[论文解读] Detection and Demarcation of Tumor using Vector Quantization in MRI images
本文提出了一种基于Linde-Buzo-Gray（LBG）算法的向量量化（VQ）方法，用于在MRI图像中进行肿瘤检测与边界划分。该方法生成一个128个码本的向量，将其聚类为8个区域以实现组织类型区分，从而在不产生过分割或欠分割的情况下实现精确的肿瘤边界划分，其分割质量优于分水岭法和基于熵的分割方法。
Segmenting a MRI images into homogeneous texture regions representing disparate tissue types is often a useful preprocessing step in the computer-assisted detection of breast cancer. That is why we proposed new algorithm to detect cancer in mammogram breast cancer images. In this paper we proposed segmentation using vector quantization technique. Here we used Linde Buzo-Gray algorithm (LBG) for segmentation of MRI images. Initially a codebook of size 128 was generated for MRI images. These code vectors were further clustered in 8 clusters using same LBG algorithm. These 8 images were displayed as a result. This approach does not leads to over segmentation or under segmentation. For the comparison purpose we displayed results of watershed segmentation and Entropy using Gray Level Co-occurrence Matrix along with this method.
研究动机与目标
- 提高MRI图像中肿瘤检测与分割的准确性，以支持乳腺癌诊断。
- 解决传统分割技术中常见的过分割与欠分割问题。
- 开发一种基于纹理的鲁棒分割方法，利用向量量化处理异质性组织区域。
- 将所提出的VQ方法与分水岭法和基于熵的分割等成熟技术进行比较。
- 为放射科临床决策支持提供精确的肿瘤边界划分。
提出的方法
- 使用LBG算法从MRI图像的灰度值数据中生成一个128维的码本。
- 利用相同的LBG算法将码本向量进一步聚类为8个独立的簇，以表示不同的组织类型。
- 通过将每个像素分配给最近的码向量来实现分割，形成8个分割区域。
- 该方法利用向量量化将相似的纹理与灰度模式分组，从而增强组织的同质性。
- 通过灰度共生矩阵（GLCM）对比视觉结果，与分水岭分割和基于熵的分割方法进行比较。
- 通过固定码本大小和迭代聚类，避免了过分割或欠分割。
实验结果
研究问题
- RQ1基于LBG算法的向量量化能否有效将MRI图像分割为同质的组织区域？
- RQ2VQ分割方法在肿瘤边界划分中与分水岭法和基于GLCM的熵分割方法相比表现如何？
- RQ3所提出的方法是否能有效减少MRI肿瘤检测中的过分割与欠分割问题？
- RQ4固定大小的码本（128个向量）能否可靠地表示脑部或乳腺MRI中的多种组织类型？
- RQ5基于VQ的方法是否适用于计算机辅助诊断系统中的临床预处理？
主要发现
- 所提出的基于VQ的方法成功地将MRI图像分割为8个不同的组织区域，且未出现过分割或欠分割现象。
- 使用128个码本的LBG算法在测试的MRI图像中均表现出稳定且一致的聚类效果。
- 视觉结果表明，与分水岭法和基于熵的方法相比，该方法在肿瘤边界划分上更加清晰。
- 通过向量量化将相似的灰度与纹理模式分组，实现了可靠的组织类型区分。
- 对比结果证实，VQ在分割清晰度与准确性方面优于分水岭法和基于熵的分割方法。
- 该方法计算效率高，适用于计算机辅助诊断系统中的预处理阶段。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。