结合深度学习和支持向量机的海马子区图像分割

• 作者: 刘志文 时永刚 程坤
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 医学图像处理 海马子区分割 卷积神经网络 支持向量机 图像特征 特征提取
• 年，卷（期）: 2018,（4）
• 所属期刊栏目: 医学图像处理
• 页码范围: 542-551
• 页数: 10页
• 分类号: TP391
• 字数: 6165字
• 语种: 中文
• DOI: 10.11834/jig.170431

摘要

目的 由于海马子区体积很小且结构复杂,传统的分割方法无法达到理想的分割效果,为此提出一种基于卷积神经网络和支持向量机的海马子区分割方法.方法 该方法构建一种新模型,将卷积神经网络和支持向量机结合起来,使用支持向量机分类器替换卷积神经网络的输出层,通过训练深层网络自动提取图像块特征,利用所提取的图像特征训练支持向量机实现图像的像素级分类.结果 实验选取美国旧金山CIND中心的32位实验者的脑部磁共振图像(MRI)进行海马子区分割测试,在定性和定量方面分别对比了本文方法与支持向量机(SVM)、卷积神经网络(CNN)和基于稀疏表示与字典学习方法的分割结果.所提方法对海马子区CA1、CA2、DG、CA3、Head、Tail、SUB、ERC和PHG的分割准确率分别为0.969、0.733、0.967、0.837、0.981、0.920、0.972、0.968和0.976.本文方法优于现有的基于稀疏表示与字典学习、支持向量机和卷积神经网络的方法,各海马子区分割准确率均有较大提升,对较大子区如Head,准确率较现有最优方法提升10.2％,对较小子区如CA2、CA3,准确率分别有36.2％和52.7％的大幅提升.结论 本文方法有效提升了海马子区的分割准确率,可用于大脑核磁共振图像中海马及其子区的准确分割,为诸多神经退行性疾病的临床诊断与治疗提供依据.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘志文	北京理工大学信息与电子学院	104	745	15.0	21.0
2	时永刚	北京理工大学信息与电子学院	16	113	7.0	9.0
3	程坤	北京理工大学信息与电子学院	1	13	1.0	1.0