【《SVM在MRI脑白质灰质的分类研究与应用案例》7700字】

SVM在MRI脑白质灰质的分类研究与应用案例目录TOC\o"1-3"\h\u18937SVM在MRI脑白质灰质的分类研究与应用案例 178151.1脑白质灰质分类研究整体框架 188931.2MRI脑图像分割算法 2102781.2.1图像预处理及切片选择 2232311.2.2训练集与测试集图像的处理 3203921.2.3数据归一化处理 728781.2.4预测分类及实验改进 921081.3图像分割评价指标及对比分析 13179051.3.1DICE图像分割指标及实验对比分析 13253311.3.2混淆矩阵图像分割指标及实验对比分析 14278961.4其他分割方法及其与SVM方法的对比分析 16167641.1.1基于阈值分割方法的MRI脑图像分割 16274321.1.2基于Roberts算子的MRI脑图像分割 181.1脑白质灰质分类研究整体框架本课题通过R2018a版本的MATLAB平台，使用BrainWeb(模拟脑数据库https://brainweb.bic.mni.mcgill.ca/brainweb)来源的脑图像，用SVM方法实现脑白质和灰质的分类研究。实验思路主要分为四大部分：第一部分是特征提取，第二部分是创建SVM模型并进行准确率测试和分类，第三部分是图像分割标准评估，第四部分是传统分割方法和SVM方法的对比实验。本文首先对MRI脑图像进行图像预处理，然后提取三维MRI脑图像的特征值，然后提取二维数据特征，创建SVM分类模型，最后进行准确率测试和分割，用分割出来的图像与金标准作对比，通过实验改进得到最佳的分类结果。图1.1SVM模型分类流程图1.2MRI脑图像分割算法1.2.1图像预处理及切片选择1)图像预处理医学图像相比于其他图像而言，在成像过程中容易受到磁场偏移现象以及不同程度噪声的污染，因此，首先要做的就是图像预处理。为了后续进行图像特征提取过程中白质和灰质的数据特征区分更加明显，本课题对三维MRI脑图像进行预处理和脑白质灰质分割两项工作，分割出的脑白质和灰质是作为金标准和最后的分类结果进行比对，然后找出问题进行实验改进。预处理前后第90层图像对比如图1.2所示。图1.2预处理前后第90层图像对比由图1.2以看出，预处理后去除了颅骨等非脑组织，相比于预处理前的脑图来说，脑白质和灰质的对比更加明显。2)切片选择所要提取的三维MRI脑图像大小为181*217*181，为了实验分割的意义不失一般性和普适性，随机选取第90层作为训练集，第95层作为测试集。图1.3第90和95层切片脑图对比由图1.3可以看出，第90层和第95层切片脑图所含有的信息完全不同，其中脑白质和灰质的信息也各不相同，所以课题选用第90层数据训练出的模型对第95层数据进行测试和分类更有说服力，说明训练出的模型对于任意层的脑图分割都有实际作用和价值。1.2.2训练集与测试集图像的处理特征是某一类对象区别于其它对象的相应特点或特性。对于不同图像而言，每一幅图像都具有其自身能够和其它图像进行区分的特点或特征，如果颜色、亮度、纹理等特征。每幅图像内部所要分类的区域，其特征也应该有显著的区别。针对不同图像，或者同一对象的不同区域进行特征提取，应该具体问题具体分析，而目前对于图像特征的选择和提取还停留在主观阶段。对于特征的选择和提取，应该具备以下三个原则：第一，特征的选择应该和图像处理的目的相匹配，以求这些特征具有很好的处理效果。第二，选取的特征应当容易提取，不易过于复杂。第三，选择的特征对于噪声等的影响尽量不敏感。1.基于K-means聚类算法实现图像分割和灰度特征提取进行灰度值特征提取的时候，所要提取的是第90层和第95层的脑白质和灰质的灰度值，所以需要先对三维MRI脑图像进行聚类，将脑图聚类为脑白质、脑灰质和脑脊液三部分，然后再提取三维数据特征值中第90层和第95层的二维数据特征值。本课题使用的是以灰度值作为特征的聚类算法。聚类就是按照某个特定标准把一个数据集分割成不同的类或簇，使得同一簇内的数据对象的相似性尽可能大，同时不在同一簇中的数据对象的差异性也尽可能大，即聚类后同一类的数据尽可能聚集在一起，不同数据尽量分离，然后将数据聚类成不同的组，最后分出灰质的数据点和白质的数据点，基于K-means聚类算法流程图如图1.4所示。图1.4基于K-means聚类算法流程图本课题使用基于K-means聚类算法实现脑白质和灰质的图像分割，然后进行灰度特征提取。基于K-means算法的脑白质灰质分割的基本步骤如下：第一步：读取三维MRI脑图像，获取灰度值三维矩阵。第二步：转化，将三维矩阵转化成一维矩阵。第三步：对一维矩阵取三个中心值，作为K-means算法的初始聚类点，这三个中心值分别代表脑白质、灰质和脑脊液灰度值的平均值。第四步：对中心值进行聚类分析，通过计算像素点灰度值与中心值的距离来划分各个点。第五步：对聚类后的三类，重新计算中心点，重复步骤四，遍历图像中所有的像素点，直到三个中心值收敛。第六步：根据三个中心值，两两中心值取平均值，确定图像阈值。第七步：根据阈值进行点的划分，最终分割出脑白质、灰质和脑脊液的图像。分割出来的第90层脑白质灰质的灰度图像如图1.5所示。图1.5第90层脑白质灰质灰度图像2.梯度特征的选择及提取为了反映脑白质和灰质之间灰度的变化情况，提取图像的梯度信息作为特征。梯度表示某一个函数在该点处的方向导数沿着该方向取得的最大值，即函数在该点处沿着该方向变化最快，变化率最大。在微积分中，一维函数的一阶微分的基本定义为：∂f∂x则在一个三维离散函数fx,y,z∂fx,y,z∂fx,y,z∂fx,y,z∂z因为本课题使用的是三维MRI脑图像进行特征提取，所以读取出来的图像大小是三个维度，在计算梯度特征值时，需要分别提取X，Y，Z轴方向上的偏导数，然后最后求三个方向上变化最大的那个方向上的梯度特征值，即方向导数，分别提取第90层和第95层的二维梯度特征值，最终得到第90层脑白质灰质的梯度图像如图1.6所示。图1.6第90层脑白质灰质梯度图像3.边缘强度特征的选择及提取医学图像在成像过程中会受到噪声影响，根据脑白质和脑灰质在脑图像中的成像特点，边缘信息往往是更为重要的信息，因此本课题采用了高斯滤波处理再进行边缘强度的特征提取。先用fspecial函数生成高斯滤波器ω，作为脑图像的掩膜，然后用imfilter函数对图像进行滤波，这个时候分为x和y两个方向，为了处理边界的充零问题，用replicate通过复制边界来实现图像的边界扩展。通过for循环遍历三维脑图像中的所有的点，得到每个像素点的边缘强度值。最后再分别提取第90层和第95层切片的二维边缘强度值。最终得到高斯算子滤波后的第90层脑白质灰质的边缘强度图像如图1.7所示。图1.7第90层脑白质灰质边缘强度图像1.2.3数据归一化处理在使用1.2.2小节所创建的训练集和测试集进行SVM模型训练和测试之前，需要对提取的特征值进行数据归一化处理，这一步是十分必要的。进行数据归一化有两个原因：第一，因为本课题选择的灰度、梯度和边缘强度特征，如表1.1所示，三者所提取出来的数值相差比较大，若直接用于分类器的创建，在创建分类面时，动态范围比较大的特征将被优先处理。这样就会把那些动态范围普遍小的特征数据淹没掉[20]，从而造成分类错误。第二，进行模型创建阶段，进行分类超平面函数计算中，数据归一化是为了产生+1和-1两类，方便模型的创建，而且还能够在计算特征向量的内积时减少计算量，提高训练的速度。如表1.2所示，经数据归一化后，所有特征值全部集中在-1到+1范围内。表1.1白质灰质中间几行的数据特征值白质灰质行灰度梯度边缘强度灰度梯度边缘强度……442053000107.543029.844044217901.17110216.8704138.8943442210036.500010.41800155.9471291.514844231015511.21040100.8191301.248444248701.76470212.2652238.4528……数据归一化实现代码如下：[Train_features,PS]=mapminmax(train_features’)其中mapminmax函数是对数据集进行归一化的函数，train_features是未经过处理后的数据集，Train_features是经过归一化后的数据集，这种规范化的映射记录在结构体PS中。其中数据归一化公式为式(4-5)：y=y表1.2数据归一化前后的数据对比数据归一化前的特征值灰度值梯度值边缘强度1149357.922272098305.55033060.867158.3310数据归一化后的特征值灰度值梯度值边缘强度10.34940.9850-0.96122-1-0.45650.69463-1-0.6624-0.67651.2.4预测分类及实验改进1)LIBSVM(软件包)LIBSVM是基于SVM实现的开源库，由台湾大学林智仁教授于2001年开发的一套支持向量机库，它主要用于分类和回归问题。LIBSVM具有操作简单、易于使用、快速有效的特点，并且对SVM所涉及的参数调节相对较少。LIBSVM代码开源，易于扩展，已经成为国内外应用最多的SVM库。本课题使用的正是这个SVM软件包LIBSVM。训练SVM模型LIBSVM软件包提供了一个可执行程序svmtrain.exe，这个exe文件主要实现对训练数据集的训练从而获得SVM模型。训练数据集只需要有属性矩阵和标签列，然后就可以建立分类模型，最后利用得到的这个模型进行分类预测。本课题使用灰度值、梯度值和边缘强度作为特征值，即属性矩阵为78554*3，其中行数代表有78554个数据样本，其中前39277行是脑白质部分，后39277行是脑灰质部分，列数3代表特征有3种，第4列label是标签，本课题将白质标为1类，灰质标为2类。有了属性矩阵和标签label就可以利用LIBSVM软件包建立分类模型，主要代码如下：model=svmtrain(train_label,Train_features)其中train_label是训练集的标签，Train_features是1.2.3小节中经数据归一化后的训练特征集，model是最终产生的训练模型。对测试样本进行预测LIBSVM软件包同时提供了可执行程序svmpredict.exe对测试样本进行预测，主要代码如下：[predict_train_label]=svmpredict(test_label,Test_features,model)预测分类及实验改进由第3步训练SVM模型可知，设定标签时是将前39277行全部标为1类，后39277行全部标为2类，用第90层的训练集去产生分类模型。为了后续表示方便，把本次实验称为实验一。实验一将用第90层的模型对第95层的数据进行预测和分类。测试结果如图1.8所示。图1.8实验一的测试集准确率为了有更加明显的对比效果，将预测的分类效果与金标准进行比对，如图1.9所示。图1.9实验一与金标准的图像对比由图1.8和图1.9可以看出，分类出来的脑白质和灰质的效果很差，而且准确率只有56.1372%。经分析发现，分类效果很差的原因是在设定标签的时候将前39277行全部标为1类，后39277行全部标为2类，显然这里面有一大部分标签是设定错误的，因为无论在脑白质还是在脑灰质中，除了白质和灰质以外还有脑脊液和背景部分，这一部分不能划分为1类和2类，而脑脊液和背景的特征值全为0，因此，本实验将特征值全为0的行标为第3类。为了表达方便，后续将改进后的实验称为实验二。实验一的脑白质部分的标签思路和实验二的脑白质的标签思路分别如图1.10和图1.11所示。图1.10实验一的脑白质部分的标签分类思路图1.11实验二的脑白质部分的标签分类思路由图1.11可以看出来，将前39277行的脑白质部分更加细化，脑白质为1类，脑脊液和背景为3类，这样训练出来的模型，在实际预测中，脑白质部分被正确预测为脑白质，非脑白质的部分被正确判为脑脊液和背景。后39277行的脑灰质部分也同样如此。通过改进标签数据，用第90层数据训练的模型对第95层数据进行预测和分类，得到预测准确率如图1.12所示。图1.12实验二的测试集准确率为了进一步看出改进的效果，将实验二的分割图像与金标准图像做对比，如图1.13所示。图1.13实验二和金标准的图像对比由图1.12和图1.13可以发现，准确率由56.1372%提高到81.9449%，并且相较于图1.9，有了非常大改善，虽然有判断错误的像素点，但实际为白质和灰质部分，绝大部分被正确判断为白质和灰质；实际为脑脊液和背景的部分，绝大部分被正确判断为脑脊液和背景。1.3图像分割评价指标及对比分析1.3.1DICE图像分割指标及实验对比分析DICE指标是医学图像分割中的常见指标，用于评估两个样本相似性的统计量[21]。DICE常用来评价图像分割的效果，其公式为式(4-6)：DICE=2∗其中分子中的Nturenegative代表真实值是正确的，预测也是正确的，简称TP；分母中的Nfalsepositive代表真实值是错误的，预测却是正确的，简称FP；Nfalsenegative图1.14DICE指标原理图由图1.14可以看出，灰色部分是真实结果和预测结果的重叠部分，表现为真实结果是正确的，预测结果也是正确的。如果预测结果越接近真实结果，即灰色区域越大，表示图像分割的效果越好，表现在DICE指标上即为DICE值越接近1。因此在评价图像分割效果的优劣上，本课题使用DICE作为图像分割评价指标。本实验为了使得最后分割的结果更加一般化，用第90层数据创建的模型分别对第91层、第93层和第95层数据分别进行分类，然后对各自得到DICE指标进行对比分析。如表1.3所示。表1.3第91层、93层、第95层的白质和灰质的各个DICE指标值白质灰质DICEDICE91层0.71720.790693层0.73710.781795层0.73370.7840由表1.3可以看出，用第90层数据训练出来的模型对第91层、第93层和第95层数据分别进行测验发现，白质的DICE指标大致在0.72左右，灰质的DICE指标大致在0.79左右。因此根据数据分析可得，SVM模型对于脑灰质的分割效果要比脑白质的分割效果要好，而且SVM模型对于不同层的同一对象的分割效果是相对稳定的，不会出现不同层的分割效果相差悬殊的情况，这说明SVM有良好的普适性，具有实际的分割作用和意义。1.3.2混淆矩阵图像分割指标及实验对比分析在1.3.1小节使用DICE图像分割指标作为图像分割效果的指标后，还需要一个统计量来评价分类器本身的优劣程度。本小节将使用混淆矩阵进一步对SVM分割方法作进一步的评价，用DICE评价指标和混淆矩阵评价指标来对SVM分割方法进行综合评估。在监督学习当中，混淆矩阵常用来被当作图像分割精度的评价指标，即比较分割结果和实际测得值。混淆矩阵是通过将实际测得的像元的位置和分类与分类图像中相应位置和分类进行比较的。在实际脑白质和灰质图像中，可以知道哪些像素点是白质和灰质，即实际结果是positive，哪些像素点不是白质和灰质，即实际结果是negative，然后根据预测后分类图像，哪些像素点是白质和灰质，即预测结果是positive，哪些像素点不是白质和灰质。即预测结果是negative。这样就可以知道四个基础指标，分别为：实际值是positive，预测值是positive，即TurePositive(TP)。实际值是negative，预测值是negative，即TureNegative(TN)。实际值是positive，预测值是negative，即FalseNegative(FN)。实际值是negative，预测值是positive，即FalsePositive(FP)。TP、TN、FN和FP之和是实验样本的总数，将这四个基础指标进行汇总就可以得到混淆矩阵，如图1.15所示。图1.15混淆矩阵示意图由图1.15可以看出，分类模型预测越好，对应到混淆矩阵中为TP和TN的值越大，相应的FP和FN的值越小。因此，为了验证SVM方法是否优秀，又不失一般性，本次实验将用训练出的第90层模型对第91层、第93层和第95层数据分别进行实验，得到的数据如表1.4所示。表1.4第91、93、95层中白质和灰质的各层TP、TN、FP和FN数据白质灰质TPTNFPFNTPTNFPFN第91层107142011408449125262011406637第93层109082058707782119932058706697第95层105922099607689117872099606494由表1.4可以发现，无论对于哪一层的进行实验，白质和灰质中TP和TN的值都比较大，相比之下，FP和FN的取值都比较小，尤其是FP，FP的数据都为0，说明真实是非白质和非灰质，SVM分类器不会判成白质和灰质。由表1.4数据可以得出结论，SVM分类方法对于脑白质和灰质有着非常好的分类效果。在这四个基础指标之上，又延伸了如下四个指标，分别为准确率(Accurary)、精确率(Precision)、召回率(Recall)和特异度(Specificity)，其中只选择其中准确率、精确率和召回率三个指标作为本课题的图像分割评价指标。如表1.5所示，分别对准确率、精确率和召回率三个指标的公式及其意义进行说明。表1.5评价指标的公式及其意义评价指标公式意义准确率ACCAccurary=分类模型中判断正确的结果占总观测结果的比例精确率PPVPrecision=在模型预测为Positive中，模型预测正确的比例召回率TPRRecall=在真实值为Positive中，模型预测正确的比例准确率(ACC)为所有样本中真正正例和真正反例之和的比例，如果准确率越高，代表模型整体的分割效果越好。精确率(PPV)是针对预测样本而言的，预测为正例的样本中真正正例的比例。召回率(TPR)是针对原来样本而言的，表示样本中有多少正例被预测正确，代表预测结果对实际情况的分割效果的评判。精确率和召回率之间的差距有很大一部分原因是人为标签和实际理想标签的误差，两者相差小，说明标签分的越符合真实情况。本实验分别对第91层、第93层和95层的白质和灰质的准确率、精确率和召回率分别进行测验，如表1.6所示。表1.6第91、93和95层的准确率、精确率和召回率白质灰质AccuraryPrecisionRecallAccuraryPrecisionRecall91层78.49%100%55.91%83.10%100%65.37%93层80.19%100%58.36%82.95%100%61.17%95层80.42%100%57.94%83.47%100%61.48%由表1.6可以发现，无论对于哪一层数据，分割的白质和灰质，精确度都为100%，非白质和非灰质不会错判为白质和灰质，说明预测为正例的样本中真正正例的比例非常高。对同一层进行比较可以发现，SVM分类模型对于白质和灰质的准确率都比较高，其中白质部分达到80%，灰质部分达到83%，说明SVM分类模型整体的分割效果比较优秀；白质的召回率相较于灰质的召回率低一点，说明对于想要得到的真实数据来说，分类出的灰质更加贴近真实情况，但是也只有将近65%，说明本课题得到的SVM模型对于实际想要的效果还有一定的提升空间。对不同层的同一对象进行比较可以发现，各个指标都趋于稳定，说明SVM模型的分类效果很稳定，在实际操作中有很强的应用性和推广性。1.4其他分割方法及其与SVM方法的对比分析1.1.1基于阈值分割方法的MRI脑图像分割根据2.2小节介绍的基于区域的分割方法，本次实验采用阈值分割技术对MRI脑图像进行分割，然后与SVM方法的分割图像进行对比和分析。本次实验使用的阈值分割技术是通过人工选取阈值进行分割。通过多次选取阈值进行试验发现，选取阈值T=115时取得较为清晰的分割效果。将阈值