结合灰度直方图和细胞自动机的多模态MRI脑胶质瘤分割
人工智能在急性缺血性脑卒中成像中的应用进展
国际医学放射学杂志ＩｎｔＪＭｅｄＲａｄｉｏｌ２０22Jul 鸦45穴4雪：444-448人工智能在急性缺血性脑卒中成像中的应用进展陈晓宇王希明*【摘要】人工智能（AI ）技术可采用多种算法模拟人类认知和信息处理过程，与CT 和MRI 相结合可用于急性缺血性脑卒中成像，包括梗死灶的检测、影像分割、头颈大血管闭塞的检测和病人预后预测等。
采用AI 技术分析或构建模型有助于临床医师对脑卒中病人的尽早诊疗、及时干预和随访评估。
概述AI 的概念，并就其在急性缺血性脑卒中病人CT 平扫、CT 血管成像（CTA ）、CT 灌注成像（CTP ）、MRI 中的应用进展进行综述。
【关键词】人工智能；急性缺血性卒中；卒中；磁共振成像；体层摄影术，X 线计算机中图分类号：R743.3；R445.2;R445.3文献标志码：AThe progress of artificial intelligence in acute ischemic stroke imaging CHEN Xiaoyu,WANG Ximing.Department of Radiology,First Affiliated Hospital of Soochow University,Suzhou 215031,China.Corresponding author:WANG Ximing,E-mail:**********************【Abstract 】Artificial intelligence (AI)can be used to simulate human cognition and information processing through avariety of algorithms,and can be used in combination with CT and MRI for acute ischemic stroke imaging,including infarct detection,imaging segmentation,localizing large vessel occlusion in head and neck,and prognosticestimation.Analysis or model construction using AI techniques can help clinicians in early diagnosis and treatment,timely intervention,and follow-up assessment of stroke patients.This paper reviews the concept of AI,and AI applications in plain CT,CT angiography (CTA),CT perfusion (CTP),and MRI in acute ischemic stroke patients and its development prospects.【Keywords 】Artificial intelligence;Acute ischemic stroke;Stroke;Magnetic resonance imaging;Tomography,X-raycomputedＩｎｔＪＭｅｄＲａｄｉｏｌ，２０22，45（4）：444-448作者单位：苏州大学附属第一医院放射科，苏州215031通信作者：王希明，E-mail:***********************审校者DOI:10.19300/j.2022.Z19718综述神经放射学急性缺血性卒中是一种由动脉粥样硬化和血栓形成引起的急性脑血管疾病，是成人致残的主要原因。
基于深度学习的脑肿瘤MRI分割
基于深度进修的脑肿瘤MRI分割摘要：脑肿瘤是一种常见的脑部疾病，早期的识别和治疗对于患者的生存率和生活质量具有极大的影响。
脑肿瘤的识别主要通过 MRI 影像分析完成，然而对于大量复杂的信息的分析需要大量的人工介入，而标准化智能的脑肿瘤分割技术也并不完善。
为了提高脑肿瘤分割效率和准确率，本文将深度进修技术应用于 MRI 脑肿瘤分割。
在对 T1c 加权影像预处理后，利用深度进修的卷积神经网络 CNN 和全卷积神经网络（FCN）分别对 T1c 加权、T2 加权和 FLR 影像进行分割，最后融合多个网络的猜测结果得到最终脑肿瘤的分割结果。
试验结果表明，本文提出的方法能够有效地分割出脑肿瘤区域，较传统的方法具有更高的准确性和有效性。
关键词：深度进修；MRI；脑肿瘤；分割；卷积神经网络；全卷积神经网络；猜测结果融合1、介绍脑肿瘤是指在脑内形成的一种病变，其恶性程度及治疗方式有着明显的差异。
MRI 影像一般被用来帮助诊断和治疗。
然而，医学影像存在许多问题，如结构多样性、组织相似性和图像噪声等，使得MRI脑肿瘤的准确分割成为了一项复杂的任务。
因此，利用深度进修进行MRI脑肿瘤分割可以有效地提高分割准确性和处理效率。
2、方法本文接受了卷积神经网络（CNN）和全卷积神经网络（FCN）两种深度进修模型进行MRI脑肿瘤分割。
起首，对T1c加权影像进行预处理，对图像进行裁剪和正规化。
然后，CNN模型分别对T1c加权、T2加权和FLR影像进行分割，得到三个逐像素的分割概率图。
最后，将三个分割概率图通过加权平均算法融合得到最终分割结果。
3、试验设计本试验接受了MICC BRAin Tumor Segmentation（BraTS）数据集，包含来自多个医院的MRI图像数据。
数百个带注释的MRI数据集被分成三部分，其中两个数据集用于训练，一个数据集用于测试。
4、结果在本文的试验中，接受MICC BRAin Tumor Segmentation数据集进行训练和测试，结果表明本文的方法能够高效地进行MRI 脑肿瘤分割。
脑部肿瘤图像分割技术的研究
医学图像分割方法 ...............................................................................6 不含噪声的 MRI 脑部肿瘤图像分割结果........................................14 含噪声的 MRI 脑肿瘤图像分割结果................................................15 粒子群优化算法流程图 .....................................................................21 不含噪声的 MRI 脑部肿瘤图像分割结果........................................22 含噪声的 MRI 脑部肿瘤图像分割结果............................................23 平面曲线演化 .....................................................................................27 曲线的曲率演化 .................................................................................27 闭合曲线的常量演化(V=1) ...............................................................28 “曲线变短流” 和“面积减小流”的对比 ............................................28 演化的水平集及嵌入的曲面 .............................................................30 具有不同初始轮廓的 MRI 脑部肿瘤图像分割结果........................39 初始轮廓不完全包含脑肿瘤的分割结果 .........................................39 含噪声的 MRI 脑部肿瘤图像分割结果............................................39 不含噪声的 MRI 脑部肿瘤图像分割结果........................................45 初始轮廓不完全包含脑肿瘤的分割结果 .......................................46 分析法工作流程 .................................................................................49 实验法工作流程 .................................................................................50 本文研究算法的分割结果 .................................................................52
基于多模态磁共振的脑肿瘤图像分割方法[发明专利]
![基于多模态磁共振的脑肿瘤图像分割方法[发明专利]](https://img.taocdn.com/s3/m/7b683dc04793daef5ef7ba0d4a7302768e996fa7.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201710812864.7(22)申请日 2017.09.11(71)申请人 南京理工大学地址 210094 江苏省南京市孝陵卫200号(72)发明人 纪则轩 (74)专利代理机构 南京理工大学专利中心32203代理人 王玮(51)Int.Cl.G06T 7/11(2017.01)G06T 7/162(2017.01)G06K 9/62(2006.01)(54)发明名称基于多模态磁共振的脑肿瘤图像分割方法(57)摘要本发明公开了一种基于多模态磁共振的脑肿瘤图像分割方法，根据磁共振成像（Magneticresonance imaging ,MRI）本身的特性，通过简单结合不同模态的MRI实现脑肿瘤分割。
首先，使用水平集方法在FLAIR模态上检测出整个异常区域也就是肿瘤区域包括肿瘤和水肿；然后将该区域映射在T1ce模态上，进而使用k均值算法将水肿和肿瘤组织分割开来。
相比于传统的脑肿瘤分割方法，本发明中的方法容易实现并且具有较高的分割精度。
权利要求书1页 说明书5页 附图3页CN 107705308 A 2018.02.16C N 107705308A1.一种基于多模态磁共振的脑肿瘤图像分割方法，其特征在于具体步骤如下：步骤一，输入肿瘤患者的不同模态的磁共振图像，包括T1ce和FLAIR；步骤二，对输入的T1ce和FLAIR图像进行直方图归一化处理，调整图像的灰度分布；步骤三，在FLAIR模态上，采用水平集算法提取肿瘤区域；步骤四，将FLAIR模态中得到的肿瘤区域映射到T1ce图像上，然后使用k均值算法对T1ce上影射后的肿瘤区域进行分割，其中K＝2，即将图像分割为肿瘤核与水肿两部分。
2.根据权利要求1所述的基于磁共振脑肿瘤图像分割方法，其特征在于：步骤三所述提取肿瘤区域的具体方法如下：设Ω→R 2是图像域，I:Ω→R 2是一个指定的图像灰度，对于给定的图像I(x ,y)，C是图像域Ω上的一个闭合曲线，将图像分为外部区域Ω1和内部区域Ω2；使用RSF模型作为能量函数，通过图像灰度变化区分目标和背景：E x (C ,f 1,f 2)＝λ1∫outside(C)K σ(x-y)|I(y)-f 1(x)|2dx +λ2∫inside(C)K σ(x-y)|I(y)-f 2(x)|2dx 其中，λ1和λ2是常量；outside(C)和inside(C)分别表示轮廓线C的外部和内部区域；f 1(x)和f 2(x)分别近似轮廓线外部和内部区域的灰度平均值；使用如下的高斯函数来引导曲线的运动其中σ是标量常数。
磁共振多模态影像在脑胶质瘤诊断及分级中的应用研究
磁共振多模态影像在脑胶质瘤诊断及分级中的应用研究发表时间：2017-01-19T10:47:41.070Z 来源：《心理医生》2016年31期作者：南细柳[导读] 在临床上，脑胶质瘤是一种常见的脑部肿瘤，属于一种原发性的肿瘤。
（浠水县人民医院核磁共振室湖北黄冈 438200）【摘要】目的：分析对脑胶质瘤进行诊断与分级时应用磁共振多模态影像的临床价值。
方法：选择35例于2015年1月—2016年8月在我院接受治疗的脑胶质患者为研究对象，均行磁共振检查，获取多模态影像，对其检查过程与结果进行回顾性分析。
结果：35例患者中，26例为单发肿瘤，9例为多发肿瘤，34.3%为低级别患者，65.7%为高级别患者，高、低级别患者的肿瘤瘤体、肿瘤水肿带rFA、rADC值比较有差异存在，（P＜0.05）。
结论：在脑胶质瘤患者中，磁共振多模态影像有较大应用价值，不但可使诊断准确率提升，而且能够进行准确分级，为患者临床治疗方案的确定提供可靠性依据。
【关键词】磁共振多模态影像;脑胶质瘤;诊断;分级【中图分类号】R445.2 【文献标识码】A 【文章编号】1007-8231（2016）31-0099-02 在临床上，脑胶质瘤是一种常见的脑部肿瘤，属于一种原发性的肿瘤，此种肿瘤一般没有明显的影像学特征，进行诊断时，常会与脑膜瘤、转移癌、脑脓肿等混淆，使患者得不到及时有效的治疗[1]。
近年来，临床上将磁共振多模态影像应用到了脑胶质瘤的诊断中，此种方法由传统的磁共振检查发展而来，将人体功能、解剖、可能对人体功能造成影响的因素结合在一起，可使脑胶质瘤的诊断准确率提升。
本次研究对35例脑胶质患者的磁共振多模态影像检查过程与结果进行分析，探讨其在脑胶质瘤诊断与分级中的应用价值，现将研究呈现如下。
1.对象以及方法1.1 研究的对象在2015年1月—2016年8月这一期间因患脑胶质瘤进入我院治疗的患者中选择35例为此次研究对象，男性例数/女性例数=18:17，35岁～65岁，平均年龄（50±6.5）岁，所选患者均在相关临床检查下被证实为脑胶质瘤，已经手术病理学证实。
一种用于脑肿瘤图像分割的方法及系统[发明专利]
![一种用于脑肿瘤图像分割的方法及系统[发明专利]](https://img.taocdn.com/s3/m/36c6a4f7b8f3f90f76c66137ee06eff9aef849b9.png)
专利名称：一种用于脑肿瘤图像分割的方法及系统
专利类型：发明专利
发明人：李登旺,张焱,宋卫清,黄浦,寻思怡,王建波,朱慧,柴象飞,章桦
申请号：CN202111178058.1
申请日：20211009
公开号：CN114066908A
公开日：
20220218
专利内容由知识产权出版社提供
摘要：本发明属于医学图像分割技术领域，提供了一种用于脑肿瘤图像分割的方法及系统。
其中，该方法包括提取脑肿瘤图像的多尺度信息；基于所述多尺度信息分别对脑肿瘤图像进行编码操作，以提取对应尺度信息的高语义特征并生成对应尺度信息的图像表示；从多尺度信息的图像表示中提取低语义特征，分别与所述高语义特征结合；基于空间‑通道注意力机制分别对结合的特征进行空间和通道维度的加权重标定，得到相应注意力特征；将所述注意力特征还原到原始分辨率，通过图像的特征表示得到脑肿瘤图像分割结果。
申请人：山东师范大学
地址：250014 山东省济南市历下区文化东路88号
国籍：CN
代理机构：济南圣达知识产权代理有限公司
代理人：张庆骞
更多信息请下载全文后查看。
MRI大脑图像灰质与白质的分割
MRI大脑图像灰质与白质的分割陈亮亮【摘要】目的利用小波变换对MRI大脑图像进行多尺度下的自动阈值处理,实现大脑灰质与白质的分割.方法首先将MRI大脑图像去噪,接着进行预分割以去除非脑组织,余下的脑实质部分选择sym4小波函数对其一维直方图信号进行不同层次的小波系数的分解,实现多尺度下的自动阈值分割,从而提取脑实质中的灰质和白质.经过图像的后处理,以错误分割的百分比作为分割结果的评判标准.结果该方法能正确分离白质和灰质,对多幅MRI大脑图像重复实验,计算得到的像素差异百分比不超过3.7％,错误分割的百分比在允许范围内.结论该方法对于MRI大脑的灰白质分割具有一定的有效性,且操作简单、快速,分割效果理想.但由于小波阈值分割法的单一性,分割过程仍有人工干涉,分割结果也存在一定的过分割现象,应在此方法的基础上进一步研究和完善.【期刊名称】《北京生物医学工程》【年(卷),期】2013(032)005【总页数】5页(P519-523)【关键词】MRI大脑图像;小波变换;大脑灰质;大脑白质;阈值分割;多尺度【作者】陈亮亮【作者单位】温州医科大学,浙江温州 325000【正文语种】中文【中图分类】R318.04对磁共振MR脑图像中的脑组织进行分割一直都是医学图像分割的热点，也是临床上对脑组织进行定量分析的关键步骤。
由于磁共振成像具有成像清晰、多角度、分辨力高，包含有丰富的人体软组织对比信息等诸多特点，所以在影像医学诊断尤其是对大脑图像的分析中越来越显示出其优越性。
脑部图像的分割主要包括两个方面的内容：一是对正常脑组织的分割，就是要将MR脑部图像分割为灰质、白质和脑脊液等组织部分。
这是医学图像配准、三维重建和可视化的基础；另一方面就是对包含有病灶的脑部图像的分割，即将感兴趣的病灶从其他组织中分割出来。
这样就能够对病灶的形状、边界、截面面积以及体积等进行测量，帮助医生制定和修改治疗方案[1]。
本文着重研究对灰质和白质的分割。
一种基于MRI图像的脑肿瘤组合分割法
一种基于MRI图像的脑肿瘤组合分割法作者：王莉朱仁江范嗣强桑林琼来源：《现代电子技术》2011年第24期摘要：从模糊的MRI脑肿瘤的图像中准确找出肿瘤，供医学临床使用。
分别采用了2种分割方法：一种是改进的阈值方法，即在进行最大方差阈值法之前首先采用手动阈值法；另一种是采用圆形结构元素作为种子的形态学分割方法。
这2种方法均实现了从低对比度MRI脑图像提取目标的要求。
灵活使用阈值法和形态学分割方法与医学图像中，具有一定的临床实用价值。
关键词：医学图像分割；阈值分割；形态学分割； MRI中图分类号：TN919-34； TP391 文献标识码：A 文章编号：1004-373X(2011)24-0110-03 Brain Tumor Combination Segmentation Method Based on MRI ImagesWANG Li1, Zhu Ren-jiang2, Fan Si-qiang2, SANG Lin-qiong1(1. Third Military Medical University, Chongqing 400038, China;2. Chongqing Normal University, Chongqing 400070, China)Abstract： To find tumors from the blurred MRI brain tumor images accurately for medical clinic, two segmentation methods are adopted. One is the improved threshold method: the manual threshold method is used before the implementation of maximum variance threshold method. Another is the morphological segmentation method which takes a circular structure element as the seed. Both of them can meet the requirement of extracting the tumor target from the low-contrast MRI brain images. The flexible application of threshold method and morphological segmentation method to the medical images has a certain clinical value.Keywords： medical image segmentation; threshold segmentation; morphological segmentation; MRI收稿日期：2011-07-13基金项目：国家自然科学基金资助项目（61008059）；重庆市教委项目（KJ110618）0 引言医学图像处理的主要研究方向有图像分割、图像配准、结构分析、运动分析等，而其中医学图像分割的研究具有更重要的意义［1］。
脑胶质瘤应用多模态磁共振成像鉴别诊断的临床研究 王敏
脑胶质瘤应用多模态磁共振成像鉴别诊断的临床研究王敏发表时间：2018-11-30T10:41:19.490Z 来源：《中国结合医学杂志》2018年8期作者：王敏[导读] 目的：研究脑胶质瘤应用多模态磁共振成像鉴别诊断的临床价值。
湖南省脑科医院湖南长沙 410007【摘要】目的：研究脑胶质瘤应用多模态磁共振成像鉴别诊断的临床价值。
方法：选取我院2016年2月到2018年2月期间诊治的36例脑胶质瘤患者作为研究对象，均经手术、组织病理证实，术前行磁共振平扫及增强扫描，分析脑胶质瘤的病理结果、病变个数与部位、MRI信号表现、强化情况、占位效应与水肿情况以及周围纤维束状态。
结果：①病理结果显示，低级别胶质瘤11例，占比30.56%，包括II 级2例，II级9例；高级别胶质瘤25例，占比69.44%，包括III级10例IV级15例；高级别胶质瘤构成比明显高于低级别胶质瘤，对比差异显著（P<0.05）。
②病变个数与部位：单发病变30例，多发病变6例；病变部位主要位于额叶、颞叶、顶叶、枕叶、颞顶叶交界区、额顶叶交界区以及小脑。
③磁共振信号表现：T1FLAIR呈等、低信号14例，T2FLAIR呈等、高、低混杂信号21例；T2WI均呈稍高、高信号。
④强化情况：环状强化25例，伴结节状强化3例，轻度强化5例，未见明显强化3例。
⑤占位效应与水肿情况：占位效应伴有中、重度水肿带26例，轻度占位效应伴有轻度水肿带8例，未有明显占位效应与水肿带2例。
⑥周围纤维束状态：低级别胶质瘤的周围纤维束出现推移4例，浸润6例，破坏1例；高级别胶质瘤的周围纤维束出现推移0例，浸润15例，破坏10例；两组对比，差异显著（P<0.05）。
结论：多模态磁共振成像鉴别诊断脑胶质瘤的临床效果显著，可清晰呈现病灶的实际情况，且不同级别脑胶质瘤的信号存在一定的差异性，为临床鉴别诊断提供了重要的参考依据。
【关键词】脑胶质瘤；多模态磁共振成像；鉴别诊断；临床磁共振技术在脑胶质瘤诊断与鉴别中的应用较为广泛，尤其是多模态磁共振成像，能够为该病的临床诊断提供非常重要的参考信息[1]。
基于医学图像特征的肿瘤分类与识别研究
基于医学图像特征的肿瘤分类与识别研究肿瘤是一种常见的疾病，对人类健康造成了巨大的威胁。
准确地分类和识别肿瘤对于患者的治疗决策和疾病管理至关重要。
随着医学图像技术的进步，基于医学图像特征的肿瘤分类与识别研究得到了广泛的关注和应用。
在医学图像分类与识别中，肿瘤的特征提取是一个关键步骤。
传统的特征提取方法主要基于手工设计，例如形状特征、纹理特征和灰度直方图等。
这些特征能够提供一些有价值的信息用于肿瘤分类和识别，但是由于人工设计的限制，这些特征可能无法完整地表达图像中的信息，导致分类和识别的性能有限。
近年来，深度学习技术的兴起为基于医学图像特征的肿瘤分类与识别研究带来了新的机遇。
深度学习是一种机器学习的方法，通过模拟人类大脑神经元之间的连接和传递信息来进行特征学习和模式识别。
在医学图像分类与识别中，深度学习算法能够自动从图像中学习有用的特征，并进行准确的分类和识别。
深度学习算法中最具代表性的是卷积神经网络（Convolutional Neural Network，CNN）。
CNN是一种典型的前馈神经网络，其主要特点是通过卷积和池化等操作提取图像中的局部特征，并通过多层神经网络进行特征融合和分类。
与传统的特征提取方法相比，CNN能够自动从原始图像中学习特征，并具有更强的表达能力和鲁棒性。
在基于医学图像特征的肿瘤分类与识别研究中，研究者们通常会收集大量的医学图像数据用于模型训练和评估。
这些数据包括正常组织和不同类型的肿瘤组织。
通过使用CNN等深度学习模型，可以从这些数据中学习到肿瘤的特征表示，进而进行分类和识别。
除了CNN，还有一些其他的深度学习模型也被应用于基于医学图像特征的肿瘤分类与识别研究中，例如循环神经网络（RecurrentNeural Network，RNN）、生成对抗网络（Generative Adversarial Network，GAN）等。
这些模型在不同的任务和数据集上取得了不错的分类和识别效果，为肿瘤疾病的早期筛查、辅助诊断和个体化治疗等方面提供了有力的支持。
磁共振多模态影像在脑胶质瘤诊断及其分级中的应用分析
中图分类号 ： Ｒ ７ ３ ９ ． ４ １
文献标识码 ： Ａ
文章编号 ： １ ０ ０ １ — ８ １ ７ ４ （ ２ ０ １ ５ ） １ ０ — ２ ２ ３ ８ — ０ ２
大脑是机体重要 的控制 中心和信息分析 中心 ． 保持大脑 正常的生理生化功能 ．保持其完善 的信息传递和分析体 系 ， 是保障整个机体各个器官 和组织协调 ． 功能完整的前提 当
・Ｔ ｒ ｅ ａ ｔ 现代诊断与治疗 ２ ０ １ ５ Ｍａ ｙ ２ ６ （ １ Ｏ ）
磁 共振 多模态影像在脑胶质瘤诊断及其分级 中的应用分析
王 恩力 （ 天津 医科大学中新生态城 医院影像科 ， 天津 ３ ０ ０ ４ ６ ７ ）
ｎ ｅ ｔ ｉ ｃ ｒ ｅ ｓ ｏ ｎａ ｎｃ ｅ ｉ ｍａ ｇ ｉ ｎ ｇ ｉ ｎ ｔ ｈ ｅ ｄ ｉ ａ ｇ ｎｏ ｓ ｉ ｓ ｏ ｆ ｃ ｅ ｒ ｅ ｂｒ ａ ｌ ｇ ｌ ｉ ｏ ｍａ ｓ ａ ｎ ｄ ｉ ｔ ｓ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：Ｍ ａ ｇ ｎ ｅ ｔ ｉ ｃ ｒ ｅ ｓ ｏ ｎ ａ ｎ ｃ ｅ ； Ｍｕ ｌ ｔ ｉ ｍｏ ｄ ａ ｌ ｉ ｔ ｙ ； Ｂｒ ａ ｉ ｎ ｇ ｌ ｉ ｏ ｍａ ； Ｄｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ
脑组织 发生病变 时 ． 病 灶中心压迫破 坏正常 的脑 细胞 ． 将 引
多模态磁 共振是将不 同功 能的磁共振 技术融合 到为患 者进行诊断和检查的一种新兴颅脑成像技术 。它可 以同时 提供颅脑组织解剖 、 脑部代谢 、 细胞功能等信息 ， 可在传统 的
磁共振技术 的基础 上进 一步确定脑部疾病 的影像学特征 从
基于灰度直方图的MR脑组织的提取方法
基于灰度直方图的MR脑组织的提取方法朱冠菲;徐永秋;米红妹;朱建明【摘要】根据脑磁共振图像(magnetic resonance imaging,MRI)的灰度直方图中不同峰值对应不同的脑组织灰度分布的特点,提出了一种基于灰度直方图提取MR 图像中脑组织的方法;首先,为了克服传统方法主观选择门限阈值等方面的不足,利用多项式曲线拟合灰度直方图获取区域生长门限阈值确定最优种子点,并结合形态学重构方法进行颅骨分离,对脑MR图像进行了预处理;然后,结合K均值聚类算法通过对灰度直方图多峰值的选取确定初始聚类中心,将颅骨剥离后的脑组织图像高效、精确地细化分割出脑脊液、灰质、白质;文中分别使用了模拟脑MRI数据以及真实脑部MRI数据进行测试,对分类结果进行定性、定量的分析,并与模糊C均值算法进行比较;结果表明,该方法提高了提取脑组织的工作效率和准确度.%This paper presents a tissue segmentation method based on the fact that the peak distribution of gray scale histogram in MR brain images corresponds to different brain tissue distribution.Firstly,in order to separate the skull,we propose a method which combines optimal threshold selection and adaptive regional growing algorithm.The optimal threshold is obtained by using polynomial curve fitting to histogram data,overcoming the drawbacks of subjective threshold selection associated with traditional methods.We then apply adaptive regional growing algorithm to complete the separation of the skull.Secondly,the initial cluster centers are determined by selecting the peak values of gray histogram,and then the K-means clustering algorithm is used to refine the segmentation of cerebrospinal fluid,gray matter,white matter.Finally,this method is testedon both simulated MRI data and human brain MRI images.We perform both qualitative and quantitative analyses in comparison with other image segmentation algorithms.Results show that the proposed algorithm can improve the efficiency and accuracy brain tissue segmentation.【期刊名称】《计算机测量与控制》【年(卷),期】2017(025)011【总页数】5页(P170-173,178)【关键词】灰度直方图;曲线拟合;区域生长;K均值;脑组织提取【作者】朱冠菲;徐永秋;米红妹;朱建明【作者单位】中国计量大学信息工程学院,杭州310018;中国计量大学信息工程学院,杭州310018;中国计量大学信息工程学院,杭州310018;中国计量大学信息工程学院,杭州310018;北卡罗来纳大学教堂山分校医学院,美国【正文语种】中文【中图分类】TP391;R445.2核磁共振图像(magnetic resonance imaging，MRI)脑组织提取在神经图像分析中是配准、脑组织分类等的预处理步骤，起着重要作用[1]。
多模态磁共振成像技术在胶质瘤细胞增殖诊断中的应用
多模态磁共振成像技术在胶质瘤细胞增殖诊断中的应用林坤;次旦旺久;王晓明
【期刊名称】《磁共振成像》
【年(卷),期】2017(008)006
【摘要】脑胶质瘤是一种临床发病率高、预后不良的恶性肿瘤,目前其术前诊断分级及预后评价仍缺乏有效的方法.多模态磁共振成像技术能够反映肿瘤的组织病理学变化,细胞增殖是肿瘤发生、发展的关键行为,与肿瘤的临床诊断、分级、治疗及预后密切相关.本文就多模态磁共振成像技术在脑胶质瘤细胞增殖诊断方面的应用进展予以综述.
【总页数】5页(P470-474)
【作者】林坤;次旦旺久;王晓明
【作者单位】中国医科大学附属盛京医院放射科,沈阳 110004;西藏自治区人民医院放射科,拉萨850000;中国医科大学附属盛京医院放射科,沈阳 110004
【正文语种】中文
【中图分类】R445.2;R739.41
【相关文献】
1.多模态磁共振成像技术在胶质瘤评价中的应用研究 [J], 林坤;次旦旺久;祁英;王晓明
2.多模态磁共振成像技术在鞍旁海绵状血管瘤诊断中的应用价值 [J], 肖华锋;安维民;王玉林;王岩;李勇武;谢辉
3.多模态磁共振成像技术在前列腺癌诊断中的应用 [J], 王秀平;夏建国
4.多模态磁共振成像技术在胶质瘤术后复发及放射性损伤诊断中的应用研究 [J], 李振凯; 杜红娣; 王莺; 钱春红; 沈海林
5.对多模态核磁共振成像技术应用于乳腺癌诊断中的临床价值进行分析 [J], 刘丹因版权原因，仅展示原文概要，查看原文内容请购买。
直方图与索贝尔算子相结合的MR图像肿瘤边缘检测方法的研究设计
毕业设计中文摘要毕业设计外文摘要目次1 引言 (1)1.1 医学图像处理的应用背景及意义 (1)1.2 边缘检测在医学图像处理中的应用 (2)2 图像边缘检测 (2)2.1 边缘检测的历史及研究现状 (3)2.2 边缘检测算子 (4)3 灰度直方图 (8)3.1 直方图的基本概念 (9)3.2 直方图的应用.................................................................................10 4 直方图与索贝尔算子相结合的MR图像边缘检测.......................................10 4.1 索贝尔算子....................................................................................11 4.2 直方图折半查找法...........................................................................13 4.3 直方图与索贝尔算子相结合的图像边缘检测的Matlab程序实现和结果.........13结论...................................................................................................24参考文献 (25)致谢 (27)1 引言1.1 医学图像处理的应用背景及意义图像处理最早出现于20世纪50年代，当时电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。
图像处理作为一门学科约形成于20世纪60年代初期。
早期的图像处理目的是改善图像的质量，以人为对象，以改善人的视觉效果为目的，输入的是质量低的图像，输出的是改善质量后的图像。
基于多模态影像组学方法在脑胶质瘤高低分级中的应用价值
基于多模态影像组学方法在脑胶质瘤高低分级中的应用价值叶姣;宾芳;鲁波;蔡泽润;胡玲【期刊名称】《医疗装备》【年(卷),期】2024(37)1【摘要】目的探讨基于多模态影像组学方法在脑胶质瘤高低分级中的应用价值。
方法选择258例脑胶质瘤患者作为观察对象,高分化脑胶质瘤210例,低分化脑胶质瘤48例。
所有患者按9‥1的比例分为训练组和测试组,选择增强肿瘤区域作为感兴趣区域(ROI),通过Pyradiomics开源库提取T1、T2、T1ce和Flair4个模态MRI共428组影像组学特征。
选出具有最高预测价值的影像组学特征,构建对数几率回归(LR)、支持向量机(SVM)和多层感知机(MLP)3种机器学习模型进行脑胶质瘤分级,并对测试组进行验证。
结果利用LR、SVM和MLP3种机器学习算法构建的影像组学模型在训练集的曲线下面积(AUC)均>0.95,测试组均>0.90。
基于LR 构建的影像组学模型最优,其在测试组中的准确率、AUC、敏感度和特异度分别为92.0%、0.976、90.5%和100.0%。
结论基于多模态MRI影像组学特征结合机器学习分类模型可准确预测脑胶质瘤的高低分级。
【总页数】4页(P25-27)【作者】叶姣;宾芳;鲁波;蔡泽润;胡玲【作者单位】湘潭市中心医院【正文语种】中文【中图分类】R737.33【相关文献】1.MRI影像组学在脑胶质瘤分级中的价值研究2.多模态磁共振成像及影像组学在评价胶质瘤分级及IDH-1基因分型中的应用价值探讨3.基于多模态MRI影像组学在胶质瘤分级预测中的应用:多中心验证研究4.基于常规MRI图像的不同影像组学模型在脑胶质瘤术前分级中的应用因版权原因，仅展示原文概要，查看原文内容请购买。
基于直方图分析法定量评估DCE-MRI在脑胶质瘤分级诊断中的价值
基于直方图分析法定量评估DCE-MRI在脑胶质瘤分级诊断中的价值南海燕;颜林枫;张欣;杨洋;韩宇;王文;崔光彬【期刊名称】《磁共振成像》【年(卷),期】2018(009)010【摘要】目的通过直方图法分析磁共振动态对比增强(dynamic contrast enhanced magnetic resonance imaging,DCE-MRI)定量评估脑胶质瘤分级的价值.材料与方法 120例脑胶质瘤患者中,低级别(Ⅰ、Ⅱ级)28例,高级别(Ⅲ、Ⅳ级)92例.采用改良的extended Toft双室模型,获得DCE渗透性参数Ktrans、Kep、Ve、Vp和灌注参数时间浓度曲线对比剂首过的曲线下面积(initial area under gadolinium concentration time curve,IAUGC)、脑血流量(cerebral blood lfow,CBF)、平均通过时间(mean transit time,MTT).应用非配对t检验和Mann-Whitney U检验比较不同级别胶质瘤DCE直方图参数的差异,应用受试者工作特征(receiver operating characteristic,ROC)曲线对比分析各不同参数的诊断效能、敏感度和特异度及相应的诊断阈值.结果高、低级别胶质瘤Ktrans、Kep、Ve和IAUGC、MTT的差异有统计学意义(P<0.05).ROC曲线分析显示,IAUGC和Ve的诊断效果最佳(P<0.05).与平均值相比,Ktrans的第75百分位数诊断效能升高最明显,IAUGC的第95百分位数的诊断效能最高.结论基于直方图分析法的DCE参数对定量评估脑胶质瘤的分级具有重要的临床参考价值.【总页数】6页(P731-736)【作者】南海燕;颜林枫;张欣;杨洋;韩宇;王文;崔光彬【作者单位】空军军医大学唐都医院放射诊断科,西安 710038;空军军医大学唐都医院放射诊断科,西安 710038;空军军医大学唐都医院放射诊断科,西安 710038;空军军医大学唐都医院放射诊断科,西安 710038;空军军医大学唐都医院放射诊断科,西安 710038;空军军医大学唐都医院放射诊断科,西安 710038;空军军医大学唐都医院放射诊断科,西安 710038【正文语种】中文【中图分类】R445.2;R739.41【相关文献】1.DCE-MRI定量参数全域直方图分析法在乳腺肿瘤鉴别诊断中的应用价值 [J], 黄婧潇;吴朋;孙静宜;朱月香;张新慧;崔书君2.DCE-MRI定量参数对脑胶质瘤分级诊断的价值 [J], 张永超3.磁共振动态磁敏感对比增强成像在术前脑胶质瘤分级诊断及IDH突变状态评估中的应用价值 [J], 张磊;文利;张冬;杨柳青4.T2WI灰度直方图定量分析在原发性中枢神经系统淋巴瘤和脑胶质瘤鉴别诊断中的价值 [J], 杨婷婷;占鸣;谢春梅;高明5.DTI定量参数对脑胶质瘤术前分级诊断价值及与肿瘤组织中VEGF、MMP-9表达的相关性 [J], 陈程;董磊;黄欢因版权原因，仅展示原文概要，查看原文内容请购买。
采用K-means的脑肿瘤磁共振图像分割与特征提取
采⽤K-means的脑肿瘤磁共振图像分割与特征提取
采⽤K-means的脑肿瘤磁共振图像分割与特征提取
宗晓萍; ⽥伟倩
【期刊名称】《计算机⼯程与应⽤》
【年(卷),期】2020(056)003
【摘要】⼤脑肿瘤分割对于医师判断肿瘤恶化程度⾮常重要.然⽽,由于肿瘤的不规则形状、与周围组织的低对⽐度以及出现位置的不固定,给脑肿瘤的精确分割带来很⼤的困难.传统的K-means分割⽅法仅仅利⽤图像的灰度特征,很难准确分割肿瘤边界.利⽤灰度共⽣矩阵提取出的纹理特征,并结合图像⼏何不变矩特征对分割出的脑肿瘤图像进⾏特征提取.灰度共⽣矩阵定义为像素对的联合概率分布,是⼀个对称矩阵,它不仅反映图像灰度在相邻的⽅向、相邻间隔、变化幅度的综合信息,也反映了相同的灰度级像素之间的位置分布特征,是计算纹理特征的基础;⼏何矩(不变矩)具有旋转、平移、尺度等特性,能将图像分解为有限特征值,并且通过对⽐所提取出的同⼀病⼈的肿瘤图像的不变矩参数,可以获得该肿瘤⼏何形状变化程度.实验结果表明,该⽅法可以同时从纹理和⼏何特征对图像特征进⾏描述,与分别采⽤灰度共⽣矩阵和不变矩⽅法进⾏特征提取相⽐较,降低了算法计算量,同时提升了算法的抗噪性.
【总页数】7页(187-193)
【关键词】K-means; 特征提取; 灰度共⽣矩阵; 不变矩; 相关系数
【作者】宗晓萍; ⽥伟倩
【作者单位】河北⼤学电⼦信息⼯程学院河北保定 071000
【正⽂语种】中⽂
【中图分类】TP751。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算机应用研究 ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ
Ｖｏｌ．３６Ｎｏ．９ Ｓｅｐ．２０１９
结合灰度直方图和细胞自动机的 多模态 ＭＲＩ脑胶质瘤分割
衣 斐１，龚 敬１，段辉宏１，苏冠群１，田海龙２，聂生东１
（１．上海理工大学 医学影像工程研究所，上海 ２０００９３；２．山东大学齐鲁医院（青岛）神经外科，山东 青岛 ２６６０３５）
０ 引言
脑胶质瘤是成人中最常见的原发性脑肿瘤，多由胶质母细 胞病变形成，且 浸 润 周 围 组 织 ［１］。 脑 胶 质 瘤 占 恶 性 脑 肿 瘤 的 ８１％，发病率和死亡率较高。胶质母细胞瘤总体生存率低，诊 断后 ５年存活率低至 ０．０５％ ～４．７％［２］，平均存活率不超过 １４ 个月 ［３］。在外科手 术 和 治 疗 计 划 中，脑 胶 质 瘤 分 割 是 非 常 重 要且具有挑战性的一项任务［４］，也是胶质瘤后续评估的基础。 临床运用中，医生通常根据临床经验对每一层分割结果的主观性 强、重复率低。因而准确有效地利用自动或半自动方法分割脑
ＢｒａｉｎｇｌｉｏｍａｓｅｇｍｅｎｔａｔｉｏｎｆｏｒｍｕｌｔｉｍｏｄａｌｉｔｙＭＲｉｍａｇｅｓｂａｓｅｄｏｎ ｇｒａｙｌｅｖｅｌｈｉｓｔｏｇｒａｍ ａｎｄｃｅｌｌｕｌａｒａｕｔｏｍａｔａ
ＹｉＦｅｉ１，ＧｏｎｇＪｉｎｇ１，ＤｕａｎＨｕｉｈｏｎｇ１，ＳｕＧｕａｎｑｕｎ１，ＴｉａｎＨａｉｌｏｎｇ２，ＮｉｅＳｈｅｎｇｄｏｎｇ１
摘 要：为了解决脑胶质瘤边界模糊、复杂而导致的分割不准确问题，提出了一种将灰度直方图（ＧＬＨ）与改进 细胞自动机相结合的脑胶质瘤分割算法。首先，对脑胶质瘤的 Ｔ２加权图像和液体衰减反转（ＦＬＡＩＲ）图像进行 融合；然后，利用灰度直方图特性增强脑胶质瘤区域；最后，以加权距离为特征向量用改进的细胞自动机进行分 割，并得到脑胶质瘤各组织分割结果。在 ２０组 ＢｒａＴＳ２０１５（ｂｒａｉｎｔｕｍｏｒｓｅｇｍｅｎｔａｔｉｏｎ）数据库数据和 １０组临床脑 胶质瘤数据上进行分割实验，整个肿瘤区域及核心肿瘤区域的平均分割准确率分别达到９０．７６％和８９．７３％。实 验结果表明，相对于对比方法，所提算法不仅能更好地分割出对比度明显的胶质瘤区域，还在一定程度上解决了 模糊胶质瘤区域分割不准确的问题。该算法在保持不增加算法复杂度的同时，亦提高了算法分割的准确性和鲁 棒性。 关键词：脑胶质瘤；多模态磁共振图像；图像分割；图像融合；灰度直方图；细胞自动机 中图分类号：ＴＰ３９１４１ 文献标志码：Ａ 文章编号：１００１３６９５（２０１９）０９０６２２８４９０７ ｄｏｉ：１０．１９７３４／ｊ．ｉｓｓｎ．１００１３６９５．２０１８．０３．０１９３
（１．ＩｎｓｔｉｔｕｔｅｏｆＭｅｄｉｃａｌＩｍａｇｉｎｇＥｎｇｉｎｅｅｒｉｎｇ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｈａｎｇｈａｉｆｏｒＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０００９３，Ｃｈｉｎａ；２．ＮｅｕｒｏｓｕｒｇｅｒｙＤｅ ｐａｒｔｍｅｎｔ，ＱｉｌｕＨｏｓｐｉｔａｌｏｆＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙ（Ｑｉｎｇｄａｏ），ＳｈａｎｄｏｎｇＱｉｎｇｄａｏ２６６０３５，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅｆｕｚｚｙａｎｄｃｏｍｐｌｅｘｇｌｉｏｍａｂｏｕｎｄａｒｙｃａｎｃａｕｓｅｉｎａｃｃｕｒａｔｅｓｅｇｍｅｎｔａｔｉｏｎｏｆｔｈｅｇｌｉｏｍａ．Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｉｓ ｐｒｏｂｌｅｍ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎｅｗｇｌｉｏｍａｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｃｏｍｂｉｎｉｎｇＧＬＨｗｉｔｈｉｍｐｒｏｖｅｄｃｅｌｌｕｌａｒａｕｔｏｍａｔｏｎ．Ｆｉｒｓｔｌｙ， ｔｈｉｓｍｅｔｈｏｄｆｕｓｅｄＴ２ｗｅｉｇｈｔｅｄａｎｄｆｌｕｉｄａｔｔｅｎｕａｔｅｄｉｎｖｅｒｓｉｏｎｒｅｃｏｖｅｒｙＭＲｉｍａｇｅｓｏｆｂｒａｉｎｇｌｉｏｍａ．Ｔｈｅｎ，ｉｔｕｓｅｄｔｈｅｈｉｓｔｏｇｒａｍ ｆｅａｔｕｒｅｔｏｅｎｈａｎｃｅｇｌｉｏｍａｒｅｇｉｏｎ．Ａｎｄ，ｉｔｃａｌｃｕｌａｔｅｄｔｈｅｗｅｉｇｈｔｅｄｄｉｓｔａｎｃｅｅｉｇｅｎｖｅｃｔｏｒｏｆｇｌｉｏｍａｉｍａｇｅｓ．Ｆｉｎａｌｌｙ，ｉｔｕｔｉｌｉｚｅｄ ｔｈｅｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｏｆｃｅｌｌｕｌａｒａｕｔｏｍａｔａｔｏｏｂｔａｉｎｔｈｅｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｏｆｇｌｉｏｍａｔｉｓｓｕｅｓ．Ｉｔｓｅｐａｒａｔｅｌｙｓｅｇｍｅｎｔｅｄｔｗｅｎｔｙ ｇｒｏｕｐｓｏｆｂｒａｉｎｔｕｍｏｒｓｅｇｍｅｎｔａｔｉｏｎｄａｔａｂａｓｅｄａｔａａｎｄｔｅｎｇｒｏｕｐｓｏｆｃｌｉｎｉｃａｌｇｌｉｏｍａｄａｔａ．Ｔｈｅａｖｅｒａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｃｃｕｒａｃｙ ｒａｔｅｏｆｔｈｅｅｎｔｉｒｅｔｕｍｏｒａｒｅａａｎｄｃｏｒｅｔｕｍｏｒａｒｅａｒｅａｃｈｅｄｔｏ９０．７６％ ａｎｄ８９．７３％ ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗ ｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｃｏｎｔｒａｓｔｍｅｔｈｏｄ，ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍ ｃａｎｂｅｔｔｅｒｓｅｇｍｅｎｔｔｈｅｇｌｉｏｍａｒｅｇｉｏｎｗｉｔｈｏｂｖｉｏｕｓｃｏｎｔｒａｓｔ． Ａｎｄｉｔｓｏｌｖｅｓｔｈｅｐｒｏｂｌｅｍｏｆｉｎａｃｃｕｒａｔｅｓｅｇｍｅｎｔａｔｉｏｎｄｕｅｔｏｔｈｅｆｕｚｚｙｇｌｉｏｍａｒｅｇｉｏｎｔｏｓｏｍｅｅｘｔｅｎｔ．Ｗｈｉｌｅ，ｉｔａｌｓｏｉｍｐｒｏｖｅｓｔｈｅ ａｃｃｕｒａｃｙａｎｄｒｏｂｕｓｔｎｅｓｓｗｉｔｈｏｕｔｉｎｃｒｅａｓｉｎｇｔｈｅｃｏｍｐｌｅｘｉｔｙ． Ｋｅｙｗｏｒｄｓ：ｂｒａｉｎｇｌｉｏｍａ；ｍｕｌｔｉｍｏｄａｌｉｔｙｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｅ；ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ；ｉｍａｇｅｆｕｓｉｏｎ；ｇｒａｙｌｅｖｅｌｈｉｓｔｏｇｒａｍ （ＧＬＨ）；ｃｅｌｌｕｌａｒａｕｔｏｍａｔａ