模式识别报告-基于CV-SVM的医学图像分割

基于CV-SVM的医学图像分割摘要：随着计算机成像技术的不断完善，医学图像在疾病判别中发挥着越来越重要的作用。近年来，针对医学图像尤其是脑部医学图像的研究，成为一门新兴学科。核磁共振脑图像中的肿瘤识别及提取是医学图像处理中的难点，本文主要使用改进的支持向量机方法研究肿瘤化组织的自动检测和提取，以提高工作效率和疾病诊断的准确率。受脑图像复杂程度的限制，单独应用支持向量机和CV模型水平集方法都无法准确有效的将脑肿瘤分割出来，本文提出了一种CV模型和支持向量机结合的CV-SVM方法。该方法在脑部图像四分类（背景、脑脊液、白质和灰质）中具有良好的分割效果，能够在相似灰度区域中提取出肿瘤化组织图像特征，便于进行脑瘤医学诊断，具有应用价值。关键字：支持向量机、CV、医学图像分割Abstract:ThisworkispresentKeywords:SVM、CV、medicalimagesegmentation1.研究背景与目的近20年来,医学影像已成为医学技术中发展最快的领域之一,其结果使临床医生对人体内部病变部位的观察更直接、更清晰,确诊率也更高。20世纪70年代初,X-CT的发明曾引发了医学影像领域的一场革命,与此同时,核磁共振成像(MRI:MagneticResonanceImaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础,带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用,使医学诊断和治疗技术取得了很大的进展,同时将各种成像技术得到的信息进行互补,也为临床诊断及生物医学研究提供了有力的科学依据。在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确地确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。1图1三维可视化大体步骤医学图像的三维可视化的方法很多,但基本步骤大体相同,如图1。从CTM/R或超声等成像系统获得二维断层图像,然后需要将图像格式转化成计算机方便处理的格式。通过二维滤波,减少图像的噪声影响,提高信噪比和消除图像的尾迹。采取图像插值方法,对医学关键部位进行各向同性处理,获得体数据。经过三维滤波后,不同组织器官需要进行分割和归类,对同一部位的不同图像进行配准和融合,以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力,选择不同的方法进行三维体绘制,实现三维重构。最重要的环节便是医学图像分割。理想的图像分割技术能将医学图像中各个部位和组织完整的分离开来，使得医学影像的成像结果更加直观，也使病变部位的识别判断更加准确。现有的图像分割技术，无论是单一的分割方法，还是基于单一的特征信息进行分割的方法，在对分割精确度和效率要求较高的临床医学领域都难以取得令人满意的分割效果，因而人们开始寻找新的概念和方法并将其引入图像分割领域。近几年来提出了几种新方法，其中基于多特征融合和多谱图像分析相结合的方法应用最为广泛，然而，这些方法多数是基于渐近假设理论发展而来的，且都默认样本数目趋于无穷大，但实际问题中样本数目往往是有限的，所以它们在很多方面都出现了问题，有些推广能力较差，有些学习速度较慢，还有些难以收敛，在高维度特征和小样本学习方面都难以取得良好的效果，无法进行分割。为了解决上述问题，支持向量机（SupportVectorMachine，SVM）方法应运而生。支持向量机理论最初就是基于样本线性可分时的最优分类超平面理论发展起来的，它的主要目的是寻找一个规则能把Rn空间内的样本点分成两部分，这个规则就是能使两类样本离超平面的距离最大化的最优分类超平面。最优分类面的目的就是能将两类样本正确分开且使分类间隔最大，这实际上也是对推广能力的控制，是SVM的核心思想之一。SVM是以统计学习理论为基础发展起来的一种新的模式识别分类方法，依据Vapnic结构风险最小化原则和VC维理论在小样本、高维度、非线性和局部极小点数据空间中获得了良好的推广能力，被看作是对传统分类器的发展。尽管支持向量机在图像分割方面获得了较好的分类效果，但在图像中提取的分类样本中含有噪声或野值样本时，可能在构造最优分类面时出现偏差，得到的结果并不是真正的最优分类面，导致分类误差较大而失去作用。近年来针对医学图像的特点人们又提出了许多关于SVM算法的改进和应用研究。经典SVM方法通过参数C对目标函数中的分类误差项进行惩罚，因而参数C的选择对图像分类结果至关重要，针对此问题，Scholkoph等人提出了v-SVM方法。针对SVM方法对噪声和野值比较敏感的问题，Suykens等人提出了最小二乘支持向量机(LS-SVM)，简化了运算复杂性，却由于每个样本对分类器的贡献失去了稀疏性的优点。后来Lin等人提出了模糊支持向量机方法(Fuzzy-SVM)，这种方法针对不同的样本数据采用不同的惩罚系数，使不同的样本在目标函数中的贡献不同，并且使含有噪声或野值的样本的权值较小，达到消除噪声或野值影响的目的。医学图像分割中经常会出现不同类样本数量差异较大的情况，使用SVM经常会出现分类结果偏向于样本数较多的类的问题，而医学图像中某些重要的类（如肿瘤部位）和其他部位相比样本数量比较小，但又对分类精度要求较高，这就需要更多新的解决方法。另外一种比较受公众关注的图像分割方法进入人类的视野——基于水平集2方法求解主动轮廓模型的曲线演化方法。这种方法的原理是利用轮廓曲线的几何特性建立能够驱动轮廓曲线演化的能量泛函，然后通过最小化能量泛函驱动轮廓曲线逐渐逼近图像中的目标边界得到演化方程，最后利用水平集函数将轮廓曲线的演化方程转化为求解数值化偏微分方程的问题。CV-SVM新方法针对医学图像的复杂多样性对支持向量机算法造成的运算速度较慢，识别时间较长的影响，在支持向量机进行特征提取后，使用PCA方法对特征向量进行降维运算，提取有价值的主成分进行分析，使运算量大大下降，识别过程得到简化，提高了运算速度。再通过两种方法的结合有效地减弱了各自的缺点对分割结果的影响，使医学图像的分割结果在相似灰度及噪声影响下，细节方面表现突出，在肿瘤的自动提取过程中也达到了较为满意的结果。本文提出利用CV模型和支持向量机相结合的CV-SVM新方法，分别对经典脑图像和医院获取的脑部医学肿瘤图像进行分割和肿瘤提取，通过Matlab平台给出仿真实验结果，通过实验数据和结果分析了新方法对图像分割和提取的影响，证明了利用新方法对医学图像处理的可行性和有效性。2.方案设计针对MRI图像，支持向量机方法对噪声和野值比较敏感，所以在图像分割时容易出现边缘分类不清的问题；若图像中出现不同类的样本数目差异较大时，分类结果还会向数目较多的类偏移，造成分类偏向问题。而CV模型水平集方法则需要对整个待分割目标图像中所有点的水平集函数值进行计算和更新，工作效率比较低；且在受到偏移场影响后的图像中，演化曲线无法演化到相应的边界上造成较大的分割误差甚至分割错误。这些缺点一旦在医学图像分割领域得到体现就会造成严重后果。由于支持向量机对噪声和野值的敏感度较高，CV模型受偏移场影响较大，在较复杂的医学图像领域都不能独自胜任，本文提出利用CV模型和支持向量机相结合的CV-SVM新方法。图2基于CV-SVN的医学图像分割流程图2给出了CV-SVM的流程图。利用CV模型的水平集对噪声具有较强的鲁棒性先对图像进行粗略的分割，使用图像的边缘轮廓提取作为初始轮廓线，进行迭代后将图像大致分割为不同的部分，然后使用支持向量机方法对提取的分类的内部区域进行细节修正，修正过程使用分类后的目标区域进行特征提取，使3用主成分分析法对提取出的特征进行降维，使用简化的主成分学习后并细致的分类，最后得到较为准确的目标区域。3.算法描述(一)CV模型水平集粗略分割设Ω为图像区域，()t为演化曲线，水平集函数定义为：,,0xyt，如果（x,y）在()t内部,,0xyt，如果（x,y）在()t上,,0xyt，如果（x,y）在()t外部设,,CtCxyt表示t时刻的二维闭合曲面，在超平面上，把图像上的点X到初始曲线C(0)的符号距离d定义为水平集函数在X处的函数值,0Xtd点X在C(0)内部，,00Xt；点X在C(0)外部，,00Xt。初始状态t=0时，有0|,00CtXXt水平集方法的主要目的是为水平集函数,xt构造一个能使它在演化界处的值为零的方程。设X(t)为演化界面上点的演化路径，由于函数,xt在演化界面处的值为零，即(),0Xtt根据符合函数求导法则，得10itNtxiix式中ix为X的第i个分量。定义()tXFXt为垂直于演化界面的速度，因为12121,,,,,,()||itNNxixxxNixxxxFXt用||代表函数,xt的梯度，F代表,xt的速度函数。水平集函数,xt的演化方程就可以写成4||0tF多相位水平集分割n个复杂程度不同的拓扑结构相位只需要2logn个水平集函数，且能够很好地解决空白与重叠问题。针对文中的四分类问题我们只需考虑2logmn（m=4）个单相位水平集函数i，则i的所有零水平集集合构成的分割边界线就是多目标分割的分界线。我们用C代表演化的曲线，用1C、2C分别代表曲线C内部区域和外部区域的均值。假设某1均值。假设某图0由两块近似常量区域组成，其像素值分别为0i、0o。其中要检测的目标区域由是像素值0i，其边界为C。那么0i、0o分别代表曲线内外的区域了。令22120102()()()()()||||insedeCoutsideCFCFCFCucdxdyucdxdy那么目标的边界就是上式中的能量函数达到最小时的边界，即12()()()0FCFCFC(二)特征提取和归一化在（1）中使用图像的边缘轮廓提取作为初始轮廓线，进行迭代后将图像大致分割为不同的部分。然后使用支持向量机方法对提取的分类的内部区域进行细节修正,具体如下：针对医学MR图像的复杂特点主要采用纹理特征与灰度特征（灰度共生矩阵）组合的特征提取方法来进行处理。①角二阶矩:21(,)ijfPij②对比度：22()(,)ijfijPij③相关性：3(,)(,)xyijxyijPijuuf④反差距：42(,)1()ijpijfij⑤和均值：252()gNxyifiPi⑥差均值：262()gNxyifiPi5⑦方差：27()(,)ijfijupij⑧和方差：22852()()gNxyififPi⑨差方差：21960()()gNxyififPi上述几种特征能够反映图像灰度的变化特性。⑩和熵：2102()log(())gNxyxyifPiPi⑪熵：11(,)log((,))ijfPijPij⑫差熵：1120()log(())gNxyxyifPiPi特征⑩到⑫的各种熵则主要用来测量共生矩阵的系数变化复杂度和纹理变化复杂度。脑部医学MRI图像的窗口选择为7*7大小。在纹理特征提取时使用灰度共生矩阵在四个方向的12种纹理特征共48种特征，再加上象素灰度，7*7窗口内的灰度中值及平均值等特征共51种特征作为图像的特征矢量。为避免特征的偏移，同时在计算特征向量的内积时避免大数计算引发的计算溢出的困难，对数据进行归一化，采用如下公式特征向量-特征向量最小值归一