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

📚2 运行结果

🎉3 参考文献

🌈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:kc_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;
endfor 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 = 1:2tempLayer = BW_Color(:,:,layer);tempLayer(BW) = 255;BW_Color(:,:,layer) = tempLayer;endtempLayer = 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