基于支持向量机的核磁共振左心室图像自动检测与分割.pdfVIP

第 49卷 第 6期 武汉大学学报 (理学版) Vo1．49 No．6 2003年 12月 J．W uhanUniv．(Nat．Sci．Ed．) Dec．2003，769～ 774 文章编号 ：1671-8836(2003)06—0769—06 基于支持向量机的核磁共振左心室 图像 自动检测与分割 屈颖歌 ，周 涛 ，王平安 ，夏德深H (1．南京理工大学 计算机 系，南京 210094；2．香港 中文大学 计算机科 学与工程 系，香港 沙田) 摘 要 ：提 出了用基于支持 向量机 的方法来实现核磁共振左心室 图像 的 自动分割方法．首先用经过训练 的支 持 向量机 (SVM)在二维 图像 中进行识别和定位左心室 目标 区域并进一步找 出边缘 区域 ，采用一种改进 的训练方法 来提高 SVM 识别率 ，然后在足够准确的区域 中利用梯度方法找 出边缘点，并把他们连接起来 ，找 出 目标 的边缘 ，达 到分割 的 目的．实验表 明，这种分割方法 降低 了SVM 对背景 图像 的敏感度 ，提高了SVM识别率． 关 键 词 ：支持 向量机 ；磁共振成像 (MRI)图像 ；自动检测 ；图像分割 中圈分类号 ：TP391．41 文献标识码 ：A 有一定特征 的纹理信息．实验 中采取数据矩 阵 中的 0 引 言 8像素 ×8像素 的区域作为训练样本．Kim等 提 出的基于 SVM 的监督 的纹理 图像分割 ，采用 了一 心脏磁共振成像 (MRI)图像分割的 目的是找 出 些包含不 同纹理信息的实验 图像 ，使用 R个 SVM 每一幅 MRI图像 中感兴趣 的 目标 ，包括左心室 内外 用来检测 R种纹理信息 ，每个 SVM 的输人为 固定 轮廓线 ，以及标记线 (tag)．整个 心脏包括左心室 、右 窗 口大小 (11×11)的纹理 图像．本文 中多 SVM 组 心室 、左心房、右心房 、冠状动脉 、大动脉 、心房和心室 合 即是受此启发． 之间的隔等部分 ，由于解剖 结构非常复杂 ，再加上标 Weiyu和 Song等人[5 则使用支持 向量 回归 记线会随时间衰减 ，目标和背景 的对 比度会下降，这 的方法实现分割．他们提 出的方法类似于活动轮廓 使得 图像的 自动分割 比较 困难．事 实上 ，目前对左 心 模型的变形方法 ，系统需要事先指定 目标的模板 ，分 室轮廓和标记线 的分割都是人机交互的，并且建立 了 割时首先找 出图像 中的边缘 点 ，然后用 SVR(sup— 一 系列 的方法．在这些方法 中，绝大多数都 需要系统 portvectorregression)的方法对模板 的边界进行 变 指定一个特殊 的左心室的大概位置．这类典型的算法 形 ，这种方法也是基于交互的一种方法 ，类似的还有 是活动轮廓 (snake)模型_1及其变形方法． 文献[73中用到的方法． Luizac提 出了脑 MRI图像 的 自动分 割与分 支持 向量机是 目前机器学习领域 比较新的方法 ， 类 ，其 目的是从脑成像 中找 出肿瘤 ，实现过程 是先用 它在美 国邮政手写体数字识别 ，人脸检测 ，文本分类 分类 器 ，如支 持 向量机 (supportvectormachine， 等方 面有着成功 的应用_8]．它的优点主要 在于它是一 SVM)，判断 当前 的脑成像是正常成像还 是含有肿 种小样本的学习方法 ，并且具有较好 的泛化性能． 瘤 的成像 ，如果正常将不作处理 ，否则利用 阈值的方 本文采用 SVM 的学 习方法 来进 行 图