基于SVM和有監(jiān)督描述子學(xué)習(xí)算法的腦MR圖像顱骨分割方法?

黃勇其 史文博 周志勇 龐樹茂 佟寶同 趙凌霄 戴亞康

（1.中國科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所蘇州215163）（2.中國科學(xué)院大學(xué)北京100049）（3.北京師范大學(xué)北京100875）（4.南方醫(yī)科大學(xué)廣州510515）

基于SVM和有監(jiān)督描述子學(xué)習(xí)算法的腦MR圖像顱骨分割方法?

黃勇其1，2史文博3周志勇1龐樹茂4佟寶同1趙凌霄1戴亞康1

（1.中國科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所蘇州215163）（2.中國科學(xué)院大學(xué)北京100049）（3.北京師范大學(xué)北京100875）（4.南方醫(yī)科大學(xué)廣州510515）

神經(jīng)電流源定位研究首先要解決EEG、MEG正問題的計算。在求解MEG和EEG正問題的過程中，為了精確地計算傳導(dǎo)矩陣，常常需要對腦組織進(jìn)行分層建模。在腦MR圖像中，雖然軟組織能被清晰地成像，但顱骨卻由于缺少氫而呈現(xiàn)低灰度值，從而很難自動分割出顱骨。因此如何從腦MR圖像中準(zhǔn)確、自動分割出顱骨是解決MEG、EEG正問題的關(guān)鍵。為解決上述問題，提出一種基于支持向量機(jī)的自動腦MR圖像顱骨分割方法，提取病人MR圖像的全局特征和局部特征進(jìn)行訓(xùn)練，并結(jié)合有監(jiān)督描述子學(xué)習(xí)算法SDL，將得到的特征矩陣進(jìn)行壓縮，去掉冗余的特征，得到一個緊湊的特征描述，最終利用SVM從腦MR圖像中自動識別出骨骼。實驗結(jié)果表明，采用支持向量機(jī)結(jié)合有監(jiān)督描述子學(xué)習(xí)算法的分割方法與僅使用支持向量機(jī)和僅使用數(shù)學(xué)形態(tài)學(xué)方法相比，分割精度進(jìn)一步提升，Dice分割精度分別為0.832，0.798，0.482，從而解決了從腦MR圖像自動分割顱骨的任務(wù)，并為解決EEG和MEG正問題的研究奠定基礎(chǔ)。

顱骨分割；支持向量機(jī)；有監(jiān)督描述子學(xué)習(xí)算法；特征提取；特征壓縮

Class NumberTP391

1 引言

隨著MEG和EEG技術(shù)的快速發(fā)展，腦磁和腦電信號在研究腦神經(jīng)生理活動中扮演著越來越重要的角色。在EEG和MEG神經(jīng)電流源定位的正問題計算中，以往通常利用簡單的球模型［1］來模擬大腦結(jié)構(gòu)，進(jìn)而求解傳導(dǎo)矩陣。然而，人腦結(jié)構(gòu)異常復(fù)雜，顱骨凹凸性各異，難以從簡單的球模型中求得傳導(dǎo)矩陣的解，進(jìn)而定位出神經(jīng)電流源的位置。因此若能從人腦MR圖像中提取出顱骨結(jié)構(gòu)，就能針對具體的個人構(gòu)建出一個真實的頭模型［2］，從而準(zhǔn)確解決神經(jīng)電流源定位的問題。

真實的顱骨模型為解決EEG正問題提供極大的便利，到目前為止，有不少有關(guān)大腦分割的研究，例如文獻(xiàn)［3］中作者提出一種基于貝葉斯分層混合模型的方法成功實現(xiàn)大腦FMRI圖像的自動分割；文獻(xiàn)［4］中作者基于最大后驗概率對腦MR圖像進(jìn)行三維分割，成功分割出腦白質(zhì)與灰質(zhì)。然而僅有少數(shù)的顱骨分割算法被提出。例如Heinonen等［5］用閾值和區(qū)域生長方法從MR圖像中分割出骨骼，該方法對后腦等形狀較規(guī)則的區(qū)域能形成較好的分割，但對特定的骨骼區(qū)域，如眼廓，因為部分容積效應(yīng)的原因并不能很好地分割出骨骼；Rifai等［6］應(yīng)用一種可形變模型從MR圖像中分割出骨骼，該方法在仿真MRI圖像中取得了較好的分割結(jié)果，但在真實MRI圖像中，可形變模型會帶來不確定邊界的情況，例如分割的結(jié)果里面混合了皮膚，肌肉，眼睛，內(nèi)耳的組織；Chu和Takaya［7］用閾值和高斯拉普拉斯算子對連續(xù)橫斷層的頭皮-顱骨的邊界和顱骨-大腦的邊界進(jìn)行檢測，該方法對于大腦顱骨外邊界能達(dá)到較好的檢測，對部分頭皮-顱骨的邊界也能較好區(qū)分，但對于結(jié)構(gòu)較復(fù)雜區(qū)域，如眼窩，內(nèi)耳區(qū)域等不能明顯進(jìn)行區(qū)分；B.Dogdas等［8］運(yùn)用數(shù)學(xué)形態(tài)學(xué)開操作閉操作等方法將顱骨分割出來，該方法能較好地分割出大腦區(qū)域，對顱骨外層也能取得較好分割結(jié)果，但數(shù)學(xué)形態(tài)學(xué)開閉操作的方法受限于需要人為地設(shè)定一個閾值，魯棒性并不高。

圖像的特征壓縮能大大縮短顱骨分割的時間，目前比較流行的特征壓縮方法有：Golub和Van Loan［9］提出的奇異值分解（SVD）方法，該方法用特征矩陣的方式取代特征向量的表示方法，在降維的同時保留了數(shù)據(jù)的關(guān)鍵信息，實現(xiàn)了原始數(shù)據(jù)的低維近似描述。Dhillon和Modha［10］，Srebro和Jaakko?la［11］，Castelli等［12］，都對數(shù)據(jù)壓縮進(jìn)行了廣泛的研究，在提取相似度最高的數(shù)據(jù)和移除噪聲方面取得了較好的結(jié)果，然而隨著數(shù)據(jù)量的增大，它們的算法均不同程度地受到時間復(fù)雜度和空間復(fù)雜度的限制。Achilioptas和McSherry［13］采用隨機(jī)采樣的方法來加速奇異值分解以得到原始數(shù)據(jù)的低維近似描述，然而該研究的效率很大程度上取決于數(shù)據(jù)矩陣的能譜結(jié)構(gòu)。另一個應(yīng)用廣泛的數(shù)據(jù)壓縮方法是壓縮感知［14］，壓縮感知理論利用少量的線性測量值就能感知信號的初始結(jié)構(gòu)，然后通過求解最優(yōu)化問題實現(xiàn)信號的精確重構(gòu)。盡管壓縮感知得到了較廣泛的應(yīng)用，但仍有一些需要解決的問題，例如在稀疏表示方面，如何引入流形結(jié)構(gòu)，在重建算法方面，如何解決重建時間過長的問題等。

為了從腦MR圖像中分割出顱骨，解決EEG、MEG源成像問題，本文提出一種基于支持向量機(jī)結(jié)合有監(jiān)督描述子學(xué)習(xí)算法SDL的自動腦圖像顱骨分割算法，以圖像的局部和全局信息作為輸入，提取MR圖像的概率圖譜、鄰域強(qiáng)度、統(tǒng)計矩等有代表性的多個特征值，并利用SDL算法對得到的特征矩陣進(jìn)行特征選擇，去除冗余的特征值，最后將得到的經(jīng)壓縮后的特征矩陣輸入到支持向量機(jī)進(jìn)行訓(xùn)練，達(dá)到自動分割腦MR顱骨的目的，并與僅用支持向量機(jī)的方法和數(shù)學(xué)形態(tài)學(xué)的方法進(jìn)行對比，證明了本方法的有效性。

2 方法

本文分割方法主要包括三部分內(nèi)容，首先將圖像數(shù)據(jù)進(jìn)行配準(zhǔn)并提取多個關(guān)鍵特征，再利用有監(jiān)督描述子學(xué)習(xí)算法（SDL）進(jìn)行特征壓縮，最后利用支持向量機(jī)SVM訓(xùn)練得到的特征矩陣。

2.1 圖像特征提取

機(jī)器學(xué)習(xí)算法最重要的步驟之一就是特征的選取，特別地，隨著數(shù)據(jù)量的增加，特征空間的擴(kuò)大，大小合適的特征數(shù)量就顯得尤為重要。這樣的特征矩陣不僅能減少SVM訓(xùn)練時間，而且也不會出現(xiàn)過擬合的現(xiàn)象。

本文選取的特征主要包括如下三類特征：

1）概率圖譜：該特征為全局特征，選取數(shù)據(jù)集中的某個病人的CT圖像作為參考CT，并將其他病人的CT圖像以剛性配準(zhǔn)的方法配準(zhǔn)到參考病人的CT圖像中，然后以300H單元的閾值分割出骨骼。再從分割出的所有病人的CT顱骨圖像中求得平均值，得到的結(jié)果即為概率圖譜。結(jié)果如圖1所示。

算法的全部數(shù)據(jù)都是基于參考MR坐標(biāo)系的，因此需要將得到的概率圖譜配準(zhǔn)到參考MR坐標(biāo)系中。配準(zhǔn)流程和訓(xùn)練流程如圖2所示，每個病人的訓(xùn)練CT均采用剛性配準(zhǔn)的方法配準(zhǔn)至相應(yīng)的MR中，并最終配準(zhǔn)至參考MR。待分割目標(biāo)MR也要配準(zhǔn)到參考MR中，之后再利用本文算法進(jìn)行分割。

圖18組CT圖像分別分割顱骨后求得的平均值，圖中為第34層，取值范圍［0，1］

圖2來自不同病人數(shù)據(jù)的多模態(tài)的配準(zhǔn)概述

2）鄰域強(qiáng)度：以體素為中心，提取每個坐標(biāo)軸的7個體素的灰度值作為局部特征（總共19個灰度值）。在建立體素模型時，不同大小的體素區(qū)域其三維模型差別非常明顯，當(dāng)體素區(qū)域過小時，不能準(zhǔn)確表達(dá)三維圖像的表面形態(tài)，而當(dāng)體素區(qū)域過大時，則會占用大量的物理空間，造成浪費，因此選擇合適的體素區(qū)域非常重要。本文選擇圖3所示體素區(qū)域用以獲取鄰域強(qiáng)度特征值。

圖3用于計算鄰域強(qiáng)度的體素區(qū)域

3）統(tǒng)計矩：為了反映圖像的局部紋理特征，選取統(tǒng)計矩μn作為第三個特征值，計算如下：

其中zv表示區(qū)域V中的體素v的灰度值，區(qū)域V用一個邊長為3體素的立方體區(qū)域表示，體素區(qū)域的大小選擇同鄰域強(qiáng)度，本文選取26-鄰域的體素區(qū)域用以計算統(tǒng)計矩，如圖4所示。m為該區(qū)域的平均灰度值，其中n≥2，n取2時為二階矩，即方差，度量的是圖像邊界偏離體素區(qū)域均值的程度，三階矩描述的是圖像紋理灰度的起伏分布，四階矩描述紋理灰度的反差，五階矩和更高矩不容易和圖像的直方圖連續(xù)起來。本文取二階矩作為第三個圖像特征值。

2.2 有監(jiān)督描述子學(xué)習(xí)算法

有監(jiān)督描述子學(xué)習(xí)算法［15］（SDL）是一種特征表示學(xué)習(xí)法，該方法能去除不相關(guān)和冗余的特征值，并將高維的特征轉(zhuǎn)換為較低維的特征表示，最終得到一個緊湊且高區(qū)別度的特征表示。

對于給定的特征向量{X1，X2，…，XL}，和對應(yīng)的標(biāo)簽值{Y1，Y2，…，Yn}，L表示特征向量的個數(shù)。目標(biāo)是找到變換矩陣W∈RM×m，V∈RN×n，使得向量Di∈Rm×n經(jīng)過變換WDiVT近似于特征向量Xi。即相當(dāng)于求解如下最優(yōu)問題：

為了提高近似特征值的精度，引入如下有監(jiān)督的流形正則化項：

其中Sij為一核函數(shù)，如下式所示：

結(jié)合式（1）和式（2）可得：

β∈(0，∞)為一常量。

為了求得上述結(jié)果，采取迭代優(yōu)化的方法，經(jīng)優(yōu)化Di=WTXiV，結(jié)合矩陣的秩，式（3）轉(zhuǎn)化為求解如下最大值：

對于任意給定一個向量V，可根據(jù)下式求得最優(yōu)的向量W：

其中

同樣的，給定一個向量W，可根據(jù)下式求得最優(yōu)的向量V：

其中

通過單一值分解方法（SVD）可求得式（5）和式（7）的解。

本文首先利用有監(jiān)督流形正則化算法（SMR）［16］生成所得特征矩陣的低維近似矩陣描述，再利用有監(jiān)督描述子學(xué)習(xí)算法訓(xùn)練得到的低維特征，除去冗余和不相關(guān)的特征值，最后得到一個緊湊的區(qū)別度高的特征描述。

3 實驗結(jié)果及分析

3.1 實驗準(zhǔn)備

在實驗中，本文共選取8組臨床MR圖像進(jìn)行實驗，并在Matlab R2013a的編程環(huán)境下進(jìn)行實驗，采用LIBSVM［17］工具箱進(jìn)行編程訓(xùn)練。然后將SDL特征壓縮后得到的分割結(jié)果和特征壓縮前得到的分割結(jié)果進(jìn)行對比，并與數(shù)學(xué)形態(tài)學(xué)方法、線性判別式分析法（LDA）、主成分分析法（PCA）分割結(jié)果進(jìn)行對比，分別計算其Matthews相關(guān)系數(shù)（MCC），Dice相關(guān)系數(shù)（Dice），真陽性率（Pt），假陽性率（Pf）。

評價參數(shù)簡介：

1）Matthews相關(guān)系數(shù)（MCC）。定義如下：

其中P11，P10，P01，P00由如下混淆矩陣定義給出：

由式（9）可知，MCC取值范圍在［-1，+1］，值越高，代表兩幅圖像的相似程度越高。

2）Dice相關(guān)系數(shù)（D）。定義如下：

其中，SMR表示用本文方法從MR圖像分割得到的顱骨圖，SCT表示用閾值分割方法從腦CT圖像中分割得到的顱骨圖。

3）分割誤差（Pt和Pf）定義為：。其中，Nvp為標(biāo)準(zhǔn)圖像（閾值分割結(jié)果）中標(biāo)記為分割目標(biāo)的像素個數(shù)和；Nuvp為標(biāo)準(zhǔn)圖像中被標(biāo)記為非分割目標(biāo)的像素個數(shù)總和；TN為本文分割結(jié)果中正確分割的像素數(shù)和，F(xiàn)N為本文分割結(jié)果中錯誤分割的像素數(shù)和。

3.2 實驗結(jié)果分析

特征的有效性決定了分割的精確度，為驗證所提取特征的有效性，對本文提出的三類特征進(jìn)行不同組合并利用SVM進(jìn)行訓(xùn)練，得到如圖5所示的分割準(zhǔn)確率與不同特征組合的關(guān)系圖。其中1代表概率圖譜值，2代表鄰域強(qiáng)度值，3代表統(tǒng)計矩，1+2表示概率圖譜與領(lǐng)域強(qiáng)度值的組合，以此類推。從圖中可以看出，概率圖譜特征值在識別顱骨區(qū)域和非顱骨區(qū)域上具有很強(qiáng)的代表性，其與其他特征值的不同組合均顯示很高的分割準(zhǔn)確率。而僅使用領(lǐng)域強(qiáng)度或統(tǒng)計矩或兩者的組合作為特征，識別率并不高，不能達(dá)到區(qū)分顱骨和非顱骨的目的。本文選擇三種特征的組合確保了分割的準(zhǔn)確性。

為了降低冗余特征對分類器的影響并獲取合適的特征維數(shù)，首先利用SDL方法對得到的21維特征矩陣進(jìn)行不同程度的壓縮，隨后對另兩種壓縮方法PCA和LDA進(jìn)行實驗，得到支持向量機(jī)的分類準(zhǔn)確率隨壓縮特征維數(shù)的變化關(guān)系圖。從圖6可看出，在本文方法中，SDL比LDA和PCA取得的分割準(zhǔn)確率要高，并且可看出當(dāng)特征維數(shù)壓縮到8維至14維可以取得較高的分割準(zhǔn)確率。

圖5不同特征組合與分割準(zhǔn)確率的關(guān)系圖

圖6SVM分類準(zhǔn)確率與特征數(shù)目的關(guān)系

隨后分別與特征壓縮前的SVM分割結(jié)果和運(yùn)用數(shù)學(xué)形態(tài)學(xué)方法得到的分割結(jié)果進(jìn)行對比，得到五種分割方法的數(shù)據(jù)對比，本文選擇將特征矩陣壓縮至9維進(jìn)行對比實驗。在以上Matthews相關(guān)系數(shù)（MCC）、Dice相關(guān)系數(shù)（D）、分割誤差（Pt和Pf）中，MCC、Dice和Pt的數(shù)值越高，表示分割結(jié)果越好，兩幅圖像的相似程度越高，而Pf數(shù)值越低表示分割結(jié)果越好，相似程度越高。

圖7為分割結(jié)果對比圖，均選取了同一層面進(jìn)行對比分析，圖中灰色區(qū)域標(biāo)識分割結(jié)果與CT閾值分割結(jié)果的差異之處，從圖中可以看出，特征壓縮前，分割的誤差主要集中在大腦兩側(cè)區(qū)域和后腦區(qū)域，經(jīng)LDA和PCA特征壓縮后的分割結(jié)果改善不明顯，而經(jīng)過SDL特征壓縮后再進(jìn)行分割，雖然后腦區(qū)域仍存在些許誤差，但較好地解決了大腦兩側(cè)的分割問題，進(jìn)一步提高了分割精度。而從數(shù)學(xué)形態(tài)學(xué)的分割結(jié)果看，其分割結(jié)果明顯劣于特征壓縮前的分割結(jié)果和特征壓縮后的分割結(jié)果。從下圖中也可以明顯地看出數(shù)學(xué)形態(tài)學(xué)分割結(jié)果與CT閾值分割存在較大的誤差。在大腦的各個部位均不能很好的達(dá)到分割目的。

圖7分割結(jié)果對比圖，圖中均為第72層圖像

為了定量分析五種分割方法的區(qū)別，利用直方圖的形式將五種分割方法的評價參數(shù)進(jìn)行對比分析。如下列直方圖所示，實驗中SDL特征壓縮后MCC相關(guān)系數(shù)平均值達(dá)到0.788，Dice系數(shù)均值為0.832，均高于特征壓縮前的0.741、0.798，LDA方法的0.69、0.74，PCA方法的0.72、0.73，數(shù)學(xué)形態(tài)學(xué)方法的0.478和0.482，Pt和Pf進(jìn)行對比也顯示了SDL特征壓縮后的分割優(yōu)勢。

圖8五種分割方法MCC對比

圖8為五種分割方法的MCC結(jié)果對比直方圖，從圖中可以明顯看出經(jīng)過SDL特征壓縮后取得的分割結(jié)果要高于特征壓縮前的結(jié)果（即原始數(shù)據(jù)的分割結(jié)果），同時高于LDA和PCA方法的結(jié)果，且遠(yuǎn)高于數(shù)學(xué)形態(tài)學(xué)方法分割結(jié)果，其中LDA和PCA方法分割精度相似。類似于MCC結(jié)果，五種分割方法Dice系數(shù)直方圖如圖9所示，從圖中可知數(shù)學(xué)形態(tài)學(xué)分割結(jié)果較差，Dice均值只有0.482不足0.50，LDA和PCA分割結(jié)果次之，分別為0.74和0.73，壓縮前的分割結(jié)果Dice均值為0.798，SDL特征壓縮后的分割結(jié)果效果最好，Dice均值達(dá)到了0.832。

圖9五種分割方法Dice對比

圖10為五種分割方法的Pt對比直方圖，Pt代表五種方法的正確分割顱骨數(shù)與標(biāo)準(zhǔn)圖像中標(biāo)記為顱骨的數(shù)目之比，數(shù)值越高代表分割精度越好，兩幅圖像相似度越高。從圖中可看出采用支持向量機(jī)SVM的方法取得的分割效果要優(yōu)于數(shù)學(xué)形態(tài)學(xué)的分割方法。

圖10五種分割方法Pt對比

同圖10，圖11為五種分割方法的Pf對比直方圖，Pf代表三種方法的錯誤分割顱骨數(shù)與標(biāo)準(zhǔn)圖像中標(biāo)記為非顱骨的數(shù)目之比，數(shù)值越高代表分割精度越低，兩幅圖像相似度越低。如圖所示，數(shù)學(xué)形態(tài)學(xué)方法的Pf值要高于其他四種方法，而經(jīng)SDL特征壓縮后的Pf值最小，代表分割結(jié)果最好。

圖11五種分割方法Pf對比

綜上所述，本文提出的算法成功地從腦MR圖像中自動分割出顱骨，并取得了較高的精確度，較好地吻合了真實的大腦頭模型，為解決MEG/EEG的源成像問題提供了方法指導(dǎo)。

4 結(jié)語

本文提出了一種基于支持向量機(jī)和有監(jiān)督描述子學(xué)習(xí)算法的自動腦MR圖像顱骨分割方法，創(chuàng)新之處在于提出多特征值以區(qū)別顱骨區(qū)域和非顱骨區(qū)域，在確保特征值的有效性基礎(chǔ)上將支持向量機(jī)SVM方法與有監(jiān)督描述子學(xué)習(xí)算法結(jié)合在一起，去除了冗余特征對分類器的影響，進(jìn)一步提高了分割精確度。首先提取待分割MR圖像的全局特征（概率圖譜值）、局部特征（鄰域強(qiáng)度和統(tǒng)計矩），構(gòu)建出特征矩陣，并利用有監(jiān)督描述子學(xué)習(xí)算法進(jìn)行特征壓縮，去除冗余和不相關(guān)的特征值，得到降維后的特征矩陣，在本文中特征壓縮前得到的特征矩陣是21維的，經(jīng)有監(jiān)督描述子學(xué)習(xí)算法壓縮后的特征矩陣維度為9，極大地降低了特征矩陣的維度，最后利用支持向量機(jī)SVM對21維的特征矩陣和9維的特征矩陣進(jìn)行訓(xùn)練，最終實現(xiàn)自動分割腦MR圖像顱骨的目的。之后分別將SDL特征壓縮后的分割結(jié)果與特征壓縮前的分割結(jié)果和LDA、PCA、數(shù)學(xué)形態(tài)學(xué)的分割結(jié)果進(jìn)行對比，分別求取評價參數(shù)Matthews相關(guān)系數(shù)（MCC）、Dice相關(guān)系數(shù)（D）和分割誤差（Pt和Pf）進(jìn)行對比，并利用柱狀圖進(jìn)行數(shù)據(jù)對比分析，從柱狀圖中可以明顯看出采用支持向量機(jī)的訓(xùn)練方法進(jìn)行腦MR顱骨分割，其結(jié)果要優(yōu)于數(shù)學(xué)形態(tài)學(xué)方法的分割結(jié)果。而經(jīng)有監(jiān)督描述子學(xué)習(xí)算法進(jìn)行特征壓縮后取得的分割準(zhǔn)確率也要高于特征壓縮前的分割準(zhǔn)確率，這充分證明了本文分割算法的有效性，并且體現(xiàn)了SVM結(jié)合有監(jiān)督描述子學(xué)習(xí)算法的優(yōu)勢。另外，由于本文方法依賴于圖像的配準(zhǔn)技術(shù)，需要將病人的MR圖像與參考MR進(jìn)行配準(zhǔn)，也需要將病人的CT圖像配準(zhǔn)到參考CT圖像，造成程序存在時效性問題，因此下一步工作可集中于研究高效的配準(zhǔn)算法，進(jìn)一步提高本文算法的時效性。

［1］Potthast R，Kühn L.On the convergence of the finite inte?gration technique for the anisotropic boundary value prob?lem of magnetic tomography［J］.Mathematical methods inthe applied sciences，2003，26（9）：739-57.

［2］Cuffin BN.A method for localizing EEG sources in realis?tic head models［J］.Biomedical Engineering，IEEE Trans?actions on，1995，42（1）：68-71.

［3］劉金山，陳鎮(zhèn)坤，黃來華.基于貝葉斯分層混合模型的大腦FMRI圖像分割［J］.數(shù)理統(tǒng)計與管理，2015，34（4）：603-611. LIO Jinshan，CHEN Zhenkun，HUANG Laihua.Sege?mentation of Brain FMRI Based on Bayesian Hierarchical Mixture Model［J］.Journal of Applied Statistics and Man?agement，2015，34（4）：603-611.

［4］劉凡，高上凱，高小榕.基于最大后驗概率的大腦磁共振圖像的三維分割［J］.清華大學(xué)學(xué)報：自然科學(xué)版，2002（S1）：43-48. LIU Fan，GAO Shangkai，GAO Xiaorong.3-D Segmenta?tion of Brain Magnetic Resonance Images Based on Maxi?mum a Posterior［J］.Journal of Tsinghua University（Sci& Tech），2002（S1）：43-48.

［5］Heinonen T，Eskola H，Dastidar P，Laarne P，Malmivuo J.Segmentation of T1 MR scans for reconstruction of resis?tive head models［J］.Computer methods and programs in biomedicine，1997，54（3）：173-81.

［6］Rifai H，Bloch I，Hutchinson S，Wiart J，Garnero L.Seg?mentation of the skull in MRI volumes using deformable model and taking the partial volume effect into account［J］.Medical image analysis，2000，4（3）：219-33.

［7］Chu C，Takaya K，editors.3-dimensional rendering of MR（magnetic resonance）images［C］//WESCANEX 93‘Com?munications，Computers and Power in the Modern Envi?ronment'Conference Proceedings，IEEE，1993：IEEE.

［8］Dogdas B，Shattuck DW，Leahy RM.Segmentation of skull and scalp in 3-D human MRI using mathematical morphol?ogy［J］.Human brain mapping，2005，26（4）：273-85.

［9］Golub GH，Van Loan CF.Matrix computations［M］.JHU Press，2012.

［10］Dhillon IS，Modha DS.Concept decompositions for large sparse text data using clustering［J］.Machine learning，2001，42（1-2）：143-75.

［11］Srebro N，Jaakkola T，editors.Weighted low-rank ap?proximations［M］.ICML，2003.

［12］Thomasian A，Castelli V，Li C-S，editors.Clustering and singular value decomposition for approximate index?ing in high dimensional spaces［C］//Proceedings of the seventh international conference on Information and knowledge management，1998：ACM.

［13］Achlioptas D，McSherry F.Fast computation of low-rank matrix approximations［J］.Journal of the ACM（JACM），2007，54（2）：9.

［14］Shi G，Liu D，Gao D，Liu Z，Lin J，Wang L.Advances in theory and application of compressed sensing［J］.Acta Electronica Sinica，2009，37（5）：1070-81.

［15］Zhen X，Wang Z，Yu M，Li S，editors.Supervised de?scriptor learning for multi-output regression［C］//Pro?ceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2015.

［16］Ye J.Generalized low rank approximations of matrices［J］.Machine Learning，2005，61（1-3）：167-91.

［17］Chang C-C，Lin C-J.LIBSVM：a library for support vec?tor machines［J］.ACM Transactions on Intelligent Sys?tems and Technology（TIST），2011，2（3）：27.

Automated Segmentation Based on Support Vector Machine and Supervised Descriptor Learning from Brain MR Image

HUANG Yongqi1，2SHI Wenbo3ZHOU Zhiyong1PANG Shumao4TONG Baotong1ZHAO Lingxiao1DAI Yakang1
（1.Suzhou Institute of Biomedical Engineering and Technology of Chinese Academy of Sciences，Suzhou215263）（2.University of Chinese Academy of Sciences，Beijing100049）（3.Beijing Normal University，Beijing100875）（4.Southern Medical University，Guangzhou510515）

A solution of EEG/MEG forward problem is essential and important in stereotactic neurosurgery applications.It is necessary to build a multi-layer brain model to distinguish different tissues for MEG/EEG forward problem.Although soft tissues can be clearly seen in MR images，but the intensity of skull is so low because of a lack of hydrogen in skull that can't be segmented auto?matically and accurately from MR image.Extracting skull form MR image automatically end up to be a key problem when calculating the MEG/EEG forward problem.In order to solve the above problem，a support vector machine（SVM）is proposed based segmentation algorithm using global features and local features of MR image.Moreover，the supervised descriptor learning（SDL）algorithm is com?bined that can transform the feature matrix into a compact one，and finally the skull from brain MR image is extrated by training on multi-modal images from the same patient whose CTs and MRs are available.Compared to the algorithm based on SVM only and math?ematical morphology based algorithm，the proposed method shows a considerable improvement on segmentation accuracy.The pro?posed method achieves an accuracy with Dice coefficient 0.832 compared with the other two methods 0.798 and 0.482.The proposed hybrid algorithm extract the skull successfully，so that the EEG，MEG source imaging problem can be solved easily in future work.

kull segmentation，support vector machine（SVM），supervised descriptor learning（SDL），feature extraction，feature compression

TP391

10.3969/j.issn.1672-9722.2017.07.034

2017年1月13日，

2017年2月28日

中國科學(xué)院百人計劃項目；國家自然科學(xué)基金（編號：61301042）；國家863計劃（編號：2015AA020514）；國家自然科學(xué)基金青年基金項目（編號：61501452）；江蘇省博士后基金項目（編號：1501089C）資助。

黃勇其，男，碩士研究生，研究方向：智能醫(yī)學(xué)圖像處理。史文博，男，研究方向：圖像處理。周志勇，男，博士，研究方向：醫(yī)學(xué)圖像處理與分析算法。龐樹茂，男，碩士研究生，研究方向：醫(yī)學(xué)圖像分析，醫(yī)學(xué)大數(shù)據(jù)。佟寶同，男，碩士，研究方向：醫(yī)學(xué)圖像處理軟件開發(fā)。趙凌霄，男，博士，研究方向：醫(yī)學(xué)影像分析處理與可視化算法研究和軟件開發(fā)。戴亞康，男，研究方向：醫(yī)學(xué)圖像處理算法研究和軟件開發(fā)。