本文主要是介绍【脑肿瘤检测】基于matlab GUI SOM脑肿瘤检测【含Matlab源码 2322期】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
✅博主简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,Matlab项目合作可私信。
🍎个人主页:海神之光
🏆代码获取方式:
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭:行百里者,半于九十。
更多Matlab仿真内容点击👇
Matlab图像处理(进阶版)
路径规划(Matlab)
神经网络预测与分类(Matlab)
优化求解(Matlab)
语音处理(Matlab)
信号处理(Matlab)
车间调度(Matlab)
⛄一、脑肿瘤计算机辅助检测方法概述
尽管目前报道的脑肿瘤CAD检测方法有所不同, 但基本都遵循如下四个步骤: (1) MRI脑部图像的预处理。 预处理主要包括图像增强、 去噪、脑实质分割[4]及多模态MRI图像的配准等[5]。 (2) 感兴趣区域提取。为确保整个CAD系统的敏感性, 在提取感兴趣区域时应尽可能地把所有肿瘤都分割出来作为疑似肿瘤[6]。 (3) 特征提取及优化选择。 为进一步区分肿瘤和正常组织, 一定要从图像中提取一定数量和类型的特征, 这些特征将成为对疑似病灶进行分类的基础。 (4) 肿瘤的分类识别。 这一步的主要工作是设计分类器, 利用训练样本对分类器进行训练, 再对候选肿瘤进行分类。
1 图像的预处理
在脑肿瘤CAD系统研究中, 滤波通常是预处理的一个重要环节。 根据MRI图像的成像原理, 图像可能因磁场的不均匀性, 病人在成像过程中的移动等原因形成伪影和噪声[7]。 文献[7]通过中值滤波、均值滤波以及通过傅里叶变换后进行频域滤波等方式将伪影噪声等加以去除。
在医学图像处理中, 通常都要进行图像增强以增加正常组织与非正常组织的对比度, 常用的方法是直方图均衡化[5,7,8,9], 这是典型的空域图像增强算法, 能够较为快速地扩大图像的灰度范围。 但是对于噪声较大, 细节信息较多的医学图像, 直接使用这类方法会导致图像细节信息丢失, 而这些信息对于医学图像来说尤为重要。 文献[10]提出了一种空频域结合的图像增强算法, 先使用方向性滤波器组 (Directional Filter Bank, DFB) 对MRI图像进行分解, 得到四个子带图像, 图像中的细节信息因经过方向滤波而得到增强, 而不带方向分布特性的噪声得不到方向表达。 之后采用对中心像素与领域块内像素均值之差进行加权的方法, 使图像亮点更亮, 暗点更暗。 然后对增强后的各子带进行DFB重建, 最后使用直方图均衡化使图像灰度级均匀分布。 该方法能够较好地提高医学图像的对比度, 同时尽可能多地保留了像素的细节信息。
2 感兴趣区域提取
图像分割问题一直是医学图像处理与分析中的经典难题, 在CAD研究中, 对图像中感兴趣区 (ROI) 的准确分割尤其关键。 要对ROI进行分类识别, 首先要从图像中把ROI精确分割出来[11], 然后从分割出的ROI中提取出相关特征, 最后由分类器根据这些特征对ROI进行分类识别。
目前在MRI脑部CAD中常用的检测和分割方法有基于对称性的分析算法[5,12,13]、基于密度特征的聚类算法[14]、基于概率的马尔科夫随机场算法[9]、基于动态模型的分割[14]。 正常大脑的左右两边具有较高的影像对称性, 对称性分析算法即从待检测的图像中搜索出左右两边的差异来检测异常点, 以此作为区域生长算法等分割算法的种子点, 生长出感兴趣区域。 聚类算法及马尔科夫随机场算法往往将MRI脑部图像分割成除背景外的四类:脑灰质、脑白质、脑脊液及肿瘤, 然后提取出肿瘤类作为感兴趣区域[9]。 基于动态模型的分割算法主要是对已经确诊的脑肿瘤或者通过检测算法的检出结果进行精确分割, 该算法的分割结果相对更加精确, 在临床上更易被接受。
3 特征提取及优化选择
感兴趣区域的特征提取与优化选择也是CAD系统的关键。 近年来研究的脑肿瘤CAD系统选择的特征中最常见的是形状特征、 灰度特征及纹理特征等[4,5]。 各研究者根据自己的算法不同, 也选择了不同的肿瘤特征, 如轮廓特征、熵[7]及三维形状特征等。 目前脑肿瘤CAD系统之所以研究很不成熟, 一个较为主要的原因就是基于单一模态的MRI特征训练不足以反映肿瘤的复杂性。 而弥散张量成像 (Diffusion Tensor Imaging, DTI) 技术是通过水分子的弥散来揭示脑内部功能特征信息, 而这些特征信息主要是通过各向异性 (Fractional Anisotropy, FA) 、表现弥散系数 (Apparent Diffusion Coefficient , ADC) 等参数来度量的, 因此建立基于MRI-T1、DTI等多模态特征相结合的CAD特征集, 将有利于分类器的训练及后续的分类识别。
在特征提取方面近年来比较流行的方法是主成分分析算法 (Principal Component Analysis, PCA) [15], 后该算法由文献[16]受支持向量机中通过核函数实现非线性变换的思想的影响而改进为核主成分分析, 对样本进行非线性变换, 通过在变换空间主成分分析来实现在原空间的非线性主成分分析, 实现感兴趣区域特征维数的降低。 而核主成分分析算法性能受核函数及参数影响很大, 针对最优参数难以选取的问题, 文献[9应用了细菌觅食优化算法对感兴趣区域特征加以优化提取, 其研究中与遗传算法和人工蜂群算法做了比较, 在较大样本下获得了较好的优化效果。
4 肿瘤的分类识别
在脑肿瘤的分类识别中, 较为常用的方法有:线性判别分析, K近邻, 神经网络[9]等, 这些方法同样被应用于检测肺结节等领域[2]。 但是这些方法往往受训练样本数的限制而很难有理想的效果。 支持向量机方法与传统模式识别方法以及人工神经网络方法相比, 其最主要特点是它能够在样本数相对较少, 特征维数高的情况下仍然能取得较好的应用效果。 文献[17]将支持向量机方法与线性判别分析和K近邻法进行了比较, 支持向量机在脑肿瘤分类识别方面表现出了较为良好的性能。
虽然目前脑肿瘤自动诊断系统的研究已经取得了较多成果, 但是距离临床应用还有相当的距离, 假阳性依然较高, 且识别出来的肿瘤很少有区分其是原发性肿瘤还是继发性肿瘤, 在临床中针对不同类型的肿瘤通常需要采用不同的治疗手段。 因此, 需要在后续研究中进一步提高敏感性, 降低假阳性, 以及对肿瘤作更精细的分类, 以达到临床应用需求。
⛄二、部分源代码
function varargout = som(varargin)
% SOM Application M-file for som.fig
% FIG = SOM launch som GUI.
% SOM(‘callback_name’, …) invoke the named callback.
%
if nargin == 0 % LAUNCH GUI
fig = openfig(mfilename,'reuse');% Use system color scheme for figure:
set(fig,'Color',get(0,'defaultUicontrolBackgroundColor'));% Generate a structure of handles to pass to callbacks, and store it.
handles = guihandles(fig);
guidata(fig, handles);if nargout > 0varargout{1} = fig;
end
elseif ischar(varargin{1}) % INVOKE NAMED SUBFUNCTION OR CALLBACK
try[varargout{1:nargout}] = feval(varargin{:}); % FEVAL switchyard
catchdisp(lasterr);
end
end
%| ABOUT CALLBACKS:
%| GUIDE automatically appends subfunction prototypes to this file, and
%| sets objects’ callback properties to call them through the FEVAL
%| switchyard above. This comment describes that mechanism.
%|
%| Each callback subfunction declaration has the following form:
%| <SUBFUNCTION_NAME>(H, EVENTDATA, HANDLES, VARARGIN)
%|
%| The subfunction name is composed using the object’s Tag and the
%| callback type separated by ‘_’, e.g. ‘slider2_Callback’,
%| ‘figure1_CloseRequestFcn’, ‘axis1_ButtondownFcn’.
%|
%| H is the callback object’s handle (obtained using GCBO).
%|
%| EVENTDATA is empty, but reserved for future use.
%|
%| HANDLES is a structure containing handles of components in GUI using
%| tags as fieldnames, e.g. handles.figure1, handles.slider2. This
%| structure is created at GUI startup using GUIHANDLES and stored in
%| the figure’s application data using GUIDATA. A copy of the structure
%| is passed to each callback. You can store additional information in
%| this structure at GUI startup, and you can change the structure
%| during callbacks. Call guidata(h, handles) after changing your
%| copy to replace the stored original so that subsequent callbacks see
%| the updates. Type “help guihandles” and “help guidata” for more
%| information.
%|
%| VARARGIN contains any extra arguments you have passed to the
%| callback. Specify the extra arguments by editing the callback
%| property in the inspector. By default, GUIDE sets the property to:
%| (‘<SUBFUNCTION_NAME>’, gcbo, [], guidata(gcbo))
%| Add any extra arguments after the last argument, before the final
%| closing parenthesis.
% --------------------------------------------------------------------
function varargout = pushbutton2_Callback(h, eventdata, handles, varargin)
fname=get(handles.edit1,‘string’)
im=imread(fname);
im=im2double(im);
axes(handles.axes1);
set(handles.axes1,‘HandleVisibility’,‘on’,‘Visible’,‘on’,‘Units’,‘pixels’);
imshow (im);
set(handles.axes1,‘HandleVisibility’,‘callback’);
disp(‘pushbutton2 Callback implemented.’)
% --------------------------------------------------------------------
function varargout = pushbutton1_Callback(h, eventdata, handles, varargin)
fname=get(handles.edit1,‘string’)
[im,map]=imread(fname);
im=im2double(im);
[m,n]=size(im);
me(1,1)=mean(mean(im));
me(1,2)=std(std(im));
display(‘som mapping started’);
sm=somcluster1(me);
display(‘som mapping finsihed’);
hc=hcluster1(sm);
display(‘clsuters find’);
c=hc’;
[m,n]=size©;
display(‘knn clustering started’);
[im1,im2,c]=kmean(im,c,n);
[m,n1]=size(im);
im3=zeros(m,n1);
[x,x1]=size©;
for i=1:m
for j=1:n1
if ( im2(i,j)==x1)
im3(i,j)=im(i,j);
end
end
end
axes(handles.axes2);
set(handles.axes2,‘HandleVisibility’,‘on’,‘Visible’,‘on’,‘Units’,‘pixels’);
imshow(im3);
set(handles.axes2,‘HandleVisibility’,‘callback’);
axes(handles.axes3);
set(handles.axes3,‘HandleVisibility’,‘on’,‘Visible’,‘on’,‘Units’,‘pixels’);
imshow(im1);
set(handles.axes3,‘HandleVisibility’,‘callback’);
display(‘knn clustering finished’);
disp(‘pushbutton2 Callback implemented.’)
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]王晓飞,聂生东,王远军.基于MRI的脑肿瘤计算机辅助检测技术研究进展[J].中国医学物理学杂志. 2014,31(01)
3 备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
4 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合
这篇关于【脑肿瘤检测】基于matlab GUI SOM脑肿瘤检测【含Matlab源码 2322期】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!