專利名稱：基于邊緣和統(tǒng)計特征的水平集醫(yī)學(xué)超聲圖像區(qū)域輪廓提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及醫(yī)學(xué)超聲圖像處理領(lǐng)域，尤其涉及一種醫(yī)學(xué)超聲圖像的區(qū)域輪廓提取方法。
(二)
背景技術(shù)：
醫(yī)學(xué)超聲圖像作為重要的醫(yī)學(xué)影像形式之一，在臨床診斷和醫(yī)學(xué)研究中發(fā)揮著重要作用。 在臨床中，超聲圖像診斷中感興趣區(qū)域的形態(tài)學(xué)特征及其面積或體積都是重要的診斷信息， 而這些信息的計算依賴于區(qū)域的輪廓。因此，提取區(qū)域輪廓是醫(yī)學(xué)超聲圖像診斷的關(guān)鍵環(huán)節(jié)。 然而，由于超聲信號衰減、散斑、陰影、信號泄露以及由于圖像獲取的方向性導(dǎo)致的邊緣遺 失等缺陷造成圖像中各組織間的邊界模糊不清，從而使醫(yī)生對超聲圖像中感興趣區(qū)域輪廓辨 識比較困難，同時，醫(yī)生手工繪制感興趣區(qū)域輪廓既繁瑣又存在主觀性，因此研究具有高質(zhì) 量的輪廓自動提取方法具有重要意義。
圖像的區(qū)域輪廓提取與圖像分割密不可分，圖像分割就是把圖像分成若干有特定意義的 區(qū)域的處理技術(shù)，即根據(jù)圖像的某些特性把圖像分成若干性質(zhì)不同的區(qū)域，在每個區(qū)域內(nèi)部 有相同或相近的特性，而相鄰區(qū)域的特性不相同。根據(jù)像素特性在目標(biāo)區(qū)域內(nèi)部性質(zhì)一致性 和區(qū)域間邊界上的不連續(xù)性，常用的醫(yī)學(xué)超聲圖像分割采用基于邊緣檢測的圖像分割方法和 基于區(qū)域特征的圖像分割方法(J. Alison Noble， Djamal Boukerroui. Ultrasound Image Segmentation: A Survey. IEEE Trans, on Medical Imaging. 2006, 25:987-1010)?；?邊緣檢測的分割方法主要是尋找感興趣區(qū)域的封閉邊界， 一般都采用各種微分算子來實現(xiàn)， 如Roberts算子、Sobel算子、Laplace算子等各種梯度算子以及小波變換等，由于微分運算 受噪聲影響較大，所以此類方法對超聲圖像進行分割時質(zhì)量不是很高；基于區(qū)域特征的圖像 分割方法是將整體圖像分割成若干互補重疊的小區(qū)域，使各區(qū)域內(nèi)像素的某種相似性大于區(qū) 域之間的相似性，此類分割方法包括閾值法、區(qū)域生長法、Watershed算法、EM算法、數(shù)學(xué) 形態(tài)學(xué)方法以及統(tǒng)計特征方法等，此類方法在進行處理過程中，對所有像素都進行運算，往 往將邊緣模糊，因此不利于邊緣的有效提取。
近年來在傳統(tǒng)的像素特征分割的基礎(chǔ)上，也提出了基于形變模型的分割方法，包括Snakes 模型、優(yōu)化模型、幾何與統(tǒng)計特征模型、物理模型、隨機場模型等(M. Alemdn， P. Alem化， L Alvarez. Semiautomatic Snake-based Segmentation of Solid Breast Nodules on Ultrasonography. Lectures Notes in Computer Science (EuroCast 2005)， 2005， 3634:467-472)，以及利用水平集在解決曲線演化問題上的有效數(shù)值方法來實現(xiàn)圖像的分割 與輪廓提取的方法(Yu-Len Huang, Yu-Ru Jiang, Dar-Ren Chen. Level Set Contouring forBreast Tumor in Sonography. Journal of Digital Imaging. 2007, 20(3):238-247)等， 但是分割效果仍然不夠好。
總之，對于超聲圖像區(qū)域輪廓的自動提取，已有方法的質(zhì)量都不高，無法滿足目前醫(yī)學(xué) 診斷的實際需要。
發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種在傳統(tǒng)圖像分割方法的基礎(chǔ)上，發(fā)揮水平集在曲線演化數(shù)值 解法方面的優(yōu)勢，能夠得到高質(zhì)量的超聲圖像區(qū)域輪廓提取結(jié)果的基于邊緣和統(tǒng)計特征的水 平集醫(yī)學(xué)超聲圖像區(qū)域輪廓提取方法。
本發(fā)明的目的是這樣實現(xiàn)的它包括三部分(l)基于原始圖像的區(qū)域輪廓粗提??；(2) 基于原始圖像的超聲圖像預(yù)處理；(3)結(jié)合部分(1)和部分(2)的基于邊緣和統(tǒng)計特征的
水平集圖像區(qū)域輪廓提取。圖像區(qū)域輪廓粗提取、圖像預(yù)處理、圖像區(qū)域輪廓精提取，圖像 區(qū)域輪廓粗提取根據(jù)感興趣選定區(qū)域(如腫瘤等)在超聲圖像中的特點，采用圖像取反、高 斯函數(shù)背景抑制、二值化、形態(tài)學(xué)開運算去干擾、無需初始化水平集方法提取輪廓等提収區(qū)
域的粗輪廓，作為后續(xù)輪廓精提取算法的初始值；圖像預(yù)處理采用一種選擇性各向異性醫(yī)學(xué) 超聲圖像平滑算法；圖像區(qū)域輪廓精提取，采用邊緣和統(tǒng)計特征相結(jié)合的水平集區(qū)域輪廓自 動提取方法。
(1)第一部分區(qū)域輪廓粗提取。 區(qū)域輪廓粗提取的目的是為后面輪廓精細(xì)提取做初始化，它分為以下五個步驟
1) 圖像取反
在超聲圖像中，諸如心室、乳腺腫瘤等感興趣區(qū)域(即選定區(qū)域)大都呈現(xiàn)無回聲或低 回聲性特性。圖像取反的冃的是為了這些區(qū)域呈現(xiàn)高亮度，而周圍的組織變成低亮度，為下 一步做準(zhǔn)備。
取反公式如下
A(/，力二255-A(/，7') (1)
式中"/分別是圖像中某像素點的橫坐標(biāo)和縱坐標(biāo)，m， //2分別是轉(zhuǎn)換前和轉(zhuǎn)換后的圖像。
2) 自適應(yīng)高斯凼數(shù)背景抑制
自適應(yīng)抑制函數(shù)的作用是使位于圖像中心的感興趣區(qū)域呈現(xiàn)高亮度，遠(yuǎn)離中心的像素處 于低亮度甚至為零。所謂自適應(yīng)是指抑制函數(shù)窗口寬度根據(jù)感興趣區(qū)域的大小自動調(diào)節(jié)。本
發(fā)明設(shè)計了一種基于高斯函數(shù)的自適應(yīng)抑制函數(shù)，函數(shù)表達式如下式1 a r —i a
(2)
式中p為圖像中某點像素的坐標(biāo)，々是圖像的中心坐標(biāo)，K=
^2、 cr 分別是
圖像x、 y軸方向的方差，且 二w/4， ^,=A/4，其中w、 /z分別是圖像的寬度和高度。 經(jīng)過自適應(yīng)高斯抑制后，圖像腫瘤等感興趣區(qū)域就會比周圍組織亮度高。
3) 運用otsu圖像自動閾值算法把圖像轉(zhuǎn)化為二值圖像
oLsu算法是一種經(jīng)典的圖像閾值自動選擇算法，該算法通過窮舉方法求取下式的最大值 (即最大類間方差)，從而確定圖像的閾值
《(0 = M (0 2 (0 (,) - "2 Wf (3) 式中A(O、w2(f)是圖像被閾值,分為兩類時的概率，Wl(/)、 "20)分別是兩類的均值。 采用otsu自動閾值方法算出圖像的閾值，從而把圖像變?yōu)槎祱D像。
4) 圖像去脂肪、其他物質(zhì)干擾等操作
在從整幅超聲圖像剪切感興趣區(qū)域時，不可避免的會在感興趣區(qū)域輪廓周圍附帶有脂肪 或其它組織的圖像。這些組織屬于弱回聲組織，在醫(yī)學(xué)超聲圖像屮亮度較低，經(jīng)過圖像取反 操作后，這些組織的圖像就會呈現(xiàn)高亮度，雖然經(jīng)過自適應(yīng)高斯抑制操作后其亮度會有所降
低，然而經(jīng)otsu自適應(yīng)閾值操作后，其中一部分還是有可能保留了下來。為了防止這些組織
亮點的干擾，采用形態(tài)學(xué)開運算的方法去掉這些亮點，即考慮到超聲圖像分辨率，對那些面 積小亍一定像素數(shù)的亮點，都作為干擾去掉。
5) 封閉區(qū)域輪廓提取
采用一種無需初始化水平集方法來提取輪廓，能得到一個封閉的感興趣區(qū)域輪廓，其演 變方程為
<formula>formula see original document page 7</formula>(4)
式中J/v為散度算子，V為梯度算子，c (^為狄拉克函數(shù)，參數(shù)義為正的權(quán)重常數(shù)， 1
g = ~^-^ ' *為巻積運算，標(biāo)準(zhǔn)差為ct的高斯函數(shù)G。(;c) = (2;kt)—1/2exp(+| /4cr)。
l + IVG^ *//|
該水平集方法克服了傳統(tǒng)水平集在演變過程中需不斷的初始化水平集函數(shù)的缺點，與傳統(tǒng)的水平集方法相比具有速度快、數(shù)值實現(xiàn)簡單的優(yōu)點。 (2)第二部分超聲圖像預(yù)處理。
由于超聲圖像結(jié)構(gòu)比較復(fù)雜、信噪比低，直接提取腫瘤等感興趣區(qū)域的精細(xì)輪廓比較困 難，所以先對超聲圖像做預(yù)處理。
針對醫(yī)學(xué)超聲圖像的特點，采用一種選擇性各向異性醫(yī)學(xué)超聲圖像平滑算法作為圖像預(yù) 處理方法，其表達式為
ft 1 " 111 |V"| (5)
//(W,0) = 〃0(x，>0
式中V為梯度算子，*為巻積運算，^v為散度算子。擴散函數(shù)g(kl)是一個單調(diào)遞減函數(shù)， 當(dāng)1—400時，g(W) — 0，用作控制擴散速度，以增強圖像邊緣。通常擴散函數(shù)選為
= ^L^，其中的A:是梯度閾值參數(shù)。式中(^0—(2;rcr;r'"exp(-K/4o")。山于
Ga*VW = V(G。*")， g(lG。承V^)的本質(zhì)是先對圖像做基于高斯函數(shù)的平滑處理去除噪聲，然
后計算處理后的圖像的梯度值，根據(jù)梯度值決定圖像平滑程度。
(3)第三部分基于邊緣和統(tǒng)計特征的水平集圖像區(qū)域輪廓提取。
本部分是圖像輪廓的精提取。先把完成第二部分預(yù)處理后的圖像，嵌入到經(jīng)過第一部分 提取出的粗輪廓圖像中，作為第三部分精提取的水平集初始化，然后開始第三部分基于邊緣 和統(tǒng)計特征的水平集區(qū)域輪廓提取。
基于邊緣和統(tǒng)計特征的水平集區(qū)域輪廓提取方法是基于幾何形變模型的曲線演變方法。
假設(shè)演變曲線CCM)二[I(,W),n'W)]，其中s是任意參數(shù)化變量，^是時間(R. Malladi, J. A. Sethian， B. C. Vemuri. Shape Modeling with Front Propagation: Level Set Approach-IEEE Trans, on Pattern Analysis and Machine Inte丄丄igence, 1995， 17 (2):158—175)。 設(shè)演變曲線的內(nèi)向單位法向量為W，曲率為^，則曲線沿其單位法向量方向的演變過程可以 用以下偏微分方程表示
^W(/t)W (6)
式中K("為速度函數(shù)，決定曲線上每點的演化速度。
幾何形變模型的基本思想是把形變速度(用曲率和/或常數(shù))和圖像數(shù)據(jù)結(jié)合起來，使演變速度在物體邊緣停止下來。如何根據(jù)圖像數(shù)據(jù)和幾何特性設(shè)計合適的速度函數(shù)，使得輪廓 曲線盡快演化并準(zhǔn)確地停止在目標(biāo)邊界上是基于幾何變形模型圖像邊緣提取的核心內(nèi)容。幾 何變形模型一般用水平集方法來實現(xiàn)(R. MaJladi， J, A, Sethian, B. C. Vemuri. Shape Modeling with Front Propagation: Level Set Approach. IEEE Trans, on Pattern Analysis and Machine Intelligence, 1995， 17(2): 158-175)。
假設(shè)一個水平集函數(shù)Wxj，0，它的零水平集為C(s力，則有"CO,0，/) = o，求其對f的
微分，并利用鏈?zhǔn)揭?guī)則得到
^ + ▽^^ = 0 (7) 不失一般性，可以假設(shè)-在零水平集內(nèi)為負(fù)，在零水平集外為正，那么水平集曲線的內(nèi) 向單位法向量為iV:-A。把式(6)帶入式(7)，于是有
在零水平集處的曲率A為
N
，,)N (8)
式(8)是水平集的基木方程，設(shè)^ = ^("，那么函數(shù)F就是基于曲率的曲線演變速度函數(shù)，它 依賴于
① 曲線演變的前沿局部特性，例如演變曲線的局部曲率；
② 與輸入數(shù)據(jù)有關(guān)的外部參數(shù)，例如梯度；
③ 附加的傳播項。
針對超聲圖像的特點，綜合圖像邊緣信息和局部紋理統(tǒng)計特征，水平集方程速度演變函 數(shù)選為
F = 力「単(x,力-F)-戸Zw(x，力"] (10)
其中g(shù)(;c,j;) = (1 -"(x,;;))2 ， 70c,>0是點O，力處的邊緣置信度?；谶吘壷眯哦鹊倪吘墮z測比
基于傳統(tǒng)的梯度算子邊緣檢測方法具有計算簡單、效率高、對噪聲不敏感等優(yōu)點(MeerPeter， Georgescu Bogdan. Edge Detection with Embedded Confidence. IEEE Trans. Pattern Analysis and
Machine Intelligence. 2001, 23(12): 1351-1365)。由于0<7(乂，力<1，越接近邊緣 7(x,j)就越接近1，所以，當(dāng)曲線演變到邊緣處時g(x，少)會很小，演變的速度就會接近于零。f為平均曲 率，義為正的參數(shù)。
jw^w0c,力代表當(dāng)前點(x，》')是感興趣區(qū)域外部組織的可能性大小，它由下式得出
其中； 為待分類點的坐標(biāo)O，力，映射函數(shù)見mopO)='
-a
(11)
，/ 為正的調(diào)節(jié)參數(shù)，/(0為基
于高斯核函數(shù)的支持向量機決策函數(shù)(V. Vapnik. Statistical Learning Theory. Wiley, 1998)，其 表達式為
/(x) = f>,-(x,'x) + "。 (12)
/=1
式(11)中的&是九個紋理特征向量，它們分別是均方差系數(shù)(l個)和基于灰度差分圖像的 對比度、角二階矩、均值、熵(0"、 90。兩個方向共8個)。其表達式為
1) 均方差系數(shù)
2) 對比度
3) 角二階距(能量)
4) 均值
5) 熵 式(ll)最終為
7
,=0
/ 扁=-￡仏(/)1(^2(^(/))
(13)
(14)
(15)
(16)
(17)
他 ;=1
其巾K(.，.)為高斯核函數(shù)，即^、'" = ，("|^—X|"，，義,、w。是在訓(xùn)練階段得到的用
以構(gòu)造決策函數(shù)的參數(shù)，乂是第/個支持向量的v,的類標(biāo)簽，乂是支持向量的個數(shù)。
",(T分別是窗口內(nèi)圖像的均值和方差。
A(/)表示圖像/Z差分的分布概率，其求解如下設(shè)(X,力是圖像中一點，該點與相臨的 點0c +血，y +辦)的灰度差分定義為△〃(x，_y) = //(x,_y) — /z(jc + c6c,_y + fi^) (19) 求出整幅圖像每點的差分值，把這個差分結(jié)果作為圖像的亮度并做歸一化處理，構(gòu)成圖 像/z點的灰度差分圖像A//，根據(jù)差分圖像的直方圖，求出仏(O， 0《/《Z-l，丄是最大可 能差分值。如果/較小，但卻有較大的頻率值，這種情況表示紋理比較粗糙；如果差分直方圖 比較平坦，則說明紋理比較細(xì)致。 一般在計算基于灰度差分紋理參數(shù)時，做0°、 90°兩個方 向灰度差分，取必=1、 "j = l，紋理窗口大小選為15x15，這樣對每一點有9個特征向量。
從式(18)可知，當(dāng)某點的pra^值越接近l時，就認(rèn)為是感興趣區(qū)域外部的組織。如果接 近于0，該點屬于感興趣區(qū)域?，F(xiàn)在再看(10)式，設(shè)水平集初始化曲線在感興趣區(qū)域內(nèi)時， 曲線開始演變，這時函數(shù)/7TO&"接近于0，演變速度僅由曲率部分義(A(x,力-F)來決定，速度
較大。當(dāng)函數(shù)pro^接近于1時，曲線演變速度由演變曲線的曲率和/w^/7差值決定，演變
速度減小。通過加入圖像局部紋理特征的方法，使演變曲線的演變速度不僅由該處的邊緣確 定，還和演變波前所在圖像區(qū)域的圖像性質(zhì)相關(guān)，使在弱邊緣處的波前演變也能停止下來。
針對目前已有超聲圖像區(qū)域輪廓自動提取方法質(zhì)量不高，無法滿足醫(yī)學(xué)診斷的實際需要 的問題，木發(fā)明提出一種醫(yī)學(xué)超聲圖像的區(qū)域輪廓提取方法，該方法考慮醫(yī)學(xué)超聲圖像的特 點，把基于邊緣檢測和基于區(qū)域特征的方法有機結(jié)合，在傳統(tǒng)圖像分割方法的基礎(chǔ)上，發(fā)揮 水平集在曲線演化數(shù)值解法方面的優(yōu)勢，得到了高質(zhì)量的超聲圖像區(qū)域輪廓提取結(jié)果。
本發(fā)明提出的醫(yī)學(xué)超聲圖像區(qū)域輪廓自動提取方法可分為三部分(1)區(qū)域輪廓粗提??； (2)超聲圖像預(yù)處理；(3)基于邊緣和統(tǒng)計特征的水平集圖像區(qū)域輪廓提取。其中第一部分 與第二部分都是基于原始圖像進行的，第三部分是在第一部分與第二部分合成結(jié)果的基礎(chǔ)上 實現(xiàn)的。可以先進行第一部分操作，也可以先進行第二部分操作，或者兩部分同吋進行。
以上為本發(fā)明提出的醫(yī)學(xué)超聲圖像區(qū)域輪廓自動提取方法的具體步驟。木發(fā)明結(jié)合了邊 緣檢測和基于區(qū)域特征的方法，并應(yīng)用水平集進行曲線演化數(shù)值求解，因此能夠得到更高質(zhì) 量的結(jié)果圖像。

'圖1為基于邊緣和統(tǒng)計特征的水平集醫(yī)學(xué)超聲圖像區(qū)域輪廓提取方法結(jié)構(gòu)框圖； 圖2為輪廓粗提取過程示意圖3為超聲圖像預(yù)處理及把粗提取的輪廓嵌入到預(yù)處理后圖像中結(jié)果示意圖； 圖4為感興趣區(qū)域輪廓提取最終結(jié)果示意圖；圖5為分割結(jié)果相似性度量方法示意圖。 具體實施例方式
下面結(jié)合附圖和具體實施實例對本發(fā)明作進一歩的說明
圖l中101為感興趣區(qū)域輪廓粗提取、102為基于各向異性的超聲圖像預(yù)處理、103為 基于邊緣和統(tǒng)計特征的水平集區(qū)域輪廓精細(xì)提??；圖2中201為乳腺腫瘤原始圖像、202為 圖像取反操作結(jié)果、203為應(yīng)用自適應(yīng)高斯函數(shù)處理后的圖像結(jié)果、204為基于OTSU自適應(yīng) 閾值的二值圖像、205為去脂肪及其他物質(zhì)干擾后的圖像、206為輪廓粗提取結(jié)果；圖3中 301為超聲圖像預(yù)處理結(jié)果、302為粗輪廓嵌入到預(yù)處理后的圖像屮結(jié)果；圖4中401為原 始乳腺腫瘤圖像、402為基于邊緣和統(tǒng)計特征的水平集醫(yī)學(xué)超聲圖像區(qū)域輪廓提取結(jié)果、403 為本發(fā)明提出的輪廓提取方法提取結(jié)果(紅色)和醫(yī)學(xué)專家手工繪制結(jié)果(白色)對比；圖 5中501為本發(fā)明方法分割的輪廓、502為醫(yī)學(xué)專家手工繪制的輪廓、503為本發(fā)明方法分 割的輪廓與醫(yī)學(xué)專家手工繪制的輪廓相比較，丟失部分的面積、504為本發(fā)明方法分割的輪 廓與醫(yī)學(xué)專家手工繪制的輪廓相比較，重疊部分的面積、505為本發(fā)明方法分割的輪廓與醫(yī) 學(xué)專家手工繪制的輪廓相比較，多出部分的面積。
結(jié)合圖1，本實施例基于邊緣和統(tǒng)計特征的水平集醫(yī)學(xué)超聲圖像區(qū)域輪廓6動提取方法 的具體實現(xiàn)步驟如下
(丄)對感興趣區(qū)域圖像進行裁剪。裁減的目的是減少輪廓自動提取的計算量，裁減的方 法是包含整個感興趣圖像區(qū)域，且邊緣距離感興趣區(qū)域輪廓不宜過大， 一般為幾百個到幾萬 個像素左右，本實施例中選擇為96X64個像素；
(2) 提取出感興趣區(qū)域的初始輪廓，對于圖2中201所示裁減后的乳腺腫瘤原始圖像， 利用公式(1)進行圖像取反，得到圖像202;再經(jīng)過公式(2)高斯函數(shù)背景抑制，得到圖 像203; X用otsu自動閾值方法算出圖像的閾值，把圖像變?yōu)槎祱D像，如圖2中204所示； 再采用形態(tài)學(xué)開運算方法去掉圖像不連續(xù)隨機亮點，本實施例中將面積小于5個像素的亮點 認(rèn)為是隨機亮點予以去除，達到去脂肪等干擾的目的，得到圖像205;利用公式(4)實現(xiàn)封 閉圖像輪廓提取，即可得到一個腫瘤的初始輪廓，如圖2中206所示；
(3) 在對圖2中201所示的乳腺腫瘤原始圖像，利用公式(5)進行各向異性圖像平滑， 得到附圖3中301所示的預(yù)處理后的圖像；
(4) 把步驟(2)所得的初始輪廓206嵌入到預(yù)處理后的圖像301中，得到圖像302;
(5) 利用公式(19)計算預(yù)處理后的圖像的差分圖像；
(6) 利用公式(13) - (18)計算出感興趣區(qū)域組織的特征向量^v(7) 運用Carl Staelin提出的改進迭代交叉項驗證方法[7]確定高斯核函數(shù)支持向量機的 參數(shù)(C,"，本實施例中取0 = 512即29、 y = 0.03125即2-5;
(8) 運用公式(10)對圖像進行分割，提取出最終感興趣區(qū)域的輪廓。 下面結(jié)合具體實施方式
對于本發(fā)明的有益效果進行說明。隨機選取三幅惡性乳腺超聲腫
瘤圖像，和三幅乳腺超聲良性腫瘤圖像。采用前述實施方式提取的輪廓和醫(yī)學(xué)專家手工繪制 的腫瘤輪廓的相似性度量來評價輪廓提取效果。醫(yī)學(xué)專家包括放射專家和臨床專家組成，因 此這些手工輪廓具有一定的權(quán)威性，可以評價自動提取的效果。如圖5所示，501為本發(fā)明 方法分割的輪廓，502為醫(yī)學(xué)專家手工繪制的輪廓。503為本發(fā)明方法分割的輪廓與醫(yī)學(xué)專家 手工繪制的輪廓相比較，丟失部分的面積，記為S2; 504為重疊部分的面積，記為S3; 505 為多出部分的面積，記為S1，則相似性度量定義如下
Sl +幻+ S3 (20) O的值在0和l之間，當(dāng)(9 = 0時，說明用兩個輪廓沒有交集，30 = 1時，說明分割的輪廓 和醫(yī)學(xué)專家手工繪制的輪廓完全重合。前述的6幅腫瘤圖像的相似性度量結(jié)果分別為 97.84%、 98.45%、 98.33%、 92.12%、 96.62%、 98.39%，平均相似性度量為96. 96%。采用前述 實施方式對240張乳腺超聲評估圖像(其中惡性腫瘤128幅，良性112幅)進行腫瘤輪廓提 取研究，平均相似性度量為91.37%。
文獻Yu-Len Huang， Yu-Ru Jiang, Dar-Ren Chen. Level Set Contouring for Breast Tumor in Sonography. Journal of Digital Imaging. 2007， 20(3) :238-247采用基于平滑 濾波和傳統(tǒng)的水平集輪廓提取方法提取乳腺的腫瘤輪廓，在算法評估中給出了 6幅圖像(3 幅為良性腫瘤圖像，另3幅為惡性腫瘤圖像)輪廓提取結(jié)果，相似性度量分別為95%、 86%、 95%、 95%、 94%、 91%，這6幅圖像相似性度量均值為92. 67%。同時該文獻中采用118幅圖像 庫(惡性34幅，良性84幅)對該文提出的算法進行評佔，平均相似性度量為87.64%。
從以上分析可知，本發(fā)明提出的醫(yī)學(xué)超聲圖像的區(qū)域輪廓提取方法可以獲得更高的輪廓 提取質(zhì)量。
權(quán)利要求
1.一種基于邊緣和統(tǒng)計特征的水平集醫(yī)學(xué)超聲圖像區(qū)域輪廓自動提取方法，其特征在于該方法分三個步驟圖像區(qū)域輪廓粗提取、超聲圖像預(yù)處理、圖像區(qū)域輪廓精提取，圖像區(qū)域輪廓粗提取根據(jù)原始圖像選定區(qū)域在超聲圖像中的特點，采用圖像取反、高斯函數(shù)背景抑制、二值化、形態(tài)學(xué)開運算去干擾、無需初始化水平集方法提取輪廓等提取區(qū)域的粗輪廓，作為后續(xù)輪廓精提取算法的初始值；圖像預(yù)處理采用一種選擇性各向異性醫(yī)學(xué)超聲圖像平滑算法；圖像區(qū)域輪廓精提取，采用邊緣和統(tǒng)計特征相結(jié)合的水平集區(qū)域輪廓自動提取方法。
2. 根據(jù)權(quán)利1所述的基于邊緣和統(tǒng)計特征的水平集醫(yī)學(xué)超聲圖像區(qū)域輪廓自動提取方法，其 特征在于所述的邊緣和統(tǒng)計特征相結(jié)合的水平集區(qū)域輪廓自動提取方法，先計算出輪廓 上每點所在區(qū)域的紋理統(tǒng)計特征，并輸入到已訓(xùn)練好的支持向量機中，得到這些紋理統(tǒng)計 特征與分類超平面間的符號距離，同時引入一個映射函數(shù)，把這些符號距離映射到一個區(qū) 間內(nèi)，來表征該點屬于正常組織的可能性，最后結(jié)合該點的邊緣置信度和曲率確定出該點 的曲線演變速度，實現(xiàn)圖像感興趣區(qū)域輪廓的自動精確提取。
3. 根據(jù)權(quán)利1所述的基于邊緣和統(tǒng)計特征的水平集醫(yī)學(xué)超聲圖像區(qū)域輪廓自動提取方法，其 特征在于所述的圖像區(qū)域輪廓粗提取步驟包括以下五個步驟1) 圖像取反在超聲圖像中，諸如心室、乳腺腫瘤等感興趣區(qū)域大都呈現(xiàn)無回聲或低回聲性特性；取 反公式如下//2 (/，/) = 255(1)式中/， /分別是圖像中某像素點的橫坐標(biāo)和縱坐標(biāo)，/A， //2分別是轉(zhuǎn)換前和轉(zhuǎn)換后的圖像；2) 自適應(yīng)高斯函數(shù)背景抑制自適應(yīng)抑制函數(shù)的作用是使位于圖像中心的感興趣區(qū)域呈現(xiàn)高亮度，遠(yuǎn)離中心的像素處 于低亮度甚至為零，設(shè)定一種基于高斯函數(shù)的自適應(yīng)抑制函數(shù)，函數(shù)表達式如下式exp(》-/^irV-仰咖i 2 2*^ (2)式中p為圖像中某點像素的坐標(biāo)，々是圖像的中心坐標(biāo)，《= 2、 2分別是圖像x、少軸方向的方差，且 =^/4， ^=/ /4，其中vv、 /7分別是圖像的寬度和高度； 3)運用otsu圖像自動阛值算法把圖像轉(zhuǎn)化為二值圖像otsu算法是一種經(jīng)典的圖像閾值自動選擇算法，該算法通過窮舉方法求取下式的最大值即最大類間方差，從而確定圖像的閾值c^(0,(,)cy2(/)[^(,)-w2(/)]2 (3)式中q(O、 《2(,)是圖像被閾值^分為兩類時的概率，",(O、 A(f)分別是兩類的均值；采用otsu自動閾值方法算出圖像的閾值，從而把圖像變?yōu)槎祱D像；4) 圖像去脂肪、其他物質(zhì)干擾等操作采用形態(tài)學(xué)開運算的方法去掉區(qū)域輪廓周圍附帶有脂肪或其它組織的圖像這些亮點，即 考慮到超聲圖像分辨率，對那些面積小于一定像素數(shù)的亮點，都作為干擾去掉；5) 封閉區(qū)域輪廓提取采用一種無需初始化水平集方法來提取輪廓，能得到一個封閉的感興趣區(qū)域輪廓，其演 變方程為-<formula>formula see original document page 0</formula>式中&V為散度算子，V為梯度算子，^(^為狄拉克函數(shù)，參數(shù)義為正的權(quán)重常數(shù)，，*為巻積運算，標(biāo)準(zhǔn)差為(7的高斯函數(shù)<formula>formula see original document page 0</formula>
4.根據(jù)權(quán)利要求1所述的基于邊緣和統(tǒng)計特征的水平集醫(yī)學(xué)超聲圖像區(qū)域輪廓自動提取方法，其特征在于所述的超聲圖像預(yù)處理歩驟包括針對醫(yī)學(xué)超聲圖像的特點，采用一種選 擇性各向異性醫(yī)學(xué)超聲圖像平滑算法作為圖像預(yù)處理方法，其表達式為(5)//(x,_y,0) = //。(x,_y)式中V為梯度算子，*為巻積運算，^V為散度算子。擴散函數(shù)g(kl)是一個單調(diào)遞減函數(shù)， 當(dāng)W — oo時，g(|4> —0，用作控制擴散速度，以增強圖像邊緣。通常擴散函數(shù)選為洲=:,其中的l是梯度閾值參數(shù)，式中Ga(x) = (2;rcr)—"2eXp(-|x|2/4CT)，由于Gct*Vw = V(G。*W)， g(lG。H^Vwl)的本質(zhì)是先對圖像做基于高斯函數(shù)的平滑處理去除噪聲，然 后計算處理后的圖像的梯度值，根據(jù)梯度值決定圖像平滑程度。
5.根據(jù)權(quán)利要求1所述的基于邊緣和統(tǒng)計特征的水平集醫(yī)學(xué)超聲圖像區(qū)域輪廓自動提取方 法，其特征在于所述的基于邊緣和統(tǒng)計特征的水平集圖像區(qū)域輪廓提取歩驟包括先把完成第二部分超聲圖像預(yù)處理后的圖像，嵌入到經(jīng)過第一部分提取出的粗輪廓圖像中，作為第 三部分精提取的水平集初始化，然后開始第三部分基于邊緣和統(tǒng)計特征的水平集區(qū)域輪廓提 取基于邊緣和統(tǒng)計特征的水T集區(qū)域輪廓提取方法是基于幾何形變模型的曲線演變方法，假設(shè)演變曲線<formula>formula see original document page 4</formula>其中s是任意參數(shù)化變量，？是時間；設(shè)演變曲線的內(nèi) 向單位法向量為W，曲率為A，則曲線沿其單位法向量方向的演變過程可以用以下偏微分方 程表示<formula>formula see original document page 4</formula> 式中K(A")為速度函數(shù)，決定曲線上每點的演化速度。
全文摘要
本發(fā)明提供了一種基于邊緣和統(tǒng)計特征的水平集醫(yī)學(xué)超聲圖像區(qū)域輪廓自動提取方法，本發(fā)明針對醫(yī)學(xué)超聲圖像對比度低、信噪比小的特點，設(shè)計了一種基于邊緣和統(tǒng)計特征的水平集區(qū)域輪廓提取方法。該方法分三個步驟第一步，區(qū)域輪廓粗提取，完成圖像取反、自適應(yīng)高斯函數(shù)背景抑制、運用otsu圖像自動閾值算法把圖像轉(zhuǎn)化為二值圖像、圖像去脂肪干擾操作、封閉區(qū)域輪廓提取工作；第二步采用一種選擇性各向異性醫(yī)學(xué)超聲圖像平滑算法，對原始圖像進行預(yù)處理；第三步是基于邊緣和統(tǒng)計特征的水平集圖像區(qū)域輪廓精確提取。實驗結(jié)果表明本發(fā)明方法和已有方法相比，能夠獲得更準(zhǔn)確的分割結(jié)果。
文檔編號G06T7/00GK101599174SQ20091007164
公開日2009年12月9日 申請日期2009年8月13日 優(yōu)先權(quán)日2009年8月13日
發(fā)明者李曉峰, 毅 沈, 馬立勇 申請人:哈爾濱工業(yè)大學(xué)