基于粗糙集自适应粒度的MR脑肿瘤图像分割

计算机与现代化 ›› 2021, Vol. 0 ›› Issue (01): 34-37.

基于粗糙集自适应粒度的MR脑肿瘤图像分割

(1.皖南医学院医学信息学院,安徽芜湖241002; 2.皖南医学院健康大数据挖掘与应用研究中心,安徽芜湖241002)

出版日期:2021-01-28 发布日期:2021-01-29
作者简介:姚传文(1993—),男,安徽六安人，硕士研究生,研究方向:数据挖掘与机器学习,医学图像处理与分析,E-mail:ycwenmail@163.com; 黄道斌(1981—),男,讲师,硕士,研究方向:深度学习,生物医学数据处理与分析,E-mail:hdb@wnmc.edu.cn; 通信作者:叶明全( 1973—),男,教授,博士,研究方向:数据挖掘与机器学习,生物医学数据处理与分析,E-mail: ymq@wnmc.edu.cn。
基金资助:
国家自然科学基金资助项目(61672386); 安徽省自然科学基金资助项目(1708085MF142); 教育部人文社会科学研究规划基金资助项目(16YJAZH071)

MR Brain Tumor Image Segmentation Based on Rough Set Adaptive Granularity

(1. School of Medical Information, Wannan Medical College, Wuhu 241002, China;
2. Research Center of Health Big Data Mining and Applications, Wannan Medical College, Wuhu 241002, China)

Online:2021-01-28 Published:2021-01-29

摘要/Abstract

摘要： 针对磁共振（MR）成像具有灰度不均匀、部分容积效应等缺陷，给出一种粗糙集自适应粒度的脑肿瘤MR图像分割方法，从而提高脑肿瘤分割质量。利用粗糙集自适应粒度方法选取最优分割粒度，并用粗糙集模拟目标和背景区域的上下近似，通过优化目标和背景区域的粗糙度，获得MR脑肿瘤图像分割的最佳阈值。粗糙集自适应粒度方法能够较好地提取出脑肿瘤区域。实验结果表明，该方法优于传统粗糙集分割法，且具有一定实用性和灵活性。

关键词: 磁共振成像, 脑肿瘤, 图像分割, 粗糙集

Abstract: Partial volume effect and uneven gray level of magnetic resonance (MR) imaging make the brain tumor image segmentation low accuracy. In order to solve the problem, a new brain tumor image segmentation method is proposed, which is a rough set adaptive granularity method. The method firstly uses the tumor features in the image to adaptively select the optimal granularity. It uses the rough set idea to simulate the upper and lower approximation of the target and background regions. The best threshold for MR brain tumor image segmentation is obtained by optimizing the roughness of the target and background regions. This method can extract the area of brain tumors. The experimental results show that the method is superior to the traditional rough set segmentation methods. This method has certain practicability and flexibility.

Key words: magnetic resonance imaging, brain tumor, image segmentation, rough sets

姚传文, 黄道斌, 叶明全, . 基于粗糙集自适应粒度的MR脑肿瘤图像分割[J]. 计算机与现代化, 2021, 0(01): 34-37.

YAO Chuan-wen, HUANG Dao-bin, YE Ming-quan, . MR Brain Tumor Image Segmentation Based on Rough Set Adaptive Granularity[J]. Computer and Modernization, 2021, 0(01): 34-37.

参考文献［23］

［1］	夏雨薇,贺飞跃,张敏. 贝叶斯优化的RSF模型脑肿瘤图像分割新方法［J］. 西安工程大学学报, 2018,32(2):237-242.
［2］	蒋秋霖,王昕. 改进FCM的MR脑肿瘤图像分割［J］. 长春工业大学学报, 2019,40(2):149-155.
［3］	朴成浩,海洪勃,赵辉,等. 脑室外室管膜瘤的磁共振成像影像表现与病理特征的相关性研究［J］. 现代生物医学进展, 2019,19(3):536-539.
［4］	王锦程,郁芸,杨坤，等. 基于BP神经网络的脑肿瘤MRI图像分割［J］. 生物医学工程研究, 2016,35(4):290-293.
［5］	王晓磊. 基于最佳分割目标优化的医学图像分割方法［J］. 信息技术, 2017（10):93-98.
［6］	GORDILLO N, MONTSENY E, SOBREVILLA P. State of the art survey on MRI brain tumor segmentation［J］. Magnetic Resonance Imaging, 2013,31(8):1426-1438.
［7］	ISLAM A, REZA S M S, IFTEKHARUDDIN K M. Multifractal texture estimation for detection and segmentation of brain tumors［J］. IEEE Transactions on Biomedical Engineering, 2013,60(11):3204-3215.
［8］	KALAISELVI T, KARTHIGAI S S. Investigation of image processing techniques in MRI based medical image analysis methods and validation metrics for brain tumor［J］. Current Medical Imaging Reviews, 2018,14(4):489-505.
［9］	NAMBURU A, SAMAY S K, EDARA S R. Soft fuzzy rough set based MR brain image segmentation［J］. Applied Soft Computing, 2017,54:456-466.
［10］	李峰,苗夺谦,刘财辉,等. 基于决策粗糙集的图像分割［J］. 智能系统学报, 2014,9(2):143-147.
［11］	吴尚智,佘志用,张霞,等. 利用变精度粗糙熵的图像分割算法［J］. 计算机工程与科学, 2018,40(10):1837-1843.
［12］	饶梦,苗夺谦,罗晟. 一种粗糙不确定的图像分割方法［J］. 计算机科学, 2020,47(2):72-75.
［13］	JI Z X, HUANG Y B, SUN Q S, et al. A rough set bounded spatially constrained asymmetric Gaussian mixture model for image segmentation［J］. PLoS One, 2017,12(1): eo168449. DOI: 10.1371/journal.pone.0168449.
［14］	PAL S K, SHANKAR B U, MITRA P. Granular computing, rough entropy and object extraction［J］. Pattern Recognition Letters, 2005,26(16):2509-2517.
［15］	吴涛. 图像阈值化的自适应粗糙熵方法［J］. 中国图象图形学报, 2014,19(1):1-10.
［16］	PAWLAK Z. Rough sets［J］. International Journal of Parallel Programming, 1982,11(5):341-356.
［17］	PERELMAN. Multimodal Brain Tumor Segmentation Challenge 2017［EB/OL］. ［2020-04-24］. https://www.med.upenn.edu/sbia/brats2017/data.html.
［18］	曹帅帅,陈雪鑫,苗圃,等. 基于PSO与K-均值聚类算法优化结合的图像分割方法［J］. 计算机与现代化, 2020(1):22-27.
［19］	DUBEY Y K, MUSHRIF M M, MITRA K. Segmentation of brain MR images using rough set based intuitionistic fuzzy clustering［J］. Biocybernetics and Biomedical Engineering, 2016,36(2):413-426.
［20］	BAKHSHALI M A. Segmentation and enhancement of brain MR images using fuzzy clustering based on information theory［J］. Soft Computing, 2017,21(22):6633-6640.
［21］	徐小来,房晓丽. 基于改进的直觉模糊核聚类的图像分割方法［J］. 计算机工程与应用, 2019,55(17):227-231.
［22］	张滨凯,王翔,郑津津. 结合字典学习和稀疏聚类的医学图像分割算法［J］. 中国科学技术大学学报, 2019,49(10):791-796.
［23］	朱占龙,刘永军. 融合混沌优化和改进模糊聚类的图像分割算法［J］. 电子学报, 2020,48(5):975-984.

[1]	王淑平, 李敏, 杜敏, 罗建伟. 基于改进探路者算法的多阈值图像分割[J]. 计算机与现代化, 2022, 0(01): 61-69.
[2]	雍玉洁, 顾华. 基于空间聚类和边缘梯度的图像分割算法[J]. 计算机与现代化, 2021, 0(02): 13-17.
[3]	席孝倩, 刘威. 基于目标检测算法的肺结节辅助诊断系统[J]. 计算机与现代化, 2020, 0(11): 1-7.
[4]	李希敏, 李书琪. 基于粗糙集的多源数据库缓存冲突自动处理方法[J]. 计算机与现代化, 2020, 0(10): 36-39.
[5]	刘晓康, 万曦, 涂文超, 周清楷, 田正稳. 基于红外可见光图像配准的电力设备分割算法[J]. 计算机与现代化, 2020, 0(08): 26-30.
[6]	曹帅帅，陈雪鑫，苗圃，卜庆凯. 基于PSO与K-均值聚类算法优化结合的图像分割方法[J]. 计算机与现代化, 2020, 0(01): 22-.
[7]	李熙莹1,2,3，朱肯钢1,2,3. 结合天空分割和局部透射率优化交通图像去雾算法[J]. 计算机与现代化, 2019, 0(05): 51-.
[8]	孙源,刘汉强. 基于萤火虫算法的无监督最小视觉差彩色图像分割[J]. 计算机与现代化, 2018, 0(12): 85-.
[9]	曹靖康1，段江永2，孟娟2. 基于深度特征融合的空间植物图像分割算法[J]. 计算机与现代化, 2018, 0(10): 58-.
[10]	李华，江峰，于旭，杜军威，刘国柱. 基于粒度决策熵的属性约简[J]. 计算机与现代化, 2018, 0(04): 7-.
[11]	徐聪,黄文准,黄世奇. 基于自组织映射的遗传聚类算法[J]. 计算机与现代化, 2017, 0(4): 38-43.
[12]	田沁怡 1，田小林 2. 基于隐马尔科夫随机场邻域选择的细节保护图像分割[J]. 计算机与现代化, 2017, 0(10): 15-19.
[13]	叶青1,2，胡昌标1,2. 一种改进的基于图论的图像分割方法[J]. 计算机与现代化, 2016, 0(9): 64-67.
[14]	胡盼,秦亮曦,姚洪曼. 用人工鱼群算法自动确定三支决策阈值[J]. 计算机与现代化, 2016, 0(6): 97-102.
[15]	申慧君. 基于复合正则化的高效压缩感知磁共振成像研究[J]. 计算机与现代化, 2016, 0(5): 39-45.