Page 300 - 《软件学报》2021年第12期

3964 Journal of Software 软件学报 Vol.32, No.12, December 2021

3 实验方法
[9]
依据 RECIST 标准和肿瘤临床特征 [10] ,宫颈癌患者接受放化疗后 3 个月内 MR 图像检查,对肿瘤的转归情
况进行判断,将放化疗结果分为完全缓解(放化疗敏感)和不完全缓解(放化疗不敏感)两类.现有文献对放化疗敏
感性预测大多依靠局限性较大的方法或者依靠统计学方法,这些方法不仅耗时而且准确率较低.本文根据 MR
图像对肿瘤大小及放化疗后肿瘤转归情况是最敏感的特性,提出利用宫颈 MR 图像进行疗效预测.框架如图 2
所示.

Fig.2 Prediction model of radiotherapy and chemotherapy for SCC based on random forests
图 2 基于随机森林的宫颈鳞癌放化疗疗效预测模型
3.1 图像预处理
在宫颈 MRI 成像过程中,因成像对象与硬件电路两方面的原因,导致 MR 图像存在生理学噪声和热噪声 [31] .
此外,由于成像机制的限制,MR 图像的时间分辨率使得图像的信噪比和空间分辨率降低 [32] ,导致图像组织边界
模糊.因此,为消除图像中噪声并增强图像中组织边缘细节,使得图像中肿瘤区域的特征更加容易提取,本文利
用小波变换(wavelet transform)和高斯拉普拉斯算子(Laplacian of Gaussian,简称 LOG)对宫颈 MR 图像进行预处
理,其流程如图 3 所示(包括多尺度小波变换去噪和 LOG 增强).

低频子图像
多尺度
MR图像 小波逆变换
小波变换
高频子图像 软阈值处理

增强后 LOG 去噪后
MR图像 增强 MR图像

Fig.3 Process of MR image preprocessing
图 3 MR 图像预处理流程

3.1.1 小波变换
MR 图像中的噪声属于加性噪声且对比度较高 [33] ,可直接利用多尺度小波变换将 MR 图像分解为高频部分
和低频部分.其中:噪声主要对应图像分解后的高频部分,该部分小波系数幅值较小、数目众多;图像中有效信息
主要对应图像分解后的低频部分,该部分小波系数幅值较大、数目较少 [34] .通过对图像的高频部分设置合理阈