本技术涉及一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法，包括下列步骤：数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理；搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到网络模型中进行训练，以便融合不同模态的不同特征，进行更精确的分割；将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练。
权利要求书
1.一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法，包括下列步骤：
1)数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次
对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理。
2)搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到网络模型中进行训练，以便融合不同模态的不同特征，进行更精确的分割：以用于生物医学图像分割的卷积网络3D U-Net作为基础，网络包括一个用于分析整个图像，获取上下文信息的分析路径和一个连续扩展的合成路径实现精确定位以产生全分辨率分割输出；
每个路径都有四个分辨率步骤层，两条路径中每层均包含两个内核大小为3×3×3的卷积层，每个卷积层后跟一个ReLu激活函数；相邻两层之间分别是最大池化层和上采样层，步长均为2内核大小均为2×2×2；为避免瓶颈，分析路径中在最大池化层之前已将通道数量加倍，合成路径中同理；在最后一层，内核大小为1×1×1的卷积层将输出通道的数量减少到标签数量；
在为合成路径提供基本的高分辨率特征的来自分析路径中同层的快捷连接中加入注意门(Attention Gate，AG)模型，将从下一分辨率层提取的粗尺度信息作为门控信号，用来删减跳过连接中的不相关的特征，突出显示通过跳过连接传递的显著特征，搭建基于注意机制的改进卷积神经网络模型，称为AG_UNet；
对所有卷积层的非线性部分采用leaky ReLu激活函数，标准化方式采用实例标准化，在训练过程中使用随机翻转，随机缩放，随机弹性形变和镜像等数据增强技术进行数据增强，并选用多类Dice损失函数作为损失函数；
将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练；
3)测试分割结果：当基于注意机制的改进卷积神经网络模型训练好后，在测试集上测试模型。
技术说明书
基于注意机制的改进卷积神经网络脑肿瘤图像分割方法
技术领域
本技术应用于医学图像处理领域中的一个重要领域，将医学图像处理和深度学习算法结合起来，完成三维脑肿瘤核磁共振图像精确分割。
背景技术
脑肿瘤是一种严重威胁人类健康的疾病，由于其大小，形状和位置的明显不同，使得对脑肿瘤组织类型的准确表征和定位在脑肿瘤诊断和治疗中起关键作用。核磁共振成像因为具有良好的软组织对比和非入侵的特点，致使基于MRI的脑肿瘤分割研究成为热点。目前，由于MRI设备在脑部检查中的广泛应用，临床中会产生大量脑部MRI图像数据，医生不可能及时手动注释和分割全部图像，并且人工手动分割脑肿瘤组织会依赖于医生的个人经验。因此，如何高效、精准且全自动的分割脑肿瘤成为研究重点。
脑肿瘤图像分割的方法主要有基于区域，基于模糊聚类，基于图论，基于能量和基于机器学习等方法。
近年来，深度学习方法，特别是卷积神经网络(ConvolutionalNeuralNetwork,CNN)通过表现出准确性非常高的脑肿瘤分割结果而受到研究者的广泛关注。目前常用的神经网络基础模型有CNN模型、全卷积神经网络(Fully ConvolutionalNeuralNetwork,FCNN)模型和U-Net模型。基于上述模型，国内外研究者提出众多改进模型用于脑肿瘤图像的分割。
基于CNN模型，Pereira等采用了层数较深的CNN结构，且模型中使用多个3×3小尺寸的卷积核来代替7×7和5×5的大卷积核以提高卷积网络的运算速度，加强脑肿瘤特征的提取，使得分割精度可达87％左右。Havaei等通过结合具有不同滤波器尺寸通路的特征来使用多尺度结构，并且通过级联他们的模型进一步改进分割结果，但由于网络结构较复杂、模型参数较多导致网络训练困难，分割精度不理想。Kamnitsas等第一次采用3D卷积的方法，提出了一个
完全连接的多尺度CNN，包括一个高分辨率路径和一个低分辨率路径，两个路径被重新组合以形成最终的分割输出。
基于FCNN模型，Chen等在FCNN的基础上引入多尺度感受野来进行准确的体素分类，该模型建立在密集连接块上，并利用分层体系结构来考虑不同类型的脑肿瘤，训练过程中使用块级的训练模式以缓解脑肿瘤图像类别不平衡问题。Chen等为了充分利用深层残差学习的强大能力，提出一个深度体素级残差网络，称为VoxResNet，该网络将二维深层残差扩展为三维，并融合了具有深度监督的多层次上下文信息，以进一步提高3D脑肿瘤图像的分割性能。Zhao等通过将FCNN和CRF集成，分别在横断面、冠状面和矢状面视图方向上使用具有FCNN参数的图像切片训练CRF，共得到3个分割模型，并且使用基于投票的策略将3个模型融合完成脑肿瘤分割。
基于U-Net模型，等在U-Net的基础上，通过用3D对应物取代所有2D操作，提出了基于体素分割的三维全卷积神经网络3D U-Net。Sherman等提出了用V-Net分割MRI脑肿瘤图像，该网络将U-Net扩展到三维，并在同层卷积之间加入残差结构，同时使用卷积代替池化进行下采样，能够显著降低内存占用。Stawiaski等基于原本U-Net网络结构，分析路径中，在每层输入该层分辨率大小的图像数据，有效避免了模型训练过程中脑肿瘤特征的丢失；合成路径中，采用多尺度深度监督方式提供更精确的分割结果。
技术内容
为克服现有技术的不足，针对脑肿瘤图像数据集小、类别失衡严重以及现有算法分割精度低等问题，本技术旨在提出一种基于注意机制的改进卷积神经网络，实现三维脑肿瘤MRI图像的准确分割。本技术采用的技术方案是：
一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法，包括下列步骤：
1)数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理；
2)搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将患者的四种模态数
据当作神经网络的四个通道输入到网络模型中进行训练，以便融合不同模态的不同特征，进行更精确的分割：以用于生物医学图像分割的卷积网络3D U-Net作为基础，网络包括一个用于分析整个图像，获取上下文信息的分析路径和一个连续扩展的合成路径实现精确定位以产生全分辨率分割输出；
每个路径都有四个分辨率步骤层，两条路径中每层均包含两个内核大小为3×3×3的卷积层，每个卷积层后跟一个ReLu激活函数；相邻两层之间分别是最大池化层和上采样层，步长均为2内核大小均为2×2×2；为了避免瓶颈，分析路径中在最大池化层之前已将通道数量加倍，合成路径中同理；在最后一层，内核大小为1×1×1的卷积层将输出通道的数量减少到标签数量；
在为合成路径提供基本的高分辨率特征的来自分析路径中同层的快捷连接中加入注意门(Attention Gate，AG)模型，将从下一分辨率层提取的粗尺度信息作为门控信号，用来删减跳过连接中的不相关的特征，突出显示通过跳过连接传递的显著特征，将该网络称为
AG_UNet；
对所有卷积层的非线性部分采用leaky ReLu激活函数，标准化方式采用实例标准化，在训练过程中使用随机翻转，随机缩放，随机弹性形变和镜像等数据增强技术进行数据增强，并选用多类Dice损失函数作为损失函数；
将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练；
3)测试分割结果：当基于注意机制的改进卷积神经网络模型训练好后，在测试集上测试模型。
针对脑肿瘤图像数据集小、类别失衡严重以及现有算法分割精度低等问题，本技术提出一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法。与一些经典的方法相比较，其优势主要体现在：
1)易用性：本技术提出的基于注意机制的改进卷积神经网络是一个可以端到端进行训练的神
经网络，并且可以直接应用于整个三维图像数据进行处理，更加方便易用；
2)创新性：本技术将注意机制首次应用到脑肿瘤分割领域中，提出了基于注意机制的改进卷积神经网络。以用于生物医学图像分割的卷积网络3D U-Net作为基础，将AG加入到了标准的3D U-Net网络，用来突出显示通过跳过连接传递的显著特征。
3)准确性：本技术算法在全肿瘤、肿瘤核心和增强肿瘤的平均Dice评价分别可达0.8623、0.7846和0.6517，相较于原3D U-Net网络，本技术提出的基于注意机制的改进卷积神经网络具有更高的精确性。
附图说明
图1本技术分割算法流程图
图2AG示意图
图3基于注意机制的改进卷积神经网络结构图
图4不同卷积网络模型的分割结果比较图
具体实施方式
本技术将医学图像处理和深度学习算法结合起来，完成三维脑肿瘤核磁共振图像精确分割。针对脑肿瘤图像数据集小、类别失衡严重以及现有算法分割精度低等问题，本技术提出一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法。图1是本技术提出的算法框图，首先对原始MRI图像中的四种模态分别进行预处理；其次将预处理后的图像分为训练集和测试集，搭建并在训练集上训练基于注意机制的改进卷积神经网络模型；最后将训练好的模型应用在测试集上测试模型，并使用相应的评价指标对分割结果进行评估。
1)数据预处理
由于MRI强度值是非标准化的，因此对MRI数据进行标准化处理非常重要。但数据来自不同的研究所，并且使用的扫描仪和采集协议也有所不同，因此采用同一种算法进行处理至关重要。在处理过程中，需要确保数据值的范围不仅在患者之间而且在同一名患者的各种模态之间都要匹配，以避免网络的初始偏差。
本技术首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理。其次对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理，首先通过减去平均值并除以大脑区域的标准差，来独立地标准化每个患者的每种模态；然后，将结果图像裁剪到[-5,5]以去除异常值，之后重新归一化为[0,1]，并将非脑区域设置为0。在训练过程中，将患者的四种模态数据当作四个通道输入到网络模型中进行训练，以便网络学习到不同模态的不同特征，进行更精确的分割。
2)搭建并训练基于注意机制的改进卷积神经网络模型
本技术以用于生物医学图像分割的卷积网络3DU-Net作为基础，网络包括一个用于分析整个图像，获取上下文信息的分析路径和一个连续扩展的合成路径实现精确定位以产生全分辨率分割输出。
每个路径都有四个分辨率步骤层，两条路径中每层均包含两个内核大小为3×3×3的卷积层，每个卷积层后跟一个ReLu激活函数。相邻两层之间分别是最大池化层和上采样层，步长均为2内核大小均为2×2×2。为了避免瓶颈，分析路径中在最大池化层之前已将通道数量加倍，合成路径中同理。在最后一层，内核大小为1×1×1的卷积层将输出通道的数量减少到标签数量。
注意机制最先在自然语言处理领域得到普及，如机器翻译。在计算机视觉中，注意机制被应用于各种问题，包括图像分类，分割，动作识别，图像描述和视觉问题解答等。在医学图像分析领域，注意机制已被应用于医学报告生成以及联合图像和文本分类。然而，对于医学图像分割问题，尽管局部信息也同样非常重要，但只有少数研究工作使用了注意机制。
Oktay等提出了一种用于医学成像的基于图像网格的新型注意门(AttentionGate，AG)模型，可自动学习将注意力集中在各种形状和大小的目标结构上。使用AG进行训练的模型隐式学
习抑制输入图像中不相关的区域，同时突出显示与特定任务相关的显著特征。AG示意图如图2所示。
注意系数αi∈[0,1]，用于识别显著图像区域并删减特征映射，只保留与特定任务相关的特征。AG的输出是输入特征映射和注意系数的元素乘法：在默认设置中，针对每个像素矢量计算单个标量注意值，其中Fl对应层l中的特征映射的数量。在多目标结构的情况下，建议选择多维注意系数进行学习，其中每个AG集中学习目标结构的一个子集。门控矢量针对每个像素i确定注意区域。门控矢量中包含上下文信息，以此来删减较低层次的特征映射。使用叠加注意来计算注意系数，叠加注意定义如下：
其中为S形激活函数。参数Θatt包含：线性变换和偏差项线性变换通过1×1×1卷积进行计算，并且可以使用标准的反向传播更新来训练AG参数，这也是AG模型的一个重大优势。
本技术在为合成路径提供基本的高分辨率特征的来自分析路径中同层的快捷连接中加入注意门AG模型，突出显示通过跳过连接传递的显著特征，具体网络结构如图3所示，将该网络称为AG_UNet。
从下一分辨率层提取的粗尺度信息作为门控信号，用来删减跳过连接中的不相关的特征。该操作恰好在拼接操作之前执行，这样可以确保仅仅合并与目标任务相关的特征。在训练过程中，AG在前向传播和后向传播期间都会过滤特征，这样来自背景区域的信息在传递过程中被削减，使得模型的参数大部分基于与给定目标任务相关的区域进行更新。层l-1中的卷积参数的更新规则可以表述如下：
其中，右侧的第一个梯度项用进行缩放。在每个AG中，提取并融合补充信息来定义跳过连接的输出。
本技术对所有卷积层的非线性部分采用leaky ReLu激活函数，标准化方式采用实例标准化，在训练过程中使用随机翻转，随机缩放，随机弹性形变和镜像等数据增强技术进行数据增强，并选用多类Dice损失函数作为损失函数。
将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练。
3)测试分割结果
当基于注意机制的改进卷积神经网络模型训练好后，在测试集上测试模型，并使用相应的评价指标对分割结果进行评估。
为验证本技术对3D U-Net网络改进的有效性，将本技术提出的基于注意机制的改进卷积神经网络与原3D U-Net网络取相同深度和相同滤波器基数，在相同的训练集，验证集和测试集上进行模型训练、验证及测试。
首先，从模型测试过程中的分割结果图进行定性分析。图4为测试集中一例数据分别采用基于注意机制的改进卷积神经网络模型和原始3D U-Net模型进行分割后，在横断面、冠状面和矢状面三个方向的分割结果比较图。从图4可以看出，采用3D U-Net网络模型进行分割后的结果与专家手动分割的标签相比，虽然边缘部分的细节信息还不够精细，但是已经能够大致分割出全肿瘤和肿瘤核心这些较大的目标对象。然而，对于增强性肿瘤这种微小组织结构，3D U-Net网络模型不能够将其分割出来。采用AG_UNet网络模型进行分割后的结果相较于前者有更好的效果。可以看出分割目标的大小和边缘均更接近于标签，并且类似于增强性肿瘤的细微结构也分割的比较好。
其次，从模型测试过程中的分割结果的Dice相似系数评价指标进行定量分析。表1为测试集数据分别采用不同卷积网络模型进行分割后，全肿瘤、肿瘤核心和增强性肿瘤三种分割目标的Dice均值结果。从表1可以看出，本技术提出的基于注意机制的改进卷积神经网络比原3D U-Net网络有一定提高，这也与上面的定性分析结果相一致。实验结果表明，将注意机制引入U-Net网络结构用于脑肿瘤图像的分割，可以提高分割模型的准确性。
表1
SHANGHAI JIAO TONG UNIVERSITY 论文题目：基于卷积神经网络的自然图像分类技术研究 姓名: 高小宁 专业：控制科学与工程
基于卷积神经网络的自然图像分类技术研究 摘要：卷积神经网络已在图像分类领域取得了很好的效果，但其网络结构及参数的选择对图像分类的效果和效率有较大的影响。为改善卷积网络的图像分类性能，本文对卷积神经网络模型进行了详细的理论分析，并通过大量的对比实验，得出了影响卷积网络性能的因素。结合理论分析及对比实验，本文设计了一个卷积层数为8层的深度卷积网络，并结合Batch Normalization、dropout等方法，在CIFAR-10数据集上取得了%的分类精度，有效地提高了卷积神经网络的分类效果。 关键词：卷积神经网络，图像分类，Batch Normalization，Dropout Research on Natural Image Classification Based on Convolution Neural Network Abstract: Convolution neural network has achieved very good results in image classification, but its network structure and the choice of parameters have a greater impact on image classification efficiency and efficiency. In order to improve the image classification performance of the convolution network, a convolutional neural network model is analyzed in detail, and a large number of contrastive experiments are conducted to get the factors that influence the performance of the convolution network. Combining the theory analysis and contrast experiment, a convolution layer depth convolution network with 8 layers is designed. Combined with Batch Normalization and dropout, % classification accuracy is achieved on CIFAR-10 dataset. Which improves the classification effect of convolution neural network. Key Words: Convolution neural network(CNN), image classification, Batch Normalization, Dropout
基于遗传神经网络的图像分割 摘要 针对图像分割的复杂性,利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后再对图像的像素进行分类识别,实现并提高了图像分割性能。仿真实验表明,与传统的图像分割方法相比,取得了比传统方法更好的图像分割效果。 关键词:图像分割;神经网络;遗传算法;遗传优化 A Study of Genetic Neural Network Used in Image Segmentation ABSTRACT Because of the complexity of image segmentation, the optimization of the weights and thresholds of BP neural network are realized by genetic algorithm, and a BP neural network with minimum error is designed. It classify the image pixels, implement and improve the performance of image segmentation. The results of simulation show that the algorithm neuralnetwork can better achieve the image segmentation, compared with the traditional method. Key word :Image segmentation;Neural Network;Genetic algorithm;Genetic optimization 一、遗传算法 1．1基本概念 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。 对于一个求函数最大值的优化问题(求函数最小值也类同)，一般可以描述为下列数学规划模型:
2010，46（9） 1引言 医学图像分割是医学图像处理过程中的重要步骤，医学图像中的脑肿瘤分割[1]要求不仅要快速，而且要准确地对脑肿瘤进行分割操作。同时，医学图像分割也是图像处理领域中的一个经典难题，迄今为止还没有出现某种分割方法对各种医学图像的分割达到令人满意的地步。一般而言，根据具体的情况可以选择不同的图像分割方法，但基于模型和基于区域的分割方法[2]是比较常用的分割方法。 基于模型的分割方法包括活动轮廓模型（可变型模型）[3]和水平集[4]等算法，分别由Kass et al[3]和Osher and Sethian[4]提出。在此基础上Tony Chan和Luminita Vese[5]共同提出了Chan-Vese[5-6]模型。上述算法的核心思想是在分割目标附近初始化一条可变型能量曲线，然后这条曲线不断朝着分割目标的边界变型，当曲线即将与目标边界重合时能量几近为零，从而达到分割的目的。这种方法的优点是通过设置种子区域，可以快速地对图像进行分割操作，但由于过度依赖分割目标的梯度或亮度信息，同时分割过程中比较依赖参数的选择，所以导致分割结果不够准确。 基于区域的分割方法包括区域增长[7]和形态学处理[8]等。这些算法都是基于对邻域像素点的操作，分割的准确度比较高。基于区域的分割方法通常被用来提取图像的轮廓。由于需要针对逐个像素点进行计算，导致这些方法的计算量很大，这直接影响到了最后的图像分割速度。 Tim McInerney等人[9]将可变型模型用于医学图像分割并取得了较好的效果。由于可变型模型（活动轮廓模型、Chan-Vese模型）过度依赖于图像的梯度或亮度均值等信息，所以当 Chan-Vese模型下的脑肿瘤图像分割方法 许存禄1，高佳1，武国德2 XU Cun-lu1，GAO Jia1，WU Guo-de2 1.兰州大学信息科学与工程学院，兰州730000 2.兰州大学第二附属医院神经内科，兰州730000 1.School of Information Science and Engineering，Lanzhou University，Lanzhou730000，China 2.Department of Neurology，Second Affiliated Hospital of Lanzhou University，Lanzhou730000，China E-mail：clxu@https://www.doczj.com/doc/4710841410.html, XU Cun-lu，GAO Jia，WU Guo-de.Brain tumor image segmentation method based on Chan-Vese https://www.doczj.com/doc/4710841410.html,puter Engi－neering and Applications，2010，46（9）：155-158. Abstract：A brain tumor image segmentation and3D reconstruction method is proposed based on Chan-Vese model.The brain tumor image is first eroded iteratively by using morphological erosion to extract the brain tumor contour.Then the brain tumor in－cluded in eroded image is segmented by the Chan-Vese model.The image is finally dilated iteratively by using morphological di－lation to restore the image.Moreover，all segmented brain tumor images are reconstructed and located to three dimensions.Experi－mental results show that the algorithm based on Chan-Vese model can solve the problem of incomplete segmentation easily oc－curred in brain tumor segmentation process.At the same time，the3D reconstruction and location of the brain tumor offer a great reference value in clinical work. Key words：brain tumor；image segmentation；Chan-Vese model；3D reconstruction and location 摘要：提出了一种基于Chan-Vese模型的脑肿瘤图像分割与三维重构方法。该方法首先通过对脑肿瘤图片的迭代腐蚀操作提取脑肿瘤轮廓，然后利用Chan-Vese模型对脑肿瘤进行分割，最后对图像进行迭代膨胀操作复原图像。另外对所有分割后的脑肿瘤图片进行了三维重构与定位。实验结果表明，基于Chan-Vese模型的图像分割方法很好地解决了脑肿瘤分割过程中容易出现的不完全分割问题，同时对脑肿瘤的三维重构与定位也具有较大的临床实用价值。 关键词：脑肿瘤；图像分割；Chan-Vese模型；三维重构与定位 DOI：10.3778/j.issn.1002-8331.2010.09.044文章编号：1002－8331（2010）09-0155-04文献标识码：A中图分类号：TP391 基金项目：国家自然科学基金青年科学基金项目（No.60903101）。 作者简介：许存禄（1976-），男，博士，硕士生导师，主要研究领域为计算医学与图像处理；高佳（1985-），男，硕士生，主要研究领域为医学图像处理；武国德（1969-），男，副主任医师，主要从事神经内科临床工作。 收稿日期：2009-04-07修回日期：2009-06-02 Computer Engineering and Applications计算机工程与应用155
数字图像处理的目的之一是图像识别, 而图像分割是图像识别工作的基础。图像分割是指把图像分解成具有特性的区域并提取出感兴趣目标的技术和过程，是计算机视觉领域的一个重要而且基本的问题，分割结果的好坏将直接影响到视觉系统的性能。因此从原理，应用和应用效果的评估上深入研究图像分割技术具有十分重要的意义。 本课题主要介绍了图像分割的基本知识。图像分割的算法有阈值分割法，边缘检测法，区域分割等，本设计重点介绍了基于最小点阈值方法，基于最优阈值分割方法，基于迭代图像分割方法，最大类间方差法（OTSU）的图像分割法的原理和他们的MATLAB的实现代码与运行结果。 关键词：图像分割；MATLAB；阈值分割；
1 课程设计目的 (3) 2 课程设计要求 (3) 3 相关知识 (3) 3.1 图像分割的概述 (3) 3.2 阈值分割的基本原理 (4) 3.3 阈值分割方法的分类 (5) 3.3.1 基于点的全局阈值方法 (6) 3.3.2 基于区域的全局阈值方法 (6) 3.3.3 局部阈值法和多阈值法 (6) 4 程设计分析 (6) 4.1 基于迭代的方法实现图像切割 (6) 4.2 最大类间方差的方法实现图像切割 (7) 5 程序设计 (8) 5.1 程序简单介绍 (8) 5.2 程序代码 (8) 6 结果与分析 (11) 结束语 (13) 参考文献 (14)
迭代阈值法 1 课程设计目的 本设计的课题任务是掌握图像阈值分割算法研究，实现对图像的分割。了解图像分割的应用及基本方法，理解阈值化图像分割原理，理解三类典型的阈值化分割算法，并利用之进行图像分割，给出实验结果并做出分析。 2 课程设计要求 ⑴查阅相关资料； ⑵理解基于各像素值的阈值分割算法，基于区域性质的阈值分割算法, 基于坐 标位置的阈值分割算；软件编程实现利用基于各像素值的阈值分割算法进行图像分割，要求完成如下内容：包括极小值点阈值、最优阈值、迭代阈值，基于最大方差的阈值，基于最大熵的阈值等方法，利用之实现图像分割，这里的图像可以针对核磁共振图像 ⑶用MATLAB实现，并观察各算法之间的区别。 3 相关知识 3.1 图像分割的概述 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景(其他部分称为背景)，他们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将他们分离提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成格局特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是象素的灰度、颜色、纹理等，预先定义的目标可以对应单个区域，也可以对应多个区。现有的图像分割算法有：阈值分割、边缘检测和区域提取法。本文着重研究基于阈值法的图像分割技术。 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，
本技术涉及一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法，包括下列步骤：数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理；搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到网络模型中进行训练，以便融合不同模态的不同特征，进行更精确的分割；将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练。 权利要求书 1.一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法，包括下列步骤： 1)数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次 对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理。
2)搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到网络模型中进行训练，以便融合不同模态的不同特征，进行更精确的分割：以用于生物医学图像分割的卷积网络3D U-Net作为基础，网络包括一个用于分析整个图像，获取上下文信息的分析路径和一个连续扩展的合成路径实现精确定位以产生全分辨率分割输出； 每个路径都有四个分辨率步骤层，两条路径中每层均包含两个内核大小为3×3×3的卷积层，每个卷积层后跟一个ReLu激活函数；相邻两层之间分别是最大池化层和上采样层，步长均为2内核大小均为2×2×2；为避免瓶颈，分析路径中在最大池化层之前已将通道数量加倍，合成路径中同理；在最后一层，内核大小为1×1×1的卷积层将输出通道的数量减少到标签数量； 在为合成路径提供基本的高分辨率特征的来自分析路径中同层的快捷连接中加入注意门(Attention Gate，AG)模型，将从下一分辨率层提取的粗尺度信息作为门控信号，用来删减跳过连接中的不相关的特征，突出显示通过跳过连接传递的显著特征，搭建基于注意机制的改进卷积神经网络模型，称为AG_UNet； 对所有卷积层的非线性部分采用leaky ReLu激活函数，标准化方式采用实例标准化，在训练过程中使用随机翻转，随机缩放，随机弹性形变和镜像等数据增强技术进行数据增强，并选用多类Dice损失函数作为损失函数； 将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练； 3)测试分割结果：当基于注意机制的改进卷积神经网络模型训练好后，在测试集上测试模型。 技术说明书
《使用卷积神经网络的图像样式转换的研究》 院系信息工程学院 专业电子与通信工程 班级信研163 提交时间：2016年11月28日
使用卷积神经网络的图像样式转换的研究 湖北省武汉，430070 摘要：以不同的风格样式渲染图像的内容一直都是一个十分困难的图像处理任务。也可以说，以前主要限制因素是不知如何明确表示内容信息。在这里我们使用图像表示导出优化的能够识别对象的卷积神经网络，这使得高级图像信息显示。我们引入了一种可以分离和重组自然图像的图像内容和艺术风格的神经算法。这个算法允许我们生成高质量的新目标图像，它能将任意照片的内容与许多众所周知的艺术品的风格相结合。我们的结果提供了对卷积神经网络学习的深度图像表示的新理解，并且展示了他们的高水平图像合成和操纵的能力。 关键词：卷积神经网络；图像处理；神经算法 The Study of Image Style Transfer Using Convolutional Neural Networks LiWenxing School of Science,Wuhan University of Technology,Wuhan 430070,China Abstract: Rendering the content of an image in a different style has always been a difficult image processing task. It can also be said that the main limiting factor in the past is that I do not know how to clearly express the content information. Here we use an image representation to derive an optimized, object-aware convolutional neural network, which allows advanced image information to be displayed. We introduce a neural algorithm that can separate and reconstruct the image content and artistic style of natural images. This algorithm allows us to generate high-quality new target images that combine the content of any photo with the style of many well-known works of art. Our results provide a new understanding of the depth image representation of convolution neural network learning and demonstrate their ability to synthesize and manipulate high-level images. Keywords: Convolutional Neural Network;Image Processing;Neural algorithm
第14期 2018年7月No.14July，2018 1 算法原理 卷积神经网络的卷积层最重要部分为卷积核[1-2]。卷积核不仅能够使各神经元间连接变少，还可以降低过拟合误 差[3]。 子采样过程就是池化过程。进行卷积过程是将卷积核与预测试图像进行卷积，子采样能够简化网络模型，降低网络模型复杂程度，从而缩减参数。 在图像识别时，首先需要对输入图像初始化，然后将初始化后图像进行卷积和采样，前向反馈到全连接层，通过变换、即可计算进入输出层面，最终通过特征增强效果和逻辑之间的线性回归判断是否符合图像识别期望效果，往复循环，每循环一次就迭代一次，进而对图像进行识别。流程如图1所示。 图1 卷积神经网络模型流程 2 卷积神经网络 卷积神经网络主要包括3个层次[4]，它由输入层、隐藏 层、输出层共同建立卷积神经网络模型结构。2.1 卷积层 卷积层的作用是提取特征[2]。卷积层的神经元之间进行 局部连接，为不完全连接[5]。 卷积层计算方法公式如下。()r array M a λ+ 其中λ为激活函数，array 是灰度图像矩阵， M 表示卷积核， 表示卷积， a 表示偏置值大小。G x 方向和G y 方向卷积核。 本文卷积神经网络模型中设定的卷积核分为水平方向和竖直方向。卷积层中卷积核通过卷积可降低图像边缘模糊程度，使其更为清晰，效果更好、更为显著。经过S 型函数激活处理之后，进行归一化后图像灰度值具有层次感，易于突出目标区域，便于进一步处理。2.2 全连接层 该层主要对信息进行整理与合并，全连接层的输入是卷积层和池化层的输出。在视觉特征中，距离最近点颜色等特征最为相似，像素同理。全连接如图2所示。 图2 全连接 3 实验结果与分析 本文采用数据集库是MSRA 数据集，该数据集共包含1 000张图片。实验环境为Matlab2015a 实验环境，Windows 7以上系统和无线局域网络。本文从MSRA 数据集中选取其中一张进行效果分析。卷积神经网络模型识别效果如图3所示。 作者简介：谢慧芳（1994— ），女，河南郑州人，本科生；研究方向：通信工程。 谢慧芳，刘艺航，王 梓，王迎港 （河南师范大学，河南 新乡 453007） 摘 要：为降低图像识别误识率，文章采用卷积神经网络结构对图像进行识别研究。首先，对输入图像进行初始化；然后，初 始化后的图像经卷积层与该层中卷积核进行卷积，对图像进行特征提取，提取的图像特征经过池化层进行特征压缩，得到图像最主要、最具代表性的点；最后，通过全连接层对特征进行综合，多次迭代，层层压缩，进而对图像进行识别，输出所识别图像。与原始算法相比，该网络构造可以提高图像识别准确性，大大降低误识率。实验结果表明，利用该网络模型识别图像误识率低至16.19%。关键词：卷积神经网络；卷积核；特征提取；特征压缩无线互联科技 Wireless Internet Technology 基于卷积神经网络的图像识别研究
万方数据
１５６２０１０，４６（９）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用 分割目标（脑肿瘤或血管）的边界比较模糊时分割效果就不是很准确，容易出现不完全分割问题。另一方面，利用三维图像处理技术对人体病变器官进行术前分析获得了越来越多的关注。Ｌａｍａｄｅ等人【ｌａｆ对人体病变肝脏进行了虚拟三维重构，为肝脏的术前分析提供了可靠的依据，具有很好的临床应用价值。而传统的脑肿瘤术前分析局限于对脑肿瘤进行二维信息判断，医生只能通过经验判定肿瘤的三维状态及肿瘤在大脑中的三维定位等重要术前信息，这直接影响到了脑肿瘤手术的准确性。 在此基础上提出了基于Ｃｈａｎ—Ｖｅｓｅ模型的脑肿瘤图像分割与三维重构方法。首先对脑肿瘤图像进行形态学迭代腐蚀操作提取脑肿瘤轮廓，然后利用Ｃｈａｎ—Ｖｅｓｅ模型对脑肿瘤进行分割，最后再对图像进行形态学迭代膨胀操作复原图像。这样就结合了可变型模型的速度优势和数学形态学的准确性优势，同时当分割目标的边界比较模糊时，改进的方法能取得比Ｃｈａｎ—Ｖｅｓｅ模型更好的分割效果，很好地解决了不完全分割问题。另外借助ＶＴＫｔｕ】对分割后的脑肿瘤图片序列进行三维重构与定位，得到了脑肿瘤的三维信息（大小、状态），从而为脑肿瘤术前分析提供理论基础。 ２Ｃｈａｎ－Ｖｅｓｅ模璎 Ｃｈａｎ—Ｖｅｓｅ模型由ＴｏｎｙＣｈａｎ和ＬｕｍｉｎｉｔａＶｅｓｅ提出，主要基于曲线变型［ｔ２１，Ｍｕｍｆｏｒｄ—ｓｈａｈｌ吩割函数和水平集１４１，它与 传统可变型模型最大的区别是对图像进行分割时无需依赖于图像的梯度信息。Ｃｈａｒｔ—Ｖｅｓｅ模型的能量函数无法直接使用单次微分求其极值，可以通过Ｅｕｌｅｒ－ＬａｇｒａｎｇｅＩ－目方程，使能量函数通过迭代的偏微分方程逼近真正的解。 ２．１基本能量曲线 首先定义基本能量方程： 及ｃ，ｃｌ，ｃ２）＝｝止（ｃ）＋以（ｆｎ（ｃ））“１Ｊｌｕｏ（ｘ，ｙ）－－ｔ１广ｄ茁ｄｙ＋ 一ｃ） ｒ＾ Ａ２ｌｕｏ（ｘ，，，）－ｃ２广ｄｘｄｙ（１） 魂素。） 其中ｐ，ｙ，Ａ。，Ａ：是可调参数，ｃ是可变型曲线，Ｃ，是曲线内部的亮度平均值，Ｃ：是曲线外部的亮度平均值，‰（菇，，，）是图像中点（菇，ｙ）处的亮度值，Ｌ（ｃ）是可变型曲线的长度，Ａ（ｉｎ（Ｃ））是曲线内部的面积。因此能量最小化问题可以表示为： ｉＩｌｆ只Ｃ，Ｃｌ，ｃ２）（２）Ｃ．ｃＩｆｃ２ ２．２Ｍｕｍｆｏｒｄ—Ｓｈａｈ函数模理 从逼近论ｔ≈的观点来看，Ｍｕｍｆｏｒｄ—Ｓｈａｈ函数模型是对—个任意的定义域为ｎ的图像函数呦（茗，＇，）用分片光滑函数ｕ（ｘ，，，）做下述意义的最佳逼近： ，（ｕ，ｃ）单?ｋｎｇ矾（ｃ）“ｆＩｌｌｏ（戈，，，）一“（茹，ｙ）１２出ｄｙ＋ 五 ｆ， ｌ。ＩＶｕ（ｘ，ｙ）ｌ‘出ｄｙ（３）其中Ｕｏ为输入图像，当取Ａｌ＝Ａ２＝４，／Ｌ＞Ｏ，ｖ＝Ｏ时，可以把Ｃｈａｎ—Ｖｅｓｅ模型看成Ｍｕｍｆｏｒｄ—Ｓｈａｈ模型的特殊情况，这时只需找出Ｕｏ的最佳逼近“，再结合水平集方法和曲线演化理论，即可推导出高维函数的进化方程。 ２．３水平集求解 利用水平集求解Ｃｈａｒｔ—Ｖｅｓｅ模型，将变型曲线Ｃ看做Ｌｉｐｓｃｈｉｔｚｔｌ２】函数咖的零水平集。由于Ｃｈａｎ—Ｖｅｓｅ模型被看成Ｍｕｍｆｏｒｄ—Ｓｈａｈ模型的特殊情况，所以用水平集函数对Ｃｈａｎ，Ｖｅｓｅ模型进行表述时可以表示为： ｕ（ｘ，，，）＝ｃ１Ⅳ（币（菇，Ｙ））４＂Ｃ２（１－Ｈ（４＇（ｘ，Ｙ）））（４）使咖保持不变，同时最小化能量函数，（Ｃ，ｃ。，ｃ：），可通过公式（５）求出ＣＩ（ｐ）和ｃ２（妒）。 ＣＩ（妒）＝ 』讽（妒）出如 ｎ 』Ｉｌｏ（１．巩（９））出ｄｙ ，ｃ２（９）＝ｊＬ——————————一（５）ｆｎ．Ｃ牮，）ｄｘｄｙＪ（１也（妒））出ｄｙ ｎｎ 为了计算与未知水平集函数西相关的Ｅｕｌｅｒ—Ｌａｇｒａｎｇｅ函数方程，分别引入Ｈｅａｖｉｓｉｄｅ删函数也和一维Ｄ／ｒａｃｌ月函数瓦，然后最小化能量函数只（咖），就能以迭代的方式得到如下求解西的Ｅｕｌｅｒ－Ｌａｇｒａｎｇｅ方程： 譬书（西） ｄ‘ 即∽删）ｄｉｖｐ－－Ｉ（器）叫 一Ａｌ（“ｄ．Ｉｃｌ）２＋Ａ２（“旷．ｃ２）２ 妒（Ｉ，石，，，）＝伽（并，ｙ）（６）Ｐ（弘叫锗＝ｏ 鱼生：翌竺 ＯｔＡｔ 其中ｔ为时间变量，咖为水平集函数，当￡＝，时，用咖“表示当前的水平集毋。Ｃｈａｒｔ—Ｖｅｓｅ模型的具体算法如下： （１）令ｎ－－０，初始化∥；＾－ （２）用公式（５）计算ｃ。（咖４）和ｃ：（咖“），且当ｐ＝２时，有ｌｅｎｇｔｈ｛４，“旬｝吐（币４）； （３）用公式（６）计算∥的偏微分方程，从而进—步求出∥１； （４）检查‘ｂ“是否为稳态解，若不是则ｎ：ｎ＋１，跳入（２）再次循环。 ３基于Ｃｈａｒｔ—Ｖｅｓｅ模型的脑肿瘤图像分割与三维重构方法 ３．１基于Ｃｈａｎ－Ｖｅｓｅ模璎的脑肿瘤分割 ＴｉｍＭｃｌｎｅｍｅｙ等人Ｉ咀将町变型模型应用于医学图像分割并取得了较好的效果，但也存在某些缺陷。由于可变型模型（活动轮廓模型、Ｃｈａｎ－Ｖｅｓｅ模型）在型变时往往依赖于分割目标的梯度或亮度均值，所以当分割目标的边界比较模糊时变型曲线很可能在未完全与分割目标的边界重合就停止型变，从而产生不完全分割，如图１所示。临床应用中，多数脑肿瘤的边缘部分相对比较模糊，所以在分割过程中很容易出现不完全分割问题。 待分割肿瘤模糊边界最后分割区域不完全分害ｊ区域原始脑肿熘ｌ圭ｊ片小完全分割ｊ垄｜片 图ｌ脑肿瘤不完全分割图 万方数据
成绩评定表 学生姓名高冰钰班级学号1303030402 专业 电子信息工程课程设计题目 基于最大类间方差法图 像分割程序设计 —迭代阈值法 评 语 组长签字： 成绩 日期2016年7月18日
课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名高冰钰班级学号1303030402 课程设计题目基于最大类间方差法图像分割程序设计—迭代阈值法实践教学要求与任务： 本设计要求利用Matlab进行编程及仿真，仿真内容为基于最大类间方差法图像分割程序设计——迭代阈值法。利用所学数字图象处理技术知识，在Matlab软件系统上来实现图像分割，并且对程序进行测试。要求如下： （1）掌握课程设计的相关知识、概念、思路及目的。 （2）程序设计合理、能够正确运行且操作简单，可实施性强。 （3）掌握图像分割的方法。 （4）能够利用迭代阈值法进行图像分割。 工作计划与进度安排： 第一阶段（1-2）天：熟悉matlab编程环境，查阅相关资料； 第二阶段（2-3）天：算法设计； 第三阶段（2-3）天：编码与调试； 第四阶段（1-2）天：实验与分析； 第五阶段（1-2）天：编写文档。 指导教师： 2016年7月3日专业负责人： 2016年7月4日 学院教学副院长： 2016年7月4日
摘要 数字图像处理的目的之一是图像识别，而图像分割是图像识别工作的基础。图像分割是从图像预处理到图像识别和分析、理解的关键步骤，在数字图像处理中占据重要的位置。图像分割的目的是将图像分成一些有意义的区域并对这些区域进行描述。 图像分割的方法主要有点相关分割、区域相关分割、阈值法、界限检测法、匹配法、跟踪法等。本设计主要采用阈值分割法中的迭代阈值法，利用MATLAB 软件中的图像处理函数将图像导入，然后对图像进行灰度变换，通过迭代法求图像最佳分割阈值，根据该阈值对图像进行分割，从而产生二值化后的图像。仿真结果表明，通过迭代法选取的阈值是比较准确的，可以采用此阈值对图像进行分割。 关键词：图像分割；迭代阈值法；MATLAB
收稿日期：2017-09-25；修回日期：2017-10-27 基金项目：国家自然科学基金资助项目（61440049，61262019）；江西省自然科学基金资助项目（ 20151BAB207065，20161BAB202038）；江西省教育厅科技项目（GJJ170572）；江西省科技厅重点研发基金资助项目（20161BBG70047）作者简介：孔媛媛（1992-），女，山东枣庄人，硕士，主要研究方向为图像处理（2465884938@https://www.doczj.com/doc/4710841410.html, ）；李军华（1974-），男，教授，博士，主要研究方向为进化算法、智能控制；王艳（1980-），女，讲师，博士研究生，主要研究方向为图像处理；鲁宇明（1969-），女，教授，博士，主要研究方向为进化计算、模式识别；W u Liu （1975-），男，assistant professor ，主要研究方向为图像处理. 基于Hough 变换和GVF Snake 模型的 脑肿瘤分割方法* 孔媛媛1a ，李军华1a ，王 艳1b ，鲁宇明1b ，Wu Liu 2 （1.南昌航空大学a.江西省图像处理与模式识别重点实验室；b.工程训练中心，南昌330063；2.耶鲁大学医学院，美国康涅狄格州06511） 摘 要：脑M R 图像中肿瘤区域的精确分割对后续的治疗与诊断十分关键，提出了一种基于Hough 变换定位与 遗传算法优化GVF Snake 模型的脑肿瘤分割方法。首先， 利用Hough 变换和阈值处理自动确定肿瘤区域；然后，利用GVF Snake 模型对肿瘤区域进行分割；同时，为了防止GVF Snake 在分割时易出现局部极小值的问题，进一步利用遗传算法的全局优化特性，对GVF Snake 模型分割的结果进行优化。实验结果表明，提出的模型能实现 对肿瘤区域的自动定位，同时也避兔了GVF Snake 模型在分割时易陷入局部最优的问题， 使分割的结果更加精确。 关键词：脑肿瘤分割；Hough 变换；GVF Snake 模型；遗传算法中图分类号：TP391.41 文献标志码：A 文章编号：1001-3695（2018）11-3469-03 doi ： 10.3969/j.issn.1001-3695.2018.11.064Brain tumor segmentation method based on Hough transform and GVF Snake model Kong Yuanyuan 1a ，Li Junhua 1a ，W ang Yan 1b ，Lu Yuming 1b ，W u Liu 2 （1.a.Key Laboratory ofImage Processing &Pattern Recognition in Jiangxi Province ，b.Engineering Training Center ，Nanchang Hangkong University ，Nanchang 330063，China ；2.School ofM edical ，Y ale University ，Connecticut 06511，United States ） Abstract ：The precise segmentation of the tumor area in the brain M RI image is critical important for the subsequent treat-ments and diagnoses.This paper proposed a new segmentation method ，which based on Hough transform location and genetic al-gorithm optimization of GVF Snake model.Firstly ，it used Hough transform and threshold processing to locate the tumor areas automatically.Then it applied the GVF Snake model to segment the tumor areas.At the same time ， to address the problem that the algorithm is easily trapped into local minimum ，the results of GVF Snake segmentation are further optimized by using the global optimization of genetic algorithm.The experimental results show that the proposed model is then done automatically with no manual intervention ， and it can also avoid the local convergence problems of GVF Snake model ，then obtains a more precise result. Key words ：brain tumor image segmentation ；Hough transform ；GVF Snake model ；genetic algorithm 0 引言 脑肿瘤的发病率较高，约占全身肿瘤发病率的1.4%，死亡率超过2.4%。因此对脑肿瘤的诊断、治疗和科学研究日益 重要[1] 。目前，脑肿瘤的分割主要是医生利用自身的专业知识及经验手动完成，不仅耗时费力，而且主观因素较强。因此将图像处理技术应用到医学图像辅助分析中，生成脑肿瘤的自动分割或少量人工干预的半自动分割方法十分必要。 图像分割方法经过快速发展，针对M R 图像的脑肿瘤分割已形成不同的方法理论，如区域生长法、阈值法、分水岭变换、 基于曲线演变的模型等[2~6] 。区域生长法计算简单，可用于比较复杂的图形，但灰度的不均一和噪声容易产生过分割或欠生长。阈值法适用于灰度值相差较大的图像，脑肿瘤图像复杂，阈值选取困难。分水岭变换方法分割精度高，计算速度快，分割边界连续，但易产生大量的假边界，造成算法过度分割的现象。基于曲线演变的模型包括参数形变模型和几何形变模型[ 7，8] 。Snake 模型是经典的参数形变模型，在处理有间断的目标轮廓时能得到连续的分割结果，且对噪声不敏感，但 Snake 模型无法收敛于凹陷目标轮廓区域，对初始轮廓要求 高，无法处理边缘模糊的图像。文献[ 9]提出梯度矢量流（GVF ）模型扩大了外部力场的捕获范围，解决了传统Snake 模型对初始轮廓敏感、不能收敛于凹陷区域的缺点。文献[10]提出一种基于活动轮廓模型和进化算法优化参数值的混合优化算法。文献[11]利用Canny 边缘检测结果计算GVF Snake 模型的边缘梯度。这两种分割方法虽然改进了GVF Snake 模型对弱边界敏感的问题，但都需要人工参与确定肿瘤的初始轮廓，没有实现自动化分割。文献[12]中利用脑组织的左右对称性对脑肿瘤进行定位，实现了脑肿瘤的自动化检测，但不能处理肿瘤关于对称轴对称的情况，且受灰度值影响较大，鲁棒性较差。 本文设计了一种脑肿瘤的自动分割方法，该方法根据肿瘤 的形状特点，利用Hough 变换[13]和阈值处理[14] 对脑肿瘤进行定位。根据定位结果确定初始轮廓，然后利用GVF Snake 模型 对肿瘤区域进行分割，并通过遗传算法[ 15] 优化分割结果，从而实现脑肿瘤的精确分割。 第35卷第11期2018年11月 计算机应用研究 Application Research of Computers Vol.35No.11 Nov.2018 万方数据
第３４卷砌五３４第９期 Ⅳｂ．９ 计算机工程 ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ ２００８年５月 Ｍａｙ２００８ ?人工智能及识别技术?文章绩号Ｉ１０００－－３４２８（２００８）０９－－－０１８９－－４）３文献标识码ＩＡ中圈分类号。ＴＰ３９１．４１基于特征提取的脑部ＭＲＩ肿瘤自动分割 宣晓１。廖庆敏２ （１．清华大学电子工程系，北京１０（０）８４；２．清华大学深圳研究生院，深圳５１８０５５） 蓑娶：对脑部磁共振图像中肿瘤的自动分割，有助于了解疾病特征和制定手术方案，评价治疗效果。该文通过提取基于灰度统计、对称性、纹理等的特征，结合ＡｄａＢｏｏｓｔ方法。利用计算枕进行自动脓肿瘤分割。该方法综合利用了磁共振（ＭＲ）各加权图像的信息和大脑解剖结构的知识，以及ＡｄａＢｏｏｓｔ算法的特征选择能力。在２０帧带有肿瘤的ＭＲ图像上进行实验，得到了９６．８２％的分类准确率。 关蝴：磁共振图像；肿瘤分割；纹理特征；特征选择；ＡｄａＢｏｏｓｔ方法 ＡｕｔｏｍａｔｅｄＭＲＩＢｒａｉｎＴｕｍｏｒＳｅｇｍｅｎｔａｔｉｏｎ ＢａｓｅｄｏｎＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎ ＸＵＡＮＸｉａｏ‘．ＬＩＡｏＱｉｎｇ?ｒａｉｎ。 （１．ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ，ｎｅｉｊｉｎｇ１０００８４； ２．ＧｒａｄｕａｔｅＵｎｉｖｅｒｓｉｔｙａｔＳｈｅｎｚｈｅｎ，ＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｚｈｃｎ５ｌ８０５５） ［Ａｂｓｔｒａｃｔ］ＡｕｔｏｍａｔｅｄＭＲＪｂｒａｉｎｔｕｍｏｒｓｅｇｍｅｎｔａｔｉｏｎｐｒｏｖｉｄｅｓａｐｏｗｅｒｆｕｌｔｏｏｌｆｏｒｄｉａｇｎｏｓｉｓ．Ｉｎｔｈｉｓｐａｐｅｒ．ａｔｔｌｍｏｒｓｅｇｎ舱ｎｔａ６０ｎｍｅｔｈｏｄｕｓｉｎｇｍｕｌｔｉ—ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄＡｄａＢｏｏｓｔｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｉｓｐｒｅｓｅｎｔｅｄ．Ｔｈｅｍｅｔｈｏｄｕｔｉｌｉｚｅｓｔｈｅｉｎｆｏｒｍａｔｉｏｎ０ｆＭＲｉｍａｇｅｓａｎｄｔｈｅａｎａｔｏｍｉｃａｌｋｎｏｗｌｅｄｇｅ．ａｎｄｔａｋｅｓｔｈｅａｄｖａｎｔａｇｅｏｆｔｈｅｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎａｂｉｌｉｔｙｏｆＡｄａＢｏｏｓｔ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎ２０ｓｌｉｃｅｓＭＲｉｍａｇｅｓｄｅｍｏｎｓｔｒａｔｅｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎ．ａｎｄａｃｈｉｅｖｅａｌｌａｃｃｕｒａｃｙｏｆ９６．８２％Ｏｎｔｕｍｏｒｓｅｇｍｅｎｍｔｉｏｎ． ［ＫｅｙｗｏｒｄｓＩＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅｌｍａｇｅ（ＭＲＩ）；ｔｕｍｏｒｓｅｇｍｅｎｔａｔｉｏｎ；ｔｃｘｎｌ代ｆｅａｔｕｒｅｓ；ｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎ；ＡｄａＢｏｏｓｔ ｌ概述 由于具有非损伤性和较高的软组织分辨率，磁共振（ＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅ，ＭＲ）图像已成为诊断脑部肿瘤的重要工具。在利用磁共振图像诊断脑部肿瘤肘，医生必须对图像中的肿瘤进行分割，从而了解肿瘤的位置和大小，以及其附近功能组织的分布。现阶段肿瘤分割仍然依靠医生手工完成，这种方法大量消耗医生的精力和时间。同时，不同医生或是同一医生在不同时间所做出的分割结果误差很大，可重复操作性差。如果能够利用计算机对肿瘤进行自动分割将大大提高医生的工作效率，并且可以提供一个客观的分割结果。然而遗憾的是，由于肿瘤的形状、位置、灰度分布等的复杂多变性，现在还没有一种分割方法能够满足临床应用的要求。 现有肿瘤分割方法中大部分是基于模式识男０的方法，将分割问题看作像素的分类问题，其成功的关键是提取有效的特征区分肿瘤类和各种正常组织。常用的特征有灰度特征和纹理特征等。现有的研究中存在的主要问题是在特征提取的同时缺乏对特征的选择，尤其是纹理特征，通常维数较高，但并非每一维都为分割提供了有用的信息。 为了解决以上问题，本文重点研究了肿瘤分割中的特征提取与选择。通过对ＭＲ脑部图像中肿瘤性质的分析，提出了基于灰度、对称性和纹理等的３类特征。然后利用ＡｄａＢｏｏｓｔ方法选出对分割最有效的特征，并进行分类。ＡｄａＢｏｏｓｔ方法于１９９５年被提出【Ｉ】，是一种将弱分类器组合成强分类器的方法，但也可以被用作特征选择。例如文献【２】采用ＡｄａＢｏｏｓｔ算法选择纹理特征，对乳腺图像中的微小钙化病灶进行检测；文献【３】用类似的方法对血管超声图像中的血管进行分割；文献（４Ｊ对ＭＲ图像中的前列腺肿瘤进行自动检测，对图像提取特征之后，根据训练集的知识和贝叶斯准则对每个特征建立一幅肿瘤类的似然图，然后利用ＡｄａＢｏｏｓｔ方法对各似然图进行加权组合得到最终的似然图，这实际上也是一个特征选择的过程。综上所述，用ＡｄａＢｏｏｓｔ方法进行特征选择和分类在医学图像处理方面已经取得了一定的成果，但总的来说应用还不多，在脑部ＭＲＩ肿瘤分割中，还没有此类的方法出现。２脑部磁共振图像基本特征 ＭＲ图像根据成像参数的不同，可以得到不同的加权像，本文实验所用的加权像有Ｔｌ，Ｔ２和ＦＬＡＩＲ３种。正常的大脑组织主要包括灰质、自质、脑脊髓渡等，它们和肿瘤在各加权像中的灰度特性均有所不同，如图１所示。 置１ＭＲ圈● 基金项目：国家自然科学基金资助项目（６０．３７２０２３） 作者簧介：宣晓０９８２－－），女，硕士研究生，主研方向：计算机图像处理，模式识别等；廖庆敏，教授、博士生导捧 收藕日期：２００７一０６－０４Ｅ?ｍａｉｌ．＂ｘｕａｎｘｉａｏ＠ｍａｉｌｓ．ｔｓｉｎｇｈｕａ．ｅＡｕ，ｃｎ －－１８争一 万方数据