基于Unit—Linking PCNN的醫(yī)學(xué)圖像邊緣檢測(cè)

摘 要：本文利用Unit-Linking PCNN模型結(jié)合最大交叉熵準(zhǔn)則將醫(yī)學(xué)圖像分割為二值圖像，然后將亮區(qū)（背景）和暗區(qū)（目標(biāo)）的點(diǎn)火二值圖異或，點(diǎn)火脈沖依據(jù)目標(biāo)的形狀同步傳播，從而迅速提取目標(biāo)邊緣。實(shí)驗(yàn)結(jié)果表明，該方法有效地提取了圖像邊緣特征。與經(jīng)典邊緣檢測(cè)算子相比，結(jié)果更加清晰完整，是一種有效的醫(yī)學(xué)圖像邊緣檢測(cè)方法。

關(guān)鍵詞：Unit-Linking PCNN；醫(yī)學(xué)圖像；交叉熵；邊緣檢測(cè)

中圖分類號(hào)：TP391.41

隨著科學(xué)技術(shù)的迅速發(fā)展，醫(yī)學(xué)成像在臨床診斷和治療中發(fā)揮了極大的作用，醫(yī)學(xué)圖像在臨床診斷和治療中也越來越重要。醫(yī)學(xué)圖像主要包括CT圖像、MRI圖像、X射線圖像、超聲圖像等[1]，已成為臨床診斷、病理分析及治療的重要依據(jù)[2]。邊緣檢測(cè)結(jié)果直接影響到后續(xù)的治療過程，是圖像分析的重要基礎(chǔ)和底層視覺處理中最重要的環(huán)節(jié)[3]。

計(jì)算機(jī)斷層圖像（CT）和核磁共振成像（MRI）技術(shù)的發(fā)展為醫(yī)學(xué)提供了直接顯示人體內(nèi)部結(jié)構(gòu)的方法[4]，從而大大提高了醫(yī)療診斷的可靠性。經(jīng)典邊緣檢測(cè)算法如Roberts算子、Sobel算子、Prewitt算子、Canny算子等以原始圖像為基礎(chǔ)，對(duì)邊緣信號(hào)和噪聲信號(hào)不加區(qū)分地使用邊緣提取算子，所以輪廓線存在著大量的數(shù)據(jù)冗余，使得界線很不清晰，從而給進(jìn)一步處理帶來困難。所以，如何精確提取醫(yī)學(xué)圖像邊緣以提高醫(yī)生診斷的速度以及準(zhǔn)確性將是未來研究重點(diǎn)[5]。

脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse Coupled Neural Network，簡(jiǎn)稱PCNN），是依據(jù)貓、猴等哺乳動(dòng)物的大腦視覺皮層上的同步脈沖發(fā)放現(xiàn)象提出的[6-7]，所以有著生物學(xué)背景。因?yàn)镻CNN具有生物學(xué)背景，所以在圖像處理中具有先天的優(yōu)勢(shì)，在圖像邊緣檢測(cè)[8-9]取得了一些進(jìn)展，但存在參數(shù)選取困難、迭代計(jì)算準(zhǔn)則缺乏、邊緣誤檢和漏檢率高等問題。本文使用Unit-Linking PCNN模型減少了參數(shù)，采用最大類間交叉熵作為PCNN迭代計(jì)算準(zhǔn)則。從實(shí)驗(yàn)結(jié)果可以看出，本文算法經(jīng)典邊緣檢測(cè)算法保留了更豐富的細(xì)節(jié)信息，減少了邊緣漏檢，確保了醫(yī)學(xué)圖像邊緣的連續(xù)性和完整性。

1 Unit-linking PCNN模型

1990年，Eckhorn對(duì)貓的視覺皮層進(jìn)行研究，發(fā)現(xiàn)了同步脈沖發(fā)放現(xiàn)象[10]，J.L.Johnson等人在此基礎(chǔ)上提出了PCNN。2002年，顧曉東提出了Unit-Linking PCNN模型用于灰度圖像分割。Unit-linking PCNN模型如圖1所示，可用數(shù)學(xué)方程式（1）—（5）式來描述[10]。

圖1 Unit-Linking PCNN模型

Fj（n）=Ij （1）

（2）

Uj（n）=Fj（n）[1+βjLj（n）] （3）

（4）

（5）

式（1）—式（5）中，n為第n時(shí)刻；Fj、Lj分別為神經(jīng)元的反饋輸入和連接輸入；Ij為外部輸入常量，圖像處理時(shí)為對(duì)應(yīng)像素點(diǎn)的灰度值；Uj為內(nèi)部活動(dòng)項(xiàng)；β為神經(jīng)元之間的連接強(qiáng)度，取β=σ（σ代表圖像灰度值歸一化后的均方差）；Yk為PCNN的脈沖輸出；θj為動(dòng)態(tài)閾值；αjT為動(dòng)態(tài)閾值函數(shù)的衰減時(shí)間常數(shù)；VjT為閾值輸出的放大系數(shù)。

2 基于Unit-Linking PCNN的醫(yī)學(xué)圖像邊緣檢測(cè)算法

2.1 最大類間交叉熵準(zhǔn)則

熵是信息論中的重要概念[10]，交叉熵則是用來度量目標(biāo)類、背景類2個(gè)概率分布P={P1，P2，…，Pn}和Q={q1，q2，…，qn}之間信息量差異的量，其定義為：

（6）

交叉熵是一個(gè)下凸函數(shù)，當(dāng)P與Q完全一致時(shí)，取最小值0。可以基于式（6）構(gòu)造不同的相關(guān)交叉熵函數(shù)作為最優(yōu)度量準(zhǔn)則[10]。在最大交叉熵準(zhǔn)則下，閾值分割應(yīng)使目標(biāo)類C1和背景類C2具有最大類間差異[10]。整幅圖像的類間交叉熵為目標(biāo)交叉熵和背景交叉熵之和[10]，定義為：

（7）

式中：h（g）為灰度直方圖； 分別表示圖象目標(biāo)、背景的先驗(yàn)概率。最優(yōu)閾值T′通過窮舉搜索整幅圖像來獲取，即D（C1：C2；T′）=maxT{D（C1：C2；g）}。搜索使式（7）最大的T作為最優(yōu)閾值。

2.2 算法步驟

算法實(shí)現(xiàn)步驟如下：

（1）用最大交叉熵確定Unit-Linking PCNN的迭代次數(shù)N，將醫(yī)學(xué)圖像I分割為二值圖像Bin并歸一化，用F來保存；

（2）令L=U=0，將所有神經(jīng)元熄火（Y=0），n=N；

（3）當(dāng)?shù)趉神經(jīng)元鄰域內(nèi)有一個(gè)神經(jīng)元點(diǎn)火（Y=1），則Lj=1；否則，Lj=0；

（4）U=F*（1+βL）；

（5）當(dāng)U<θ，Y=1；否則，Y=0；

（6）如果n=N，A1=Y；否則，A2=Y；

（7）n=N-1；如果n=0，到下一步；否則返回到（3）；

（8）E=A1⊕A2，E為邊緣檢測(cè)結(jié)果。

3 實(shí)驗(yàn)結(jié)果及分析

本文用頭部的CT圖和MRI圖進(jìn)行計(jì)算機(jī)仿真。

（a）head_CT原圖 （b）Roberts算子檢測(cè)結(jié)果

（c）Sobel算子檢測(cè)結(jié)果 （d）Prewitt算子檢測(cè)結(jié)果

（e）Canny算子檢測(cè)結(jié)果 （f）本文算法檢測(cè)結(jié)果

圖2 head_CT圖邊緣檢測(cè)處理前后圖像

（a）head_MRI原圖 （b）Roberts算子檢測(cè)結(jié)果

（c）Sobel算子檢測(cè)結(jié)果 （d）Prewitt算子檢測(cè)結(jié)果

（e）Canny算子檢測(cè)結(jié)果 （f）本文算法檢測(cè)結(jié)果

圖3 head_MRI圖邊緣檢測(cè)處理前后圖像本文算法

圖2、圖3分別為用Roberts、Sobel、Prewitt、Canny算子和本文算法對(duì)頭部的CT圖和MRI圖進(jìn)行邊緣檢測(cè)。從處理結(jié)果來看，Roberts、Sobel和Prewitt算子檢測(cè)的邊緣殘缺不全，不能完整地檢測(cè)出邊緣；Canny算子對(duì)邊緣定位不精確，產(chǎn)生了大量多余的邊緣；圖2可以看出本文算法提取了圖像清晰的輪廓和邊緣細(xì)節(jié)，在圖3可以看出能在較模糊的邊界區(qū)域也同樣有良好的檢測(cè)效果，本文算法，只需一次遍歷，便能得到很好的邊緣檢測(cè)結(jié)果，確保了醫(yī)學(xué)圖像邊緣的連續(xù)性、完整性和精準(zhǔn)定位。

4 結(jié)束語

本文算法利用Unit-Linking PCNN模型減少了參數(shù)，使用最大交叉熵作為PCNN迭代計(jì)算準(zhǔn)則，解決了PCNN參數(shù)選取難、迭代計(jì)算無判斷準(zhǔn)則等問題。實(shí)驗(yàn)結(jié)果表明，與經(jīng)典邊緣檢測(cè)算子相比，該方法不僅將豐富的醫(yī)學(xué)圖像邊緣細(xì)節(jié)有效地提取了，而且，結(jié)果更加清晰完整、定位更精準(zhǔn)，確保了醫(yī)學(xué)圖像邊緣的連續(xù)性和完整性。但也存在著疑似噪聲點(diǎn)問題，有待后續(xù)研究解決。

參考文獻(xiàn)：

[1]LIU J C，BAI J，PEN M，et al.Analysis of functional MRI data during continuous rest state sequently using time series and spatial clustering：A primary study[C].MProceedings of the 2005 IEEE Engineering inMedicine and Biology 27th Annual Conference，September 1-4，2005.Shanghai，China：IEEE，2005：5295-5297.

[2]史延新，孔曉榮.一種醫(yī)學(xué)圖像的邊緣檢測(cè)算法[J].西安工業(yè)大學(xué)學(xué)報(bào)，2009（03）：263-266.

[3]張萌萌，楊揚(yáng)，楊志輝，李夏.改進(jìn)的基于單一尺度的醫(yī)學(xué)圖像邊緣檢測(cè)[J].太原理工大學(xué)學(xué)報(bào)，2011（04）：329-333.

[4]王鄭耀.數(shù)宇圖像邊緣檢測(cè)[D].西安交通大學(xué)，2003：26-32.

[5]袁野，歐宗瑛.基于小波變換和模糊算法醫(yī)學(xué)圖像邊緣檢測(cè)算法[J].大連理工大學(xué)學(xué)報(bào)，2002（04）：503-507.

[6]Eckhorn R，Reitboeck H J，Arndt M，et al. Feature linking via synchronization among distributed assemblies：simulation of results from cat cortex[J].Neural Computation，1990（03）：293-307.

[7]J L Johnson，M L Padgett.PCNN models and applications[J].IEEE Transactions on Neural Networks，1999（03）：480-498.

[8]顧曉東，郭仕德，余道衡.一種用PCNN進(jìn)行圖像邊緣檢側(cè)的新方法[J].計(jì)算機(jī)工程與應(yīng)用，2003（16）：1-2，55.

[9]楊智勇，周琪云，周定康.基于PCNN的灰度圖像邊緣檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2004（21）：92-93.

[10]樊洪斌.脈沖耦合神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像處理中的應(yīng)用研究[D].桂林：廣西師范大學(xué)，2009：30-33.

作者簡(jiǎn)介：樊洪斌（1982-），男，湖南衡陽人，研究生，碩士，講師，研究方向：圖形圖像處理、多媒體通信、無線傳感器網(wǎng)絡(luò)。

作者單位：湘南學(xué)院 計(jì)算機(jī)科學(xué)系，湖南郴州 423000

基金項(xiàng)目：湖南省科技廳科技計(jì)劃項(xiàng)目（項(xiàng)目編號(hào)：2013FJ3032）；湖南省高等學(xué)校科學(xué)研究項(xiàng)目（項(xiàng)目編號(hào)：12C0884）；湘南學(xué)院自然科學(xué)基金資助項(xiàng)目（項(xiàng)目編號(hào)：2011YY38）。