1.1 研究目的及意义

当前，恶性肿瘤己经成为全世界关注较多的公共卫生问题，其很大程度上己经对人类的健康造成威胁，并将在新世纪成为人类的第一杀手。据统计，全球2000年新发癌症患者1010万，死亡620万，当前患者2240万，2008年癌症发病人数和死亡人数分别上升了256万和136万。同时统计数据显示不止发达国家肿瘤发生较为严重，发展中国家同样也面临着很严重的问题。2008, 2009年统计数据分别显示发展中国家的恶性肿瘤发病病例数分别占全球总发病病例的56%和80%[1]。资料显示在世界范围内尤其中国约占新发病例总数的76.39%的恶性肿瘤有脑肿瘤、结直肠癌、肺癌、淋巴瘤、胃癌、胰腺癌、肝癌、宫颈癌等。约占肿瘤总死亡病例的84.27%的肿瘤有脑肿瘤、结直肠癌、肺癌、胃癌、胰腺癌、肝癌、白血病、食管癌、乳腺癌等.

同时以计算机技术为辅助的医学图像处理技术在现代医疗诊断中具有至关重要的实际意义，其结果使临床医生对人体内部病变部位的观察更直接、更清晰，从而也使得确诊率更高。脑部MRI及CT检查以其简单、快速有效、无创且诊断准确性高、为临床医生提供可靠的诊断依据。在脑肿瘤的检测及治疗过程中精确的脑肿瘤分割对于以下四种情况具有重要的意义:(1)分析脑肿瘤的病理情况，(2)临床手术的制定，(3)放疗剂量范围的制定，(4)身体组织三维可视化分析及定量测量等。

随着医学成像技术的发展，早期通过解剖来了解大脑构造和治疗的方式已经被成像技术所取代。医学成像技术主要包括CT 扫描、超声波和核磁共振（Magnetic Resonance Images, MRI）等。这些采集到的医学影像，用来重建人体内部器官的三维图像，辅助医生进行疾病诊断和治疗。其中，MRI 以其较高的安全性[2]（无放射性辐射）和对人体软组织成像分辨率高的特点，成为脑部肿瘤诊断与治疗中最常用的医学影像[3]。医师进行脑部肿瘤诊断与治疗，首先需要对肿瘤进行检测和分割。然而，手动定位和分割需要花费大量的时间。同时，精确的分割对医师的专业技能有很高的要求。所以，利用计算机技术自动分割脑肿瘤这一领域快速发展起来，以减轻医师的工作压力。图像分割是图像分析和计算机视觉中最重要的任务之一[3]。脑肿瘤的自动分割就是根据图像区域内的相似性以及区域间的差异性把肿瘤(感兴趣区域)从图像中分离出来。对于医学图像的自动分割，图像的特征提取是一个核心技术，是病灶准确分割的前提。同时也是制约图像处理中其他相关技术发展和应用的瓶颈[4]。对图像纹理的准确描述，在图像分割中非常重要。纹理特征提取的目标是：提取的纹理特征维数小、鉴别能力强、计算量小。

本课题的主要目的是依据脑部CT及MRI图像特点，对脑部肿瘤的分割算法进行研究。最终需要达成的目标是在尽可能减少人工工作量的前提下实现计算机自动分割。

1.2 国内外研究现状

不同的人体之间具有一定的差异性从而会导致脑部CT及MR[5]图像也各不相同，同时由于脑组织的复杂性及多样性且医学成像设备获取的图像存在噪声等原因会使得有些脑部CT和MRI图像中肿瘤目标部分边缘模糊局部不清晰，这对准确的分割肿瘤带来一定的困难。国内外目前针对脑肿瘤的分割算法仍然没有可以通用的理论方法，也没有一种普遍适用的最优分割方法，可以按照人们的意愿准确的将肿瘤分割出来。近年来，随着一些新兴技术(如数学形态学)在图像处理中的应用，产生了一些全新的图像分割技术。这些方法主要有:2012年Manoj K等人提出了基于直方图选取阂值[6]的方式进行分割，这种方式在MR图像处理过程中并且肿瘤区域结构比较规则的情况下效果良好，但应用于CT图像时，由于CT图像对软组织的分辨不是很高等因素影响导致分割结果不可用，其次当肿瘤结构不是那么均衡的时候则该方法对阂值选取也就没了实际意义，所得分割结果也并不准确。2004年V. Grau等人提出了使用先验知识为的一种改进的分水岭分割方法[7]分割医学图像，该论文中以脑组织的分割为实验依据，但实际中，该方法首先是基于先验知识，而脑肿瘤与脑组织不同，没有那么强的一致性，不同的人，不同性质的肿瘤差异都会好大，所以该方法应用在肿瘤分割中还存在一定的问题。2010年孙涛等人提出基于特征向量的颅脑CT图像分割方法[8]，这种方法可以有效地的分割结构较为规则的肿瘤CT图像，但对与有些结构复杂的脑肿瘤其特征向量不好确定，从而导致分割的不准确，还有其他多种脑肿瘤分割方法，如将可变轮廓模型与分水岭分割相结合的分割方法[9]，及将可变流体模型[f8l及贝叶斯模型[10]应用于脑肿瘤分割中。

近年来研究人员又运用机器学习的方法来分割脑肿瘤图像，总体上可分为无监督学习算法和监督学习算法[10]。无监督学习算法大都属于半自动算法且分割精度总体不高，Levine等[5]提出的区域生长法需要在分割图像中手动设置初始点;Szilagyi等Cpl提出将多个模糊C均值(Fuzzy C-means FCM)算法级联的模型，但此算法仅在有限数据集上进行了测试，模型泛化程度并不高;童云飞等Ll采用快速模糊C均值选择肿瘤区域内的初始轮廓，而后利用水平集方法来提取脑肿瘤边界，但初始轮廓选择不正确会导致分割结果不理想。 对比上述无监督学习算法，监督学习算法由于标签的反馈机制使得算法整体分割精度变高。与极端随机树(Extremely Randomized Trees ERT) 和支持向量机(Support Vector Machine SVM) [11]等传统监督机器学习算法相比，基于卷积神经网络(Convolutional Neural Network CNN)的方法不依赖于人工提取特征，而是自动从训练数据中学习到高水平和任务自适应的复杂特征，使得算法的精度越来越高。Havaei等Clot提出一种级联的CNN模型来提高脑肿瘤的分割精度，但网络模型复杂度过高导致训练较困难，分割精度(文中无特指情况下，分割精度代表相似系数Dice指标)只能达到85%左右;Pereira等为了加快网络的练速度，在CNN模型中用多个3x3小尺寸的卷积核来减少网络参数同时加深层数提高模型精度，但分割精度依然没有超过90%;师冬丽等结合模糊推理系统，建立学习规则对CNN预测肿瘤点的概率进行再判断虽然分割精度可达90%，但算法却变为半自动化。目前基于CNN的脑肿瘤图像分割精度难以提升主要由签之间的相关性;(2)像素块的大小限制了感受野的大小，网络只能提取到局部特征，导致CNN无法分割出精细的肿瘤边界，精细即与脑肿瘤图像标签相比，算法可正确分割出脑肿瘤的总体轮廓，精度可达85%以上且不存在过多分割散点，分割出的脑肿瘤边界更加突出;(3) CNN针对每个相邻像素块逐个卷积，计算复杂度较高。

2. 研究的基本内容与方案

在临床诊断病理分析以及治疗方面医学图像的分割具有重要意义。脑部CT及MRI检查以其简单、快速有效、无创且诊断准确性高、为临床医生提供可靠的诊断依据。本文的主要研究内容是依据脑部CT及MIR图像特点，对脑部肿瘤的分割算法进行研究与探讨。最终需要达成的目标是在尽可能减少人工工作量的前提下实现计算机自动分割。

由于脑部组织结构复杂、组织器官形状不规则及不同个体间存在差异，这些因素使得分割算法计算量大，容易产生误差，并且不容易找到通用的算法对肿瘤提取，从而降低了图像分割的精度和准确性。 针对CNN分割图像的缺陷，文献[12]提出的马尔科夫随机场算法和文献[13]、文献[14]提出的条件随机场算法考虑到图像标签之间的相关性，将其作为CNN的后处理手段用于图像的边界分割;文献[15]提出一种不依懒于像素块直接对像素点分割的全卷积神经网络，大大降低了计算复杂度。基于此本文提出一种基于改进的全卷积神经网络(Fully Conv-olutional Neural Network FCNN)和条件随机场(Con-ditional Random Fields CRF)[16]的全自动脑肿瘤MR图像分割算法。首先对多模态MR脑肿瘤图像做灰度归一化及灰度图像融合的预处理[17]，而后对预处理图像建立FCNN模型进行粗分割，随后基于图像标签之间的相关性，将概率图谱模型CRF融合到FCNN中，进行精细的边界分割，提高脑肿瘤的分割精度。

由于脑部组织结构复杂、组织器官形状不规则及不同个体间存在差异，这些因素使得分割算法计算量大，容易产生误差，并且不容易找到通用的算法对肿瘤提取，从而降低了图像分割的精度和准确性。 针对CNN分割图像的缺陷，文献[12]提出的马尔科夫随机场算法和文献[13]、文献[14]提出的条件随机场算法考虑到图像标签之间的相关性，将其作为CNN的后处理手段用于图像的边界分割;文献[15]提出一种不依懒于像素块直接对像素点分割的全卷积神经网络，大大降低了计算复杂度。基于此本文提出一种基于改进的全卷积神经网络(Fully Conv-olutional Neural Network FCNN)和条件随机场(Con-ditional Random Fields CRF)[16]的全自动脑肿瘤MR图像分割算法。首先对多模态MR脑肿瘤图像做灰度归一化及灰度图像融合的预处理[17]，而后对预处理图像建立FCNN模型进行粗分割，随后基于图像标签之间的相关性，将概率图谱模型CRF融合到FCNN中，进行精细的边界分割，提高脑肿瘤的分割精度。