用于特征提取的MR图像分割

Question

我有脑部MR图像与肿瘤的数据集，肿瘤已经由一位物理学家使用图像J.

我读过关于分割的文章，但我仍然不明白如何从分割的图像中提取特征。

图像是否应该像下面的图像那样只有黑色背景的肿瘤，这样就可以对整个图像进行特征提取了。还是只在感兴趣的区域使用覆盖或者指定ROI的层来提取特性？

离散小波变换DWT描述子是描述子的好选择吗？

Answer 1

“特征提取”基本上是将输入数据(X像素图像)降到较低维的过程(这仍然足以执行模型的任务)。因此，你有两个选择，使用人造特征(为此，你需要成为专家，决定什么是好的和相关的特征)或训练一个特征提取器。

对于人造特征提取器，您需要了解肿瘤区域与图像其余部分之间的区别(这仅仅是灰度的问题，您可以使用一些阈值吗？)可能是纹理或空间频率，其中离散小波可以帮助？)。这不是一件容易的事情(肿瘤为什么会被某个物理学家分割？？{我认为他应该是某种医生})。我不是核磁共振成像方面的专家，但我发现了一些关于你的问题的论文：

磁共振图像分割的特征提取-威利在线图书馆

用于脑肿瘤分类的MRI图像特征提取与选择

如果我们是在训练一个特征提取器，那么您需要定义一个具有输入和输出以及一些可量化的训练目标的模型(损失/分数函数)。根据我的理解，你的最终目标是分割图像中的肿瘤部分，对吗？

这意味着模型的输出应该是与输入图像大小相同的二进制图像。输出图像的像素对于非肿瘤像素为0，对于肿瘤像素为1。这与“凸点对象检测”的任务类似。

分割的唯一区别是输出图像是二进制的。在分割中，您将得到一个输出图像，其中每个像素被分类为一个k段。如果你试图分割肿瘤并将其归类为几个已知的肿瘤类别之一，这也可能与你相关。或者，如果你想把图像分割成不同的片段，肿瘤就是其中之一。

如果我们讨论的是深度学习模型，那么这两个任务都共享类似的体系结构，称为完全卷积网络(有许多不同的变化)。您可以在一篇题为“完全卷积网络用于语义分割”的论文中阅读更多有关它的内容。在这些模型中，第二到最后的输出(称为“嵌入层”)通常可以用作特征提取器。