基于特征融合的多模MRI腦腫瘤分割.pdf

1、在醫(yī)學(xué)影像中，核磁共振成像（Magnetic Resonance Imaging，MRI）是一種重要的成像技術(shù)，此成像技術(shù)有著高質(zhì)量的圖像顯示效果，已被廣泛應(yīng)用于醫(yī)學(xué)中對(duì)人體各組織器官病變的診斷中，特別是對(duì)腦部病變組織的檢測(cè)。MRI腦腫瘤分割在實(shí)際的臨床診斷上提供了很大的幫助，如何能夠更快速準(zhǔn)確的分割出腦腫瘤是MRI腦腫瘤研究的難點(diǎn)。又因腦腫瘤核磁共振圖像的可變性和復(fù)雜性，以及腦腫瘤的大小、形狀都各不相同，對(duì)腦腫瘤特征的提取就顯得尤為重

2、要。近年來(lái)，關(guān)于此方面的研究也有很多，雖然有很不錯(cuò)的效果，但是在此研究領(lǐng)域還有廣泛的提升空間。
　　本文主要研究MRI腦腫瘤分割：將Gabor小波提取的腦腫瘤特征與卷積神經(jīng)網(wǎng)絡(luò)提取的腦腫瘤特征用特征融合方法形成新的特征，然后在此改進(jìn)算法的基礎(chǔ)上引入了一種新的降維方法——核熵成分分析算法對(duì)融合后的特征進(jìn)行降維，并取得了不錯(cuò)的效果，具體工作內(nèi)容如下：
　?。?）分析了 Gabor小波算法的基本原理，使用5個(gè)尺度和8個(gè)方向的40個(gè)

3、 Gabor濾波器進(jìn)行卷積，提取特征，并將卷積后的結(jié)果作為特征向量，然后驗(yàn)證了基于SVM（Support Vector Machine）的腦腫瘤分割，并對(duì)分割結(jié)果做后處理，將其在GBM數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，并對(duì)結(jié)果進(jìn)行分析。
　?。?）分析了卷積神經(jīng)網(wǎng)絡(luò)的基本原理，研究了卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練過(guò)程。在卷積層作卷積運(yùn)算，增強(qiáng)了原始信號(hào)強(qiáng)度，降低了噪聲；在降采樣層對(duì)前層圖像作抽樣處理，此方法在保證不降低有用信息的基礎(chǔ)上減少了需要處理

4、的數(shù)據(jù)量。在卷積神經(jīng)網(wǎng)絡(luò)中還使用了參數(shù)減少和權(quán)值共享等方式，提高了運(yùn)算速度。將其應(yīng)用到GBM數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，并分析其優(yōu)勢(shì)和劣勢(shì)。
　?。?）為了提高分割的精度，提出了將人工選取的特征與機(jī)器學(xué)習(xí)的特征相結(jié)合的方法。展開(kāi)了特征融合的相關(guān)工作，即將 Gabor小波和卷積神經(jīng)網(wǎng)絡(luò)提取的特征根據(jù)特征融合中的串行組合方式串連成一個(gè)列向量作為新的特征向量，同時(shí)基于核熵成分分析對(duì)融合后的新特征作降維處理，然后對(duì)降維前與降維后的特征分別用SVM進(jìn)