结合深度学习和支持向量机的海马子区图像分割-中国图象图形学报.pdfVIP

中图法分类号：TP391 文献标识码：A 文章编号： - - 论文引用格式： 结合深度学习和支持向量机的海马子区图像分割 时永刚，程坤，刘志文 北京理工大学信息与电子学院,北京,100081 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MRI 图像进行海马子区分割测试， 在定性和定量方面分别对比了所提方法与SVM 、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CA 1、 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 。实验结果表明，该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：该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。 关键词：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 Segmentation of hippocampal subfields using deep learning and support vector machine Shi Yonggang, Cheng Kun, Liu Zhiwen School of Information and Electronics, Beij ing Institute of Technology, Beij ing 100081 Abstract: Objective: Numerous clinical studies have shown that the changes in the volume or morphology of the hippocampal and its subfields are closely related to many neurodegenerative diseases, such as Alzheimers disease (AD) and mild cognitive imp airment (MCI). Accurate segmentation of hippocampal and its subfields from the brain magnetic resonance imaging (MRI), the prerequisite for volume measurement, plays a significant role in the clinical diagnosis and treatment of many neurodegenerative diseases. Despite significant progress in the recent decades, hippocampal subfields segmentation is still a challenging task, mainly due to the volume of hippocampal subfields is too small and the boundaries of subfields are not enough distinctive to extract. The traditional hippocampal segmentatio