人脑肿瘤的MRI识别与定位：医学信息学的新方法与应用

医学信息学解锁16（2019）100243人脑肿瘤的异质性与病变识别，定位和MRISudipta Roya，*，Debnath Bhattacharyyab，Samir Kumar Bandyopadhyay c，Tai-Hoon Kim d位于圣路易斯的华盛顿大学路易斯省的Comp.SC. 工程师：圣路易斯，密苏里州，63110，美国b印度维沙卡帕特南信息技术学院计算机科学与工程系，邮编：530049c计算机科学与工程系，加尔各答大学技术校区，加尔各答，700098，印度d韩国首尔成信女子大学融合安全系，邮编：136-742A R T I C L EI N FO关键词异常检测脑肿瘤分割异质性磁共振成像精度估计A B S T R A C T目的：准确识别脑肿瘤及其异质性是制定适当治疗计划的关键任务。一个可靠的全自动检测和分析方法的脑肿瘤是必要的有效测量的肿瘤及其范围。本文提出了一种计算机化的方法来检测和分析脑肿瘤水肿的MRI脑方法：计算机辅助诊断系统是集中在几个研究活动，并通过应用更好的图像分析算法，研究具有异质性的多样模态的脑图像的想法。提出的自动化现代方法包括几个阶段的图像分割，面积和体积calculation，和定位的结果，使用统计和无监督聚类预测方法。结果：所提出的计算机化方法的结果与参考图像进行了比较，并给出了非常有前途的结果。我们所提出的方法的性能也进行了评估与金标准最近的可比方法，我们的方法给出了更好的结果的准确性和误差指标的背景下。结论：所提出的方法能够改善来自多个标准数据集的不同病例的各种肿瘤1. 介绍近年来，自动诊断涉及医学图像分割，以从脑部的磁共振成像（MRI）中提取异常病变。肿瘤的类型因病变的性质、体积、形状、数量和部位等几个特征而不同。MRI提供了灵活的组织组成的先进的具体性，以进行适当的分割。正确的分割方法与图像的模态和组织的重要性有很高的相关性。由于颅内疾病的多样性，包括脑肿瘤、水肿、脑动脉瘤、特征、血管畸形、创伤、异质性或放射和（或）化学治疗的变化，因此识别异常在诊断和治疗中至关重要。计算机辅助诊断（CAD）方法为医生提供了一个新的维度，以实现更快，更完美的识别。CAD是场显式的，因为它对特定类别的疾病是精确的，专注于身体的特定部位，并且在诊断技术上是多样的。输入的种类包括指定的指示、病理检查、健康检查和与特定领域相对应的脑图像。这种CAD系统的开发要求很高，因为它们结合了分割、人工智能、机器学习、统计学、深度学习和MR图像分析的基础知识。这项工作提出了一个CAD结构，以帮助放射科医生在识别肿瘤病变的MRI扫描从人脑预测其性质。许多较旧的机制[1]处理实体肿瘤分割区域的问题。早期的工作是使用空间偏置k均值直方图为基础的聚类方法，而在后来的努力，作者应用多分辨率计算机生成的退火技术。一种更现代的工作-基于模糊C均值（FCM）聚类的阈值方法[2]被用来消除整个非大脑区域。的成果原文DOI：https://doi.org/10.1016/j.imu.2019.100246，https://doi.org/10.1016/j.imu.2018.02.006。* 通讯作者。电子邮件地址：sudiptaroy01@yahoo.com（S.Roy），debnathb@gmail.com（D.Bhattacharyya），skb1@vsnl.com（S.K.Bandyopadhyay），taihoonn@daum.net（T.-H. Kim）。https://doi.org/10.1016/j.imu.2019.100243在线预订2019年2352-9148/© 2019由Elsevier Ltd.发布可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuS. Roy等人医学信息学解锁16（2019）1002432通过中值滤波将聚类分割成切片以降低噪声，然后计算每个切片的最高熵阈值以确定可能的异常区域为肿瘤。在高背景强度值内的小缺陷病变识别产生不令人满意的结果。实验确定，提取阴影不规则性无助于分割发光异常病变。 广义模糊c均值算法，[3]与特征选择和局部空间知识一起使用，该局部空间知识基于不同特征之间的欧几里得距离与最近的分量有关。较差的视差、噪声和异质强度差异可以改变自动化方法的结果。无监督学习分割的结果与典型的无监督k-means技术进行了比较分析。K均值在科学背景中不太重要，因为多元脑MRI检测的标志可能很重要。采用K均值聚类技术[4]的彩色变换肿瘤分割正确分离肿瘤，以帮助病理学家正确区分病变体积及其量化。提出了一种基于关于估计的大脑规则性平面的不对称邻近的快速识别技术[5]。它被应用到许多数据集不同的异常程度，强度和位置，以识别和分割非常不同类型的大脑异常与相似的类型。基于非对称性的[5]成果包含了一组空间可变形模型的检测方法，并导致了特定的识别肿瘤。在他们工作的最后阶段，确定肿瘤区域以确定其位置和灰度统计特性。所取得的结果是有希望的，尽管作者承认这是一项为时过早的努力。一种改进的方法，用于提高精确形态学检测的优越性来增强脑部核磁共振成像的对比度小波变换通过将图像划分为小的子图像来进行分割[6]。其实际效用是，它可以帮助在很短的时间内从脑部扫描的大量MR图像在细胞水平上观察到肿瘤病变的异质性的含义;然而，遗传外观和营养需求的不同可以提供多样且活跃的微观背景，这在以前被占据为化疗对抗的主要特征。作者开发了[7]一种独特的细胞生物标志物， 一系列精确识别现有细胞中的遗传外观，而不改变可行性或内在生物学。异质性检测的一个关键部分是一个合适的度量，其（i）能够比较肿瘤形状，（ii）提供用于计算描述性统计和对肿瘤形状空间进行主成分分析的工具，以及（iii）允许肿瘤形状的丰富类别的连续变形。异质性分析的效用通过对诊断为多形性胶质母细胞瘤（一种预后不良的恶性脑肿瘤）患者的放射学图像数据集进行特定统计任务来说明。特别是，该分析发现了两个具有非常不同的生存，亚型和基因组特征的患者群[8]。此外，通过将肿瘤形状信息添加到包含预测能力的临床和基因组变量的生存模型中来改进。脑肿瘤分割[9]和分类技术，多模态MRI扫描被提出用于异质肿瘤分段。从预处理步骤中提取图像的灰度、灰度差、局部性和小波纹理等信息。合并的特征因此提供给基于决策树的分类以从不同类别猜测：背景、增强肿瘤、坏死和肿瘤周围水肿。然后使用非完全生长肿瘤和类标签来生成树数据结构以量化完全肿瘤、动态肿瘤和增强肿瘤。单细胞测序（SCS）[10]被用作了解生物肿瘤异质性的新技术。在特定细胞分离、扩大转录酶和测序的练习中实现了改进，这有助于SCS以非常高的分辨率从大量基因组中近几有时，SCS广泛用于不同的医学和研究领域，例如肿瘤学和产前分析，但SCS存在分割不足的问题。在SCS分析中，作者讨论了SCS技术的发展，并重点关注SCS的最新临床研究用途。为了解决分割不足的争议，提出了扩散张量成像（DTI）的各向同性（I）和各向异性（Q）机制的相互直方图校正[11]。他们用相互组织图研究了胶质母细胞瘤的异质性特征，并估计了其分析价值[11]。从DTI-I和-Q模型中挖掘像素，并用于构建相互直方图，分别为吸引区和非增强区。研究了它们的预测值，并使用一些数学度量[12]用实验因素进行了评估。通过仔细的像素收集（必须避免次优分割），为大多数患者建立了稳健的结果。提出了从MR图像中检测与肿瘤中心和水肿相连的不规则组织的完整技术[13]。该技术是基于超像素方法和每一个超像素的分类。从MRI中整个大脑内部的每个超级像素计算许多新的图像特征，包括基于强度的，Gabor纹理子，分形研究和曲率，以保证强分类。用支持向量机对随机树分类进行评价，将每个超级像素分为肿瘤和非肿瘤。这为神经胶质瘤的所有直接评估提供了与专家描述的密切竞争，为脑肿瘤识别和描述，以帮助患者组织。一种新技术提出了基于使用MRI的高斯混合建模的胶质母细胞瘤去除方法，用于脑肿瘤异质性检测[14]。他们集中在一系列新的功能，以识别胶质母细胞瘤使用T1，T2和FLAIR加权MRI。采用多阈值分割方法结合形态学处理对MR图像进行病理区域的识别。测量多分类器方法以评估面向特征的方法在其区分胶质母细胞瘤和正常组织的能力的条件下的选择性，但遭受虚假病变生成。这些实验结果能够提高异质性的特异性和早期肿瘤的及时治疗提出了一种新的方法[15]，用于检测多形性胶质母细胞瘤（恶性脑肿瘤的一种形式）的三维多通道MR图像序列中的显著性。 首先，增强三个通道，FLAIR（流体衰减反转恢复），T2和T1 C（对比度增强钆），以生成伪彩色RGB（红-绿-蓝）图像。该方法沿着三个主轴操作，以最大限度地提高计算效率，同时最大限度地减少有价值的3D信息的损失。因此，3D多通道MR图像显著性检测算法可用于生成统一且逻辑正确的3D显著性图，并具有在CAD中的实用性。将结果与2D显著性检测算法进行比较，并应用于大脑数据。对于所有的比较，发现在各种肿瘤类型、结构和位置上，受试者操作特征（ROC）曲线下面积超过90%。但是这种方法对于没有很好定义的边界不起作用。通过结合势场分割（PFS）和其他方法生成的结果，提出了一种集成方法[16]，以实现融合分割。势场聚类是基于物理学中势场概念的类比。在MRI中，像素的强度被看作是一个潜在的“质量”，领域具体而言，对于MRI中的每个像素，势场为计算，并且如果小于自适应电位阈值，则将PIXEL与肿瘤区域相关联。PFS作为一种独立的分割方法，其性能相当有竞争力，但需要调整的参数较少。提出了基于Berkeley小波变换（BWT）[17]的脑肿瘤分割方法，结合支持向量机（SVM）提高了准确率和质量率。的S. Roy等人医学信息学解锁16（2019）1002433¼¼- - -一种þ þ ¼v¼钇-钇范围是00表示255。如果灰度值k的出现高于其预基于准确性、灵敏度、特异性和骰子相似性指数系数，对BWT技术的实验结果进行了评估、验证，以用于磁共振脑图像的性能和质量分析。所提出的方法适用于集成临床决策支持系统的初步筛选和诊断的放射性，提取大脑部分并将其与非大脑部分区分开。由于MRI图像的前景和黑色背景之间存在着巨大的灰度差异，因此采用基于标准差的阈值化方法对图像进行二值化，从而有效地识别出脑肿瘤。�1 如果gx;y>σ医生或其他临床专家。但通过对分类器g1 x;y10 如果（3）利用多于一个的分类器和特征选择技术的组合。通过利用直方图和熵来使用聚类选择的自动数量[18]这个数字被用于K-mean聚类算法。但是作者没有发现自动聚类检测的准确性很高。该文献中讨论的先前方法遭受过分割、欠分割、多个病变识别、小病变识别，并且不能分割异质病变以进行识别。我们提出的方法解决了现有的问题，并有效地测试了不同类型的MR图像与不同类型的肿瘤。没有人为干扰，协助医师加强对人脑异常的诊断，进行进一步治疗。提出的检测方法的定量和实用的研究，以及分割的结果，灰度图像具有0到L-1的范围，然后通过使用s L1r来进行负转换。 然后对二值图像进行求补，该技术采用g2（X，y）1-g1（X，y），准备好小波分解的下一步本文首先实现了函数g2（X）εL2（R）的小波延拓，并与小波函数εL2（X）和延拓函数ε L2（X）进行了比较。在应用小波到第二级后，非脑切片完全从脑组织中分离出来大脑以断开的形式，但可能对该方法没有帮助，因为存在异常可能丢失的可能性，并且为了校正这种困难，应用了快速外壳算法[22]。点在曲面中的特征在于保持x和y坐标的point（X，y）。三元组（a，b，c）中的一条直线，使得线性方程的系数a，b和c为ax通过C0通过1连接。的点（X1，y1）q1和q2的点（X2，y2），则贯穿q1和q2的方程线为个别异常。x-x1¼y-y1（四）手稿的其余部分组织如下：建议的方法在第二节中描述，结果及其讨论是x2-x1y2-y1在第三节中描述。第IV节描述了与竞争性金标准方法的比较研究。最后，我们得出结论，常数a、b和c的结果是a¼（y2-y1）; b¼-（X2-X1）;和c¼ y1（X2-X1）线段s1的典型特征在于：在第五节工作。2. 拟议方法来自T1、T2和T3的多个图像数据库[19 此处使用包含多个图像切片的PD MR图像。所提出的方法能够分割完全增强的小肿瘤病变、连通病变、多个病变和异质性病变。异质性病灶和多发性小病灶的分割是肿瘤识别和分割中最困难的问题。分析肿瘤的异质性有助于提高诊断质量。通过应用小波变换、统计动态阈值和快速外壳方法减少了伪病变的产生。通过多相水平集和基于尖峰的层次结构生成的组合来确定异常的存在。利用幂律变换进行肿瘤病灶分割。提出的滤波方法可以有效地去除E-X瞬态损伤。通过熵、k-means分类器确定异质性，最后用三维构造法进行量化。的 MR图像 转化 为灰度级 图像使用R、G和B分量的单独加权求和。令f（X，y）是输入脑MRI，g（X，y）是后处理。在此基础上进行图像二值化，构成预处理方法，并根据灰度值的标准偏差进行阈值选择。平均值定义为样本数除以总强度。M-1图像中出现在末端的（p，q）点对。将多边形P的一组点称为P的顶点，将P的相邻顶点之间的截面称为P的边，如果P的两条边的相交只发生在一个规则的端点顶点上，则假设多边形P是不相交的。一个多边形是凸的，如果它的所有内角都小于p。快速船体[23]实现算法以应用该凸壳。然后凸二进制图像现在包含唯一的大脑。将该凸二进制图像与原始图像相乘，并且所得图像（g2转换为gr）没有任何先前存在的伪影、噪声和颅骨，因为这些去除对于脑异常检测是关键的。2.1. 存在肿瘤检测在伪影和颅骨去除预处理后，测试是否存在异常。通过三个隶属函数对预处理图像执行三个区域水平集分割[24]，以清晰地分割三个不同的区域。为了在MRI中正确识别不同组织，使用迭代三区域水平集技术。水平集的重复取决于尖峰的总数。如果锐峰的总数大于3，则重复水平集方法。由于采用三相法，我们选择了尖峰三。峰是从直方图计算的。具有在0到G范围内的L，可能强度分布的脑的直方图被指定为离散函数：第1055章：一个人的世界（ 5）μ¼1XX gx;y（1）这里，r，k是第k个，是在0到G之间的范围内的强度水平，MNx <$0 y <$0方差表示为v，等于1除以样本总数，再乘以从平均值中扣除的每个数据之和的平方标准偏差，表示为c，等于方差v的平方根，如下所示。nk是强度正好为rk的像素的总数。由于255是G的最高可能值，因此nk表示在0和255之间的间隔中对于每个灰度值k出现不同像素。为了计算尖锐的峰值，我们必须首先计算峰值。峰值计算的过程通过选择前三个和后三个来组织在类似于（k-3）的四舍五入方法中，对于每个灰度值k的相邻位置菲菲vutffififfi1ffififififfiXMffififfi-fiffi1ffififiiXffiNffiffi-fiffi1ffififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififififix <$0 y<$0（k-2）、（k-1）、（k-1）、（k-2）和（k-3）。 强度将得到的标准差强度值作为阈值强度，对脑部MR图像进行二值化，出现明显的三个相邻和三个柱相邻灰度值，则k 被识别为峰值（pk）。因此，pk可以定义如下：σ¼MN（二S. Roy等人医学信息学解锁16（2019）10024343¼ ¼ ¼¼XX¼� X2J我J.我pk<$nk 如果nk-3nk-2nk-1nknk <$1 nk<$2nk<$3（6）<<<<<<由上述等式（6）记录的峰的总数除以3来计算锐峰出现。如果我们考虑pk的数量是npk，则尖峰spk被定义为：2.4. 异质结检测在检测和分割之后，执行该异质性检测和分析。我们介绍了一种使用直方图和熵的方法，在使用任何这些之前确定聚类的数量spk<$npk（七）聚类技术在这里，我们使用k-means方法进行聚类。在确定聚类数时，我们必须取我们只考虑前三个和后三个来计算峰值，因此当我们计算spk时，我们使用npk除以三。根据这个尖锐的峰值，我们重复水平集分割，并准确分割大脑和非大脑的不同组织彩色图像并将其更改为灰度图像。熵被用来测量用于区分异常病变的纹理的紊乱。颜色分量的熵E的数学表达式为：大脑部分的磁共振图像。 我们不对条件尖峰小于或等于三。然后它会生成一个等级-熵¼-XPjlogPj（十一）奇卡尔 结构[24] 到 区分 之间 正常和异常脑组织正常和异常脑组织具有不同的层次结构。因此，正常大脑的特定层次结构的破坏表明肿瘤的存在2.2. 肿瘤病灶分割现在，这种检测到的异常图像需要分割和量化的异常区域。分割和检测异常的电源-在将图像转换为灰度后，我们可以使用直方图函数找到该图像的直方图。直方图中的箱的数量根据MR图像类型是精确的。范围函数要求在形状到新强度值的范围内变化强度值在0到255之间。现在，在得到图像的直方图之后，我们计算该直方图的平均值，并计算该直方图高于平均值的数量。M-1律变换应用于基本形式的灰度图像，Iavg¼1X Xgranulx;year（12）免费的;免费的（八）MNx <$0y <$0这里，Iavg是直方图峰值的平均值，M，N是γ>1时的γ转换值与cγ 1时的γ<通过设置γ3和c1，在伽玛变换方法中不规则段变得更加突出.总强度通过将平均值减去加权标准偏差值来计算。因此，总阈值由下式选择：图像尺寸。根据这个平均值，我们计算出大于该平均值的峰的数量，并丢弃那些小于该平均值的峰。然后我们计算在它们之前和之后大于三个峰的尖峰的数量这也是一种检测聚类数的方法该峰的数量被认为是设X是{x1，x2，x3，，xn}是一个点1M-1vuffffiffi1ffffffiffiXMffiffi-ffiffi1ffiffiXffiNffiffi-ffiffi1ffiiiiiffffi ffi iffiffiffi2ffi和V{v1，v2，，vc}是中心的集合然后偶然地选择‘然后计算出T¼MNx <$0y <$0grx;y-tMNx <$0y <$0 钇-钇（九）每个数据都指向聚类中心。然后通过以下方式将目标函数最小化为平方不准确度函数：从最终强度T中选择异常病变，二进制输出的形式，并存储在gr（X，y）中。XX.��发x y�0 �P于我��（十）中慈1/1j1;1 grams x;y>T在这里，v �gr是二值化结果，其包括异常病变以及正常脑组织作T2和PD型MR脑图像。第i个簇中的记录总数将记录分配给组中心，其到组中心的距离是所有组中心中的最小值，然后使用以下公式重新计算新的组中心2.3. 滤过性肿瘤病变因此，在T1、T2和PD类型的图像中，vi¼1ciXCij1（十四）二进制结果。因此，需要过滤以提取正确的异常病变。沿垂直线（两叶之间的分离线）对位于中心总高度1/6范围内的连接组件进行更改，连接组件的质心位置必须在中心水平距离的1/4范围内[25]。选择范围的规格表示胼胝体的可能出现。如果在该区域内找到任何区域，则沿水平直线左右比较。如果沿水平线在范围内发现任何区域，并且对象大小在1.5倍范围内，则使两个区域消失。如果任何区域在质心上找到对称线（水平），但不是1.5尺度，则删除较小的一个（这是因为如果任何异常与胼胝体有关），如果它属于沿x方向距离中心1/3以内，沿y方向距离中心1/3以内。因此，通过选择特定区域并将其存储到fa（X，y）中来执行从二值化结果中过滤异常组织。如果没有记录被重新分配，则停止递归，否则从新的类别重复。作为结果，我们已经检测到k个中心一步一步地改变它们的位置，直到没有额外的修改或者在其他中心不再移动。3. 结果和讨论所提出的方法被应用到一组数据集的ab-abnormal检测。分割后的不规则肿瘤病灶和异常病灶的位置输出在不同类型肿瘤的分析和治疗计划制定中起着重要的作用。所提出的系统提供了非常优越的结果，肿瘤识别和分析不同的MR脑图像，后来的异质性分析。肿瘤的定位也是鉴别异常恶性程度的重要手段。我们的技术显示了肿瘤病变的顶部、底部、左侧和右侧点，并具有肿瘤区域的清晰质心，从而提高了诊断质量。下图显示了所提出的方法的结果，说明了早期在图像标准数据集上测试的结果[19-21 ]。 图 1（A）是原始图像，图。 1（B）我我-我S. Roy等人医学信息学解锁16（2019）1002435图1.一、 肿瘤图像结果。A）是脑图像的输入MR，B）是分割的异常区域; C）是肿瘤病变的位置和质心是节段性肿瘤病变提出的方法应用于伪影和颅骨的去除，提高了识别质量，减少了误差，提高了准确率，减少了误检。图1（C）是输出的肿瘤病变位置，蓝色点位于顶部、底部、左侧和右侧。大脑的上、下、左、右点由四个绿点表示，两条直线的交叉被认为是大脑的中心点这里，分割的肿瘤病变和位置在图2所示的输出中清晰可见。提出的方法在正常和异常肿瘤图像上进行了测试，并且分割减少了正常区域图像的错误检测。另外两个具有分段肿瘤病变和具有不均匀性质的病变位置的脑图像的MRI示于图1中。 二、使用我们提出的方法分割的区域和它们对于十种不同类型的肿瘤病变的位置如表1所示。人工辅助分割的区域也写在专家输入图像对应的表格中.下表1中示出了肿瘤病变的质心位置的位置以及肿瘤病变的不同定位与X坐标和Y坐标之间的距离。四种主要类型的肿瘤肉瘤、脑膜瘤、转移性支气管癌和胶质瘤的分割结果如图3所示。多个肿瘤分割，异质肿瘤分割，和错误检测的问题，解决了使用建议分割。从分割结果可以清楚地看出，该方法可以在视觉上分割出不同类型的肿瘤，并且误差较小，准确率较高。3.1. 肿瘤异型增生该方法解决了非均匀肿瘤分割问题。提出的方法能够分割异质性病变，并从这个分割的肿瘤区域。图1示出了具有I级胶质瘤的异质肿瘤分割和通过Kmeans聚类的它们的异质结构分割。下面4个。图4（B）是由明亮白色结构;坏死区为黑色结构和肿瘤中心的死细胞。所提出的方法的性能非常优越。使用计划的计算机化的方法，提前发现的肿瘤被证明，以提高效率和准确性的临床实践。我们的方法用于分割肿瘤，以帮助病理学家准确区分肿瘤区域和肿瘤类型。3.2. 体积和3D表示在本节中，描述了根据2D MR图像的体积计算和三维（3D）建模。每个MR图像使用异常检测方法进行分割，并依次推入堆栈以形成3D立方体。根据MR切片中每个分割病灶的区域和层间距计算出病灶缺损的体积。该体积和3D视图有助于神经外科医生通过手术准备做出决定。但是，将该序列的2D图像改变为3D图可能会产生信息丢失，并提供对脑MRI内存在的肿瘤的体积和形状的不正确分析。此外，2D图像无法精确地描绘大脑中人体结构的复杂性，因此需要3D结构来传达大脑中的确定尺寸。因此，需要从一系列2D图像中创建3D图像，以提高对肿瘤拓扑结构和特征的理解。3.3. 二值分割图像体积和3D视图取决于异常的正确检测和目标是在根据Z轴堆叠2D图像的过程中使分割图像现代化，并提高成像的可量化性作为必要步骤。在这里，每个2D矩阵Xfa（X，y）被推到每个其他矩阵的顶部以构建3D模型。在指示实时划分的两个图像之间保持不同的分区L。图示的技术看起来像图。 五、图 5是基于2D矩阵的堆栈，其被测量为3D矩阵。图二. 异质性肿瘤图像的结果。A1、A2）是脑图像的输入MR，B1、B2）是分割的异常病变; C1、C2）是肿瘤病变的位置和质心S. Roy等人医学信息学解锁16（2019）1002436¼表1肿瘤病灶定位和不同切片之间的距离图像编号中心到质心顶部到顶部底部到底部左到左右到右分割区域X坐标Y坐标自动手动T1 43.312 9.1143 63.28 96.1769 103.237 12.64 974 959电话：+86-15.585 43.441 6.403 110.639 50.6952 80.62 1908 1901T3 46.511 0.4366 90.42 87.2067 99.8499 7.211 890 877电话：+86-13.052 49.368 13.60 103.121 49.6488 84.31 1911 1908电话：+86-051 - 8888888传真：+86-051 - 8888888电话：+86-051 - 8888888传真：+86-051沪ICP备16004470号-1电话：+86-510 - 8888888传真：+86-510 - 8888888电话：+86-051 - 8888888传真：+86-051 - 88888888T10-21.252 8.6463 52.46 68.3593 26.5707 73.82 246 256图三. 四种主要类型的肿瘤肉瘤、脑膜瘤、转移性支气管癌和神经胶质瘤，B）和D）是输入图像A）和C）的分割结果;其中1用于肉瘤，2用于转移性支气管癌，3用于脑膜瘤，4用于神经胶质瘤。使用异常病变的面积计算肿瘤的总体积，并使用两个连续切片之间的距离或切片宽度计算面积。设切片面积为A1，A2，A3，...，An，n个切片的切片间距离为L1。如果层厚为0.5，则异常病变体积计算如下：V¼A1L=2*A1A2A2L=2*A2 A3A3：（十五）（L/2）*（A1 <$A2），（L/2）*（A2 <$A3），切片间区域，以减少体积误差。切片间距离L可以根据MRI切片的厚度而变化。如果厚度为X，层间距为y，那么我们需要计算（（y/X）-1）/2倍的 总面积（例如，A1至A2）。3.4. 体积和3D视图在这里，包含肿瘤细胞的MRI切片被用来模拟3D大脑异常。这些切片在两个卷S. Roy等人医学信息学解锁16（2019）1002437见图4。脑肿瘤的异质性，A）是输入胶质瘤I级，B）是分割结果，C）显示其异质性。图五. 基于堆栈的3D模型。计算和3D创建过程。为了验证投影方法，使用了20个不同的数据集，但在图21中仅示出了一个包含12个切片的肿瘤的数据集[21]。第六章每个分割的肿瘤病灶的面积如表2所示，并计算两个切片之间的切片间面积。切片间区域用于减小误差。这种方法的体积确实取决于分割的准确性。体积的准确程度与分割的准确程度相同。一组脑图像的肿瘤体积取决于两个切片之间的切片间距离。切片间距离可以动态地改变，这取决于给定的输入和数据集。一些没有肿瘤细胞的切片被认为是无效切片并被丢弃。这些图像提供作为3D模型的输入，该模型在切片集上工作，并在图中的红色区域中显示。第七章生成的3D图形可以沿任意方向旋转，而BOX包围图形提供了沿轴向任意方向旋转的输出3D图形的策略。该方法对肿瘤和其他异常的体积恢复给出了良好的结果。上述切片的计算机化体积（AV）和手动预期体积（MV）及其相对面积误差[25，26]见下表3实验结果表明，我们的三维建模方法可以在很短的时间内生成真实的三维模型，并可以支持放射科医生识别，诊断肿瘤的阶段和治疗计划。3.5. 性能研究视觉评估是好的，但可视化可能会因人而异，并有偏见。参考手动分割图像的性能测量技术进行精度和误差计算。异常病变分割过程面临的一个显着的复杂性是缺乏一个很好的金标准方法，考核正确性用于通过相对误差（RE），Kappa指数（KI），JacardInex（JI），正确检测率（CDR）和错误检测率（FDR）来估计我们方法的性能[26]。一种方法。当KI、JI、CDR值较大，FDR、RE值较小时，最优方法的KI、JI、CDR值最高，FDR、RE值最小下表4显示了10个图像的不同性能指标（RE、TP、KI、JI、CDR和FDR），用于估计误差和我们结果的10个肿瘤分割结果和性能如表4所示。相似性指数对大小和位置的变化都很敏感。对于相似性指数，位置上的不相似性被更鲁棒地复制到大小上的不相似性，并且KI> 90%表示更好的分割结果。在所提出的研究中，KI在大多数情况下达到90%以上，因此根据KI指标提出的检测方法产生了突出的结果。JI指数对分母和分子修改之间的不相似性具有增长或下降的重叠更敏感，并且在我们的方法中达到最大次数超过90%，这表明所提出的检测方法对正确检测是乐观的。CDR表示由参考区域标准化的准确检测区域，并且CDR不受大小的影响。因此，CDR不仅表示相似性，而且还与FDR或其他数学度量一起使用。高KI和JI值意味着正确的分割，没有虚假病变生成，没有错误检测。该高CDR表示正确检测。因此，所提出的分割方法不会遭受欠/过分割、假病变生成和错误检测。FDR证明了分割区域的不准确性，并表示未放置在真实分割中的区域。CDR提供了对分割的极好评估，因为大多数时候所提出的方法给出大于95%的CDR和小于10%的FDR，并且RE非常低（大多数时候小于10%）。然而，重叠计算依赖于对象的大小和轮廓难度，并且与图像采样相关联。RE和CDR越小，表示分割不足、过度分割和假病变生成越少。因此，所提出的方法产生非常称职的结果，不同的大脑MRI，视觉上以及数学上准确，具有良好的准确性和低错误率。4. 比较分析将所提出的方法与基于K均值[27]、图谱引导[5]、FCM [28]和形态学[29]的方法进行比较，一个输入图像的结果如下图8所示。FCM和形态学方法存在过度分割和假病灶产生的问题。K-means和atlas引导的分割显示出良好的结果，但它们也遭受错误检测（胼胝体作为异常组织）。所提出的检测方法的结果在图8（f）中示出，其正确地分割异常病变并生成伪病变，并且其给出了比其他方法更好的结果。用于评价拟定方法与其他金标准方法的性能指标为RE、KI、JI、CDR和FDR [26]。不同性能评估指标RE、KI、JI、CDR和FDR的柱形图图形表示如图所示。 9，Fig. 10，Fig. 11，Fig. 12和图 13岁针对所提出的方法、Kmeans [27]、FCM [28]、形态学[29]和图谱指导方法[5]的RE误差度量（%）的柱形图设计如图9所示。RE不依赖于与面积误差相关的真正值。与参考图像的面积差是影响RE的一个重要因素。FCM和形态学具有高RE，因为它跨越25个最大图像。Kmeans [27]和atlas [5]的性能优于FCM [28]和形态学[29]。但是所提出的方法对于任何图像都没有达到11以上，这是良好分割的良好指示。这一高RE表明现有的方法存在过度分割和虚假病变的问题S. Roy等人医学信息学解锁16（2019）1002438图第六章（I1 ~ I12）是输入的脑切片的MRI，（O 1 ~ O 12）是作为二值图像的切片中的对应的检测出的肿瘤病变。表2单个切片面积及其切片间面积，以计算异常病变的体积。输入序列区输入序列区输入序列区1 0 5 558 9 132112 0 6 863 10 87523 0 7 1084 11 53634 0 8 1120 12 04代，但提出的方法克服了这个问题。不同方法的性能评价指标的平均值如表5所示。拟议方法、Kmeans [27]、FCM [28]、形态学[29]和图谱指导[5]方法的KI指标（%）的列表示如图10所示。所提出的方法对于所有类型的脑异常达到90%以上。在这里，形态学的表现优于Atlas和FCM。因此，所提出的方法产生了相对于KI度量的最佳结果，这意味着减少了过度分割、分割不足和伪病变生成非常小。拟议方法、Kmeans [27]、FCM [28]、形态学[29]和图谱指导方法[5]示于图 十一岁所提出的方法对于所有类型的脑异常达到90%以上Kmeans和形态学的表现优于Atlas和FCM。因此，所提出的方法产生了更好的结果相对于KI度量，这意味着减少过分割和分割不足。该方法的KI和JI值高于现有的金标准方法，反映了该方法与参考图像的相似性。图12显示了所提出的方法、Kmeans [27]、FCM [28]、形态学[29]和图谱引导[5]方法的CDR度量（以%为单位）的列表示。所提出的方法对于所有类型的脑异常达到90以上。Kmeans和FCM的性能优于Atlas和形态学。CDR反映了真实的片段，但不担心错误检测和假病变的产生。所提出的方法、K均值[27]、FCM [28]、形态学[29]和图谱引导[5]方法的FDR度量（以%计）的列表示如图13所示。所提出的方法为所有类型的大脑异常生成不到10个。Atlas和K-means的性能优于FCM和形态学。低FDR意味着更少的错误检测、欠分割和过分割。因此，该方法克服了错误检测，过度和欠分割的问题，与其他现有方法相比，虚假病变的产生。性能指标的平均值如表5所示，其柱状图表示如图5所示。 14个。表5和图14清楚地表明，现有的方法K-均值[27]，atlas [5]，FCM[28]和基于形态学的[29]S. Roy等人医学信息学解锁16（2019）1002439表3图第七章 3D视图。A）、B）和C）是来自分割的异常病变的3D模型的不同视图分割的KI、JI和CDR值一般，但RE和FDR值也较大。所提出的方法减少了存在的假病变的问题体积计算的RE误差指标AVMVRE总切片数（%）1212714124352.24生成、过分割和错误检测。因此，所提出的方法给出了改进的结果比其他三个可比的方法在各个方面。我们的研究目标是通过改进肿瘤病变分割的基础上，现有的系统的结果，并成功地执行。在不引入过多错误检测的情况下更好地匹配医生结果的目标也得到了成功满足表4建议方法的性能测量指标。图像序列作为MSRETPKI纪CDRFDRT19749591.56194998.1896.4498.952.60T2190819010.36184696.9294.0397.103.26T38908771.4886798.1396.3398.852.62T4191119080.15189899.3998.8099.470.68T5128713111.83125196.3092.8795.422.74T6372537400.40371499.5099.0199.300.29T7286028490.38282598.9697.9599.151.22T8127112065.38118395.5191.4298.097.29T9137813025.83128395.7491.8398.547.29T102462563.9024296.4193.0794.531.56见图8。比较方法的结果。A）是输入图像，B）是FCM的输出，C）是Kmeans的输出，D）是形态学的输出，E）是图谱引导的输出，F）是所提出的方法的输出图第九章 柱形图表示中的RE度量。S. Roy等人医学信息学解锁16（2019）10024310图10. 柱形图表示中的KI准确性度量。见图11。 柱形图表示中的JI准确度度量。见图12。 柱形图表示中的CDR准确性度量。图13岁 柱形图表示中的FDR误差度量。表5性能指标的平均值。5. 结论所提出的自动化方法可以有效地从MRI扫描中准确识别肿瘤的面积、体积、肿瘤病变的异质性和病变的位置。这对早期、可靠、正确地识别肿瘤，及时诊断和分析治疗具有重要意义。我们提出的计算机化方法可以用于观察和分类大脑异常与高准确性，并可以积极促进改善这种医疗REKI纪CDRFDR该方法7.2712992.835892.949695.42316.78505K-means23.310686.877777.261694.472924.085FCM28.877182.545471.232890.475029.7679形态25.801784.472074.018591.764327.1635导游23.426181.396570.057484.968624.2282S. Roy等人医学信息学解锁16（2019）10024311图14个。 总体平均性能度量指标的柱形图表示。系统.所提出的方法的输出是令人鼓舞的，具有更大的预测不同类型的异常检测问题