SLIC超像素分割在醫(yī)學(xué)圖像處理中的應(yīng)用

陳相廷，張偌雅，渠星星，劉斌（河南大學(xué)計(jì)算機(jī)與信息工程學(xué)院，開(kāi)封　475000）

SLIC超像素分割在醫(yī)學(xué)圖像處理中的應(yīng)用

陳相廷，張偌雅，渠星星，劉斌
（河南大學(xué)計(jì)算機(jī)與信息工程學(xué)院，開(kāi)封475000）

0　引言

圖像是信息視覺(jué)化的一種方式，人類(lèi)本身對(duì)可視化內(nèi)容如顏色、圖形、物體的認(rèn)知和接受能力遠(yuǎn)高于文字信息。圖像是一種準(zhǔn)確傳達(dá)信息的方式，可有效避免信息誤導(dǎo)。在醫(yī)療領(lǐng)域，對(duì)象往往具有結(jié)構(gòu)復(fù)雜、個(gè)體差異大、采集難度高等特性，圖像因其自身在信息表達(dá)上的優(yōu)勢(shì)已廣泛應(yīng)用于臨床實(shí)踐。醫(yī)學(xué)影像可使專(zhuān)家更清楚地辨認(rèn)患者病理變化的位置和結(jié)構(gòu)，從而可以多角度、多層次地分析和診斷。

在實(shí)際醫(yī)療影像的成像過(guò)程中，目標(biāo)本身很難保持絕對(duì)靜止，會(huì)產(chǎn)生如：呼吸、臟器蠕動(dòng)等不可避免的位移，位移會(huì)導(dǎo)致生成的圖像中產(chǎn)生偽影，同時(shí)設(shè)備自身的磨損會(huì)使生成的圖像中出現(xiàn)噪聲。常規(guī)的圖像處理以像素作為基本單元，處理過(guò)程往往具有數(shù)據(jù)量大、迭代次數(shù)多、參數(shù)估計(jì)收斂慢等缺陷。大規(guī)模運(yùn)算會(huì)耗費(fèi)大量時(shí)間，臨床實(shí)踐中往往不允許過(guò)長(zhǎng)的處理時(shí)間，因此醫(yī)療機(jī)構(gòu)通常的做法是花費(fèi)大量資金購(gòu)買(mǎi)昂貴的設(shè)備以提升硬件性能，縮短處理時(shí)間。為節(jié)約成本，降低處理的時(shí)間和空間復(fù)雜度，超像素的概念在醫(yī)學(xué)圖像處理中將具有廣闊的應(yīng)用和發(fā)展空間。

1　超像素分割模型

超像素這一概念最早由Ren等人于2003年提出［1］，該分割模型完美延續(xù)了圖像中輪廓、紋理和亮度之間的關(guān)聯(lián)，利用圖像冗余信息將特征相似度較高的像素歸為一類(lèi)，形成像素聚合塊即超像素。通常人眼視覺(jué)對(duì)于單個(gè)像素并不敏感，同樣單個(gè)像素對(duì)整幅圖像的信息含義并不大，人類(lèi)所感知和關(guān)注的是圖像中梯度變化較大的區(qū)域，常為圖像邊界。超像素模型保留了圖像邊界特征，有效突出了圖像中重要部分的信息。

超像素分割算法大體包含兩類(lèi)：一類(lèi)是基于圖論的分割方法。該方法的主要思想是將原圖整體映射為一幅無(wú)向加權(quán)圖，圖中的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)原圖中的每個(gè)像素，圖中的每條邊對(duì)應(yīng)原圖中相鄰像素間的關(guān)系，邊的權(quán)重表示原圖中相鄰像素的特征差異度，然后根據(jù)權(quán)重組合得到的閾值對(duì)原圖進(jìn)行分割。但基于圖論的分割方法計(jì)算量較大，對(duì)超像素的數(shù)量和緊湊度難于控制，不適用于醫(yī)學(xué)圖像處理中。另一類(lèi)是基于梯度下降的超像素分割方法。該方法主要采用了聚合分類(lèi)的基本思想，以最初相對(duì)分散于圖中各處的超像素重心為中心，通過(guò)梯度下降的方式不斷聚合，直至將所有像素分類(lèi)完畢。在梯度下降的方法中，SLIC（Simple Lin-ear Iterative Clustering，簡(jiǎn)單線(xiàn)性迭代聚類(lèi)）算法以亮度和距離等特征的相似度為衡量標(biāo)準(zhǔn)，可產(chǎn)生大小均勻、形狀規(guī)則、易于控制的超像素塊，符合醫(yī)學(xué)圖像處理的需求［2］。

2　SLIC超像素分割

SLIC超像素分割算法最早由 Achanta等人于2010年提出［3］，該方法依據(jù)顏色、亮度相似性和空間相鄰性將像素聚類(lèi)為超像素，整個(gè)聚類(lèi)過(guò)程均要用到LAB色彩空間的特征值。LAB色彩模型中L代表亮度分量，實(shí)際操作中取值范圍通常為0到100，表示從純黑到純白；A表示紅綠色彩分量，通常取值-128到+ 127，-128為綠色，+127漸變?yōu)榧t色；B表示黃藍(lán)色彩分量，通常取值-128到+127，同理-128為藍(lán)色，+127為黃色。LAB色彩空間不僅包含RGB空間所能表示的所有范圍，更重要的是三個(gè)對(duì)應(yīng)分量近似正交，可最大限度削弱分量變化時(shí)彼此間造成的影響。

RGB色彩空間無(wú)法直接轉(zhuǎn)化至LAB空間［4］，該過(guò)程通常需要借助XYZ空間來(lái)實(shí)現(xiàn)。RGB色彩空間轉(zhuǎn)化為L(zhǎng)AB色彩空間的具體步驟如下：

（1）將圖像r g b通道的分量通過(guò)gamma函數(shù)轉(zhuǎn)化至RGB空間中，其中g(shù)amma函數(shù)通常用來(lái)對(duì)圖像進(jìn)行非線(xiàn)性色調(diào)編輯，以提高圖像對(duì)比度。轉(zhuǎn)換公式如下：

（2）從RGB空間轉(zhuǎn)換至XYZ空間，轉(zhuǎn)換公式如下：

（3）從XYZ空間轉(zhuǎn)換至LAB空間，轉(zhuǎn)換公式如下：

Xn、Yn、Zn參考白點(diǎn)CIE，XYZ三色刺激值 （下標(biāo)n表示 “normalized”），計(jì)算時(shí)通常取 Xn=96.4221、Yn= 100.0000、Zn=82.5221。

圖像處理完畢后，需重新轉(zhuǎn)化到RGB色彩空間顯示。同理，這一過(guò)程仍借助XYZ空間進(jìn)行過(guò)渡，具體步驟如下：

（1）將LAB色彩空間轉(zhuǎn)化至XYZ空間，轉(zhuǎn)換公式如下：

其中：

（2）從XYZ空間轉(zhuǎn)換至RGB空間，轉(zhuǎn)換公式如下：

（3）將RGB空間的值轉(zhuǎn)化為對(duì)應(yīng)的R、G、B通道分量，轉(zhuǎn)換公式如下：

其中r_gamma為R、G、B的gamma逆變換，逆變換函數(shù)定義如下：

通過(guò)上述方法可實(shí)現(xiàn)RGB空間和LAB空間的相互轉(zhuǎn)換，為SLIC算法完成預(yù)處理工作。

SLIC算法依據(jù)LAB色彩空間分量值及XY坐標(biāo)值所構(gòu)成的5維特征向量制定局部聚類(lèi)閾值［5-6］。該算法的核心步驟如下：

（2）聚類(lèi)中心校正。為避免聚類(lèi)過(guò)程中，中心所在位置梯度過(guò)大而造成誤差，以每個(gè)聚類(lèi)中心為窗口基準(zhǔn)，取窗口大小為n*n（n通常取3）范圍內(nèi)梯度最小的位置替換原聚類(lèi)中心。同時(shí)為每個(gè)聚類(lèi)中心分配一個(gè)單獨(dú)標(biāo)記。

（3）確定聚類(lèi)閾值。取圖中兩像素點(diǎn)i和j，通過(guò)LAB色彩空間對(duì)應(yīng)值和XY坐標(biāo)值定義兩像素間的相似度，公式如下：

其中dlab為像素點(diǎn)i，j的色彩差異度；dxy為像素點(diǎn)i，j的歐氏距離；Ds為聚類(lèi)閾值，S是聚類(lèi)中心的距離；m為平衡參數(shù)，用來(lái)控制色彩差異和空間距離在聚類(lèi)閾值中所占比重，范圍為［1，20］，通常取10。Ds值與像素相似度成正比，Ds值越大，像素相似度越高。

（4）為提高算法效率，SLIC算法搜索以聚類(lèi)中心為核心，2S*2S的鄰域范圍，如圖1所示。

圖1　

將相似度大于聚類(lèi)閾值的像素與相應(yīng)中心聚類(lèi)，并將聚類(lèi)中心的標(biāo)記分配給對(duì)應(yīng)像素。不斷重復(fù)迭代聚類(lèi)過(guò)程直至收斂，完成對(duì)圖像的超像素分割。

3　超像素在醫(yī)學(xué)圖像處理中的應(yīng)用

基于SLIC技術(shù)的超像素分割在醫(yī)學(xué)圖像處理中有著廣泛的應(yīng)用空間。該方法可有效突出圖像細(xì)節(jié)特征，利用圖像冗余信息，通過(guò)聚類(lèi)的思想將相對(duì)獨(dú)立的像素點(diǎn)合并為分布均勻，邊界規(guī)則的超像素塊，并保持圖像的重要邊界信息，極大提高了圖像處理的效率［7］。同時(shí)，該算法可控制超像素?cái)?shù)量和緊密度，能夠?qū)Σ煌叽绲膱D像完成超像素分割，具有普遍性和可靠性。如今，該技術(shù)可應(yīng)用于醫(yī)學(xué)中多個(gè)領(lǐng)域，為專(zhuān)家快速診斷提供輔助。具體應(yīng)用如下：

（1）癌變病灶定位。由于癌變組織的相關(guān)性狀已經(jīng)發(fā)生改變，在CT影像中，癌變組織與周?chē)M織在顯示上有顯著區(qū)別?；赟LIC技術(shù)的超像素分割可快速將圖中病變部分聚類(lèi)，為專(zhuān)家提供癌變病灶的具體位置和輪廓，如圖2，3所示。

（2）內(nèi)出血定位。內(nèi)出血時(shí)刻危及病人生命，尤其是顱內(nèi)出血，如果不及時(shí)搶救會(huì)造成偏癱，語(yǔ)言功能障礙等嚴(yán)重后果，甚至威脅生命。通過(guò)SLIC超像素分割可快速定位出血位置及大小，如圖4所示。

圖2　

圖3　

圖4　

此外，該技術(shù)還可應(yīng)用在體內(nèi)異物檢查，胎位檢查，胸腹腔積水檢測(cè)等多個(gè)領(lǐng)域。SLIC超像素分割技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用為專(zhuān)家快速診斷提供了重要參考和支持，節(jié)約了寶貴的搶救時(shí)間。

4　結(jié)語(yǔ)

超像素模型將圖像的輪廓、紋理和亮度等特征相關(guān)聯(lián)，將高相似度像素聚類(lèi)為超像素塊，極大降低了算法的復(fù)雜度，提高圖像處理效率［8］。基于SLIC的超像素分割方法，根據(jù)色彩差異和空間距離特征，可對(duì)醫(yī)學(xué)影像實(shí)現(xiàn)快速分割，生成分布均勻、大小規(guī)則的超像素塊，突出病變的位置、輪廓等信息，輔助專(zhuān)家快速完成臨床診斷。超像素分割因其高效、快速、準(zhǔn)確的特性在醫(yī)學(xué)圖像處理中有著廣泛的應(yīng)用和發(fā)展前景。目前國(guó)內(nèi)外專(zhuān)家學(xué)者已開(kāi)展深入研究，未來(lái)的研究將致力于采用自適應(yīng)的超像素分割方法實(shí)現(xiàn)無(wú)人工干預(yù)的全自動(dòng)計(jì)算機(jī)快速診斷。

［1］Malik J.Learning a Classification Model for Segmentation［C］.null.IEEE Computer Society，2003:10-17 vol.1.

［2］Achanta R，Shaji A，Smith K，et al.SLIC Superpixels［J］.Epfl，2010.

［3］Bergh M V D，Boix X，Roig G，et al.SEEDS:Superpixels Extracted Via Energy-Driven Sampling［J］.International Journal of Computer Vision，2013，111（3）:298-314.

［4］滕秀花，胡文瑜，陳敏.一種基于SLIC的超像素快速色彩傳遞算法［J］.哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào)，2014，第3期:77-80.

［5］饒倩，文紅，喻文，等.超像素及其應(yīng)用綜述［J］.電腦與信息技術(shù)，2013，05期:1-3.

［6］王春瑤，陳俊周，李煒.超像素分割算法研究綜述［J］.計(jì)算機(jī)應(yīng)用研究，2014，01期：6-11.

［7］Huang J，Chen J，Chen S.A Simple Linear-Time Approximation Algorithm for Multi-processor Job Scheduling on Four Processors［C］// Proceedings of the 11th International Conference on Algorithms and Computation.Springer-Verlag，2000:33-45.

［8］Fulkerson B，Vedaldi A，Soatto S.Class Segmentation and Object Localization with Superpixel Neighborhoods［C］.Computer Vision，2009 IEEE 12th International Conference on.IEEE，2009：670-677.

Image Processing；Medical Image；Superpixels；Image Segmentation

Application of SLIC Superpixels Segmentation in Medical Image Processing

CHEN Xiang-ting，ZHANG Ruo-ya，QU Xing-xing，LIU bin
（College of Computer and Information Engineering，Henan University，Kaifeng 475000）

1007-1423（2015）35-0052-05

10.3969/j.issn.1007-1423.2015.35.011

陳相廷（1991-），男，河南安陽(yáng)人，碩士研究生，研究方向?yàn)閿?shù)字圖像處理

張偌雅（1993-），女，河南信陽(yáng)人，碩士研究生，研究方向?yàn)閿?shù)字圖像處理

渠星星（1992-），女，河南許昌人，碩士研究生，研究方向?yàn)閿?shù)字圖像處理

劉斌（1988-），男，河南新鄭人，碩士研究生，研究方向?yàn)閿?shù)字圖像處理

2015-11-03

2015-12-03

醫(yī)學(xué)影像現(xiàn)已廣泛應(yīng)用于臨床實(shí)踐，是專(zhuān)家診斷病情的重要依據(jù)。但醫(yī)學(xué)圖像具有成像機(jī)制復(fù)雜，目標(biāo)位移產(chǎn)生偽影，部分容積效應(yīng)導(dǎo)致誤差和設(shè)備磨損產(chǎn)生噪聲等諸多不穩(wěn)定因素，極大增加后續(xù)圖像處理的復(fù)雜度?；赟LIC超像素分割算法利用像素間的冗余信息，在預(yù)處理階段通過(guò)特征相似度消除偽影和噪聲造成的影響，同時(shí)良好的聚類(lèi)效果大大降低算法的復(fù)雜度，為專(zhuān)家快速診斷提供有效依據(jù)。

圖像處理；醫(yī)學(xué)影像；超像素；圖像分割

Medical imaging has been widely used in clinical practice，it is an important basis for medical expert to diagnose the disease.However，medical images have many unstable factors such as complex imaging mechanism，and the target displacement has a false image，the partial volume effect leads to error and equipment wear，which greatly increases the complexity of subsequent image processing.Based on SLIC，a superpixels segmentation algorithm is used to eliminate the influence of artifacts and noise by means of the feature similarity in the preprocessing stage.At the same time，good clustering effect can greatly reduce the complexity of the algorithm，which provides an effective basis for the rapid diagnosis of experts.