CN106780453A

CN106780453A - 一种基于深度信任网络实现对脑肿瘤分割的方法

Info

Publication number: CN106780453A
Application number: CN201611115044.4A
Authority: CN
Inventors: 秦臻; 秦志光; 李雪瑞
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2016-12-07
Filing date: 2016-12-07
Publication date: 2017-05-31

Abstract

本发明通过基于深度信任网络的方法实现对脑肿瘤的分割，以利于对病人脑肿瘤疾病的辅助诊断。该方法首先利用自适应滤波器、直方图均衡化和亮度变换处理原始图像，减少原图像的噪音并增强图像的对比度。然后对处理过的图像提取图像块生成数据集。然后利用深度信任网络对完整脑肿瘤中水肿、坏死、肿瘤区域进行分类实现初分割，再利用模糊C均值聚类分割对图像进一步精确分割，得到的结果便是完整脑肿瘤的分割结果。

Description

一种基于深度信任网络实现对脑肿瘤分割的方法

技术领域

本发明属于计算机医学图像分类识别和分割的范畴，更为具体地讲，涉及一种基于深度信任网络实现对脑肿瘤的分割方法，用于辅助医疗对脑肿瘤实现自动化分割。

背景技术

当今社会，脑肿瘤愈发威胁人们的健康。统计资料显示脑肿瘤患者人数日益增多。由于脑部具有结构复杂和功能重要的特点，在临床上脑肿瘤及其肿瘤样变的形式多样，限制了脑肿瘤疾病的早期诊断和治疗。随着计算机辅助医疗诊断的技术的进步，已经成功的用于乳腺和肺部病变的辅助诊断上。如果能利用计算机实现医学图像的精确分割，将有利于医生及时的诊断和提出相应的治疗方案。MRI(磁共振图像)具有无放射性损害、无骨性伪影，能多方面多参数成像。特别适合于临床脑部病变检查，为医生及时的诊断和提出相应的治疗方案提供了条件。磁共振图像现已成为临床的主要诊断手段。但是目前临床的脑肿瘤分析大多还停留在定性的分析上，定量的分析脑肿瘤的方法目前还不多见。人工分割很费事且因人不同可能会产生不可预计的错误。实现脑肿瘤的准确有效的分割，是计算机医学处理领域非常重要的研究课题。

临床的脑肿瘤分割以人工分割为主，但是人工分割较为粗略，且过于费事，所以用计算机实现自动分割作为医疗辅助诊断的方式变得非常有意义。但是医学图像有着不同于其它图像的独特特征，单独使用任何一种传统的分割算法，都很难达到理想的效果。相关学科的发展及一些新理论和方法的提出为医学图像分割技术注入了新鲜血液，研究者们将这些新技术应用于实践中，得到了较好的分割效果。其中大多数分割运用图像基本处理、特征提取及特征选择、图像分类和分割的技术。目前较为常用的图像分割方法有关于模糊集理论的方法、基于统计学的方法等；分类识别方法则有线性判别、K近邻、神经网络等。同时这些方法都具有一定的局限性且多数用于单一的肿瘤分割，忽略了完整脑肿瘤中的坏死和水肿区域的分割。随着机器学习成为计算机领域的热门学科，它的模拟人类学习行为以获取新的知识和技能的特性被更多的用于处理高维数据，如医学图像分类识别。深度信任网络、卷积神经网络和自动堆叠编码都是机器学习中热门的研究方向。深度信任网络最早由Hinton在2006年提出，是在RBM(受限波尔兹曼机)的基础上，通过不断增加隐层数目，同时在网络的顶层使用RBM，而在其他层使用贝叶斯信念网络，从而得到DBN(深度信任网络)。DBN属于模式识别的范畴，通常用于数据的分类，它在输入数据的训练过程中，通过正向传播和反向传播的迭代不断的优化网络参数，然后根据真值图像不同的像素点或图像块类型给相应图像对应位置的像素点或图像块添加不同的标签实现分类，将分类模型映射为二值图像得到初分割结果。利用预训练得到的DBN输出结果优于传统神经网络算法的结果，在此基础上使用模糊C均值聚类(F C M)方法得到准确的脑肿瘤分割结果。

发明内容

本发明的目的在于设计一种基于深度信任网络实现对完整脑肿瘤进行分割的方法。在分割过程中，利用图像数据通过深度信任网络对于完整脑肿瘤进行多分类(包括水肿、坏死以及肿瘤)同时映射形成初分割的二值图像。

为较好的实现分割目的，需要对图像进行预处理等操作，主要包括以下内容：首先根据MRI的成像原理，去除MRI中的噪声，利用亮度变换增强图像的对比度以及细节，再利用直方图均衡化降低因设备参数不同而造成的图像亮度、对比度的差异，得到大致灰度分布均匀的图像。然后对预处理后的图像提取图像块和完整脑肿瘤的真值图像生成输入数据集，再通过深度信任网络对肿瘤、水肿、坏死区域进行多分类，最后利用模糊C均值聚类进行精确分割。

技术原理如图1所示，具体技术流程如下：

步骤一：首先利用自适应滤波器对图像进行处理，以消除图像中存在影响分类的噪音，并且通过直方图均衡化和亮度变换增强脑图像中肿瘤、水肿和坏死区域的对比度。

步骤二：利用步骤一处理的图像进行图像块的提取，并且生成相应的输入数据(训练和测试数据集)。

步骤三：利用无监督的深度信任网络对步骤二中数据的潜在特征进行提取，根据特征的训练对相应数据块添加标签对完整脑肿瘤实现多分类(1-水肿、2-坏死、3-肿瘤)，得到多分类模型。

步骤四：利用步骤三分类模型映射生成初分割结果，根据F C M对初分割后的图像进行分割，分割的结果为具有水肿、坏死和肿瘤区域的完整脑肿瘤。

附图说明

图1是本发明基于深度信任网络实现对脑肿瘤的分割方法的技术方案图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，可能淡化和忽略与本发明有关的已知功能和设计的内容介绍。

在本实施方案中，本发明对脑肿瘤分割方法主要包括以下环节：

1.图像预处理、2.图像块提取和数据集的生成、3.完整脑肿瘤的多分类、4.模糊C均值聚类分割

图像预处理采用滤波、直方图均衡化和亮度变换，图像提取图像块生成输入数据集，创新的采用深度信任网络对完整脑肿瘤按照水肿、坏死以及肿瘤区域进行分类，将分类模型映射生成二值图像得到初分割结果，其步骤如下：1根据真值对图像中所提取的图像块设定类型。以图像块中心点的类型为该块的类型，对完整脑肿瘤中水肿、坏死以及肿瘤区域设定类型，分别记为1-水肿、2-坏死、3-肿瘤。2深度信任网络训练过程中，利用真值对应图像块的类型对MRI的相对应图像块设定类型。3利用正向传播和反向传播的多次迭代，优化网络参数，然后根据真值图像不同的像素点或图像块类型给相应图像对应位置的像素点或图像块添加不同的标签实现分类，生成完整脑肿瘤的分类模型。4将3中的分类模型映射生成二值图像，得到初分割结果。最后的模糊C均值聚类分割过程中，将图像划分为相应的簇，对已有的簇，随机选择数据像素的隶属度矩M，M＝[M_ij],M⁽⁰⁾。通过M^(k)计算中心向量R^(k)＝[R_j]，其中k为迭代次数；计算更新后的隶属度矩阵M^(k+1)＝[M_ij ^(k+1)]。当||M^(k+1)-M^(k)||,其中||*||计算中心点和像素点之间的距离，满足FCM相应的错误率要求则终止，否则令M^(k)＝[M_ij ^(k+1)]，继续迭代。利用脑肿瘤和周围的正常组织像素隶属度的差异，得到具有水肿、坏死和肿瘤的完整脑肿瘤的分割结果。

本发明是一种基于深度信任网络实现对脑肿瘤的分割方法具有以下特点：

本发明提出一种对完整脑肿瘤进行分割方法，可以准确的对完整脑肿瘤的分割。创新的使用深度信任网络可以有效的对具有水肿、坏死及肿瘤的完整脑肿瘤进行分割。脑肿瘤的分割结果可以辅助医生对病人病情的诊断和提出治疗方案。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims

1.本发明是一种基于深度信任网络实现对脑肿瘤分割的方法，主要包括以下内容：首先对图像进行预处理，然后利用深度信任网络对于完整脑肿瘤进行多分类(包括水肿、坏死以及肿瘤)同时映射形成初分割的二值图像，继而用模糊C均值聚类(FCM)方法实现精确分割。

技术方案如下：

步骤一：首先利用自适应滤波器对图像进行处理，以消除图像中存在影响分类的噪音，并且通过直方图均衡化、亮度变换增强脑图像中肿瘤、水肿和坏死区域的对比度，将有利于提高分类和分割的准确度。

步骤三：利用无监督的深度信任网络对步骤二中数据的潜在特征进行提取，根据特征的训练对相应数据块设定类型，实现对完整脑肿瘤的多分类(1-水肿、2-坏死、3-肿瘤)，得到多分类模型。

步骤四：利用步骤三分类模型映射生成初分割结果，根据FCM对初分割后的图像进行分割，分割的结果为水肿、坏死和肿瘤区域。

2.根据权利要求1所述的一种基于深度信任网络实现脑肿瘤分割的方法。其特征在于使用深度信任网络的过程中，按照图像块的灰度特征，实现了对完整脑肿瘤的多分类(水肿、坏死以及肿瘤区域)和分割，而不是单一的只对其中的肿瘤区域进行分类和分割。

本发明的主要特点在于对完整脑肿瘤进行分割的过程进行一些改进，以提高分割的准确性。主要包括：(1)利用自适应滤波、直方图均衡化和亮度变换对图像进行预处理，(2)对预处理的图像提取图像块生成输入数据集，(3)利用深度信任网络对完整脑肿瘤按照水肿、坏死以及肿瘤区域进行分类，将分类模型映射生成二值图像得到初分割结果。(4)利用模糊C均值聚类分割方法对初分割结果进一步进行分割，得到准确的分割结果。

利用深度信任网络对完整脑肿瘤分类，其步骤如下：

1.根据真值对图像中所提取的图像块设定类型。以图像块中心点的类型为该块的类型，对完整脑肿瘤中水肿、坏死以及肿瘤区域设定类型，分别记为1-水肿、2-坏死、3-肿瘤。

2.深度信任网络训练过程中，利用真值对应图像块的类型对图像的相对应图像块设定类型。

3.利用正向传播和反向传播的多次迭代，优化网络参数，然后根据真值图像不同的像素点或图像块类型给相应图像对应位置的像素点或图像块添加不同的标签实现分类生成完整脑肿瘤的分类模型。

4.将3中的分类模型映射生成二值图像，得到初分割结果。

在最后的模糊C均值聚类分割过程中，将图像划分为相应的簇，对已有的簇，随机选择数据像素的隶属度矩M。

M＝[M_ij],M⁽⁰⁾。

通过M^(k)计算中心向量R^(k)＝[R_j]，其中k为迭代次数；计算更新后的隶属度矩阵M^(k+1)＝[M_ij ^(k+1)]。当||M^(k+1)-M^(k)||,其中||*||计算中心点和像素点之间的距离，满足FCM相应的错误率要求则终止，否则令M^(k)＝[M_ij ^(k+1)]，继续迭代。利用脑肿瘤和周围的正常组织像素隶属度的差异，得到最后的分割结果。