具有分割健壯性的超聲圖像分類方法探索

張喬，馮寧，陳松

（61618部隊(duì)，北京 102102）

1 引言

本文采用一種基于模糊數(shù)學(xué)理論的癌癥超聲圖像增強(qiáng)算法，經(jīng)過(guò)增強(qiáng)處理之后，原先由于圖像的模糊而隱藏的信息能夠清晰的觀察到，這也為后面的腫瘤的分割與分類打好基礎(chǔ)。該算法是基于最大熵原理。

2 算法與研究

2.1 文件的讀取

仿最大熵原理是一種分析信息從而確定事件的特定概率分布的方法。在shannon的信息熵中，熵值是給定的事件概率分布的函數(shù)，可以用拉格朗日乘數(shù)法證明：當(dāng)信源的每一事件等概率出現(xiàn)時(shí)有最大熵，即 時(shí)有最大熵（bit/符號(hào)），此時(shí)信源的信息量最大。無(wú)疑，我們期望熵值越大越好。最大熵原理則指出：一個(gè)事件的概率分布可以通過(guò)信息熵來(lái)確定；事件的概率分布應(yīng)該使信息熵最大而同時(shí)與我們的信息一致。

算法基本思想：

（1）在參數(shù)的取值范圍內(nèi)將圖像從灰度域變換到模糊域，并分別計(jì)算取不同參數(shù)時(shí)的模糊熵，認(rèn)為使模糊熵最大的參數(shù)選擇方法是最佳的參數(shù)選擇方法，記錄此時(shí)的參數(shù)和模糊熵；

（2）利用已確定參數(shù)將圖像從灰度域變換到模糊域，并進(jìn)行模糊增強(qiáng)；

（3）將數(shù)據(jù)從模糊域轉(zhuǎn)換到圖像空間域，從而完成圖像增強(qiáng)過(guò)程。

下面分別是使用最大模糊熵增強(qiáng)前后的圖像對(duì)比：

圖2.1 最大模糊熵增強(qiáng)前后的圖像對(duì)比示例1

圖2.2 最大模糊熵增強(qiáng)前后的圖像對(duì)比示例2

通過(guò)實(shí)驗(yàn)可以看出基于模糊邏輯增強(qiáng)方法，不僅增強(qiáng)乳腺超聲圖像的對(duì)比度，使得腫塊的邊界清晰，而且對(duì)腫塊內(nèi)部的組織結(jié)構(gòu)也有了很好的增強(qiáng)，并且防止了過(guò)增強(qiáng)現(xiàn)象的發(fā)生，這些都大大提高了圖像的質(zhì)量，有利于醫(yī)生診斷。

2.2 基于細(xì)胞自動(dòng)機(jī)技術(shù)(grow cut)腫瘤分割方法

近年來(lái)，針對(duì)超聲圖像的分割，國(guó)內(nèi)外已經(jīng)提出了多種方法。臨床應(yīng)用中的超聲成像系統(tǒng)所廣泛使用的分割方式是基于醫(yī)生手動(dòng)分割和自動(dòng)的方法。原始手動(dòng)分割的種種局限使得用計(jì)算機(jī)實(shí)現(xiàn)自動(dòng)、半自動(dòng)的分割方法成為臨床應(yīng)用更理想的選擇。超聲圖像的分割也是計(jì)算機(jī)輔助診斷的重要組成部分，其作用是對(duì)將乳腺超聲圖像中的腫瘤區(qū)域進(jìn)行定位從而為特征提取和分類提供必要條件。

研究對(duì)象是將一種基于細(xì)胞自動(dòng)機(jī)技術(shù)grow cut方法應(yīng)用到腫瘤分割中，并在原始的grow cut算法基礎(chǔ)上，提出了一種改進(jìn)的grow cut算法，彌補(bǔ)原始算法的不足，提高分割精度，使計(jì)算機(jī)輔助診斷乳腺癌方面得到更加高效、準(zhǔn)確的提升。

Grow cut是由Vladimir Vezhnevets提出的一種圖像分割方法，它所采用的方式和Boykov一樣，即用戶使用某種方式指定前景和背景，然后算法自動(dòng)完成其余的分割過(guò)程。整個(gè)分割過(guò)程類似于病毒在生物體內(nèi)擴(kuò)張的過(guò)程，用戶預(yù)定義的前景和背景區(qū)域被稱為“種子點(diǎn)”，種子點(diǎn)通過(guò)生長(zhǎng)和反復(fù)的競(jìng)爭(zhēng)逐漸占領(lǐng)整個(gè)圖像區(qū)域。

對(duì)于每一個(gè)未知像素點(diǎn)p：

1）在t時(shí)刻復(fù)制前一時(shí)刻的狀態(tài)；

2）在t+1時(shí)刻，鄰域中的像素點(diǎn)開(kāi)始攻擊像素點(diǎn)p：如果滿足式：

該算法的直觀意義為：在生長(zhǎng)過(guò)程中，每個(gè)細(xì)胞都會(huì)對(duì)它周圍的細(xì)胞產(chǎn)生影響，如果它們的顏色屬性比較接近，那么強(qiáng)度相對(duì)小的細(xì)胞標(biāo)號(hào)就會(huì)被強(qiáng)度大的細(xì)胞標(biāo)號(hào)所取代。生長(zhǎng)過(guò)程是一個(gè)反復(fù)演化的過(guò)程，當(dāng)沒(méi)有細(xì)胞的狀態(tài)發(fā)生改變的時(shí)候，所有細(xì)胞的狀態(tài)達(dá)到了一個(gè)平衡，則算法收斂。

Grow cut可以對(duì)背景復(fù)雜的圖像進(jìn)行較為精確的分割，其原因是用戶可以在分割過(guò)程中對(duì)前景和背景做標(biāo)記，然后算法自動(dòng)完成分割，所以它也可以很容易的擴(kuò)展到多目標(biāo)的分割過(guò)程。該算法在處理二維乳腺超聲圖像時(shí)有以下幾點(diǎn)不足：

1）由于超聲圖像成像特點(diǎn)，圖像區(qū)域內(nèi)局部噪聲導(dǎo)致灰度變化劇烈。而Grow cut能量單調(diào)下降的特點(diǎn)，劇烈的灰度變化會(huì)導(dǎo)致下降過(guò)快，導(dǎo)致算法在錯(cuò)誤的位置收斂使得分割結(jié)果發(fā)生誤差。

此外，在腫瘤和背景顏色屬性差異較小的圖像中，該算法對(duì)于邊界過(guò)渡比較模糊的區(qū)域不能夠準(zhǔn)確的找到邊界，其原因是Grow cut算法中每個(gè)像素點(diǎn)的攻擊強(qiáng)度是由傳播過(guò)程中的迭代能量以及鄰點(diǎn)之間相似度的大小共同定義，由于原算法只考慮了當(dāng)前點(diǎn)與鄰點(diǎn)之間的相似度，導(dǎo)致在邊界漸變的區(qū)域內(nèi)受傳播過(guò)程中迭代能量的影響湮沒(méi)鄰點(diǎn)之間由相似度定義的能量，使算法將待測(cè)點(diǎn)誤分。

2）在算法的能量傳遞過(guò)程中，原算法只考慮了像素之間的灰度差異。由于超聲圖像中，不同人體組織內(nèi)部的回聲變化情況較為復(fù)雜，圖像的紋理變化隨機(jī)且不規(guī)則，在圖像噪聲比較的大的情況下，單純考慮灰度變化可能對(duì)各種情況考慮不足，不能有效的處理，從而影響分割的精度。

針對(duì)上述問(wèn)題，本文對(duì)Grow cut算法進(jìn)行改進(jìn)，在攻擊過(guò)程中不僅判斷待處理點(diǎn)與鄰域中其它像素點(diǎn)之間的相似性，還將待處理點(diǎn)與和攻擊點(diǎn)的種子進(jìn)行隸屬度的計(jì)算，二者綜合考慮，進(jìn)一步確定待處理點(diǎn)的所屬類別。此外，本算法還引入衡量區(qū)域內(nèi)和區(qū)域之間差異度的紋理特征，用來(lái)輔助正確劃分當(dāng)前待處理點(diǎn)的所屬類別。

6 結(jié)束語(yǔ)

可以看出，Grow cut原始方法在對(duì)于灰度變化復(fù)雜并且腫瘤與組織連通的樣本分割過(guò)程中，雖然可以將腫瘤與周圍組織進(jìn)行區(qū)分，但區(qū)分后的邊界與實(shí)際腫瘤邊界位置有所偏差。原因是由于在用戶所指定的先驗(yàn)條件相對(duì)較少的前提下，不同類別但灰度接近的種子點(diǎn)生長(zhǎng)到未知區(qū)域時(shí)會(huì)因像素點(diǎn)之間相似度大而導(dǎo)致算法過(guò)早收斂，使得邊界位置發(fā)生偏移。而改進(jìn)后的算法則在原始算法基礎(chǔ)上通過(guò)引入判斷待測(cè)點(diǎn)與種子點(diǎn)之間的相似度，進(jìn)一步精確了每個(gè)點(diǎn)攻擊強(qiáng)度的約束條件。

［1］田超，張文俊，張小鳳等.基于物理引擎三維物理仿真實(shí)驗(yàn)的實(shí)現(xiàn)方法［J］.微型電腦應(yīng)用，2010，26（2）：78-80.

［2］Mortensen,J.,Insu Yu,Khanna,P.et al.Real-Time Global Illumination for VR Applications［J］.IEEE Computer Graphics and Applications,2008,28(6):58-60.

［3］Beatriz Sousa Santos,Paulo Dias,Angela Pimentel et al.Head-mounted display versus desktop for 3D navigation in virtual reality:a user study ［J］.Multimedia Toolsand Applications,2008,37(2)：161-163.

［4］Lamata,P.,Gomez,E.J.,Bello,F.et al.Conceptual Framework forLaparoscopic VR Simulators ［J］.IEEE Computer Graphics and Applications,2006,26(6)：69-71.