基于對(duì)稱相似度的MRI圖像檢測(cè)

李珍珍，張偌雅

（河南大學(xué)計(jì)算機(jī)與信息工程學(xué)院，開封 475000）

基于對(duì)稱相似度的MRI圖像檢測(cè)

李珍珍，張偌雅

（河南大學(xué)計(jì)算機(jī)與信息工程學(xué)院，開封 475000）

在自然界中廣泛存在對(duì)稱性和相似性，人體的很多器官是近似對(duì)稱的。如果發(fā)現(xiàn)某個(gè)器官近似不對(duì)稱，很可能是病變所引起的，而對(duì)稱性和相似性的判斷則依賴于人的主觀行為。對(duì)稱相似度檢測(cè)是一種快速地計(jì)算對(duì)稱相似性的方法來輔助診斷腦部疾病，能夠提高醫(yī)生的診斷準(zhǔn)確性。

0 引言

人體的一些器官是具有對(duì)稱性，如果發(fā)生病變會(huì)造成灰度突變和對(duì)稱程度減小，因此通過量化這些對(duì)稱性可以區(qū)分健康和非健康的器官。人的腦部就是近似對(duì)稱的，在發(fā)生病變的過程中從腦解剖結(jié)構(gòu)發(fā)現(xiàn)，體積和形狀發(fā)生變化的同時(shí)紋理也會(huì)改變。因此通過判斷對(duì)稱性和相似性可區(qū)分病變和正常。為了度量對(duì)稱相似性的差異大小，需要一種度量方法計(jì)算出這種差異程度。

在臨床醫(yī)療影像技術(shù)中，核磁共振檢查磁共振成像（MRI）與已有的成像技術(shù)不同的是相對(duì)于其他醫(yī)療成像技術(shù)所提供的信息量大。MRI在疾病的診斷中具有潛在的優(yōu)越性，是診斷腦內(nèi)血腫、腦腫瘤、顱內(nèi)動(dòng)脈瘤等顱腦常見疾病的重要依據(jù)。理論上，應(yīng)把患者當(dāng)前的MRI片與患者健康時(shí)的做比較，但是一般情況下患者健康時(shí)不會(huì)拍MRI片，所以實(shí)際上，醫(yī)生通過判斷左右半腦對(duì)稱性和相似性得出診斷結(jié)論。由于受到放射科醫(yī)生專業(yè)知識(shí)和經(jīng)驗(yàn)的影響，醫(yī)生的診斷過程是帶有主觀性。醫(yī)生診斷時(shí)也可能會(huì)遺漏細(xì)微的病變，而計(jì)算機(jī)可以提供準(zhǔn)確可靠、客觀的診斷數(shù)據(jù)。通過計(jì)算和分析腦部MRI圖像的對(duì)稱性和相似性，可以有效地幫助醫(yī)生快速地發(fā)現(xiàn)病變以及病變程度。

1 MRI圖像預(yù)處理

在MRI影像的成像過程中，由于病人不能保證絕對(duì)靜止，也不能保證與設(shè)備的軸線平行，這將導(dǎo)致MRI圖像傾斜。同時(shí)設(shè)備的老化和磨損將導(dǎo)致圖像中含有噪聲，因此需要進(jìn)行預(yù)處理，MRI圖像預(yù)處理過程主要包括：邊緣檢測(cè)、傾斜校正和尺寸歸一化。

1.1 邊緣檢測(cè)

Canny是一個(gè)多階段優(yōu)化的算子，具有濾波、圖像增強(qiáng)和邊緣檢測(cè)的功能。其實(shí)質(zhì)是首先使用一個(gè)合適的高斯濾波器對(duì)圖像作平滑處理，然后以帶方向的一階微分算子計(jì)算梯度的幅度值大小和方向，其次對(duì)得到的梯度的幅度值進(jìn)行非極大值抑制處理，保留局部梯度極大值和在該點(diǎn)處梯度最大的像素點(diǎn)，細(xì)化幅值圖像中的屋脊帶[1]。最后運(yùn)用雙閾值算法檢測(cè)圖像，連接邊緣，從而獲得圖像的邊緣。其中閾值檢測(cè)中的閾值選取尤為重要，高閾值選取過大將會(huì)導(dǎo)致丟失圖像邊緣，而選取過低將會(huì)出現(xiàn)偽邊緣[2]。低閾值設(shè)置過大將會(huì)導(dǎo)致漏檢圖像邊緣突變較小的邊緣，因此閾值的大小直接決定了圖像邊緣提取的效果。根據(jù)經(jīng)驗(yàn)一般高閾值會(huì)設(shè)置為0.40，而低閾值選取0.05。

1.2 傾斜校正

在MRI成像過程中，由于相關(guān)設(shè)備不穩(wěn)定、患者隨意運(yùn)動(dòng)或情緒緊張，使生成的腦部圖像中往往會(huì)發(fā)生十分明顯的傾斜現(xiàn)象，這會(huì)影響圖像分析、圖像配準(zhǔn)和圖像分割的效果，最壞的情況是造成醫(yī)生作出錯(cuò)誤的診斷結(jié)果。因此，傾斜校正是非常重要的一部分。

Radon變換是1917年由奧地利科學(xué)家Radon提出，該方法成功地實(shí)現(xiàn)了由函數(shù)在平面內(nèi)所有直線上的積分值來確定該函數(shù)，成為積分幾何學(xué)的奠基石，并且為圖像重構(gòu)提供了統(tǒng)一的數(shù)學(xué)基礎(chǔ)[3]。Radon變換的思想是利用投影積分，沿著某條特定直線作積分，然后將得到的積分值投影到要變換的平面上，該積分結(jié)果稱為Radon曲線。Radon曲線是由某條特定直線與圖像坐標(biāo)系原點(diǎn)的距離和傾斜角來確定，圖像沿θ方向的Radon曲線表示為[4]：

其中，g(d ,θ)為Radon曲線，f(x ,y)為原始圖像。

1.3 尺寸歸一化

尺寸大小不同的醫(yī)學(xué)圖像進(jìn)行處理會(huì)影響檢測(cè)的結(jié)果，因此需要對(duì)圖像的大小進(jìn)行歸一化，消除尺度效應(yīng)。一般歸一化方法包括縮放和裁剪，采用縮放的方法會(huì)丟失較多的圖像灰度信息。采用裁剪的方法，既可以去掉多余部分，又保持相同組織的灰度信息一致性。所使用的所有圖像的尺寸大小均歸一化為742×642×3。

選取一幀傾斜的腦部MRI圖像三腦室下部層面對(duì)算法進(jìn)行試驗(yàn)。在MATLAB 2016a平臺(tái)進(jìn)行實(shí)驗(yàn)，計(jì)算機(jī)的配置為主頻3.30GHz的Intel四核CPU、4GB RAM。圖 1（a）～（d）分別為原圖、邊緣檢測(cè)結(jié)果、加粗輪廓以及校正后圖像。

圖1 MRI圖像預(yù)處理過程

2 對(duì)稱相似度檢測(cè)

對(duì)稱相似度檢測(cè)是指分別提取圖像左右腦局部的一些特征計(jì)算出其對(duì)稱度和相似度，所以要先劃分出左右腦的界限，為了使左右兩邊的對(duì)稱性最大化，要準(zhǔn)確的找到一條中軸線劃分左右大腦。根據(jù)大腦的中軸線，在每幅腦MRI圖像上將這些組織結(jié)構(gòu)劃分為左右兩部分，用左腦鏡像生成右腦（鏡像生成的右腦與右腦近似對(duì)稱）并組合成一個(gè)完整的腦部。從一組MRI圖像中選取主要的一張作為算法的輸入，輸出是一個(gè)多指標(biāo)融合的標(biāo)量。

設(shè)x表示一個(gè)向量，而以f（x）為左腦圖像坐標(biāo)x的灰度值，g（x）為右腦圖像坐標(biāo)x的灰度值，則圖像的對(duì)稱度定義為：

該對(duì)稱性定義等價(jià)于最大化重疊體積，而且考慮了圖像的灰度信息[5]?；叶戎狈綀D可以體現(xiàn)圖像中各灰度級(jí)的分布情況，得到相關(guān)的均值，方差和熵等特征[6]?；叶忍卣骱椭狈綀D特征具有較強(qiáng)的代表性，但是這些特征難以完整表達(dá)圖像的空間與特征信息。共生矩陣方法和相關(guān)函數(shù)法能夠很好反映圖像中灰度的空間相關(guān)特性[7]。計(jì)算相似度定義為：

其中：l(x ,y)表示圖像的亮度比較函數(shù)，c(x ,y)表示圖像的對(duì)比度比較函數(shù)，g(x ,y)表示圖像的紋理比較函數(shù)[8]，φ(m ,n)表示在灰度共生矩陣的基礎(chǔ)上再提取的相關(guān)函數(shù)，x，y分別表示左腦鏡像圖像和右腦圖像，μx、μy分別表示 x和 y的灰度均值，σx、σy分別表示x和y的灰度方差，p(i,j)為在給定d，θ參數(shù)下的共生矩陣的元素已歸一化的頻率，α、β、γ均大于零，C1、C2、C3是為了避免分母出現(xiàn)零的情況。求出多個(gè)指標(biāo)融合的最終結(jié)果。

P=s( )

f,g ×ρ(f,g)這就構(gòu)成了一個(gè)多指標(biāo)融合的評(píng)價(jià)結(jié)果，可以來表征整幅圖像的對(duì)稱相似度。

3 數(shù)據(jù)實(shí)驗(yàn)

使用MATLAB軟件進(jìn)行算法計(jì)算和仿真。計(jì)算得到的值是介于0和1之間的數(shù)，根據(jù)這個(gè)值的大小可以得出初步的診斷結(jié)果。通過表1的對(duì)比說明對(duì)稱相似度越低，腦部發(fā)生病變的概率越大；對(duì)稱相似度越高，則說明兩側(cè)對(duì)稱性很好，腦部發(fā)生病變的概率越小。

表1 病變與非病變對(duì)比

直接將臨床醫(yī)學(xué)的腦部MRI圖像數(shù)據(jù)作為輸入數(shù)據(jù)，整體劃分左右半腦來界定作為計(jì)算不對(duì)稱度的計(jì)算區(qū)域范圍。這樣不僅減少醫(yī)生手動(dòng)操作選擇的誤差，也有助于提高自動(dòng)化程度。經(jīng)計(jì)算分析給出參考診斷結(jié)果，經(jīng)大量試驗(yàn)，對(duì)病例圖片的檢測(cè)結(jié)果取得醫(yī)生的滿意，因此以對(duì)稱相似度為依據(jù)的腦部病變?cè)\斷可以為醫(yī)生提供有價(jià)值的參考意見，可以輔助醫(yī)生更高效地診斷。

圖2

4 結(jié)語

檢測(cè)MRI圖像是否有病變的過程主要分為兩部分，第一部分圖像預(yù)處理主要包括邊緣檢測(cè)、傾斜校正和尺寸歸一化；第二部分是對(duì)稱相似度檢測(cè)，量化人體左右腦中對(duì)稱相似性，對(duì)早期病變過程中的不同階段的檢測(cè)具有較高的參考價(jià)值，快速輔助醫(yī)生診斷。未來的研究將會(huì)有針對(duì)性地檢測(cè)為具體某種腦部疾病，例如阿爾茲海默病、神經(jīng)退行性疾病、帕金森氏病等疾病。

[1]王傳正.基于Canny與模糊算法的圖像邊緣提取技術(shù)研究[D].上海師范大學(xué)，2016.

[2]萬力，易昂，傅明.一種基于Canny算法的邊緣提取改善方法[J].計(jì)算機(jī)技術(shù)與自動(dòng)化，2003：24-26.

[3]安志勇，趙珊，王曉華，周利華．基于多尺度Radon變換的圖像檢索[J].光子學(xué)報(bào)，2007：1176-1180．

[4]仇偉濤．復(fù)雜文本圖像傾斜校正算法研究[D].河南大學(xué)，2016．

[5]周益琰，丁廣太，宋安平，張武．一種在醫(yī)學(xué)圖像中挖掘非對(duì)稱區(qū)域的方法[J].計(jì)算機(jī)應(yīng)用，2007（3）：693-695.

[6]Pragati Kapoor，S.V.A V.Prasad，Seema Patni．Image Segmentation and Asymmetry Analysis of Breast Thermograms for Tumor Detection[J]．International Journal of Computer Applications，2012：40-45．

[7]楊杰，黃朝兵．?dāng)?shù)字圖像處理及MATLAB實(shí)現(xiàn)（第2版）[M]．電子工業(yè)出版社，2013：247-261．

[8]Aswin.R.B1，J.Abdul Jaleel2，Sibi Salim.Implementation of ANN Classifier using MATLAB for Skin Cancer Detection[J]．International Journal of Computer Science and Mobile Computing，2013：87-94．

李珍珍（1996-），女，河南漯河人，碩士研究生，研究方向?yàn)閿?shù)字圖像處理

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

2017-08-11

2017-10-10

Symmetry and Similarity Detection;MRI Image;Disease Diagnosis

MRI Image Detection Based on Symmetry and Similarity

LI Zhen-zhen，ZHANG Ruo-ya

（College of Computer and Information Engineering，Henan University，Kaifeng 47500）

Symmetry and similarity are widely existed in nature,many organs of the human body are also symmetrical and similar.If an organ is found to be approximately asymmetrical,it is likely to be caused by lesions.However,the judgment of symmetry and similarity depends on human subjective behavior.Symmetrical similarity detection is a fast method for computing symmetry and similarity to assist in the diagnosis of brain diseases.At the same time,it can improve the doctor's diagnostic accuracy.

對(duì)稱相似度檢測(cè)；MRI圖像；疾病診斷

1007-1423（2017）29-0061-04

10.3969/j.issn.1007-1423.2017.29.015