基于监督学习的多模态MRI脑肿瘤分割利用监督体素的纹理特征（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

基于监督学习的多模态MRI脑肿瘤分割利用监督体素的纹理特征。背景：由于各种肿瘤类型，精确分割磁共振成像（MRI）中的脑肿瘤是一项困难的任务。利用来自多模态MRI的信息和特征，包括结构MRI以及扩散张量成像（DTI）导出的各向同性（p）和各向异性（q）成分，可能会导致对脑图像的更准确的分析。<br>方法：我们提出了一种基于三维监督体素的学习方法，用于多模态MRI脑图像（常规MRI和DTI）中的肿瘤分割。监督体素是使用跨多模态MRI数据集的信息生成的。对于每个监督体素，提取了各种特征，包括使用一组不同大小和方向的Gabor滤波器计算的texton描述符的直方图，以及一阶强度统计特征。这些特征被输入到随机森林（RF）分类器中，以将每个监督体素分类为肿瘤核心、水肿或健康脑组织。<br>结果：该方法在两个数据集上进行了评估：1）我们的临床数据集：11名患者的多模态图像，2）BRATS 2013临床数据集：30个多模态图像。对于我们的临床数据集，使用多模态MRI检测肿瘤（包括肿瘤核心和水肿）的平均敏感性为86%，平衡错误率（BER）为7%；而自动肿瘤分割的Dice分数为0.84。BRATS 2013数据集的相应结果分别为96%，2%和0.89。结论：该方法在脑肿瘤分割中展现了有希望的结果。添加来自多模态MRI图像的特征可以大幅提高分割准确性。该方法在所有肿瘤级别上与专家标注基本匹配，从而实现了更快速和更可复制的脑肿瘤检测和标注方法，以帮助患者管理。

📚2 运行结果

部分代码：

% Initial arrays
I_temp = I(:,:,:,1);
S = nthroot((voxel_X * voxel_Y * voxel_Z),3);
X_window = floor(size(I_temp,1)/voxel_X);
Y_window = floor(size(I_temp,2)/voxel_Y);
Z_window = floor(size(I_temp,3)/voxel_Z);
r1 = ceil(voxel_X/2);
r2 = ceil(voxel_Y/2);
r3 = ceil(voxel_Z/2);
[X,Y,Z] = meshgrid((2:Y_window-1).*voxel_X-r2,(2:X_window-1).*voxel_Y-r1,(2:Z_window-1).*voxel_Z-r3);

% Initial Centers for 5 protocols
I_C = zeros([size(X),numel(ProtocolList)]);

for i=1:size(X,1)
    for j = 1:size(X,2)
        for l = 1:size(X,3)
            I_C (i,j,l,P) = I(X(i,1,1), Y(1,j,1),Y(1,1,l),P);
        end
    end
end

C = [X(:),Y(:),Z(:)];
for P = 1:numel(ProtocolList)
    I_C_temp = squeeze(I_C(:,:,:,P));
    C = cat(2,C,I_C_temp(:));
end

k = size(C,1);

% Update supervoxel centers
for i = 1:k
    temp_C = C(i,:);
    x = temp_C(1);
    y = temp_C(2);
    z = temp_C(3);
    
    temp_W = I_temp(x-1:x+1,y-1:y+1,z);
    a = abs(gradient(temp_W));
    [x,y] = find(a==min(a(:)), 1, 'first');
    C(i,1) = temp_C(1)+x-2;
    C(i,2) = temp_C(2)+y-2;
    
    for P = 1:numel(ProtocolList)
        C(i,3+1) = I(C(i,1), C(i,2),P);
    end
    
    
end

% Assigning the lables
Label = -1*ones(size(I_temp));
Distance = inf*ones(size(I_temp));

counter = Iterations; % Iterastions
while counter
    for c_k = 1:k
        Center = [C(c_k,1),C(c_k,2),C(c_k,3)];
        for i = Center(1)-2*r1+1:Center(1)+2*r1-1
            for j = Center(2)-2*r2+1:Center(2)+2*r2-1
                for l = Center(3)-2*r3+1:Center(3)+2*r3-1
                    % Calculating the spatial distance
                    d_c_term = 0;
                    d_c_temp = 0;
                    
                    for P = 1:numel(ProtocolList)
                        d_c_temp = (I(Center(1),Center(2),Center(3),P)-I(i,j,l,P))^2;
                        d_c_term = d_c_term + d_c_temp;
                    end
                    
                    d_c = sqrt(d_c_term );
                    
                    % Calculating the intensity distance
                    d_s = sqrt((term_x*(Center(1)-i))^2 + (term_y*(Center(2)-j))^2+(term_z*(Center(3)-l))^2);
                    
                    % Calculating the total distance D between C_k and i
                    D = sqrt((d_c)^2+(d_s/S)^2*Compactness^2);
                    if D < Distance(i,j,l)
                        Distance(i,j,l) = D;
                        Label(i,j,l) = c_k;
                    end
                end % for l
            end % for j
        end % for i
    end % for SV Label
    
    %% Updating stage
    counter = counter-1;
    
    % Compute new cluster centers
    if counter > 0
        for c_k = 1:k
            [x1,y1,z1] = find3((Label==c_k));
            C(c_k,1) = round(mean(x1));
            C(c_k,2) = round(mean(y1));
            C(c_k,3) = round(mean(z1));
        end

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]Soltaninejad, Mohammadreza, et al. “Supervised Learning Based Multimodal MRI Brain Tumour Segmentation Using Texture Features from Supervoxels.” Computer Methods and Programs in Biomedicine, vol. 157, Elsevier BV, Apr. 2018, pp. 69–84, doi:10.1016/j.cmpb.2018.01.003.

Supervised learning based multimodal MRI brain tumour segmentation using texture features from supervoxels-学术范

🌈4 Matlab代码实现