乳腺M(fèi)RI圖像腫塊分割的分段比較與方法研究*

葉希鵬,徐偉棟*,楊 勇,厲力華,楊小丹,張 娟

(1.杭州電子科技大學(xué)生命信息與儀器工程學(xué)院,杭州 310018;2.浙江省腫瘤醫(yī)院放射科,杭州 310022)

?

乳腺M(fèi)RI圖像腫塊分割的分段比較與方法研究*

葉希鵬1,徐偉棟1*,楊 勇1,厲力華1,楊小丹1,張 娟2

(1.杭州電子科技大學(xué)生命信息與儀器工程學(xué)院,杭州 310018;2.浙江省腫瘤醫(yī)院放射科,杭州 310022)

計(jì)算機(jī)輔助診斷通過對(duì)乳腺磁共振成像(MRI)中腫塊區(qū)域的自動(dòng)分割和測(cè)量為醫(yī)生提供定量的診斷依據(jù)。對(duì)分割過程中不同階段的多種算法進(jìn)行實(shí)驗(yàn)對(duì)比,以此探索更具穩(wěn)定性和準(zhǔn)確性的分割方案:空間模糊C均值(sFCM)聚類算法在腫塊的初始定位中具有抗噪聲能力和穩(wěn)定性強(qiáng)的優(yōu)點(diǎn),而GVF snake模型在精細(xì)分割中對(duì)局部輪廓具有較好的收斂性;結(jié)合兩種算法,并運(yùn)用MRI序列幀間灰度分布相似、腫塊位置/形狀相近的原理,最終提高整個(gè)序列的分割精度與穩(wěn)定性。

醫(yī)學(xué)圖像處理;乳腺腫塊分割;幀間相關(guān)性;核磁共振成像;模糊C均值;snake模型

乳腺癌是目前女性疾病中的常見多發(fā)病。近年來,由于現(xiàn)代女性不良的生活方式,不斷增加的社會(huì)壓力,晚育或生育后不哺乳等原因,乳腺癌的發(fā)病率和死亡率正持續(xù)上升。在我國(guó),乳腺癌的發(fā)病增長(zhǎng)率已達(dá)到每年3%～4%。乳腺M(fèi)RI圖像是目前非常重要的乳腺診斷手段。為了提高診斷的準(zhǔn)確性和客觀性,減輕放射科醫(yī)生的診斷工作量,利用計(jì)算機(jī)技術(shù)對(duì)影像中的病灶進(jìn)行自動(dòng)檢測(cè)與分割是十分必要的。

近幾十年來,經(jīng)過眾多國(guó)內(nèi)外研究人員的不懈努力,提出了許多處理各類圖像分割的新方法,常用的包括:閾值法、區(qū)域生長(zhǎng)法、水平集法[1]、幾何活動(dòng)輪廓和一些基于特定理論的算法,包括:人工神經(jīng)網(wǎng)絡(luò)、模糊聚類算法、Graph Cuts理論[2-3]等。但由于醫(yī)學(xué)圖像本身的特異性與病灶對(duì)比度不夠明顯、邊緣模糊等特點(diǎn),尚未有穩(wěn)定、普適的分割方法可以應(yīng)對(duì)任意復(fù)雜背景下目標(biāo)的檢測(cè)與分割需求。在乳腺M(fèi)RI圖像的腫塊分割領(lǐng)域,通過反復(fù)的比較研究,尋求幾種在檢測(cè)/分割的不同階段分別專精的算法組成一套穩(wěn)定性、精度更高的分割方案,比尋找一種從初始定位(粗分割)到精分割都很理想的單一方法更切實(shí)可行。

通過分段比較實(shí)驗(yàn),本文發(fā)現(xiàn)針對(duì)乳腺M(fèi)RI圖像存在灰度值不均勻性和模糊性的特點(diǎn),空間模糊C均值(spatial FCM)聚類算法[4-5]在腫塊的初始定位中具有抗噪能力和穩(wěn)定性強(qiáng)的特點(diǎn);而GVF snake模型[6-7]在精細(xì)分割中對(duì)局部輪廓具有很好的收斂性,通過配合幀間相關(guān)性,可以獲得一套穩(wěn)定的乳腺M(fèi)RI圖像分割方法:選取多個(gè)不同的聚類數(shù)C使用sFCM對(duì)乳腺M(fèi)RI圖像進(jìn)行初始定位,得到粗分割結(jié)果;根據(jù)得到的初始輪廓,再運(yùn)用GVF Snake算法對(duì)粗分割結(jié)果進(jìn)行精細(xì)分割;這樣由于不同的參數(shù)C就會(huì)得到多組分割結(jié)果,再利用相鄰幀間腫塊面積、位置變化平緩、腫塊形狀相似的特點(diǎn),將相鄰幀間腫塊的面積重疊率作為篩選條件,對(duì)整個(gè)序列的分割結(jié)果進(jìn)行最優(yōu)化,以提高整個(gè)分割結(jié)果的精確度[8]。

1 乳腺M(fèi)RI圖像分割算法

1.1 空間FCM分割算法

模糊C均值聚類FCM(Fuzzy C-Means clustering)算法最先由Dunn[9]提出,后經(jīng)Bezdek[4,10]改進(jìn)。在醫(yī)學(xué)圖像的分割中也得到了廣泛的應(yīng)用[11-12],其在圖像分割中的目標(biāo)就是根據(jù)像素點(diǎn)xn的隸屬度將圖像中n個(gè)像素點(diǎn)構(gòu)成的像素點(diǎn)集X={xk,k=1,2,3,…,n|xk∈Rn}分成C類。FCM聚類算法的目標(biāo)函數(shù)是:

(1)

式中:n為處理的樣本總量;c為分類數(shù)目;m(1≤m<∞)為控制聚類結(jié)果的模糊權(quán)重的常數(shù);xk為像素點(diǎn)灰度值;vi為第k類聚類中心;uik是第k個(gè)像素點(diǎn)對(duì)第i類的隸屬度。其中uik應(yīng)滿足如下條件:

(2)

重復(fù)計(jì)算隸屬度函數(shù)uik和各聚類中心vi,通過式(3)、式(4)迭代更新:

(3)

(4)

但是FCM算法進(jìn)行圖像分割時(shí)僅利用了灰度信息,缺乏對(duì)象素的空間信息的利用,只適用于分割低噪聲的圖像。為此,很多的學(xué)者致力于這方面的研究,也提出了很多解決方法[13-15]。

Keh-Shih Chuang[5]等人提出了一種對(duì)FCM改進(jìn)的算法。該算法將空間信息通過空間函數(shù)引入到標(biāo)準(zhǔn)FCM的隸屬度函數(shù)中。該算法記為sFCM(spatial FCM)算法,其空間函數(shù)定義為:

(5)

式中:Nk表示以像素點(diǎn)xk為中心的鄰域。

與隸屬度函數(shù)相似,空間函數(shù)hik表示像素xk屬于第i類的可能性。當(dāng)一個(gè)像素的鄰域中的大多數(shù)像素都屬于同一類時(shí),該類空間函數(shù)的值就越大。將空間函數(shù)引入隸屬度函數(shù)的公式如下:

(6)

式中:p和q為兩個(gè)參數(shù),控制兩者所占的比重。

而聚類中心vi的計(jì)算方法不變,目標(biāo)函數(shù)變?yōu)?

(7)

sFCM算法在分割MRI圖像時(shí),某個(gè)像素點(diǎn)xk的分類歸屬不僅僅取決這個(gè)像素點(diǎn)xk的灰度值,而是由其鄰域其他的像素點(diǎn)和自身的灰度值共同決定。這樣,對(duì)于一個(gè)噪聲像素,在計(jì)算隸屬度時(shí),空間函數(shù)可以減少這個(gè)噪聲點(diǎn)的權(quán)重,從而改正由噪聲或者偽影造成的誤分類。

1.2 GVF Snake算法

Snake主動(dòng)活動(dòng)輪廓模型最早由Kass[16]等人在1987年提出。其基本思想是將求取目標(biāo)邊界轉(zhuǎn)化為求取能量最小值的問題?，F(xiàn)定義一條閉合曲線υ(s)=[x(s),y(s)](s∈[0,1],s為曲線υ(s)的弧長(zhǎng)),以υ(s)為變量的能量函數(shù)如下:

(8)

式中:Eint(υ(s))為圖像的內(nèi)部能量項(xiàng),可以使Snake曲線光滑而且富有彈性;Eext(υ(s))為外部能量項(xiàng),用來引導(dǎo)Snake曲線去擬合目標(biāo)的邊緣輪廓。

內(nèi)部能量可以表示為:

(9)

外部能量表達(dá)了圖像的某些特性,使Snake曲線收斂于圖像的特性點(diǎn),對(duì)于灰度圖像I(x,y),外部能量可以表示為以下兩種:

(10)

式中:Gσ(υ(s))是標(biāo)準(zhǔn)方差為σ的二維高斯函數(shù),為梯度算子。

Snake模型在尋找局部的輪廓上具有很好的收斂性,但凹形區(qū)域處理能力不足。而改進(jìn)的算法如梯度矢量流GVF(Grandient Vector Flow)Snake算法在本質(zhì)上具有更大的捕獲范圍來處理凹形輪廓[7],使Snake模型收斂。

通過引入一種新的外力場(chǎng)fext=V(x,y)以克服傳統(tǒng)Snake模型在處理凹形輪廓上的不足,這種方法叫做梯度矢量流GVF(Grandient Vector Flow)。

現(xiàn)定義GVF場(chǎng)為V(x,y)=(u(x,y),v(x,y)),則有最小化能量函數(shù):

(11)

式中:μ為權(quán)衡參數(shù),uxuyvxvy為偏微分,f為梯度矢量場(chǎng)。

當(dāng)圖像變化大時(shí),能量ε主要由f決定;而在緩變區(qū)時(shí),f變化緩慢,能量ε由矢量場(chǎng)的偏微分決定。

采用變分法,通過歐拉方程計(jì)算,則得到新的能量公式:

(12)

梯度矢量流GVF的優(yōu)點(diǎn)是:蛇形初始化不需要特別的要求,在圖像中搜索的范圍較廣,可以收縮到凹形圖像中。

1.3 基于幀間相關(guān)性的分割算法

乳腺M(fèi)RI腫塊圖像灰度非均勻,且不同幀間的噪聲、偽影不同,不同序列的平均灰度值相差也非常明顯,這也造成了使用單一的算法、不變的參數(shù)得到的分割結(jié)果很不理想。但一個(gè)序列的乳腺M(fèi)RI腫塊圖像有一個(gè)特點(diǎn):相鄰幀間灰度分布相似,腫塊組織形態(tài)呈平緩漸變。充分利用乳腺M(fèi)RI腫塊圖像的這一特點(diǎn),再結(jié)合之前提出的兩種算法,本文提出一種參數(shù)自適應(yīng)的基于幀間相關(guān)性的乳腺M(fèi)RI腫塊圖像分割算法,在對(duì)序列MRI圖像的分割中有良好的精確度,并可以實(shí)現(xiàn)參數(shù)自適應(yīng),來完成對(duì)不同序列MRI圖像的自動(dòng)分割,而不需要人為的干預(yù)。算法分為乳腺M(fèi)RI腫塊圖像的自動(dòng)分割和分割結(jié)果最優(yōu)化處理兩個(gè)部分。

1.3.1 乳腺M(fèi)RI腫塊圖像的自動(dòng)分割

對(duì)于一組序列中的每一幀MRI圖像,都采用先進(jìn)行粗分割再進(jìn)行精細(xì)分割的方法。針對(duì)乳腺M(fèi)RI圖像灰度值不均勻,有噪聲、偽影的特點(diǎn),選定空間模糊C均值(sFCM)聚類算法作為粗分割方法。sFCM算法雖然不能非常準(zhǔn)確的畫出腫塊的輪廓,但通過對(duì)聚類數(shù)C值得調(diào)節(jié),可以畫出腫塊的大致輪廓,并具有魯棒性。

1.3.2 分割結(jié)果的最優(yōu)化處理

乳腺M(fèi)RI序列圖像區(qū)別于單幀圖像,經(jīng)實(shí)驗(yàn)發(fā)現(xiàn):很難選取一組最優(yōu)的參數(shù)來使整個(gè)序列的所有MRI圖像都得到理想的分割結(jié)果。但可以充分的利用序列圖相鄰幀間腫塊區(qū)域的相似性,采用從多組參數(shù)的分割結(jié)果中尋找最優(yōu)的分割序列。

本文所用的實(shí)驗(yàn)方法中的參數(shù)大部分都可以確定,唯獨(dú)一個(gè)sFCM中的聚類數(shù)C需要調(diào)節(jié)。通過n個(gè)不同的C值,對(duì)序列圖像進(jìn)行sFCM的粗分割,然后使用GVF Snake精細(xì)分割,得到n組分割結(jié)果,組成矩陣:D=[V1,V2,…,Vm],其中Vi(i=1,2,…,m)為n行列向量,表示第i幀圖像在n個(gè)參數(shù)C值下得到的n個(gè)分割結(jié)果。乳腺M(fèi)RI序列圖像相鄰幀間的腫塊面積、形狀變化平緩,因此可以使用相鄰幀間的重疊面積作為圖像質(zhì)量的判斷依據(jù),現(xiàn)定義最優(yōu)化目標(biāo)函數(shù):

(13)

式中:a,b為前后相鄰幀重疊面積差的權(quán)重系數(shù)。si為Vi中n個(gè)參數(shù)C所對(duì)應(yīng)的n個(gè)腫塊面積,而兩個(gè)面積相減表示重疊面積差:

sa-sb=Area{sa∪sb}-Area{sa∩sb}

(14)

當(dāng)每個(gè)si選取合適的參數(shù)C,使得目標(biāo)函數(shù)達(dá)到最小值時(shí),就得到了最優(yōu)化的分割結(jié)果。針對(duì)這一問題,可以采用最短路徑的數(shù)學(xué)模型來解決,在這里可以采用經(jīng)典的Dijkstra算法來解決這個(gè)最短路徑問題。

2 實(shí)驗(yàn)算法分段對(duì)比及結(jié)果分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證本文算法的有效性和優(yōu)越性,將其應(yīng)用于30例乳腺腫塊MRI序列圖進(jìn)行實(shí)驗(yàn),該用例均采集自浙江省腫瘤醫(yī)院臨床用例,圖像為dicom格式,圖像尺寸均為512 pixel×512 pixel。

對(duì)于分割的評(píng)價(jià),常用的方法是將算法得到分割結(jié)果與專家金標(biāo)準(zhǔn)的分割結(jié)果進(jìn)行像素級(jí)的比較,本文采用重疊率作為實(shí)驗(yàn)的評(píng)價(jià)方法,現(xiàn)定義重疊率:

(15)

式中:O為重疊率,C為算法分割結(jié)果,R為專家金標(biāo)準(zhǔn)。

2.2 分段對(duì)比與算法選定

2.2.1 初始定位方法實(shí)驗(yàn)對(duì)比

由于乳腺M(fèi)RI圖像的復(fù)雜性,目前尚未有一種單一的方法能夠應(yīng)對(duì)任意復(fù)雜背景下目標(biāo)的檢測(cè)與分割需求。因此希望將分割方案分段處理,通過粗分割、精分割兩個(gè)步驟完成對(duì)圖像的準(zhǔn)確分割。本文對(duì)30例序列圖像采取了多種算法進(jìn)行研究,通過粗分割和精細(xì)分割兩個(gè)步驟來完成對(duì)圖像的分割。其中粗分割方法分別使用大津閾值法,細(xì)胞神經(jīng)網(wǎng)絡(luò)和sFCM進(jìn)行比較,通過多組交叉實(shí)驗(yàn),來得出最優(yōu)的粗分割方法。

表1 3種粗分割方法重疊率對(duì)比表 單位:%

圖2為細(xì)胞神經(jīng)網(wǎng)絡(luò)與sFCM分割結(jié)果對(duì)比圖,圖2(a)為使用細(xì)胞神經(jīng)網(wǎng)絡(luò)作為粗分割方法所得的分割結(jié)果,圖2(b)為在細(xì)胞神經(jīng)網(wǎng)絡(luò)粗分割結(jié)果后使用GVFSnake得到的精細(xì)分割結(jié)果,圖2(c)為使用sFCM作為粗分割方法所得的分割結(jié)果,圖2(d)為sFCM粗分割結(jié)果后使用GVFSnake得到的精細(xì)分割結(jié)果。從圖中也可以發(fā)現(xiàn),使用細(xì)胞神經(jīng)網(wǎng)絡(luò)作為粗分割方法也是較為有效的,適用于大多數(shù)乳腺M(fèi)RI圖像。但是在分割第3張圖像時(shí),把其他的組織誤分為目標(biāo)腫塊區(qū)域,這個(gè)結(jié)果導(dǎo)致整個(gè)序列的分割精度的下降。不僅如此,在頭尾幾幀中,由于腫塊小且灰度值不明顯,使用細(xì)胞神經(jīng)網(wǎng)絡(luò)做分割,基本得不到良好的分割結(jié)果。再將相同的圖像使用sFCM進(jìn)行粗分割,再使用GVFSnake進(jìn)行精細(xì)分割得到的分割結(jié)果與圖2(a)、圖2(b)對(duì)比,可以發(fā)現(xiàn),使用sFCM作為粗分割方法,可以更好的將腫塊區(qū)域與周邊的其他干擾組織區(qū)分出來,所需要的就是對(duì)聚類數(shù)C進(jìn)行適當(dāng)?shù)恼{(diào)節(jié)。

圖2 細(xì)胞神經(jīng)網(wǎng)絡(luò)與sFCM分割結(jié)果對(duì)比圖

2.2.2 精細(xì)分割方法實(shí)驗(yàn)對(duì)比

初始定位方法的目的是將乳腺M(fèi)RI圖像中腫塊的大概輪廓分割出來,而精細(xì)分割方法則是將腫塊的具體輪廓更為準(zhǔn)確的提取出來,因此精細(xì)分割方法的選定也至關(guān)重要。由于精細(xì)分割方法受初始輪廓的影響很大,因此精細(xì)分割方法的選定不僅僅由精細(xì)分割方法本身的優(yōu)劣所決定,還需考慮所配合的初始定位方法。

接下來對(duì)上面提到過的3種初始定位方法結(jié)合精細(xì)分割方法進(jìn)行實(shí)驗(yàn),以此來探究更為合適的精細(xì)分割方法,其中進(jìn)行實(shí)驗(yàn)的精細(xì)分割方法為兩種幾何輪廓方法。表2為30例乳腺M(fèi)RI序列圖分別經(jīng)過3種粗分割算法(大津閾值法、sFCM、細(xì)胞神經(jīng)網(wǎng)絡(luò))進(jìn)行分割得到的結(jié)果,再分別使用GVFSnake模型和C-V模型進(jìn)行精細(xì)分割得到結(jié)果的平均值,共6個(gè)均值結(jié)果。從表格中可以大致得出3個(gè)結(jié)論:

①無(wú)論使用何種精細(xì)分割方法,使用sFCM得到的分割結(jié)果遠(yuǎn)遠(yuǎn)優(yōu)于其他兩種粗分割方法;

②當(dāng)粗分割重疊率較低時(shí),如:大津閾值法、細(xì)胞神經(jīng)網(wǎng)絡(luò),使用C-V模型所得的精細(xì)分割結(jié)果要優(yōu)于GVF Snake模型所得的精細(xì)分割結(jié)果。這也進(jìn)一步證明了C-V模型對(duì)初始輪廓的敏感度不高,適用于初始輪廓與目標(biāo)邊界偏差較大的情況;

③當(dāng)粗分割重疊率較高時(shí),如:sFCM,使用GVF Snake模型所得的精細(xì)分割結(jié)果要優(yōu)于C-V模型。這也可以說明,GVF Snake在處理局部模糊邊界的能力上較C-V模型更強(qiáng)。

表2 2×3交叉實(shí)驗(yàn)重疊率對(duì)比表(平均值) 單位:%

雖然C-V模型與大津閾值法和神經(jīng)網(wǎng)絡(luò)結(jié)合所得的分割結(jié)果的重疊率要高于GVF Snake,但是由于前面的實(shí)驗(yàn)已經(jīng)充分證明了sFCM的優(yōu)勢(shì),那么這里就需要選擇GVF Snake作為精細(xì)分割方法。如表3所示,為精細(xì)分割結(jié)果的重疊率對(duì)比表,從表中也可以看出,使用GVF Snake結(jié)合sFCM所得的分割結(jié)果,不僅其分割結(jié)果重疊率的平均值大幅度上升,標(biāo)準(zhǔn)差也有所下降,說明GVF Snake可以使分割結(jié)果更加精確地同時(shí),使其穩(wěn)定性也有所增加,且其均值和穩(wěn)定性均優(yōu)于C-V模型。

表3 精細(xì)分割結(jié)果重疊率對(duì)比表(均值±標(biāo)準(zhǔn)差) 單位:%

圖3 GVF Snake與C-V分割對(duì)比圖

如圖3所示,圖3(a)為使用GVF Snake模型的分割結(jié)果,圖3(b)為使用C-V模型的分割結(jié)果,其初始輪廓均為sFCM的初始定位結(jié)果。從圖中也可以看出,GVF Snake在具有穩(wěn)定的粗分割結(jié)果的情況下,對(duì)目標(biāo)邊界具有更高的敏感性,使得對(duì)邊界的分割更為準(zhǔn)確清晰。特別是針對(duì)一個(gè)序列的前幾幀,由于目標(biāo)邊界十分模糊,使用C-V進(jìn)行精細(xì)分割所得的結(jié)果就不是特別理想。

2.3 本文算法的實(shí)驗(yàn)圖像

通過上節(jié)中的分段比較實(shí)驗(yàn),可以發(fā)現(xiàn),無(wú)論從粗分割結(jié)果上看,還是結(jié)合精細(xì)分割得到的結(jié)果來看,sFCM在穩(wěn)定性方面更優(yōu)于其他兩種算法。

圖4為運(yùn)用本文的算法對(duì)乳腺M(fèi)RI序列圖進(jìn)行分割得到的結(jié)果(選取前5幀),其中空間模糊C均值(sFCM)聚類算法設(shè)置參數(shù)為:模糊權(quán)重m=2;GVF Snake模型參數(shù)設(shè)置為:α=0.3,β=0.3,μ=1(α,β為內(nèi)部能量Eint中彈性能量和剛性能量的權(quán)重系數(shù),μ為內(nèi)部能量Eint和外部能量Eext的權(quán)重系數(shù))。以上為算法中的固定參數(shù),而sFCM中c采用多組取值:c=4,5,6,7。

圖4(a)是使用sFCM的粗分割結(jié)果;圖4(b)是在粗分割的基礎(chǔ)上使用GVF Snake算法進(jìn)行的精細(xì)分割,并經(jīng)過最優(yōu)化處理,篩選了最優(yōu)的聚類數(shù)C所對(duì)應(yīng)的粗分割和精細(xì)分割結(jié)果;圖4(c)為專家手動(dòng)分割金標(biāo)準(zhǔn)?？梢园l(fā)現(xiàn),在精細(xì)分割方面,GVF Snake算法對(duì)模糊的邊界十分敏感,在邊緣的特質(zhì)提取上也很準(zhǔn)確,尤其在一個(gè)序列的前幾幀和后幾幀效果更為明顯。

圖4 乳腺M(fèi)RI序列圖像分割結(jié)果圖

2.4 分割實(shí)驗(yàn)結(jié)果分析

2.4.1 粗分割結(jié)果分析

本文對(duì)30例乳腺M(fèi)RI圖像進(jìn)行了分割實(shí)驗(yàn),并對(duì)算法中粗分割的重疊率對(duì)精細(xì)分割的影響做了深入探究。分別對(duì)這30例乳腺M(fèi)RI圖像使用本文的算法進(jìn)行分割,和使用手動(dòng)劃分粗分割(所劃的粗分割結(jié)果較sFCM更精確)后,再使用GVF Snake模型進(jìn)行精細(xì)分割,通過不同的粗分割重疊率來探究粗分割對(duì)精細(xì)分割的影響。

表4 粗分割結(jié)果重疊率對(duì)比表(均值±標(biāo)準(zhǔn)差) 單位:%

圖5是與圖4為同一例MRI圖像,圖5(a)為對(duì)這一序列圖像進(jìn)行更高重疊率的手動(dòng)粗分割,圖5(b)為使用GVF Snake進(jìn)行精細(xì)分割。通過圖5與圖4(b)對(duì)比可以發(fā)現(xiàn),手動(dòng)粗分割相比于sFCM粗分割具有更高的重疊率,但最終的精細(xì)分割結(jié)果卻與本文算法的最優(yōu)分割結(jié)果相差不大。

通過對(duì)30例圖像進(jìn)行統(tǒng)計(jì),得到表4,其中包括sFCM、本文方法、手動(dòng)粗分割、手動(dòng)粗分割后使用GVF Snake的重疊率。通過縱向上的比較可以發(fā)現(xiàn),經(jīng)過最優(yōu)化處理的平均重疊率和標(biāo)準(zhǔn)差達(dá)到84.0±6.3,再使用GVF Snake模型精細(xì)分割又將分割結(jié)果的準(zhǔn)確度和穩(wěn)定性進(jìn)一步提高。橫向上的比較發(fā)現(xiàn),使用手動(dòng)進(jìn)行粗分割,平均重疊率和標(biāo)準(zhǔn)差達(dá)到90.2±3.5,而進(jìn)一步的精細(xì)分割,準(zhǔn)確度和穩(wěn)定性卻沒有再提升。通過實(shí)驗(yàn)也可以證明,當(dāng)粗分割的精度達(dá)到一定的程度時(shí),再提高粗分割的精度對(duì)精細(xì)分割的影響就不成正比,影響不大。反而粗分割算法的穩(wěn)定性更為重要,即粗分割如果能將分割結(jié)果定位在目標(biāo)輪廓的附近,對(duì)精細(xì)分割的精度和穩(wěn)定性的提升更為明顯。

圖5 手動(dòng)粗分割對(duì)照實(shí)驗(yàn)圖

圖6是在30例圖像的分割結(jié)果中隨機(jī)選取部分序列圖像,畫出每幀圖像經(jīng)過4種分割方法得到的重疊率的曲線。其中圖6(a)為使用本文的sFCM和GVF Snake作為粗精分割方法所得的重疊率曲線圖,圖6(b)為使用手動(dòng)粗分割后再使用GVF Snake精細(xì)分割得到的重疊率曲線圖,圖6(c)是本文方法得到的精細(xì)分割結(jié)果與圖6(b)中的精細(xì)分割結(jié)果的重疊率對(duì)比曲線圖。可以發(fā)現(xiàn)使用算法(sFCM)進(jìn)行粗分割,當(dāng)粗分割的重疊率在80%以上時(shí),得到的精細(xì)分割結(jié)果就與使用手動(dòng)粗分割得到的精細(xì)分割結(jié)果重疊率相仿,部分幀使用本文的算法的重疊率還會(huì)高出手動(dòng)分割的結(jié)果,這是因?yàn)閟FCM進(jìn)行的粗分割的穩(wěn)定性更好,更能將粗分割輪廓定位在目標(biāo)輪廓的附近。而當(dāng)粗分割重疊率小于75%時(shí),粗分割輪廓與目標(biāo)輪廓相差過大,而本文又是以GVF Snake模型作為精細(xì)分割方法,對(duì)初始輪廓相對(duì)較為敏感,因此對(duì)精細(xì)分割造成了比較大的影響。

圖6 重疊率對(duì)比曲線圖

圖7 聚類數(shù)c=5的部分分割結(jié)果

2.4.2 結(jié)合幀間相關(guān)性信息的最優(yōu)化結(jié)果分析

圖7為使用單一的聚類數(shù)c=5所得的分割結(jié)果,其中圖7(a)為sFCM粗分割結(jié)果,圖7(b)為粗分割結(jié)果后使用GVF Snake所得的精細(xì)分割結(jié)果。圖4(b)中的分割結(jié)果是結(jié)合幀間相關(guān)性信息的最優(yōu)化分割結(jié)果,而僅僅采用單一的參數(shù)(c=5)對(duì)整個(gè)序列的圖像進(jìn)行分割,則會(huì)得到圖7的結(jié)果,可以發(fā)現(xiàn),圖7得到的結(jié)果會(huì)與專家金標(biāo)準(zhǔn)相差很大,這是由于聚類數(shù)c設(shè)置過大,而導(dǎo)致丟失目標(biāo)信息。通過對(duì)30例圖像進(jìn)行幀間相關(guān)性信息對(duì)重疊率的影響統(tǒng)計(jì),得到了表5,其中本文方法(加入幀間相關(guān)性最優(yōu)化過程)和不使用幀間相關(guān)性對(duì)分割結(jié)果最優(yōu)化(使用單一的最優(yōu)聚類數(shù)c)進(jìn)行比較,可以發(fā)現(xiàn),在總體的重疊率上,加入幀間相關(guān)性信息,會(huì)使得粗分割結(jié)果和精細(xì)分割結(jié)果的重疊率都有明顯的提升。

表5 幀間相關(guān)性影響重疊率對(duì)比表(均值±標(biāo)準(zhǔn)差) 單位:%

從表5中,雖然能夠看出幀間相關(guān)性的優(yōu)勢(shì),但其均值和標(biāo)準(zhǔn)差的差距仍不明顯,因此本課題從30例序列圖中隨機(jī)選擇了部分序列,通過對(duì)這些序列圖有無(wú)結(jié)合幀間相關(guān)性信息的分割結(jié)果中腫塊面積進(jìn)行了統(tǒng)計(jì),并分別求出各個(gè)序列每幀腫塊面積的一階導(dǎo)數(shù)和二階導(dǎo)數(shù),然后求其一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的標(biāo)準(zhǔn)差,得到表6。一階導(dǎo)數(shù)是腫塊面積曲線的導(dǎo)數(shù),表示腫塊面積的變化率,而二階導(dǎo)數(shù)表示一階導(dǎo)數(shù)的變化率,因此進(jìn)一步顯示腫塊面積是否平穩(wěn)變化。再求其標(biāo)準(zhǔn)差,通過標(biāo)準(zhǔn)差的大小看一階導(dǎo)數(shù)與二階導(dǎo)數(shù)的變化情況,如果兩者標(biāo)準(zhǔn)差大,那么說明幀間腫塊面積增加減少不穩(wěn)定,而兩者標(biāo)準(zhǔn)差小,則說明幀間腫塊面積變化平緩。從表6中可以看出加入幀間相關(guān)性信息得到的分割結(jié)果,其一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的標(biāo)準(zhǔn)差更小,其中從二階導(dǎo)數(shù)標(biāo)準(zhǔn)差的數(shù)值上看最為明顯,因此相鄰幀間的腫塊面積的變化更為平緩,更加符合實(shí)際中腫塊的特點(diǎn)。

表6 幀間相關(guān)性影響腫塊面積變化率對(duì)比表(標(biāo)準(zhǔn)差) 單位:%

圖8是選取3組序列,將各序列的腫塊面積、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)用曲線形式表現(xiàn)出來。圖8(a)為加入幀間相關(guān)性信息后的分割結(jié)果數(shù)據(jù)曲線,圖8(b)為使用單一的聚類數(shù)C的分割結(jié)果數(shù)據(jù)曲線,當(dāng)腫塊明顯,邊界穩(wěn)定時(shí),是否加入幀間相關(guān)性信息的作用不大,但是當(dāng)邊界模糊,特別是在一個(gè)序列的頭尾幾幀時(shí),加入幀間相關(guān)性信息就可以使腫塊的面積的變化更加穩(wěn)定,從而使腫塊的真實(shí)邊界被更加精確的分割出來。

圖8 3組序列的幀間相關(guān)性對(duì)比曲線

3 結(jié)語(yǔ)

本文針對(duì)乳腺M(fèi)RI圖像的成像特點(diǎn),以及序列圖像幀間相關(guān)性(相鄰幀間腫塊大小形狀形似、變化平緩,圖像灰度值相近等),提出一種基于幀間相關(guān)性的乳腺M(fèi)RI序列圖像的分割方法,分為使用sFCM初始定位,GVF Snake模型進(jìn)行精細(xì)分割,再利用幀間相關(guān)性原理對(duì)分割結(jié)果最優(yōu)化。實(shí)驗(yàn)證明,該方法具有很高的自適應(yīng)性和較高的精準(zhǔn)度,并且對(duì)一序列圖像完全可以達(dá)到全自動(dòng)分割的操作,無(wú)需手動(dòng)進(jìn)行。

[1]虞紅偉,厲力華,徐偉棟,等. 一種基于水平集的多尺度乳腺腫塊分割方法[J]. 儀器儀表學(xué)報(bào),2010,31(6):1418-1423.

[2]吳相穎,徐偉棟,厲力華,等. 一種基于Graph Cuts的多尺度乳腺腫塊分割方法[J]. 傳感器學(xué)報(bào),2011,24(10):1379-1384.

[3]朱益苗,徐偉棟,厲力華,等. 基于改進(jìn)Marching Cubes算法的乳腺M(fèi)RI腫塊三維重建[J]. 傳感技術(shù)學(xué)報(bào),2013,26(4):439-446.

[4]Bezdek J C. A Convergence Theorem for The Fuzzy ISODATA Clustering Algorithm[J]. IEEE PAMI,1980,1(2):1-8.

[5]Keh-Shih Chuang,Hong-Long Tzeng,Sharon Chen,et al. Fuzzy c-Means Clustering with Spatial Information for Image Segmentation[J]. Computerized Medical Imaging and Graphics,30(2006):9-15.

[6]Kass M,Witkin A,Terzopoulos D. Snakes:Active Contour Models[J]. International Journal of Computer Vision,1988,1(4):321-331.

[7]Xu C,Prince J L. Gradient Vector Flow:A New External Force for Snakes[C]//Computer Vision and Pattern Recognition,1997.Proceedings,1997 IEEE Computer Society Conference on.IEEE,1997:66-71.

[8]朱益苗,徐偉棟,劉偉,等. 基于幀間相關(guān)性的乳腺M(fèi)RI腫塊分割及重建[J]. 計(jì)算機(jī)應(yīng)用,2013,33(A01):204-207.

[9]Dunn J C. A Fuzzy Relative of The ISODATA Process and Its Use in Detecting Compact Well Separated Clusters[J]. Journal of Cybernetics,1973,3(3):32-57.

[10]Bezdek J C. Pattern Recognition with Fuzzy Objective Function Algorithms[M]. New York:Plenum Press,1981.

[11]裴紅利,喻罡,鄧振生. 基于多尺度連接模型的腦MRI模糊分類[J]. 計(jì)算機(jī)工程,2010,36(4):174-177.

[12]李志梅,肖德貴. 快速模糊C均值聚類的圖像分割方法[J]. 計(jì)算機(jī)工程與應(yīng)用,2009,45(12):187-190.

[13]馬莉,張勇,朱磊. 一種偏置場(chǎng)環(huán)境下的模糊聚類分割算法[J]. 計(jì)算機(jī)工程與應(yīng)用,2005,41(22):27-28.

[14]Pham D L,Prince. Adaptive Fuzzy Segmentation of Magnetic Resonance Images[J]. IEEE Transactions on Medical Imaging,1999,18(9):737-752.

[15]Renjie He,Sushmita Datta,Balasrinivasa Rao Sajja. Adaptive with Contextual Constrains for Segmentation of Multi-Spectral MRI[J]. Conf Proc IEEE Eng Med Biol Soc,2004(3):1660-1663.

The Segmentation Research of Breast MRI Masses*

YEXipeng1,XUWeidong1*,YANGYong1,LILihua1,YANGXiaodan1,ZHANGJuan2

(1.College of Life Information Science and Instrument Engineering,Hangzhou Dianzi University,Hangzhou 310018,China;2.Department of Radiology,Zhejiang Cancer Hospital,Hangzhou 310022,China)

CAD(computer-aided diagnosis)could be applied to assist the doctors in the diagnosis of breast cancer,by providing quantitative parameters of breast tumors with the automatic segmentation and measurements of the tumor regions in breast MRI(magnetic resonance imaging)slices. In order to find out a stable and accurate segmentation scheme,a variety of segmentation algorithm of different stages had been carried upon the contrast experiments. sFCM(spatial Fuzzy c-means clustering algorithm)was applied to locate the tumor roughly for its high denosing ability and stability. And then GVF snake model was utilized to segment the tumor accurately for its high convergence of local boundary. Finally,relevant theory of inter-frame images was used to improve the segmentation accuracy of the whole MRI sequence,since the gray distribution and the positions of the tumors are always very similar in the adjacent slices.

medical image processing;tumor segmentation of breast masses;inter-frame correlation;magnetic resonance Imaging;Fuzzy c-means clustering algorithm;snake model

葉希鵬(1990-),男,碩士研究生,控制工程專業(yè),主要從事醫(yī)學(xué)圖像處理,計(jì)算機(jī)視覺,計(jì)算機(jī)輔助診斷的研究工作,inally1.13@163.com;

徐偉棟(1977-),男,博士,副教授,生命信息與儀器工程學(xué)院生物醫(yī)學(xué)工程系主任,主要從事醫(yī)學(xué)影像的計(jì)算機(jī)輔助診斷,基于醫(yī)學(xué)數(shù)據(jù)多源融合的計(jì)算機(jī)輔助決策等方面的研究。近年來主持與作為核心人員參與了多個(gè)國(guó)家自然科學(xué)基金、浙江省自然科學(xué)基金與浙江省科技計(jì)劃國(guó)際合作重大項(xiàng)目的研發(fā),temco@hdu.edu.cn。

項(xiàng)目來源:國(guó)家自然科學(xué)基金項(xiàng)目(60705016,61001215,61205200);浙江省自然科學(xué)基金項(xiàng)目(LY12F03003)

2014-11-09 修改日期:2014-12-29

C:7510

10.3969/j.issn.1004-1699.2015.03.016

R391.4

A

1004-1699(2015)03-0387-09