|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
基于softmax回归与图割法的脑肿瘤分割算法
3 E3 D) S, z( [& t摘―要:从医学图像中分割脑肿瘤区域可以为脑肿瘤的诊断以及放射治疗提供帮助.但肿瘤区域的变化异常且边界非常模糊,因此自动或半自动地分割脑肿瘤非常困难.针对这一问题,本文结合sofmax回归和图割法提出一种脑肿瘤分割算法.首先融合多序列核磁共振图像(MRI)并标记训练样本,再用softmax回归训练模型参数并计算每个点属于各个类别的概率,最后将概率融入到图割法中,用最小切/最大流方法得到最终分割结果.实验表明提出的方法可以更好地得到脑肿瘤的边界,并能较准确地分割出脑肿瘤区域.
1 j# n X H! S2 o/ C2 l; s/ a关键词:医学图像;脑肿瘤;核磁共振图像;图像分割;softmax回归;图割法;最小切/最大流+ j$ y. H9 i) p5 l5 ]) U
1 B% ^+ N6 V( ^. f2 Q" K# h
1 引言
6 O2 x) e/ }/ A+ u+ L为了帮助临床研究,从脑肿瘤病人的脑图像中分割出脑肿瘤并对该区域进行定量的测量以及3维可视化受到了越来越多的重视".核磁共振成像技术因对人体没有损伤、对软组织有非常高的分辨率以及参数易调节等特点已被广泛应用于脑疾病的临床治疗中.由于脑肿瘤区域的灰度变化异常且边界模糊,单一序列MRI无法提供足够的信息.因此多序列MRI 融合的方法是目前定位、监测、预测脑肿瘤的常用方法.& T a, O* P) _% L0 O# G
在得到多序列MRI后,需对这些图像进行分析并分割出脑肿瘤区域来检测形状、测量体积以及做好手术计划.考虑到医生手动分割多个3维图像非常耗时，且分割结果不具有可重复性2,自动或半自动的脑肿瘤分割方法就显得尤为重要了.目前,脑肿瘤的分割方法主要有基于地图集的方法[3.4]、曲线/曲面演化方法[5,6],基于学习的方法[7~10].基于地图集的方法其结果非常依赖于配准算法,目前尚未有通用的配准算法
1 J- F7 `3 r9 Q8 E# X( x0 q' o/ w- s# D' t# ~+ P/ h- V( ]
% K' `7 b. p# Y5 l8 E. z: }1 d G& y h7 |7 u
/ V- g ?7 U g& X
& y( K. A( y8 x' Y* e) _) W
$ S: w! _9 }6 T* H E |
|
/1 
发表于 2021-2-24 11:33
收藏
淘帖
支持！
反对！