持向量机与独立分量分析在MR脑图像分割中的应用研究

VIP免费

3.0 陈辉 2024-11-19 5 4 1.1MB 80 页 15积分

侵权投诉

摘要

医学图像分割是医学图像可视化、人体组织定量测量等临床应用的先决条件。

尽管目前有很多的医学图像分割方法，但由于医学图像的复杂性及对分割精度的

特殊要求，目前还没有一种方法能有效地解决医学图像分割问题。临床应用中主

要以人工分割和半自动分割方法为主。人工分割方法耗时费力，且分割结果难于

再现；半自动分割方法把操作者的知识和计算机数据处理能力有机地结合起来，

从而实现对医学图像的半自动（即交互式）分割。与人工分割方法相比，半自动

分割方法大大减小了人为因素的影响，而且分割速度更快，但操作者的知识和经

验仍然是影响图像分割质量的重要因素。全自动分割方法充分利用计算机数据处

理能力，完全摆脱人为因素的影响，分割速度快，分割结果再现性好，但分割质

量取决于所使用的分割算法。能实现对医学图像快速、精确的全自动分割，一直

是人们追求的目标。在众多的全自动分割方法中，基于机器学习分类技术的分割

方法一直是人们研究的热点。而基于VC维和统计学习理论的支持向量机（Support

Vector Machines，SVM）方法由于其数学形式简单、全局寻优、学习速度快、泛

化能力优、适合处理高维数据等特点而被广泛应用于图像分割中。

SVM在使用结构风险最小化原则替代经验风险最小化原则的基础上，综合了

统计学习和神经网络等方面的技术，并被证明可在最小化结构风险的同时，有效

地提高算法的推广能力。但SVM本质上是解决两类分类问题的，而实际应用中常

常需要解决多类分类问题，如MR脑组织分割问题。基于这一实际应用，本文研究

了一种解决多分类问题的SVM方法，可以一次性把MR脑图像中的脑白质、脑灰质

及脑脊液等不同脑组织分别提取出来。另外，SVM中不同的核函数及相应模型参

数对其分类性能有重要影响，本文研究了针对MR脑组织分割问题的核函数及模型

参数选择问题，从中选取最优核函数及模型参数进行MR脑图像分割。

脑组织分割实质上是对脑组织的分类问题。在分类问题中，分类性能的好坏

还取决于对分类特征的选择。不同的特征对分类性能有不同的贡献。过多的特征

可能导致过学习，降低分类器泛化性能，同时分类特征维数过高可能导致“维数

灾”问题，增加分类器算法复杂度，降低分类器性能。特征不足又不足以描述数

据空间，影响分类的质量。因此，在分类过程中对所选择的特征进行优化处理对

提高分类速度和质量至关重要。在现有的MR脑图像分割研究中，一般都是选取单

一灰度特征进行分类研究，仅有个别文献采用多特征进行脑图像分割，但这些文

献中并未对选取的特征进行优化处理，由于各特征间可能有相关性，存在冗余信

息，从而影响了分割质量和分割速度。

独立分量分析（Independent Component Analysis，ICA）方法是在盲源分离问

题上发展起来的一种新的多维信号处理方法，能有效地从源信号中提取出独立信

息，是一种有效的冗余信息消除技术。本文详细研究了独立分量分析理论及实现

技术，并根据MR脑图像分割问题，引入ICA对所提取的图像特征进行优化处理，

消除特征相关性，降低原始特征维数，提高SVM分类器分类性能。

本文通过对SVM及ICA相关理论的研究，提出了结合SVM及ICA两种方法解决

MR脑图像分割问题。研究结果表明：独立分量分析是一种有效的多维数据处理方

法，成功地去除了原始图像特征的冗余信息，降低特征维数，提高了SVM分类性

能；基于SVM和ICA的MR脑图像分割方法成功地结合了各自的优点，取得了比单

一方法更好的分割结果。

关键词：医学图像分割支持向量机独立分量分析磁共振脑图像

III

ABSTRACT

Medical image segmentation is prerequisite to medical image visualization and

tissue measurement. There are many medical image segmentation methods，because

of the complexity of medical image and clinical special requirement for the

segmentation precision，none of these methods have successfully settled the problem

of medical image segmentation so far. Clinical application relies mainly on manual

segmentation and semi-automatic segmentation. Manual segmentation is

time-consuming and laborious ，and its segmentation is hard to be duplicated;

semi-automatic segmentation integrates radiologists’ knowledge with data processing

capability of computer. Compared with manual segmentation ，semi-automatic

segmentation greatly reduces the effects of human and is faster ，but radiologists’

knowledge and experience will still affect the quality of medical image segmentation.

Auto-segmentation makes full use of the data processing capability of computer and

entirely gets rid of influence of human being ，the segmentation is faster and

duplicated easier ，but the segmentation equality is based on the segmentation

algorithm. Fast and precise medical image segmentation is always the pursuit goal of

researchers. Among the existing auto-segmentation methods ，classification

technology based on machine learning is the highlight of current image segmentation

research. Due to its simple mathematical expression ，global optimization ，fast

learning rate，high generalization performance and suitable for high dimension data

processing ，support vector machine (SVM) based on Vapnik-Chervonenkis

Dimension and statistical learning theory is widely used in image segmentation.

Based on the principle of structural risk minimization instead of principle of

experiential risk minimization，and combining the techniques of statistical learning，

machines learning and neural networks etc，it is proved that SVM has good capability

of generalization with minimization of experiential risk. Essentially ，SVM is a

technique for solving two-class classification problem ，but in practical application

multi-class classification problem was taken into consideration commonly，such as

Magnetic Resonance Imaging (MRI) segmentation. So this paper studied a multi-class

SVM algorithm to segment gray matter (GM)，white matter (WM) and cerebrospinal

fluid (CSF) from MRI at one time. Different kernel functions and model parameters

have different contributions to SVM classification，this paper studied the selection

problems of kernel functions and model parameters in order to obtain optimal kernel

function and model parameters for MRI segmentation.

Brain tissues segmentation is actually a classification problem for brain tissue.

In classification problem，classification performance is also based on the selection of

classification features. Different features have different contribution to classification

performance，to select too much features may result in over-learning and degrade the

generalization performance，and too much features also may lead to “dimension risk”

problem and increase the complexity of classification algorithm. To select too few

features will not describe the data space correctly. So ，features optimization in

classification is very important to speed the classification and increase the

classification equality. In the most current MRI segmentation research literatures only

gray feature was commonly used for brain tissues classification ，a few research

papers apply multi-features to MRI segmentation，but the selected features did not be

optimized. Because between various features may exist the relevance and redundant

information ，the segmentation quality and speed may be affected seriously if the

selected features without optimized.

Independent Component Analysis (ICA) is a multi-dimension signal processing

method developed on the basis of blind source separation; it’s efficient to separate

independent information out of source signal and eliminate redundant information.

According to the practical application of MRI segmentation，ICA is introduced to

process the selected image features，eliminate the relevance between different features

and reduce the feature dimensions to improve the classification performance.

Trough the study of SVM and ICA theory，this paper presented a method to

solve MRI segmentation problem by combining SVM and ICA. Experiment results

have showed that ICA is an efficient multi-dimension signal processing method; it can

successfully eliminated redundant information from original features ，reduced the

number of feature dimension and improved the performance of SVM classifier. The

classification method based on combining SVM and ICA can get better segmentation

result of brain tissues than using single method.

Key Word: Medical image segmentation，Support vector machines，

Independent component analysis，Magnetic resonance image

摘要 ............................................................... I

ABSTRACT ...........................................................III

目录 ................................................................. V

第一章绪论 .......................................................... 1

§1.1 引言 ........................................................ 1

§1.2 医学图像分割方法概述 ....................................... 4

§1.3 机器学习分类方法综述 ....................................... 5

§1.3.1 传统学习分类方法 ...................................... 5

§1.3.2 传统学习分类方法存在的问题 ............................ 6

§1.3.3 统计学习理论与支持向量机方法 .......................... 7

§1.4 独立分量分析概述 ........................................... 8

§1.5 本文主要研究工作 ........................................... 9

§1.6 本文结构 .................................................. 10

第二章医学图像分割方法综述 ......................................... 12

§2.1 引言 ...................................................... 12

§2.2 MR 图像分割的目的和意义 .................................... 12

§2.3 MR 图像分割方法研究综述 .................................... 13

§2.4 医学图像分割方法的评价 ................................... 18

§2.5 本章小结 ................................................... 19

第三章基于支持向量机的 MR 脑图像分割研究 ............................ 21

§3.1 引言 ...................................................... 21

§3.2 统计学习理论 .............................................. 22

§3.2.1 机器学习问题的描述 ................................... 22

§3.2.2 经验风险最小化 ....................................... 22

§3.2.3 学习机器的 VC 维 ...................................... 23

§3.2.4 推广性的界 ........................................... 23

§3.2.5 结构风险最小化 ....................................... 24

§3.3 支持向量机原理 ............................................ 25

§3.3.1 线性可分的最优分类面 ................................. 26

§3.3.2 线性不可分的最优分类面 ............................... 28

§3.3.3 支持向量机 ........................................... 29

§3.3.4 支持向量机实现算法 ................................... 30

§3.3.5 支持向量机学习算法的步骤 ............................. 33

§3.4 多类支持向量机 ............................................ 33

§3.5 支持向量机方法特点 ........................................ 34

§3.6 基于支持向量机的 MR 脑图像分割 ............................. 35

§3.6.1 图像预处理 ........................................... 36

§3.6.2 图像特征提取 ......................................... 37

§3.6.3 训练与测试样本选取 ................................... 41

§3.6.4 图像分割实验 ......................................... 42

§3.7 本章小节 .................................................. 46

第四章独立分量分析及其在图像处理中的应用研究 ....................... 48

§4.1 引言 ...................................................... 48

§4.2 独立分量分析的数学描述 .................................... 48

§4.2.1 独立分量分析的约束限制条件 ........................... 49

§4.2.2 ICA 独立性度量 ....................................... 50

§4.3 独立分量分析算法研究 ...................................... 53

§4.3.1 独立分量分析的实现算法 ............................... 53

§4.3.2 独立分量分析分离性能的两个衡量指标 ................... 56

§4.4 基于独立分量分析的混合图像分离 ............................. 56

§4.5 本章小结 .................................................. 59

第五章基于支持向量机及独立分量分析的 MR 脑图像分割 ................. 60

§5.1 引言 ...................................................... 60

§5.2 基于独立分量分析的图像特征提取 ............................ 61

§5.3 基于支持向量机及独立分量分析的 MR 脑图像分割 ................ 61

§5.4 本章小结 .................................................. 67

第六章总结与展望 .................................................. 68

§6.1 本文所做研究工作及创新点 .................................. 68

§6.2 今后进一步的研究方向 ...................................... 69

参考文献 ............................................................ 70

在读期间公开发表的论文和承担科研项目及取得成果 ...................... 75

致谢 .............................................................. 76

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

I摘要医学图像分割是医学图像可视化、人体组织定量测量等临床应用的先决条件。尽管目前有很多的医学图像分割方法，但由于医学图像的复杂性及对分割精度的特殊要求，目前还没有一种方法能有效地解决医学图像分割问题。临床应用中主要以人工分割和半自动分割方法为主。人工分割方法耗时费力，且分割结果难于再现；半自动分割方法把操作者的知识和计算机数据处理能力有机地结合起来，从而实现对医学图像的半自动（即交互式）分割。与人工分割方法相比，半自动分割方法大大减小了人为因素的影响，而且分割速度更快，但操作者的知识和经验仍然是影响图像分割质量的重要因素。全自动分割方法充分利用计算机数据处理能力，完全摆脱人为因素的影响，分割...

展开>> 收起<<

持向量机与独立分量分析在MR脑图像分割中的应用研究.pdf

共80页,预览8页

还剩页未读，继续阅读

持向量机与独立分量分析在MR脑图像分割中的应用研究

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: