HUNANUNIVERSITY畢業(yè)設(shè)計（論文）設(shè)計論文題目：基于KNN的MRI圖像分割研究學(xué)生姓名：學(xué)生學(xué)號：專業(yè)班級：自動化1101學(xué)院名稱：電氣與信息工程學(xué)院指導(dǎo)老師學(xué)院院長：2015年5月18日緒論研究背景及意義現(xiàn)如今，每一年全球都會增加很多頭頸癌新患者，頭頸部腫瘤大概占到了人身上惡性腫瘤的百分之五，而且還有增大的趨勢。大部分國家，頭頸部腫瘤病例中，男性患者多于女性患者，50歲以上的患者則占更大比重。過度飲酒和吸煙是引起頭頸部腫瘤的原因之一，因此在那些煙酒消費(fèi)高的國家頭頸癌發(fā)病率比其他國家要高。與此同時，頭頸部的重要的器官很集中，解剖關(guān)系比較復(fù)雜，治療方法則更多，因為它是同時涉及到頭頸腫瘤外科領(lǐng)域、放射治療領(lǐng)域、腫瘤內(nèi)科領(lǐng)域、營養(yǎng)語言治療領(lǐng)域等的。有些部位的腫瘤則需要多門學(xué)科相互配合協(xié)作起來綜合治療才能改善其治療效果。以手術(shù)為主的綜合治療手段是頭頸癌的治療手段之一。但是，手術(shù)可能會導(dǎo)致患者的部分器官的正常功能缺失，會嚴(yán)重地影響到手術(shù)后的正常生活。日前同步放療已經(jīng)成為了頭頸癌標(biāo)準(zhǔn)的治療手段之一，因為它不僅可以取得與手術(shù)相當(dāng)?shù)目偵妫谄鞴俦Ａ舴矫嬉灿兄陵P(guān)重要的地位。放射治療的關(guān)鍵是在患者的腫瘤中心注射致死的放療劑量，且保證不損壞腫瘤附近的正常組織。因此放療最重要的一點(diǎn)即精確勾畫出患者的腫瘤靶區(qū)，若不能精確地勾畫出腫瘤靶區(qū)，會造成實施放療過程的偏差，影響放療結(jié)果。如今臨床上應(yīng)用的最廣泛的是在影像上進(jìn)行手動靶區(qū)勾畫。這些影像包括PET、MRI以及CT等。這些影像各有各的優(yōu)缺點(diǎn)，但是都能在靶區(qū)勾畫的過程中提供有用信息。PET能提供比CT更直觀、更精確的惡性腫瘤可視化信息，大量臨床診斷PET圖像中包含了明顯的CT圖像中不可見的腫瘤區(qū)域，PET能區(qū)別實際區(qū)域比CT圖像中可見區(qū)域要小的腫瘤，PET是四維功能分子影像系統(tǒng)，能反映隨時間變化的腫瘤代謝，乏氧等功能，PET能提供器官隨人體呼吸或心跳等一些平均運(yùn)動程度的信息還有靶區(qū)生物活性程度的信息，使得BIMRT通過可變的照射強(qiáng)度使腫瘤區(qū)獲得很高劑量與腫瘤生物活性一致的非均勻照射而使腫瘤鄰近的危及器官避免或大幅減少照射，但是，PET比CT和MRI的分辨率低。CT可以精確探測出各個組織之間密度的微小的差異，因此它引導(dǎo)的三維適形調(diào)強(qiáng)放療在放療計劃中算是一種標(biāo)準(zhǔn)模態(tài)，分辨率極高。而MRI組織密度的對比范圍較大，它的成像參數(shù)和軟組織分辨率是CT的很多倍，因此MRI的軟組織對比度明顯比CT的要好。CT是放療靶區(qū)勾畫的基礎(chǔ)，它對于頭頸部軟組織的分辨率不夠高，MRI不需要重建它所獲得的原生的三維圖像，且它能獲得很多方面的信息，其軟組織的結(jié)構(gòu)清晰，多序列成像，能夠為明確的病變提供更為豐富可靠的影像信息，對制定放療計劃有重要的意義。此外，最新的功能影像技術(shù)能夠提供影響治療的分子信息，所以將分子信息放入治療靶區(qū)，理論上來說可以有的放矢地對放療劑量進(jìn)行“按需分配”。但是MRI也有自身的局限性，它很容易在檢查過程中受到患者的運(yùn)動的影響，在檢查過程中產(chǎn)生運(yùn)動偽影。如今的醫(yī)學(xué)影響技術(shù)發(fā)展日新月異，現(xiàn)代醫(yī)學(xué)臨床診斷上也更多地需要依賴于醫(yī)學(xué)影像了。主要醫(yī)學(xué)影像有超聲、CT、MRI、PET、等等。其中，磁共振（MRI）由于它的軟組織對比度高、分辨率高、輻射傷害為零、三維分辨能力強(qiáng)以及成像參數(shù)多等一些顯著優(yōu)勢被現(xiàn)代醫(yī)學(xué)廣泛地應(yīng)用，已然成為了如今放射診斷學(xué)科和醫(yī)學(xué)成像學(xué)科最有影響力的研究課題之一了。MRI是當(dāng)前先進(jìn)的醫(yī)學(xué)影像成像的手段之一，是21世紀(jì)醫(yī)學(xué)成像領(lǐng)域最突出的進(jìn)展之一，在醫(yī)學(xué)臨床應(yīng)用領(lǐng)域越來越廣泛。它最重要的特點(diǎn)就是對軟組織的成像尤其清晰，這是區(qū)別于其他醫(yī)學(xué)影像的一個重要特征，這個優(yōu)勢應(yīng)用在大腦、骨髓、骨骼、肌肉等精細(xì)結(jié)構(gòu)和解剖細(xì)節(jié)方面效果顯著。MRI成像技術(shù)的主要特征有：層析斷面不受方向限制、不會給患者帶來輻射傷害、空間分辨率較高、成像參數(shù)多（如質(zhì)子密度、射頻脈沖的間隔時間和回波時間等）。磁共振因為有較高的三維空間分辨率，所以它不僅能提供解剖信息，還能進(jìn)行功能的診斷，在病變過程沒有顯示形態(tài)變化的時候就提前發(fā)現(xiàn)生物組織的化學(xué)變化。這樣就能提前發(fā)現(xiàn)一些疑難雜癥，提前診斷出一些異常的新陳代謝。MRI還能對質(zhì)子的密度變化成像，通過質(zhì)子的弛豫時間分析出質(zhì)子在分子結(jié)構(gòu)中的改變，能夠?qū)ρ装Y或者一些早期的癌變給出一個較好的對比圖像，便于早期治療。隨著影像技術(shù)，計算機(jī)技術(shù)的發(fā)展，很多先進(jìn)的醫(yī)學(xué)設(shè)備(例如PET\CT一體機(jī)，超聲設(shè)備，核磁共振成像（MRI）設(shè)備等)被應(yīng)用到各種疾病的輔助診斷之中，這些成像技術(shù)能夠?qū)颊叩目祻?fù)提供很好的幫助。近幾十年，隨著手術(shù)，放療技術(shù)的改進(jìn)，使得一部分早期頭頸癌患者能夠達(dá)到治愈效果，但是70%~80%患者由于就診時就已是晚期，手術(shù)以及放療能夠達(dá)到提高腫瘤局部控制率以及延長生存期的目的，能為患者保持比較理想的生活質(zhì)量。因此，選擇一種適合的治療手段，延長患者的生命周期，改善患者的生活質(zhì)量，減輕病人的痛苦，越來越成為大家關(guān)注的重點(diǎn)和臨床診斷的目標(biāo)。醫(yī)學(xué)影像的后處理技術(shù)現(xiàn)在已經(jīng)不僅有它獨(dú)特的臨床應(yīng)用價值，還有著很重大的理論研究意義。從早期的X線可被用于人體的疾病檢查，醫(yī)學(xué)影像學(xué)經(jīng)歷了：超聲成像閃爍顯像、X線計算機(jī)體層成像（CT）、磁共振成像（MRI）、正電子發(fā)射體層成像（PET）以及核醫(yī)學(xué)的發(fā)展歷程。很明顯MRI在腦部疾病診斷的臨床應(yīng)用上有突出的優(yōu)越性:對中樞神經(jīng)系統(tǒng)病變的定性定位診斷極其突出,對腦組織、軟組織和軟骨組織的分辨力效果明顯比CT更高,對于腦部腫瘤、大腦顱內(nèi)感染、大腦血管病變、腦白質(zhì)病變的診斷也有很好的優(yōu)勢，此外MRI還能診查出超急性腦梗死，不產(chǎn)生骨偽影，在后顱凹和顱頸部交界處的診斷也比CT強(qiáng)。MRI技術(shù)能夠提供比較清晰完整的腦部圖像,但人們并非對所有的圖像信息感興趣,而且并非所有的圖像信息都能用于臨床診斷，醫(yī)學(xué)圖像的數(shù)據(jù)量是相當(dāng)大的，如果后續(xù)對整幅圖像都進(jìn)行分析,工作量會很大,處理效果繼而欠佳。作為提取腦圖像的特殊組織定量信息的重要手段之一，MRI也能對以下幾個應(yīng)用提供幫助：(1)單幅圖像無法提供的信息，而進(jìn)行的圖像配準(zhǔn)和融合；(2)放療和放療計劃的制定;(3)對制定神經(jīng)外科手術(shù)計劃的研究、手術(shù)過程的導(dǎo)視以及手術(shù)計劃的仿真；(4)對腦組織結(jié)構(gòu)的三維可視化研究,三維重建技術(shù)的研究和定量的測量;(5)對人腦的發(fā)育以及老化機(jī)理方面進(jìn)行研究；(6)大腦的功能性研究(功能和形狀改變的評估等);(7)測量腦組織或者病灶的面積或體積，這些測量的參數(shù)在治療前后的分析對比可以用于醫(yī)生對患者的診斷以及對患者治療方案的修改；(8)在不丟失有用的信息的情況下，圖像分割的結(jié)果可以對數(shù)據(jù)進(jìn)行壓縮和傳輸，這有利于在PACS、遠(yuǎn)程放射學(xué)中的圖像數(shù)據(jù)傳輸速度的提高；（9）在判別腫瘤病變的良惡性方面，圖像分割出來的邊緣可以起到一定的作用。如果邊緣是不平滑的，有大量突刺，那么腫瘤就可以被鑒定為惡性腫瘤。因此,MRI圖像分割問題成為最近幾年腦部圖像分割技術(shù)中的研究熱門學(xué)科之一。研究現(xiàn)狀1.2.1圖像分割的定義 圖像分割就是把圖像分割成若干個特定的、具有獨(dú)特性質(zhì)的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程。簡單來講，就是把圖像中的物體和背景或物體和物體分割開來。它是由圖像處理到圖像分析的一個關(guān)鍵的步驟。圖像分割是一種重要的圖像處理技術(shù)，是計算機(jī)視覺領(lǐng)域低層次視覺中的關(guān)鍵性問題，同時也是一個很經(jīng)典的問題。從20世紀(jì)70年代起圖像分割的問題就吸引到了大量的研究工作者為之付出了很大的貢獻(xiàn)。但是到現(xiàn)在為止還沒有找到一個普遍適用的方法，也沒有一個具體的說判斷這個分割是否準(zhǔn)確的客觀標(biāo)準(zhǔn)。這是因為圖像的分割、目標(biāo)的分離、特征的提取和參數(shù)的測量將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式,使得更高層次的分析和理解成為可能。由于研究的重要性和困難性,時至今日,圖像分割問題仍然是圖像工程領(lǐng)域中研究的重點(diǎn)問題。圖像分割從本質(zhì)上來講，就是按照區(qū)域?qū)傩蕴卣饕恢碌臏?zhǔn)則，例如根據(jù)圖像的灰度、形狀、顏色、紋理等等特征，把圖像分解成一系列有意義的區(qū)域或目標(biāo)的過程。這些區(qū)域是互不相交的，在每個區(qū)域內(nèi)部具有相同的特性，而不同的區(qū)域間具有不同的特性，分割提取出來的對象就是我們所感興趣的目標(biāo)。（知網(wǎng)）我們借助于集合的概念來對圖像分割進(jìn)行定義——若集合R表示整個圖像區(qū)域，那么對圖像的分割就可以看做是將R分成n個滿足以下五個條件的非空子集：R1，R2，…Rn：對于所有的i和j，若i≠j，則Ri∩Rj=?；對于i=1,2，…,n，有P（Ri）=TRUE；對于i≠j，有P(Ri∪Rj)=FALSE；對于i=1,2，…，n，Ri是連通的區(qū)域。上述五個條件中，P（Ri）是指在集合Ri中所有元素的邏輯謂詞。第1個條件指出了圖像分割是指對圖像中的每個像素進(jìn)行分割，即分別將每個像素點(diǎn)分進(jìn)某個子區(qū)域中。一幅圖像分割完畢之后，其全部子區(qū)域的并集，應(yīng)該包括該圖像中的所有像素。第2個條件指出圖像分割出的結(jié)果里每一個子區(qū)域之間沒有交集。意思就是圖像分割的結(jié)果里每一個像素只能對應(yīng)一個區(qū)域，不能同時對應(yīng)于兩個或幾個區(qū)域。第3個條件是指在每個子區(qū)域里的像素都應(yīng)該具有一些相似的性質(zhì)，且這些性質(zhì)是其他子區(qū)域所沒有的。第4個條件是說各個子區(qū)域之間是沒有交集的，它們的特性是不同，不存在公共的元素。第5個條件的意思是一個子區(qū)域里的任意兩個或多個像素是相互聯(lián)系的，它們具有連通性。隨著信息技術(shù)的飛速發(fā)展以及計算機(jī)應(yīng)用水平的不斷提高，促使了醫(yī)學(xué)影像設(shè)備的突飛猛進(jìn)，醫(yī)學(xué)影像處理技術(shù)在臨床診斷、教學(xué)科研等方面都發(fā)揮著越來越重要的作用。利用磁共振成像、斷層掃描成像、心電圖等等現(xiàn)代醫(yī)療技術(shù)，就可以獲得人體組織清晰的一維、二維或三維的影像信息。這些信息能夠幫助醫(yī)生準(zhǔn)確地區(qū)分病變組織與正常組織，從而提高臨床診斷的準(zhǔn)確性與正確性。其中，磁共振成像技術(shù)，能夠提供出較好的分辨率數(shù)據(jù)，具有信噪比高和軟組織對比度高等優(yōu)點(diǎn)。在MRI的檢測下，醫(yī)生可從信號強(qiáng)度上觀察到軟組織及病變體在解剖學(xué)上的大小和形狀，并能夠?qū)浗M織損傷及病變進(jìn)行定位。所以MRI成像技術(shù)被廣泛的應(yīng)用于心血管系統(tǒng)、中樞神經(jīng)系統(tǒng)疾病的檢測與定位，對于腦部疾病，如腫瘤或某些疾?。ㄈ缍喟l(fā)性硬化癥），MRI更是具有其他成像方式無法替代的優(yōu)點(diǎn)。醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像分析的重要組成部分，也是實現(xiàn)醫(yī)學(xué)圖像配準(zhǔn)，融合和圖像引導(dǎo)手術(shù)等技術(shù)的前提和關(guān)鍵。但是，由于人體解剖組織的結(jié)構(gòu)和形狀的復(fù)雜性以及個體之間存在著較大差異性，以及醫(yī)學(xué)影像所呈現(xiàn)的不均勻性及其模糊性等因素，使得醫(yī)學(xué)圖像的分割成為了一項極為困難的因素，一直以來也都是醫(yī)學(xué)研究和計算機(jī)圖像領(lǐng)域的研究熱點(diǎn)和難點(diǎn)，為了解決醫(yī)學(xué)圖像的分割問題，國內(nèi)外的許多研究人員也進(jìn)行了大量的研究工作。在醫(yī)學(xué)圖像分割中，對于頭頸部MRI圖像的分割更具有代表性和臨床實用價值。準(zhǔn)確的腦組織分割是實現(xiàn)腦結(jié)構(gòu)三維可視化重建及病灶定量測量的先決條件，是有效地探測影響腦實質(zhì)的病理條件，從而制定放療計劃、外科手術(shù)計劃和仿真的基礎(chǔ)。在對腦MRI圖像數(shù)據(jù)進(jìn)行分析時需要考慮以下諸多因素：首先，腦的結(jié)構(gòu)是非剛性的，非常復(fù)雜，并且存在著很大的個體差異性；其次，無論使用哪種分割算法，都始終存在著一些因素影響我們對磁共振腦組織的組織分割，例如隨機(jī)噪聲、部分容積效應(yīng)、磁場信號強(qiáng)度的不均勻性以及人體運(yùn)動等。腦MRI圖像分割是對正常組織和病變組織進(jìn)行三維重建，定量分析等后續(xù)操作的基礎(chǔ)和關(guān)鍵，也是臨床醫(yī)學(xué)應(yīng)用的瓶頸，分割的準(zhǔn)確性在醫(yī)生對病灶組織的定位，形狀和大小測量以及判斷疾病的真實情況并做出正確的診斷計劃等方面至關(guān)重要。隨著信息時代尤其是數(shù)字時代的來臨，CT、MRI以及超聲波等一些新的醫(yī)學(xué)成像技術(shù)已經(jīng)被廣泛應(yīng)用。它們在術(shù)前診斷、臨床治療、術(shù)后康復(fù)等階段具有重要的意義。這些醫(yī)學(xué)成像技術(shù)能夠幫助醫(yī)生獲得患者的各種定性定量數(shù)據(jù)，為患者的全面治療、診斷分析、手術(shù)計劃的制定和術(shù)后的康復(fù)及檢測提供比較豐富的信息。大部分圖像只有二維的數(shù)據(jù)，醫(yī)學(xué)圖像的分割往往采用三維分割（就是三維的物體在攝像機(jī)或者其他成像設(shè)備之下獲得二維的投影），醫(yī)學(xué)圖像直接給出二維切片形式組成的三維數(shù)據(jù)，為我們的三維分割提供了可能。1.2.2圖像分割的方法（1）基于區(qū)域的算法從上面圖像分割的5個條件我們也能知道，每個子區(qū)域內(nèi)部的像素之間是具有連通性的，它們具有灰度相似性，然后處在區(qū)域的邊緣的一些像素并不具有灰度相似性。因此基于這個分割的算法有兩類：一種是利用區(qū)域間灰度不連續(xù)性的基于邊緣的算法，另一種是利用區(qū)域內(nèi)部灰度相似性的基于區(qū)域的算法。（2）根據(jù)分割過程中決策的不同如果分割過程中能夠獨(dú)立且同時做出所有的判斷與決定，這個算法我們稱之為并行算法；如果分割過程中前期處理得到的結(jié)果能應(yīng)用于后期的處理過程，這個算法叫串行算法。串行算法所需的計算時間比較長但是抗噪能力也比并行算法要好。以上這兩個分類的準(zhǔn)則互相補(bǔ)充，可以把很多種分割方法進(jìn)行分類。因此圖像分割的一般方法有以下幾種：閾值分割算法、邊緣檢測和鏈接算法、聚類算法、分類器算法、基于區(qū)域信息的算法、統(tǒng)計學(xué)分割算法、基于數(shù)學(xué)形態(tài)學(xué)的分割算法、基于人工神經(jīng)網(wǎng)絡(luò)的分割算法、可變形模型方法、圖譜引導(dǎo)法等等等等。接下來我們了解下這些分割算法的原理及特點(diǎn)。首先是閾值化算法，它是圖像分割算法中算法數(shù)量最多的，也是目前來說比較完善的算法，這個算法研究的比較成熟。它可以分為單閾值和多閾值兩類，很多單閾值分割算法即可推廣進(jìn)行多閾值分割。同樣，也可以把多閾值分割轉(zhuǎn)化成一系列的單閾值分割問題來研究。閾值化算法又可以根據(jù)一些算法所涉及的特征或準(zhǔn)則的特點(diǎn)分成很多種，比如直方圖確定閾值法、直方圖變換法、最小誤差法、最大類間方差法、共生矩陣法、矩保持法、最大嫡法、簡單統(tǒng)計法、局部特性法、概率松弛法、模糊集法等以及其他方法。研究人員近年將閾值分割算法與視覺特征、神經(jīng)網(wǎng)絡(luò)、遺傳算法、小波變換、信息論等環(huán)節(jié)相結(jié)合，又有了新的研究結(jié)果，閾值分割算法有了進(jìn)一步的發(fā)展，不過一直到目前來講對于圖像分割其實并沒有哪一種算法是普遍適用的，各個算法針對不同的圖像有不同的分割效果，沒有說復(fù)雜的算法就比簡單的算法效果要好，也不是說借用了一些數(shù)學(xué)模型就能得到更好的效果，因此具體的分割問題具體分析，才能找到適合每個分割要求的準(zhǔn)則以及方法。其次是邊緣檢測和連接，顧名思義，邊緣的檢測和連接是兩個組成部分，它首先是對圖像用邊緣檢測算子來檢測邊緣的像素，這里根據(jù)的是圖像的灰度幅值的不連續(xù)性；然后對圖像的邊界進(jìn)行檢測和提取，應(yīng)用邊緣連接算法把邊緣像素連接組合成一條曲線或曲面。這個方法的關(guān)鍵就是濾波器的設(shè)計問題，即邊緣檢測算子的設(shè)計，這是邊緣檢測算法的核心。第三個是分類器算法，這是模式識別里比較常用的一種技術(shù)。它是一種監(jiān)督性算法，需要依據(jù)人工分割的數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)進(jìn)行不斷訓(xùn)練，以此來作為自動分割的標(biāo)準(zhǔn)。分類器算法的本質(zhì)其實是用已經(jīng)標(biāo)記的數(shù)據(jù)來劃分圖像來得到特征空間。它可分為參數(shù)分類器和非參數(shù)分類器兩種。它的優(yōu)點(diǎn)就是計算簡單，實現(xiàn)過程非迭代，能夠?qū)崿F(xiàn)多個通道圖像的分割以及處理，這是閾值法不能實現(xiàn)的。它的局限性在于：（1）在一些分割強(qiáng)度不均勻的圖像中，不能進(jìn)行任何的空間建模；（2）因為訓(xùn)練數(shù)據(jù)是人工手動分割出來的結(jié)果，分割出來的結(jié)果對手動分割得到的訓(xùn)練集的依賴性很強(qiáng)，訓(xùn)練樣本的不同就會導(dǎo)致分割結(jié)果的不同，雖然它能充分利用人類本身良好的“模糊判斷”能力，但是它也使算法變得不穩(wěn)定，分割結(jié)果的準(zhǔn)確性受到了影響。最后介紹聚類(clustering)算法，聚類算法不適用訓(xùn)練數(shù)據(jù)，它基本可以完成分類器算法的一些功能。它也被稱非監(jiān)督性算法。聚類算法包括：K-均值分類（K-means）、期望最大化（EM）方法、模糊C聚類（FCM）方法等等。它的特點(diǎn)是不適用訓(xùn)練數(shù)據(jù)，在分割圖像與確定每一類的特征之間做著重復(fù)的迭代運(yùn)算。雖然聚類算法不需要人工獲得訓(xùn)練數(shù)據(jù)，但是需要初始分割或設(shè)置參數(shù)，經(jīng)過研究證明，期望最大化（EM）方法比其他算法對噪聲的敏感性更強(qiáng)。聚類算法不直接包含空間建模，這點(diǎn)和分類器算法相同，因此它對噪聲和強(qiáng)度不均勻性敏感。但是不直接包含空間建模能使算法計算速度加快，更敏捷。本文主要采用的是K-近鄰算法（KNN）對圖像進(jìn)行分割分析的。K-近鄰算法（KNN）是屬于監(jiān)督學(xué)習(xí)性聚類算法，第三章會著重對KNN算法進(jìn)行分析。MRI在放療中的應(yīng)用2.1MRI成像原理MRI：全稱核磁共振成像，是在電子電路技術(shù)、計算機(jī)技術(shù)、超導(dǎo)體技術(shù)發(fā)展起來之后也迅速發(fā)展起來的一門生物磁學(xué)核自旋成像技術(shù)?？紤]到大家對“核”概念的恐懼感，這門技術(shù)又被醫(yī)生們稱之為“磁共振成像”技術(shù)。它的原理是：利用射頻脈沖激勵出人體內(nèi)的質(zhì)子（氫原子核），使得質(zhì)子在磁場中產(chǎn)生核磁共振的現(xiàn)象，產(chǎn)生磁共振信號，然后通過電腦處理以及采集到的信號分析得到重建斷層圖像?，F(xiàn)在市場上的磁共振成像設(shè)備包括：梯度系統(tǒng)部分、射頻系統(tǒng)部分、主磁體部分、計算機(jī)及數(shù)據(jù)處理系統(tǒng)部分以及輔助設(shè)備部分等。2.2MRI的系統(tǒng)組成上面我們已經(jīng)了解到了磁共振的應(yīng)用原理是通過調(diào)節(jié)頻率的方法來產(chǎn)生磁共振的。它具體的作用過程是：線圈向樣品發(fā)射電磁波，調(diào)制振蕩器，讓射頻電磁波的頻率在樣品的共振頻率范圍附近產(chǎn)生連續(xù)的變化。一旦頻率正好和核磁共振的頻率相一致的時候，射頻振蕩器的輸出會在示波器上顯示出一個吸收峰，頻率計會與此同時讀出此刻的共振頻率值。我們有專門用來觀察磁共振的儀器，即核磁共振譜儀，它是由磁鐵、探頭以及譜儀三大部分構(gòu)成的。其中，磁鐵的作用是產(chǎn)生一個恒定的磁場；探頭的作用是探測磁共振的信號，它被放置于磁極之間；譜儀的作用是將共振信號放大處理，然后記錄并顯示出來。從下圖我們可以看到，磁共振儀器是一個巨大的圓筒狀的機(jī)器，它可以在受檢者的周圍創(chuàng)造出一個充滿磁場的環(huán)境，通過無線電波的脈沖不斷撞擊人體內(nèi)的質(zhì)子，從而影響我們體內(nèi)的質(zhì)子排列情況，當(dāng)質(zhì)子再次進(jìn)入適當(dāng)?shù)奈恢门帕袝r，便會產(chǎn)生無線電信號，電腦可以接收到這個無線電信號，并對此進(jìn)行分析和轉(zhuǎn)換處理，把我們身體結(jié)構(gòu)中的質(zhì)子活動轉(zhuǎn)變成一個二維的影像，在此過程中，MRI應(yīng)用了生化和物理特性來區(qū)分組織，因此它所得到的圖像和電腦斷層相比會更詳細(xì)。2.3MRI在醫(yī)學(xué)上的應(yīng)用在很多方面，MRI都被廣泛地應(yīng)用了，尤其是運(yùn)動相關(guān)傷害的診斷方面，它因為對骨骼以及骨骼周圍的軟組織都能呈現(xiàn)非常清晰的影像，包括韌帶和肌肉也可以，從而MRI能非常敏感地檢查出脊椎以及關(guān)節(jié)的問題。它的主要應(yīng)用有：1、及時診斷心臟問題、偵測出腦血管疾病或意外，2、檢查胸腔以及腹腔等器官的疾病，3、檢查腫瘤的情況和一些功能障礙并對其進(jìn)行評價和追蹤等等。2.4MRI的特點(diǎn)優(yōu)點(diǎn)：(1)MRI因為沒有輻射，所以對人體沒有損傷；(2)MRI可以得到大腦及脊髓的立體圖像，而CT則需要一層層的掃描，那樣很有可能漏掉一些病變的部位；（3）它能檢查心臟病變，但CT在這方面的掃描速度太慢而不能勝任；（4）在很多部位的檢查方面（膀胱、直腸、子宮、陰道、骨、關(guān)節(jié)等）效果都比CT好；（5）它的空間分辨率很高。缺點(diǎn)：(1)很多病變僅憑MRI并不能確診，并不如內(nèi)窺鏡能同時獲得影像和病理兩個方面的診斷；（2）雖然它在很多部位的檢查都比CT好，但在有些部位（如肺部、肝臟、胰腺、腎上腺、前列腺等）的部位并不如CT和X線，且費(fèi)用昂貴；（3）它對胃腸道病變的檢查不如內(nèi)窺鏡；（4）若受檢者體內(nèi)帶有金屬物品，則不宜接受MRI檢查。2.5MRI與CT和PET的對比下面我們就CT、PET、MRI的各方面進(jìn)行一個詳細(xì)的對比。優(yōu)勢不足PET能較早地檢查到癌細(xì)胞。且能在治療之前獲得癌癥病灶的位置?？梢员O(jiān)視治療的效果，沒有侵犯性。安全性不高：因為PET掃描會在受檢者體內(nèi)注射少量同位素，體內(nèi)會有少許輻射劑量。放射性排泄物的處理。檢查成本較高。優(yōu)勢不足CTCT是橫斷面掃描，即一層一層地掃描，可以直接看到實質(zhì)性臟器內(nèi)部腫瘤，對組織的密度分辨率高，若腫瘤與正常組織密度差異不大，可通過注射造影劑掃描來讓腫瘤發(fā)生強(qiáng)化，以此更好地發(fā)現(xiàn)腫瘤和確診。CT掃描能具體觀察到腫瘤的部位、大小、狀態(tài)、內(nèi)出血、囊變、壞死及鈣化，注射造影劑后的強(qiáng)化能定位出腫瘤位置以及作定性的診斷。CT可以準(zhǔn)確檢查出顱內(nèi)腫瘤。比較早期的腫瘤，空臟臟器，比如胃腸系統(tǒng)，它的腸壁比較薄，診斷一般比較困難，而且它還會受到消化液、殘留食物等的影響。掃描的結(jié)果有時會受到一些生理活動或人體器官的影響，造成假象。部分的容積效應(yīng)可能會使得漏掉一些較小的病灶。某些部位的腫瘤（如后顱凹）經(jīng)常受附近組織產(chǎn)生偽跡的影響，腫瘤手術(shù)后往往會留下金屬異物，不利于觀察。優(yōu)勢不足MRI高對比度：MRI圖像能夠分辨大腦灰質(zhì)、白質(zhì)以及神經(jīng)核團(tuán)，不需要造影劑就能顯示一些部位，它的密度分辨率無疑比CT還要高。MRI無骨偽影：CT顱內(nèi)檢查會因為枕內(nèi)隆突等處骨的邊緣出現(xiàn)條紋狀的偽影，會影響到對病變組織的觀察，MRI在對后顱疾病的檢查診斷中不會產(chǎn)生骨偽影。MRI可作任意方位斷層：不會受方向限制進(jìn)行斷層掃描，能對病變組織的觀察和診斷更方便、精確。MRI對一些病例的定性診斷仍有困難。圖像成像速度慢：CT掃描獲得一幀圖像的時間約為0.8秒，而MRI最快也要10分鐘。MRI不能確定腫瘤有無鈣化灶。KNN的基本原理3.1KNN算法介紹3.1.1KNN原理簡介KNN：全稱是k-NearestNeighbor。所謂的K最近鄰，就是K個最近的鄰居，就是我們的每個樣本都可以用最接近它的K個鄰居來代表。KNN算法的核心思想是：在一個特征空間，一個樣本的K個最近鄰的樣本中的大部分是屬于哪個類別的，那這個樣本也屬于這個類別，也具有這個類別的樣本所具有的特性。KNN算法在確定分類決策上決定待分類樣本所屬的類別就是根據(jù)它的相鄰的一個或多個樣本的類別來決定的。上圖中：決定中間的黑色圓是屬于哪個類別的，是屬于紅色還是綠色？若K=3，那么因為紅色三角形的比例為2/3,黑色圓就要被分到紅色三角形那一類，若K=5，那么因為綠色的正方形占3/5，黑色圓就要被分到綠色的正方形那一類。簡單來說這就是KNN算法的思想。通過上面這個圖我們基本上就可以知道KNN的思想是什么，簡單來說，有一堆已經(jīng)分類好了的數(shù)據(jù)，當(dāng)一個新的數(shù)據(jù)進(jìn)入，便開始和訓(xùn)練數(shù)據(jù)里的每個點(diǎn)求距離，然后選取距離這個點(diǎn)最近的K個點(diǎn)，看這K個最近鄰中的大部分屬于哪個類別，依據(jù)少數(shù)服從多數(shù)的原則，把新數(shù)據(jù)歸為那一類。KNN算法理論上來說是一個比較成熟的算法，是很簡單的一種機(jī)器學(xué)習(xí)算法。該方法的思路是：在特征空間中，一個樣本的K個近鄰的大部分屬于哪個類別，這個樣本就屬于哪個類別。這個算法中所選擇的近鄰都是已經(jīng)被正確分類的對象。從原理上來說，雖然它依賴于極限定理，但是在類別決策時，它只與少量的相鄰的樣本相關(guān)。因為這個方法不是靠判別類域的方法來確定所屬的類別，而是靠附近的一個或幾個相鄰的樣本，所以對于一些類域交叉重疊比較多的待分類樣本集，KNN比其他的方法更有優(yōu)勢。3.1.2KNN算法介紹KNN算法流程：訓(xùn)練樣本類標(biāo)記訓(xùn)練樣本類標(biāo)記待測樣本數(shù)據(jù)類標(biāo)記PCA投影數(shù)據(jù)PCA主成分分析計算歐式距離，并升序排列，類標(biāo)記選擇最小的K個距離檢測各類標(biāo)記的數(shù)目屬于第K類（1）對準(zhǔn)備的數(shù)據(jù)進(jìn)行預(yù)處理；（2）選擇一個合適的數(shù)據(jù)結(jié)構(gòu)存儲訓(xùn)練數(shù)據(jù)測試元組和測試數(shù)據(jù)；（3）設(shè)定參數(shù)，如K；（4）按距離從大到小組成一個大小為K的優(yōu)先級隊列，存儲最相近的訓(xùn)練元組。隨機(jī)從訓(xùn)練元組中取K個元組作初始的最相近元組，算出測試元組到這K個元組的距離，并將訓(xùn)練元組的編號和計算出的距離存儲到優(yōu)先級隊列中；（5）

遍歷訓(xùn)練元組集，算出當(dāng)前訓(xùn)練元組和測試元組之間的距離，將算出的距離L存入優(yōu)先級隊列中的最大距離Lmax；（6）

將計算出的距離與最大距離進(jìn)行比較。如果L>=Lmax，那么就放棄這個元組，進(jìn)行下一個元組的遍歷。否則，將當(dāng)前的這個訓(xùn)練元組存進(jìn)優(yōu)先級隊列，將原先優(yōu)先級隊列中的元組刪掉；（7）遍歷完畢后，看這K個元組中大部分屬于哪個類別，就把測試元組歸于這一類；（8）遍歷完畢后，重新設(shè)定一個K值，重新進(jìn)行訓(xùn)練以及遍歷，比較每個K值的誤差率，最后誤差率最小的那個K值得結(jié)果最為準(zhǔn)確。

3.1.3KNN算法指導(dǎo)思想KNN算法的指導(dǎo)思想總結(jié)成一個成語，就是“近朱者赤，近墨者黑”，即依據(jù)你的鄰居來決定你的類別。先計算出待分類樣本與已知類別的訓(xùn)練樣本之間的距離，找到與待分類樣本數(shù)據(jù)的K個最近鄰，再依據(jù)K個鄰居中的大部分所屬的類別來將待分類樣本數(shù)據(jù)歸類。算法計算步驟：1、算距離：鎖定測試元組，將它與訓(xùn)練元組的距離計算出來；2、找鄰居：圈出與測試對象最近的K個訓(xùn)練對象；3、做分類：依據(jù)這K個最近鄰所屬的主要類別對待分類樣本進(jìn)行歸類。我們計算距離的方法有很多，比如歐式距離、馬氏距離等等，通常用比較簡單的歐氏距離來計算：歐式距離：二維d=QUOTE；三維d=QUOTE。3.1.3KNN的參數(shù)選擇在KNN算法中，如何選擇參數(shù)K，是很關(guān)鍵的。一般來講，在分類時，較大的K值有助于減少噪聲影響，因為它能使類別間的界限變得模糊。因為噪聲和一些非相關(guān)特征的存在，以及特征尺度以及它們的重要性不一致會很大程度上降低KNN算法的準(zhǔn)確度。一個比較好的K值可以通過很多技術(shù)來獲得，這方面人們已經(jīng)作了很多的研究，比如通過選取和縮放特征來改善分類。目前為止一個比較常見的做法是利用進(jìn)化算法優(yōu)化功能擴(kuò)展，另外還有一個方法就是利用訓(xùn)練樣本的交互信息來選擇特征。在二元（兩類）分類問題中，一般都選取

k

為奇數(shù)，這有助于解決兩個分類平票的問題。在此問題下，選取最佳經(jīng)驗

k

值的方法是自助法。通常的經(jīng)驗規(guī)則：K一般都低于訓(xùn)練樣本數(shù)的平方根。3.1.4KNN的特點(diǎn)優(yōu)點(diǎn)：（1）操作簡單，過程容易理解，且方便實現(xiàn)，不需要估計參數(shù)，也不需要訓(xùn)練；（2）對稀有事件的分類有優(yōu)勢；（3）很適合應(yīng)用于多分類問題(multi-modal,對象具有多個類別標(biāo)簽)，因為在這方面KNN的表現(xiàn)優(yōu)于SVM。缺點(diǎn)：（1）當(dāng)樣本不平衡時，如一個分類的樣本容量很大，但是其他分類樣本的容量很小時，會導(dǎo)致輸入一個新樣本時，該樣本的K個鄰居中大容量類的樣本占多數(shù)這種情況。該算法只計算“最近的”鄰居樣本，某一類的樣本數(shù)量很大，那么不管這類樣本是否接近目標(biāo)樣本。無論怎樣，數(shù)量都影響不了運(yùn)行的結(jié)果；（2）因為KNN算法中，需要對每一個待分類的文本進(jìn)行計算它到所有的已知的樣本的距離，來得到它的K個最近鄰，這個計算量很大；（3）可理解性不高，它無法給出像決策樹那樣的規(guī)則。實驗結(jié)果分析近年來磁共振圖像在臨床醫(yī)學(xué)上被廣泛應(yīng)用，是醫(yī)生對病灶組織進(jìn)行定位及為病人制定正確的診斷計劃的主要手段之一。本文主要利用MRI成像特點(diǎn)，在提供的有腫瘤的一片圖像中首先找出我們的感興趣區(qū)，選取兩塊或三塊對其進(jìn)行標(biāo)記，作為我們的訓(xùn)練樣本，再根據(jù)K-最近鄰規(guī)則對待標(biāo)記樣本進(jìn)行組織劃分。本方法操作簡單易懂，可重復(fù)操作性強(qiáng)。4.1數(shù)據(jù)簡介本文實驗數(shù)據(jù)來源于湖南省腫瘤醫(yī)院MRI中心，選取了兩個有腫瘤的患者的磁共振圖像，并獲得了醫(yī)生勾畫出的腫瘤信息，經(jīng)過調(diào)試，我們獲得了這兩個患者的含有腫瘤的所有切片，并會與醫(yī)生勾畫出的結(jié)果進(jìn)行比對，還有對靈敏性、特異性、相似性的定量分析。4.2實驗過程我們先對第一個病人做比較詳細(xì)的實驗過程分析：首先我們?nèi)∫黄心[瘤區(qū)域的圖像：上圖中，我用黃色線條把腫瘤部分圈出來了，里面那部分灰色區(qū)域就是我們的腫瘤區(qū)域?，F(xiàn)在我們的目標(biāo)就是利用KNN規(guī)則將這部分區(qū)域勾畫出來。首先我們選取兩塊或三塊區(qū)域作為訓(xùn)練樣本進(jìn)行標(biāo)記，上圖中我選取了三塊訓(xùn)練樣本區(qū)域，左邊紅色陰影區(qū)和右邊紅色陰影區(qū)是后景，是沒有腫瘤的，我將它們標(biāo)記為0，中間一塊藍(lán)色陰影區(qū)是前景，是腫瘤區(qū)，我將它們標(biāo)記為1，剩下的未標(biāo)記的區(qū)域就是待分類區(qū)域，我構(gòu)造了一個5×5的矩陣，對整幅圖像進(jìn)行遍歷，利用KNN規(guī)則，首先我們K參數(shù)取45，最后我們可以得到一幅大概勾畫出腫瘤區(qū)域的圖像：（1）K=45時：，可以看出當(dāng)K取45時，KNN算法勾畫出的腫瘤圖像大致與腫瘤部位相吻合。（2）K=155時：可以看出效果也是很好的。（3）K=1001時：可以看出效果很差，根本不能勾畫出比較準(zhǔn)確的腫瘤區(qū)域。接下來我們要把所有含腫瘤部位的切片都用KNN算法分割出來，并與醫(yī)生夠勾畫結(jié)果進(jìn)行一個對比，為了能得到較好的實驗結(jié)果，我選取了幾組K值做實驗，最后發(fā)現(xiàn)K=17時幾乎為最優(yōu)結(jié)果。即取K=17。上圖中，黑色線條勾畫的就是應(yīng)用KNN分割算法勾畫出的腫瘤部位，紅色線條是醫(yī)生勾畫出的腫瘤部位，可以看出，醫(yī)生勾畫出的腫瘤部位與KNN分割出的結(jié)果還是有比較明顯的對比的，顯然KNN方法勾畫出的腫瘤區(qū)域比醫(yī)生勾畫出的區(qū)域要更加精確。4.3性能指標(biāo)我們常用到的幾個性能指標(biāo)有靈敏性（sensitivity）、特異性（specificity）、相似性（similarity）這三個。臨床分析表明，靈敏性和特異性越強(qiáng)，臨床意義越大。D在目前圖像分割的研究中比較廣泛應(yīng)用的最好的標(biāo)準(zhǔn)方法叫做金標(biāo)準(zhǔn)。它可以準(zhǔn)確區(qū)分出靶區(qū)里的腫瘤組織。目前比較常見的勾畫方法的金標(biāo)準(zhǔn)是臨床手動勾畫的結(jié)果。從下面的圖中我們可以看到A區(qū)和C區(qū)是臨床勾畫靶區(qū)，A區(qū)和B區(qū)表示實驗勾畫出的結(jié)果，A，B，C，D是勾畫靶區(qū)的時候的感興趣區(qū)，即ROI。DABCABC靈敏性靈敏性就是分割中所確定的腫瘤個數(shù)在金標(biāo)準(zhǔn)內(nèi)檢查出腫瘤個數(shù)的比例（%），就是分割過程中勾畫腫瘤的精確度。它的靈敏性越強(qiáng)，就意味著分割出的腫瘤部位與真正腫瘤部位的吻合度很高。就意味著被漏掉的腫瘤的機(jī)率是很小的。靈敏性的公式：SEN=A/(A+C)。（2）特異性特異性就是運(yùn)用金標(biāo)準(zhǔn)確診為正常組織區(qū)域，從而在分割過程中檢測出的比例（%），也就是實驗過程中勾畫出正常組織的精確度。它的特異性越好，就說明勾畫過程的錯誤率很低。特異性公式：SPE=D/(B+D)。相似性相似性，顧名思義就是實驗結(jié)果與金標(biāo)準(zhǔn)結(jié)果的相似程度。相似性公式：SIM=2*A/(A+B+C+D)。接下來我們可以用一個表格將第一個患者的帶有腫瘤部位的所有切片的性能指標(biāo)展現(xiàn)出來：切片第一片第二片第三片第四片第五片第六片靈敏性90.26%85.47%89.42%76.71%83.11%72.92%特異性99.65%99.76%99.70%99.97%99.9%99.73%相似性92.37%90.49%92.28%86.64%90.11%82.65%從上表中我們可以看出靈敏性幾乎都在80%以上，特異性可以達(dá)到99%，相似性也幾乎都達(dá)到90%以上。因此KNN算法分割出來的腫瘤效果還是比較理想的。有了第一個病人做詳細(xì)分析之后，我們同樣運(yùn)用KNN算法對第二個病人進(jìn)行腫瘤勾畫，且與醫(yī)生手工勾畫的結(jié)果進(jìn)行比對。在這里實驗的過程我就不贅述了，選取了合適的K值后，我將實驗中的一組較好的實驗結(jié)果呈現(xiàn)出來?？梢钥闯?，醫(yī)生勾畫的腫瘤與KNN算法勾畫的腫瘤有明顯的差距，醫(yī)生勾畫出的部位只能大致與腫瘤位置相一致，但是準(zhǔn)確度還有比較大的差距，而KNN算法分割出的腫瘤結(jié)果很理想，幾乎與腫瘤部位相一致。接下來還用表格將三組性能指標(biāo)呈現(xiàn)出來。切片第1片第2片第3片第4片第5片第6片第7片第8片第9片靈敏性79.63%82.30%80.02%85.05%80.52%80.60%80.33%70.85%80.63%特異性97.11%98.81%99.66%98.17%98.23%97.79%99.59%98.36%97.11%相似性77.62%85.46%83.75%85.63%82.27%81.00%80.78%77.17%77.62%4.4實驗結(jié)論（1）選取合適的K值是實驗的關(guān)鍵之一。當(dāng)K取不同的值時，算法勾畫出的腫瘤效果時好時差，這是因為KNN屬于聚類方法，是監(jiān)督式統(tǒng)計聚類法，有一個局限性，就是隨著K的增大，它的錯誤率就會逼近Bayes錯誤率，從而實驗會做出不理想的效