【《基于随机森林的脑肿瘤图像的自动分割分析案例》2700字】

基于随机森林的脑肿瘤图像的自动分割分析案例目录TOC\o"1-3"\h\u17723基于随机森林的脑肿瘤图像的自动分割分析案例 140211.1实验设计与环境 1102331.2实验结果 3基于随机森林的脑肿瘤图像的自动分割实现所采用的总体思路是在Kaggle数据集所提供的FLAIR显示模态的脑肿瘤MRI图像数据集中将训练集和测试集分割出来，利用其中的训练集来训练并构建多棵相互独立的决策树模型集成成随机森林，对测试集的MRI图像进行分类分割，再将分割结果掩膜与Kaggle数据集中专家手动分割的金标准掩膜进行对比评价。1.1实验设计与环境本实验采用MacOSMojave操作系统计算机，使用Python语言，在Pytorch开发环境下由Pycharm进行编程实现，详细数据如表1.1实验环境所示。表1.1实验环境参数值操作系统MacOSMojaveCPUIntel(R)Core(TM)i7-7700HQCPU@2.80GHzCPU核数6显卡RadeonPro555显存2GPython版本3.6内存16GB(0x802C2133MHz)本文基于随机森林的脑肿瘤图像的自动分割实现所采用的总体思路就是通过Kaggle的FLAIR显示模态的脑肿瘤MRI图像数据集所分割训练集和测试集，并利用其中的训练集提取特征集在对特征集和训练集进行有放回会的采样重复多次完成训练并构建多棵相互独立的决策树模型集成成随机森林，将测试集的MRI图像通过构建好的随机森林模型进行分类分割，再将分割结果掩膜与Kaggle数据集中专家手动分割的金标准掩膜进行对比评价。本基于随机森林的脑肿瘤图像的自动分割具体流程如图1.2所示。图1.1基于随机森林的脑肿瘤图像的自动分割原理图表1.2随机森林参数选择参数名决策树数量Maxdepth决策树特征数量值1001210本文所使用的随机森林模型如第三章所讲述的随机森林模型相类似，从图1.1基于随机森林的脑肿瘤图像的自动分割流程图中可以看出，本实验总共分为三个阶段分别为训练阶段，测试阶段和最后的评价阶段。训练阶段根据Kaggle的FLAIR显示模态的脑肿瘤MRI图像其中的专家手动分割金标准掩膜对脑肿瘤MRI图像原图进行特征提取，在特征提取的过程中使用Haralick纹理特征的灰度共生矩阵,Haralick纹理灰度共生矩阵指的是一种通过研究灰度的\t"/item/%E7%81%B0%E5%BA%A6%E5%85%B1%E7%94%9F%E7%9F%A9%E9%98%B5/_blank"空间相关特性来描述纹理的常用方法。早在1973年时Haralick等人就提出了使用灰度共生矩阵来对图像的纹理特征进行表现和描述[17]。由于纹理的出现是由于相似灰度分布在空间位置上反复多次的出现而形成的，因次在图像空间中相隔某一段距离的就会出现两像素之间存在一定的灰度关系的现象，即图像中灰度的空间相关特性，便可通过此矩阵衍生出角二矩阵，ASM能量，对比度，相关度，方差等图像特征，为随机森林训练时所提供的特征。取脑肿瘤MRI图像将其转化为灰度图像，再进行灰度计量化，然后在图像(256×256)中任意一点(x0，y0)及非第一次选定点的另一点(x0+a，y0+b)，设该点对的灰度值为(gx，gy)。令点(x0，y0)在整个图像画面上移动，则会得到各种(gx，gy)值，设\t"/item/%E7%81%B0%E5%BA%A6%E5%85%B1%E7%94%9F%E7%9F%A9%E9%98%B5/_blank"灰度值的级数为n，则(gx，gy)的组合共有n的平方种。对于整个图像画面，统计出每一种(gx，gy)值出现的次数，然后排列成一个方阵，再用(gx，gy)出现的总次数将它们归一化为出现的概率P(gx，gy)，使用这些数据构成一个方阵，这样的方阵称为灰度共生矩阵。距离差分值(a，b)取不同的数值组合时，可以得到不同情况下的\t"/item/%E7%81%B0%E5%BA%A6%E5%85%B1%E7%94%9F%E7%9F%A9%E9%98%B5/_blank"联合概率矩阵。(a，b)取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取(1，0)，(1，1)，(2，0)等小的差分值。当a=1，b=0时，像素对是水平的，即0度扫描；当a=0，b=1时，像素对是垂直的，即90度扫描；当a=1，b=1时，像素对是右对角线的，即45度扫描；当a=-1，b=1时，像素对是左对角线，即135度扫描。这样，两个像素灰度级同时发生的概率，就将(x0，y0)的空间坐标转化为“灰度对”(gx，gy)的描述，形成了灰度共生矩阵。再根据专家手动分割的金标准掩膜，对脑肿瘤MRI图像原图的灰度共生矩阵完成特征提取[20]。完成特征提取之后，将原有的训练数据集中脑肿瘤MRI图像原图和专家手动分割的金标准掩膜成对的进行有放回的抽取同时将特征集中的特征也有放回的抽取并组合在一起，生成CART决策树，重复100次生成100棵决策树集成随机森林模型。测试阶段将用于测试脑肿瘤MRI图像集输入随机森林模型中，每一个决策树均对测试图像进行预测，最后根据每颗决策树的投票结果综合投出分类结果，再根据分类结果在256×256图像中将分类为脑肿瘤区域的图像灰度置为255，其余点置为0，生成脑肿瘤掩膜。评价阶段将生成的测试图像掩膜与专家手动分割的脑肿瘤核磁共振图像的金标准掩膜进行对比评价最后输出4个评价标准结果，表征分类优劣。1.2实验结果本小节将展示基于随机森林的脑肿瘤图像的自动分割的分割掩膜，原图以及分类评价标准。本还选用了一些别的方法与本文算法做了一个对比。本文算法评价标准结果如表1.3所示。表1.3本文算法评价结果Acc准确率P精确率R召回率F1-measure97.79%85.62%80.21%82.63%脑肿瘤MRI的FLAIR显示模态原图如图1.2所示，专家手动分割的金标准掩膜如图1.3所示，以及本文算法的分割结果掩膜如图1.4所示。图1.2脑肿瘤MRI原图图SEQ图\*ARABIC24.3专家手动分割的金标准掩膜图SEQ图\*ARABIC34.4本文算法分割掩膜本实验还选用了K-means（K均值聚类）算法，fuzzyCmeans（模糊C均值聚类）算法与本文算法做对比，图1.5及1.6为这两类算法的分割结果掩膜，图1.5为K-means算法分割结果掩膜，图1.6为fuzzyCmeans算法分割结果掩膜。图1.5K-means算法分割掩膜图1.6FuzzyCmeans算法分割掩膜三种算法分类评价标准结果如表1.4所示。表1.4本文算法与其他算法评价结果算法名称Acc准确率P精确率R召回率F1-measure随机森林97.79%85.62%80.21%82.63%K-means90.37%79.94%81.33%80.62%FuzzyCmeans93.55%83.71%76.40%79.88%由三种方法的对比结果可以直观看出本文的随机森林算法在脑肿瘤MRI图像分割的对比评价结果中占有较大的优势仅R召回率略低于K-means（K均值聚类）算法，但是在K-means算法的分割结果掩膜中又可以明显的观察出该算法在脑部MRI图像中与专家手动分割的金标准掩膜相对比脑肿瘤区域存在较多的误判导致该算法的分类结果掩膜的P精确率明显低于其他算法。FuzzyCmeans（模糊C均值聚类）算法在对一些肿瘤区域较小的脑肿瘤核磁共振图像存在答复的误判如图1.6中第一幅图所示，而对于一些脑肿瘤区域较大的区域反而存在着一些大幅度漏判的情况，由于本文所选用的测试集核磁共振图像上述两种情况较为平均，所以导致两种错误情况在评价结果之中相互胡弥补展现了较不错的P精确率和R召回率，但从实际分割结果的掩膜来看，可以直观的看出模糊C均值聚类算法分割结果稍有一些不稳定，分割结果也明显不如另外的两种算法，从结果图中可以看出，该算法在对脑肿瘤区域较规则的脑肿瘤图像中才会有不错的结果，但也不如两外两种算法。本文所选用的随机森林算法相比其他两种算法(K-means算法和FuzzyCmeans算法)存在较大的优势，首先从随机森林法所分割出的脑肿瘤结果图与专家手动分割的金标准掩膜相对比可以发现其与金标准非常相近，能够清晰的将肿瘤区域分割出来，其次在与其他分类算法相对