基于监督学习的多模态MRI脑肿瘤分割,使用来自超体素的纹理特征(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](#💥1 概述)

[📚2 运行结果](#📚2 运行结果)

[🎉3 参考文献](#🎉3 参考文献)

[🌈4 Matlab代码、数据、文献](#🌈4 Matlab代码、数据、文献)


💥1 概述

由于各种肿瘤类型,在磁共振图像(MRI)中准确分割脑肿瘤是一项艰巨的任务。使用来自多模态MRI的信息和特征,包括结构MRI和来自扩散张量成像(DTI)的各向同性(p)和各向异性(q)分量,可以对大脑图像进行更准确的分析。方法:我们提出了一种新的基于3D超体素的学习方法,用于分割多模态MRI脑图像(常规MRI和DTI)中的肿瘤。超体素是使用多模态 MRI 数据集中的信息生成的。对于每个超体素,提取各种特征,包括文本描述符的直方图,使用一组具有不同大小和方向的Gabor滤波器计算,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,将每个超体素分类为肿瘤核心,水肿或健康脑组织。结果:该方法在两个数据集上进行评估:1)我们的临床数据集:11张患者的多模态图像和2)BRATS 2013临床数据集:30张多模态图像。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)的平均灵敏度为86%,平衡错误率(BER)为7%;而自动肿瘤分割与地面真相的骰子评分为 0.84。BRATS 2013数据集的相应结果分别为96%、2%和0.89。结论:该方法在脑肿瘤的分割中显示出有希望的结果。从多模态MRI图像中添加特征可以大大提高分割精度。该方法与所有肿瘤等级的专家描述非常匹配,从而提供了一种更快、更可重复的脑肿瘤检测和描述方法,以帮助患者管理。

📚 2 运行结果

部分代码:

%% Save
% Save the supervoxel map volumes into MAT file
Output_Name = fullfile(Output_Path,['MRI_SLIC_Labels_Size',num2str(voxel_X),...
    'x',num2str(voxel_Y),'x',num2str(voxel_Z),'_Compactness_0',Cmpt,'_Case_',num2str(Case),'.mat']);
save (Output_Name,'SLIC_Labels_3D');

%% Show the output
Slice = round(size(I,3)/2);
Image_2D = I(:,:,Slice,1);
Label1 = Label(:,:,Slice,1);
k1 = unique(Label1);
Label2 = zeros(size(Image_2D));
BW = zeros(size(Image_2D));
BW = logical(BW);
for idx = 1:numel(k1) % 1:k
    c_k = k1(idx);
    L = zeros(size(Image_2D));
    L(Label1==c_k)=1;
    BW2 = L;
    BW_temp = edge(BW2);
    Label2 = Label2+double(BW2)*c_k;
    BW = BW|BW_temp;
end

for P = 1:numel(ProtocolList)
    Image_2D = I(:,:,Slice,P);
    BW_Color = repmat(Image_2D,1,1,3);
    BW_Color = uint8(BW_Color*255);
    for layer = 1:2
        tempLayer = BW_Color(:,:,layer);
        tempLayer(BW) = 255;
        BW_Color(:,:,layer) = tempLayer;
    end
    tempLayer = BW_Color(:,:,3);
    tempLayer(BW) = 0;
    BW_Color(:,:,3) = tempLayer;
    figure(P);
    subplot(1,2,1); imshow(Image_2D,[])
    title(['Original: ',ProtocolList{P}])
    subplot(1,2,2); imshow(BW_Color,[])
    title('SuperVoxel')
end

%% Save

% Save the supervoxel map volumes into MAT file

Output_Name = fullfile(Output_Path,['MRI_SLIC_Labels_Size',num2str(voxel_X),...

'x',num2str(voxel_Y),'x',num2str(voxel_Z),'_Compactness_0',Cmpt,'Case',num2str(Case),'.mat']);

save (Output_Name,'SLIC_Labels_3D');

%% Show the output

Slice = round(size(I,3)/2);

Image_2D = I(:,:,Slice,1);

Label1 = Label(:,:,Slice,1);

k1 = unique(Label1);

Label2 = zeros(size(Image_2D));

BW = zeros(size(Image_2D));

BW = logical(BW);

for idx = 1:numel(k1) % 1:k

c_k = k1(idx);

L = zeros(size(Image_2D));

L(Label1==c_k)=1;

BW2 = L;

BW_temp = edge(BW2);

Label2 = Label2+double(BW2)*c_k;

BW = BW|BW_temp;

end

for P = 1:numel(ProtocolList)

Image_2D = I(:,:,Slice,P);

BW_Color = repmat(Image_2D,1,1,3);

BW_Color = uint8(BW_Color*255);

for layer = 1:2

tempLayer = BW_Color(:,:,layer);

tempLayer(BW) = 255;

BW_Color(:,:,layer) = tempLayer;

end

tempLayer = BW_Color(:,:,3);

tempLayer(BW) = 0;

BW_Color(:,:,3) = tempLayer;

figure(P);

subplot(1,2,1); imshow(Image_2D,[])

title(['Original: ',ProtocolList{P}])

subplot(1,2,2); imshow(BW_Color,[])

title('SuperVoxel')

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。

🌈4 Matlab代码、数据、文献

相关推荐
yuwinter3 分钟前
鸿蒙HarmonyOS学习笔记(2)
笔记·学习·harmonyos
LZXCyrus17 分钟前
【杂记】vLLM如何指定GPU单卡/多卡离线推理
人工智能·经验分享·python·深度学习·语言模型·llm·vllm
red_redemption25 分钟前
自由学习记录(23)
学习·unity·lua·ab包
我感觉。35 分钟前
【机器学习chp4】特征工程
人工智能·机器学习·主成分分析·特征工程
YRr YRr43 分钟前
深度学习神经网络中的优化器的使用
人工智能·深度学习·神经网络
DieYoung_Alive43 分钟前
一篇文章了解机器学习(下)
人工智能·机器学习
夏沫的梦1 小时前
生成式AI对产业的影响与冲击
人工智能·aigc
幽兰的天空1 小时前
默语博主的推荐:探索技术世界的旅程
学习·程序人生·生活·美食·交友·美女·帅哥
goomind1 小时前
YOLOv8实战木材缺陷识别
人工智能·yolo·目标检测·缺陷检测·pyqt5·木材缺陷识别
只怕自己不够好1 小时前
《OpenCV 图像基础操作全解析:从读取到像素处理与 ROI 应用》
人工智能·opencv·计算机视觉