趣区域。利用FCM算法对分割结果进行优化。最后利用最大周长法选取精确分割区域。实验结果表明，对于脑膜瘤、胶质瘤和垂体瘤等不同类型的肿瘤，该算法在Dice评分、特异性和敏感性方面均优于传统方法。此外，建议的分割输出进行了比较，地面真理的结果，使用豪斯多夫距离。Hausdorff距离提供了较小的值，这表明，与地面实况结果相比，分割输出只有很小的利益冲突不存在利益冲突引用Ahmed，M.N.，Yamany，S.M.，穆罕默德，N.，Farag，A.A.，莫里亚蒂，T.，2002年。一种改进的模糊c-均值算法用于磁共振图像的偏场估计和分割C. Jaspin Jeba Sheela，G.Suganthi/沙特国王大学学报567数据IEEETrans.Med.Imaging21，193-199。https://doi.org/10.1109/42.996338.Angel Viji，K.S.，Jayakumari，J.，2013.改进的基于纹理的MR脑图像区域生长分割。 （：unav）。 https://doi.org/ 10.1109/cict.2013.6558183Angulakshmi，M.，Lakshmi Priya，G. G.，2017.自动脑肿瘤分割技术-综述。 Int. J.Imaging Syst. Technol. 27，66-77. https://doi.org//ima.22211.Aparajeeta，J.，南达，P.K.，达斯，N.，2016.改进的可能性模糊C均值算法在磁共振图像分割中的应用应用软件计算41，104-119。https://doi.org/10.1016/j.asoc.2015.12.003网站。Aswathy，S. U.，Glan Deva Dhas，G.，Kumar，S. S.，2014年。MRI脑图像中脑肿瘤检测的研究进展（：unav）。https://doi.org/10.1109/ www.example.com鲍尔，S.，诺尔特湖P.，雷耶斯，M.，Uer等人2011年。支持向量机分类结合分层条件随机场正则化的脑肿瘤图像全自动分割In：Fichtinger，G.，Martel，A.，彼得斯，T.（编），医学图像计算和计算机辅助干预- MICCAI 2011。Springer，BerlinHeidelberg，Berlin，Heidelberg，pp.354-361.https://doi.org/10.1007/978-3-642-23626-6_44.鲍尔，S.，维斯特河，诺尔特湖P.，雷耶斯，M.，2013.基于MRI的医学图像分析在脑肿瘤研究中的应用物理医学生物学58，R97-R129。网址：http：//doi.org/10.1088/0031-9155/58/13/R97本焦，Y.，2012.深度架构的基于一致性的培训的实用建议。在：Montavon，G.，Orr，G.B. ， Müller ， K.-.R. （ 编 ） ， 神 经 网 络 ： 交 易 技 巧 。 Springer ， BerlinHeidelberg，Berlin，Heidelberg，pp. 437-478. https://doi.org/10.1007/978-3-642-35289-8_26网站。卡布里亚岛 贡德拉岛 2017. MRI分割融合用于脑肿瘤检测。Information Fusion 36，1-9. https://doi.org/10.1016/j.inffus.2016.10.003网站。克 拉 克 ， MC ， 霍 尔 ， L.O. ， Goldgof ， D. B. ， Velthuizen 河 ， Murtagh ， F.R. ，Silbiger，MS，1998年基于知识的肿瘤自动分割技术。IEEE Trans. Med. Imaging17，187-201。https://doi.org/10.1109/42.700731网站。Cobzas，D.，伯克贝克，北卡罗来纳州，施密特，M.，Jagersand，M.，Murtha，A.，2007年使用高维特征集的3D变分脑肿瘤分割。2007年IEEE第11届计算机视觉国际会议在2007年IEEE第11届计算机视觉国际会议上发表，IEEE，巴西里约热内卢1-8.https://doi.org/10.1109/ICCV.2007.4409130达斯河，Devi，S.，2012年。 图像分割技术3，5.Essadike，A.，Ouabida，E.，Bouzid，A.，2018年基于Vander Lugt相关器的活动轮 廓 脑 肿 瘤 分 割 Comput.方 法 程 序 生 物 医 学 。 160 ， 103-117.https://doi.org/10.1016/j.cmpb.2018.04.004网站。Havaei，M.，戴维，A.，沃德-法利，D.，Biard，A.，库维尔，A.，本焦，Y.，C.C.，Jodoin，P. M.，Larochelle，H.，2017.使用深度神经网络进行脑肿瘤分割。医学图像分析35，18-31。https://doi.org/10.1016/j.media.2016.05.004.伊尔汉大学，Ilhan，A.，2017.基于新阈值方法的脑肿瘤分割。Procedia计算Sci.120，580-587。https://doi.org/10.1016/j的网站。procs.2017.11.282网站。Ilunga-Mbuyamba ， E. ， Avina-Cervantes ， J.G. ， Garcia-Perez ， A. ， de Romero-Troncoso，R.，Aguirre-Ramos，J.，Cruz-Aceves，H.，Chalopin，C，I.，2017.结合背景强度补偿的局部活动轮廓模型在MR脑肿瘤自动分割中的应用神经计算220，84-97。https://doi.org/10.1016/j.neucom.2016.07.057。坎德瓦尔河，库马尔，A.，Bhargava，S.，2014.回顾：现有的图像分割技术。Int. J.Adv. Res. Comput. Sci. 软件工程师 四、Morales，S.，Bernabeu-Sanz，A.，López-Mir，F.，González，P.，卢纳湖纳兰霍，五，2017年。BRAIM：一种用于神经退行性疾病和脑损伤体积分析监测的计算机辅助诊 断 系 统 。 Comput. 方 法 程 序 生 物 医 学 。 145 ， 167-179 。https://doi.org/10.1016/j.cmpb.2017.04.006网站。保罗T.U. Bandhyopadhyay，S.K.，2012年。从脑MRI图像中分割脑肿瘤重新引入K-均值改进的双定位方法。 Int. J. Eng. Res. 2，6.Selvaraj，D.，Dhanasekaran河，2013. MRI脑图像分割技术-回顾4，18。Shen，S.，Sandham，W.，Granat，M.，Sterr，A.，2005年基于神经网络优化的邻域吸引 法的 脑组 织 MRI模糊 分割 IEEE Trans. Inf Technol. Biomed. 9， 459-467 。https://doi.org/10.1109/TITB.2005.847500。Sujji，G.E.，拉克希米，Y.V.S.，吉吉，G.W.，2013.一种基于图像保持的MRI脑图像分割方法。Int. J. Adv. Comput. Res. 3，5.Wang，G.，李伟，Zuluaga，硕士，普拉特河，帕特尔，私人助理，Aertsen，M.，Doel，T.，大卫，A.L.，Deprest，J.，Ourselin，S.，Vercauteren，T.，2018. 使用深度学习的交互式医学图像分割图像特有罚款调音。IEEE Trans. Med. Imaging 37，1562-1573。https://doi.org/10.1109/tmi.2018.2791721网站。吴伟