基于特征融合的多模MRI脑肿瘤分割-信息与通信工程专业论文.docxVIP

万方数据 万方数据 独 创 性 声 明 本人声明，所呈交的论文是本人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中 不包含其他人已经发表或撰写过的研究成果，也不包含为获得武汉理工大 学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对 本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 签 名： 日 期： 学位论文使用授权书 本人完全了解武汉理工大学有关保留、使用学位论文的规定，即学校 有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文 被查阅和借阅。本人承诺所提交的学位论文（含电子学位论文）为答辩后 经修改的最终定稿学位论文，并授权武汉理工大学可以将本学位论文的全 部内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段保 存或汇编本学位论文。同时授权经武汉理工大学认可的国家有关机构或论 文数据库使用或收录本学位论文，并向社会公众提供信息服务。 (保密的论文在解密后应遵守此规定) 研究生(签名)： 导师(签名)： 日期： 摘 要 在医学影像中，核磁共振成像（Magnetic Resonance Imaging，MRI）是一种 重要的成像技术，此成像技术有着高质量的图像显示效果，已被广泛应用于医 学中对人体各组织器官病变的诊断中，特别是对脑部病变组织的检测。MRI 脑 肿瘤分割在实际的临床诊断上提供了很大的帮助，如何能够更快速准确的分割 出脑肿瘤是 MRI 脑肿瘤研究的难点。又因脑肿瘤核磁共振图像的可变性和复杂 性，以及脑肿瘤的大小、形状都各不相同，对脑肿瘤特征的提取就显得尤为重 要。近年来，关于此方面的研究也有很多，虽然有很不错的效果，但是在此研 究领域还有广泛的提升空间。 本文主要研究 MRI 脑肿瘤分割：将 Gabor 小波提取的脑肿瘤特征与卷积神 经网络提取的脑肿瘤特征用特征融合方法形成新的特征，然后在此改进算法的 基础上引入了一种新的降维方法——核熵成分分析算法对融合后的特征进行降 维，并取得了不错的效果，具体工作内容如下： （1）分析了 Gabor 小波算法的基本原理，使用 5 个尺度和 8 个方向的 40 个 Gabor 滤波器进行卷积，提取特征，并将卷积后的结果作为特征向量，然后 验证了基于 SVM（Support Vector Machine）的脑肿瘤分割，并对分割结果做后 处理，将其在 GBM 数据集上进行实验，并对结果进行分析。 （2）分析了卷积神经网络的基本原理，研究了卷积神经网络的网络结构和 训练过程。在卷积层作卷积运算，增强了原始信号强度，降低了噪声；在降采 样层对前层图像作抽样处理，此方法在保证不降低有用信息的基础上减少了需 要处理的数据量。在卷积神经网络中还使用了参数减少和权值共享等方式，提 高了运算速度。将其应用到 GBM 数据集上进行实验，并分析其优势和劣势。 （3）为了提高分割的精度，提出了将人工选取的特征与机器学习的特征相 结合的方法。展开了特征融合的相关工作，即将 Gabor 小波和卷积神经网络提 取的特征根据特征融合中的串行组合方式串连成一个列向量作为新的特征向量， 同时基于核熵成分分析对融合后的新特征作降维处理，然后对降维前与降维后 的特征分别用 SVM 进行分类，根据实验结果分析其优劣。 关键字：MR 图像 Gabor 小波 卷积神经网络 特征融合 核熵成分分析 I Abstract In medical imaging, magnetic resonance imaging (MRI) is an important imaging technology, the imaging technique has a high quality image display effect and has been widely used in medical diagnosis of body tissues and organs lesions, especially the detection of brain lesions. MRI brain tumor segmentation provides a great help in the clinical diagnosis, it is a difficult problem for brain tumor to be segmented out of brain tumor more quickly and accurately. Because of the variability and complexity of the brain tumor magnetic resonance images, and the size