基于脑部MR图像GMM特征决策分类的肿瘤诊断
来源期刊:控制工程2017年第8期
论文作者:徐立 白金牛 李磊民
文章页码:1718 - 1722
关键词:脑部肿瘤;磁共振图像;分割;高斯混合模型特征;决策树;
摘 要:磁共振(MR)图像提供了大量用于医疗检查的信息。精确鲁棒的脑部MR图像分割、特征提取和分类对于临床诊断肿瘤是非常重要的。提出一种新的基于脑部MR图像的肿瘤诊断方法。首先,通过多阈值分割形态学操作检测图像的畸形区域,然后,提取用于分类的高斯混合模型(GMM)特征,最后,利用决策树分类器对肿瘤图像类型进行分类。整个分类过程分为训练和测试2个阶段,训练阶段提取肿瘤图像和非肿瘤图像不同的特征,在测试阶段基于知识库进行肿瘤和非肿瘤分类。使用准确度、误报率和漏检率3个性能指标对算法进行评估,实验结果表明,分类准确度可达91.18%-94.11%,误报率和漏检率在2.94%-4.41%范围内,可以有助于更好的脑部肿瘤诊断。
徐立1,白金牛1,李磊民2
1. 包头医学院计算机科学与技术系2. 西南科技大学国防科技学院
摘 要:磁共振(MR)图像提供了大量用于医疗检查的信息。精确鲁棒的脑部MR图像分割、特征提取和分类对于临床诊断肿瘤是非常重要的。提出一种新的基于脑部MR图像的肿瘤诊断方法。首先,通过多阈值分割形态学操作检测图像的畸形区域,然后,提取用于分类的高斯混合模型(GMM)特征,最后,利用决策树分类器对肿瘤图像类型进行分类。整个分类过程分为训练和测试2个阶段,训练阶段提取肿瘤图像和非肿瘤图像不同的特征,在测试阶段基于知识库进行肿瘤和非肿瘤分类。使用准确度、误报率和漏检率3个性能指标对算法进行评估,实验结果表明,分类准确度可达91.18%-94.11%,误报率和漏检率在2.94%-4.41%范围内,可以有助于更好的脑部肿瘤诊断。
关键词:脑部肿瘤;磁共振图像;分割;高斯混合模型特征;决策树;