結(jié)合MRI多模態(tài)信息與3D-CNNs特征提取的腦腫瘤分割研究.pdf

1、腦腫瘤是指起源于顱內(nèi)各組織的原發(fā)性腫瘤及從顱外其他部位轉(zhuǎn)移到顱內(nèi)的繼發(fā)性腫瘤，又分為良性腫瘤和惡性腫瘤，是常見(jiàn)病，危害大，致殘、致死率高。神經(jīng)上皮腫瘤（又稱膠質(zhì)瘤）是發(fā)病率很高的一種腦腫瘤，約占40％。腦腫瘤不僅會(huì)引起頭痛、惡心、嘔吐等癥狀，且及有可能引起精神異常、視力下降甚至失明等癥狀。近年來(lái)腦腫瘤的治療手段有著飛速的發(fā)展，但其死亡率一直居高不下。
　　目前檢查腦腫瘤的影像手段主要有核磁共振成像MRI(Magnetic Reso

2、nanceImaging)和計(jì)算機(jī)斷層掃描(Computed tomography，CT)，其中核磁共振成像能夠提供多參數(shù)、高分辨率、高品質(zhì)的圖像，組織對(duì)比度高，能對(duì)大腦的解剖結(jié)構(gòu)進(jìn)行準(zhǔn)確地描述，是當(dāng)前醫(yī)學(xué)圖像分析領(lǐng)域的研究熱點(diǎn)之一，也是腦腫瘤診斷的重要輔助手段，對(duì)腦腫瘤的診斷、治療及手術(shù)引導(dǎo)具有重要的意義。為了充分利用圖像中的解剖信息，為臨床診斷提供量化、直觀的參考，首先必須精確的對(duì)腦腫瘤進(jìn)行分割。目前臨床上主要依賴專家的手動(dòng)分割，專

3、業(yè)性強(qiáng)，不同專家對(duì)同一病人的分割難以達(dá)到統(tǒng)一，同一專家不同時(shí)刻對(duì)同一病人的分割結(jié)果都不盡相同。手動(dòng)分割工作繁瑣，可重復(fù)性差，使用計(jì)算機(jī)實(shí)現(xiàn)對(duì)腦腫瘤的精確分割，是人們長(zhǎng)期以來(lái)所追求的目標(biāo)。然而，由于腦腫瘤形狀多變、結(jié)構(gòu)復(fù)雜以及灰度不均勻，腦腫瘤邊界多伴有水腫存在，且各個(gè)模態(tài)強(qiáng)調(diào)不同的信息，例如:FLAIR模態(tài)中腦白質(zhì)對(duì)比度較低，但腫瘤區(qū)域與正常組織對(duì)比度明顯增強(qiáng)，有利于腫瘤顯示，由于消除了腦脊液的影響，對(duì)腦室旁及凸面或腦溝的腫瘤顯示更為清

4、楚;T1C（T1增強(qiáng)）能比較清晰顯示大腦組織結(jié)構(gòu)，且邊界紋理特征明顯等。由于個(gè)體生理性差異及病理性差異等，不同病人的同一模態(tài)圖形信息特征也大不相同。如何使用計(jì)算機(jī)輔助分割MRI腦腫瘤，以得到理想結(jié)果，仍是一個(gè)急需解決又困難重重的問(wèn)題。
　　近年來(lái)，國(guó)內(nèi)外都有大量學(xué)者對(duì)腦腫瘤MRI圖像分割進(jìn)行研究，這些方法大致可以分為基于閾值、基于區(qū)域、基于像素分類器、基于模型以及其他分割方法等。其中基于閾值的分割方法由于方法過(guò)于簡(jiǎn)單，通常在腦腫瘤

5、分割的前期工作中出現(xiàn);基于區(qū)域的分割方法主要有區(qū)域生長(zhǎng)、分水嶺等，其優(yōu)點(diǎn)是簡(jiǎn)單、易于實(shí)現(xiàn)，對(duì)紋理清晰、灰度單一的圖像有好的連通分割結(jié)果，缺點(diǎn)是易受局部灰度不均和噪聲的影響，陷入過(guò)分割;基于模型的分割方法如參數(shù)形變模型（Parametric Deformable Models）和水平集(Level Sets)，以其適應(yīng)解剖結(jié)構(gòu)的多變性而受到廣大關(guān)注，缺點(diǎn)是不能對(duì)復(fù)雜的邊界進(jìn)行很好的分割，且計(jì)算代價(jià)高?；谙袼胤诸惼鞯姆椒軌虺浞掷妹恳粋€(gè)

6、像素的鄰域灰度信息和局部紋理等特征，例如模糊C聚類(Fuzzy C Means，F(xiàn)CM)、人工神經(jīng)網(wǎng)絡(luò)(Artificial NeuralNetwork，ANN)、馬爾科夫隨機(jī)場(chǎng)（Markov Random Fields，MRF）、支持向量機(jī)(Support Vector Machines，SVM)等。由Vapnik等人提出的基于統(tǒng)計(jì)學(xué)習(xí)理論的SVM綜合考慮期望風(fēng)險(xiǎn)和經(jīng)驗(yàn)風(fēng)險(xiǎn)，具有小樣本、非線性、克服維數(shù)災(zāi)難及泛化能力強(qiáng)等獨(dú)特優(yōu)勢(shì)，是腦

7、腫瘤分割中應(yīng)用最為廣泛的像素分類器。其核函數(shù)巧妙的引入，能夠?qū)崿F(xiàn)非線性判別及分類，諸多學(xué)者將其用于圖像分割領(lǐng)域，是腦腫瘤MRI圖像分割中一種常見(jiàn)的方法，其主要缺點(diǎn)是參數(shù)的改變對(duì)分割結(jié)果影響很大，算法時(shí)間復(fù)雜度長(zhǎng)，空間復(fù)雜度高。本文重點(diǎn)研究基于SVM分類的腦腫瘤分割方法。
　　基于像素的MRI腦腫瘤分割方法一直以來(lái)是研究的一大熱點(diǎn)。研究?jī)?nèi)容主要針對(duì)特征提取、特征選擇和分類器設(shè)計(jì)，好的特征提取能使得分類器的工作變得簡(jiǎn)單。特征提取按方法

8、主要分為統(tǒng)計(jì)方法、模型方法和信號(hào)處理方法，其各有優(yōu)勢(shì)和不足。統(tǒng)計(jì)方法簡(jiǎn)單，易于實(shí)現(xiàn)，對(duì)小圖像具有一定的優(yōu)勢(shì)，但其對(duì)全局信息的利用不足，與人類視覺(jué)模型脫節(jié);模型方法能夠兼顧紋理局部的隨機(jī)性和整體上的規(guī)律性，具有很大的靈活性，不足是模型系數(shù)難以求解，參數(shù)調(diào)節(jié)不方便;信號(hào)處理方法善于捕捉紋理的細(xì)節(jié)信息，能同時(shí)在空間和頻域上表現(xiàn)紋理特征，然而小波分解往往忽視高頻信息，不善于提取非規(guī)則紋理特征。MRI的不同模態(tài)圖像能提供不同的紋理邊界信息，由于個(gè)

9、體差異，不同病人同一模態(tài)所表現(xiàn)的特征信息也大不相同。由上可見(jiàn)，沒(méi)有一種特征提取方法適合所有MRI腦腫瘤的分割。
　　由Yam LeCun等人提出的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNNs)是有監(jiān)督深度學(xué)習(xí)方法的一種，已在眾多領(lǐng)域取得巨大的成功，如圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理。CNNs通過(guò)對(duì)原始輸入數(shù)據(jù)進(jìn)行循環(huán)卷積下采樣，以有監(jiān)督訓(xùn)練的方式獲取卷積權(quán)重，最終實(shí)現(xiàn)直接從原始輸入中提取有利于

10、分類的特征，圖像識(shí)別中的特征表現(xiàn)為紋理、形狀、結(jié)構(gòu)等，但是由于CNNs需要多次卷積與下采樣，輸入對(duì)象通常是一幅圖像，鄰域值（卷積尺度）較大，并不適用于細(xì)節(jié)紋理豐富、變化多樣的MRI腦腫瘤圖像特征提取。
　　本文結(jié)合MRI多模態(tài)信息，將CNNs擴(kuò)展到3D，由多個(gè)模態(tài)共同構(gòu)成3D的原始數(shù)據(jù)，用3D卷積模板提取有利于分割的特征，并將提取到的特征通過(guò)支持向量機(jī)(SVM)分類器實(shí)現(xiàn)分割。首先，引入CNNs作為MRI腦腫瘤分割的特征提取方法，

11、有監(jiān)督的方法使得分類特征是根據(jù)不同病人的差異信息自動(dòng)生成，克服了無(wú)監(jiān)督特征提取方法只對(duì)某類特征具有針對(duì)性的缺點(diǎn);其次，將2D-CNNs擴(kuò)展到多模態(tài)3D-CNNs，三個(gè)方向同時(shí)獲取紋理信息，不僅解決了2D-CNNs原始輸入需要大鄰域的缺點(diǎn)，同時(shí)能更好的提取各模態(tài)之間的差異信息，實(shí)現(xiàn)適應(yīng)范圍更廣的MRI腦腫瘤分割。
　　在基于SVM像素分類器的腦腫瘤分割方法中，研究主要針對(duì)特征提取和選擇，直接運(yùn)用單一徑向基（RBF）核SVM進(jìn)行分割。

12、基于單一核函數(shù)SVM雖然能獲得比較好的結(jié)果，但對(duì)于腫瘤周圍存在的水腫部分，腫瘤邊界模糊的腦部MR圖像，分割結(jié)果仍有待進(jìn)一步提高，以達(dá)到最終臨床應(yīng)用的目的。
　　為彌補(bǔ)單核SVM的不足，本文首次提出將混合核函數(shù)SVM應(yīng)用于MR圖像腦腫瘤分割。混合核函數(shù)由Smits等人于2002年首次提出，通過(guò)局部核函數(shù)和全局核函數(shù)的加權(quán)組合，能同時(shí)保證SVM的學(xué)習(xí)能力和泛化性能，其性能優(yōu)于單一核函數(shù)，并在人臉識(shí)別和掌紋識(shí)別中得到廣泛應(yīng)用。而腦腫瘤形

13、狀、大小、位置多變等，惡性腫瘤邊界模糊不清，相對(duì)于單一核函數(shù)，經(jīng)典混合核函數(shù)并不能使分割結(jié)果得到很好的改善，卻增加了待優(yōu)化參數(shù)的個(gè)數(shù)，使得混合核函數(shù)在腦腫瘤分割得不到應(yīng)用。
　　本文提出一種改進(jìn)的混合核函數(shù)，將同是由神經(jīng)網(wǎng)絡(luò)演化而來(lái)的RBF局部核函數(shù)和Sigmoid全局核函數(shù)組合，并且擴(kuò)大混合核函數(shù)的權(quán)重系數(shù)。首先，權(quán)重系數(shù)的擴(kuò)大增大了新映射空間中各樣本點(diǎn)的距離，消弱了懲罰因子C的影響，使得參數(shù)尋優(yōu)的過(guò)程中可以固定懲罰因子C，以減

14、少待尋優(yōu)參數(shù);其次，權(quán)重系數(shù)的擴(kuò)大改變了SMO算法中的修正因子，從計(jì)算上影響了支持向量的選取，以得到更優(yōu)的分類間隔，間接優(yōu)化了支持向量機(jī)分類器，最終提高腦腫瘤的分割精度。
　　因此本文提出的關(guān)鍵技術(shù)包括:(1)多模態(tài)3D-CNN特征提取方法;(2)自適應(yīng)加權(quán)混合核函數(shù)方法。
　　(1)多模態(tài)3D-CNNs特征提取方法。針對(duì)目前MRI腦腫瘤分割中的無(wú)監(jiān)督特征提取方法無(wú)法適應(yīng)腦腫瘤圖像的差異性，提出一種基于多模態(tài)3D卷積神經(jīng)網(wǎng)絡(luò)

15、(CNNs)特征提取的MRI腦腫瘤分割方法。將2D的多模態(tài)MRI圖像組合成3D原始特征，通過(guò)3D-CNNs提取特征，更有利于提取各模態(tài)之間的差異信息，去除各模態(tài)之間的冗余干擾信息，同時(shí)縮小原始特征鄰域大小，以適應(yīng)同一病人不同圖像層腫瘤大小的差異變化，進(jìn)一步提高M(jìn)RI腦腫瘤的分割精度。實(shí)驗(yàn)結(jié)果證明，本文方法能適應(yīng)不同病人各模態(tài)之間的差異性和多變性，以提高腦腫瘤的分割精度。
　　(2)自適應(yīng)加權(quán)混合核函數(shù)。首先，構(gòu)造自適應(yīng)加權(quán)混合核函

16、數(shù)，實(shí)現(xiàn)自適應(yīng)調(diào)節(jié)新映射空間中樣本點(diǎn)的距離，改變序列最小優(yōu)化(SMO)過(guò)程中的修正因子，以消弱懲罰因子的影響，改變拉格朗日乘子的取值，優(yōu)化支持向量的選取，進(jìn)而獲得更優(yōu)的分類界面，提高SVM的分類能力。然后，首次提出將混合核函數(shù)SVM應(yīng)用于腦腫瘤分割中，該混合核函數(shù)由最優(yōu)局部核函數(shù)（徑向基核函數(shù)）和全局核函數(shù)（Sigmoid核函數(shù)）自適應(yīng)加權(quán)組合而成，同時(shí)保證了核函數(shù)的學(xué)習(xí)能力和泛化性能;實(shí)驗(yàn)結(jié)果表明，該方法能更高效準(zhǔn)確地分割腦腫瘤。