超聲乳腺腫瘤圖像中種子點(diǎn)的自動(dòng)定位研究

范懷玉，馬軍山，劉玉堂，杜彩虹

（1．上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093；2．濟(jì)寧醫(yī)學(xué)院 醫(yī)學(xué)信息工程學(xué)院，山東 日照 276826）

引 言

近年來(lái)，乳腺癌已成為世界范圍內(nèi)導(dǎo)致女性死亡的主要原因[1]，并且死亡率有逐年上升的趨勢(shì)。該病最好的預(yù)防和治療方法就是借助于乳腺X射線成像或者乳腺超聲等檢查工具，對(duì)可疑病灶早發(fā)現(xiàn)、早治療。乳腺X射線成像技術(shù)被稱為乳腺篩查的黃金標(biāo)準(zhǔn)，被廣泛應(yīng)用到乳腺檢查中，但是該技術(shù)不可避免地存在一個(gè)高假陽(yáng)性率問(wèn)題。研究者已經(jīng)發(fā)現(xiàn)，經(jīng)由乳腺X射線成像技術(shù)檢出的腫塊中有超過(guò)60%的實(shí)為良性腫塊[2-3]。同時(shí)檢測(cè)費(fèi)用較高并有一定的電離輻射。相比而言，乳腺超聲因其是一種費(fèi)用低、非侵襲、可攜式以及多用途的檢測(cè)儀器，在早期的乳腺篩查中被廣泛應(yīng)用[4]。

隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展和圖像處理技術(shù)的不斷完善，計(jì)算機(jī)輔助診斷（ computer aided diagnosis，CAD）能夠幫助醫(yī)生提高診斷準(zhǔn)確率，使得診斷更加高效、實(shí)用、智能和自動(dòng)化[5-6]。在眾多超聲乳腺圖像處理方法中，圖像的分割是非常重要的一個(gè)關(guān)鍵環(huán)節(jié)，分割結(jié)果不僅能夠提供給醫(yī)生一個(gè)更為直觀的判斷，而且為后續(xù)乳腺腫瘤的良惡性判別打下良好基礎(chǔ)。但是超聲圖像噪聲斑點(diǎn)多、對(duì)比度差、組織間的邊界模糊不清等不利因素，使得感興趣區(qū)域（the region of interests，ROI）的分割變得非常困難，經(jīng)常要借助于專家的手動(dòng)分割，這不但費(fèi)時(shí)費(fèi)力，分割結(jié)果也依賴專家的經(jīng)驗(yàn)，也就失去了CAD高效、智能和自動(dòng)化的初衷。研究人員嘗試?yán)脜^(qū)域增長(zhǎng)的方法來(lái)自動(dòng)分割ROI，并取得了不錯(cuò)的結(jié)果[7-8]。區(qū)域增長(zhǎng)自動(dòng)分割的關(guān)鍵一步就是種子點(diǎn)或者種子區(qū)域的選擇，如果選擇在腫瘤的外面，則分割結(jié)果注定是失敗的。為防止分割錯(cuò)誤，在利用區(qū)域增長(zhǎng)方法進(jìn)行分割的時(shí)候，大都是提前人工手工選擇種子點(diǎn)。為使得超聲乳腺腫瘤區(qū)域分割完全的自動(dòng)化，開(kāi)展一種自動(dòng)而又準(zhǔn)確的種子點(diǎn)（或者區(qū)域）選擇的研究是很有必要的，目前在這方面開(kāi)展的工作比較少[9]。文獻(xiàn)[10]提出了用灰度共生矩陣特征和游程特征的方法自動(dòng)地選擇腫塊的種子點(diǎn)，如果種子點(diǎn)的所有游程特征和它的領(lǐng)域的點(diǎn)相等，則該點(diǎn)就被認(rèn)作種子點(diǎn)。文獻(xiàn)[9]在利用超聲圖像的灰度信息的同時(shí)也利用了圖像的空間信息，計(jì)算出圖像灰度直方圖的所有局域最小值，設(shè)定閾值從最小的局域最小值開(kāi)始增大，取出病變部分和背景部分，當(dāng)目標(biāo)區(qū)域和背景區(qū)域的比值大于等于0.1時(shí)，閾值不再增大，得到的連通區(qū)域在圖像中心位置的被認(rèn)為是種子區(qū)域。雖然該方法的真陽(yáng)性（true positive, TP）率達(dá)到了 9 5.24% 的良好結(jié)果，但是如果病變出現(xiàn)在圖像的其他位置，算法的魯棒性將會(huì)受到影響。本文根據(jù)超聲腫瘤圖像的結(jié)構(gòu)特點(diǎn)和灰度分布，對(duì)圖像進(jìn)行不同閾值下的四叉樹(shù)分解，利用約束條件定位初始目標(biāo)區(qū)域和臨時(shí)種子區(qū)域，當(dāng)臨時(shí)種子區(qū)域在初始目標(biāo)區(qū)域內(nèi)時(shí)，臨時(shí)種子區(qū)域即為要尋找的種子區(qū)域，再對(duì)種子區(qū)域內(nèi)的各點(diǎn)的灰度值進(jìn)行排序，灰度值最小的點(diǎn)被認(rèn)為是種子點(diǎn)。

1 種子點(diǎn)自動(dòng)定位原理

1.1 直方圖均衡化

因超聲醫(yī)學(xué)圖像灰度的對(duì)比度低、局部細(xì)節(jié)上沒(méi)有明顯的灰度差別等缺點(diǎn)[11]，使得以原始灰度為目標(biāo)的處理方法較為困難?；叶戎狈綀D均衡的圖像增強(qiáng)方法常用來(lái)對(duì)超聲醫(yī)學(xué)圖像進(jìn)行增強(qiáng)[12]。其基本思想是把原始圖像的直方圖變換為均勻分布的形式，增加了像素灰度值的動(dòng)態(tài)范圍從而可達(dá)到增強(qiáng)圖像整體對(duì)比度的效果。超聲乳腺圖像被直方圖均衡化后，圖像的灰度分布被歸一化到[0,1]，結(jié)果如圖1所示。

1.2 迭代四叉樹(shù)分解方法

正常的乳腺超聲圖像由淺至深可分五層結(jié)構(gòu)：最外層為皮膚，厚2～3 mm，呈強(qiáng)回聲帶；第二層為皮下脂肪，呈低回聲，其內(nèi)可見(jiàn)三角形回聲，為CooPer韌帶聲像；第三層為腺體層，厚1.0 cm ± 3.0 cm，呈低回聲，其中夾雜有點(diǎn)狀及條狀回聲，為纖維組織、脂肪及導(dǎo)管結(jié)構(gòu)；第四、五層為胸肌及肋間肌，一般易于分辨，呈條狀回聲[13]。腫瘤在超聲圖像中一般表現(xiàn)為低回聲區(qū)，處于腺體層區(qū)域。

四叉樹(shù)數(shù)據(jù)結(jié)構(gòu)是一種對(duì)柵格數(shù)據(jù)的壓縮編碼方法[14]。該方法是將一幅圖像等分為四個(gè)子塊，并逐塊檢查子塊的灰度；如果某子塊內(nèi)所有的灰度值小于指定閾值，則這個(gè)子塊就不再繼續(xù)等分，否則，該子塊繼續(xù)分解為四個(gè)子塊，直到每個(gè)子塊的灰度值均小于指定閾值。在我們運(yùn)用四叉樹(shù)方法對(duì)乳腺超聲圖像進(jìn)行分解之前，先將圖像尺寸統(tǒng)一放縮為 5 12×512 ，閾值不同，圖像的分解程度不同，圖像將會(huì)被分解成 2 56×256 、128×128、 6 4×64 、 3 2×32 、 1 6×16 、 8 ×8 、 4 ×4 、2×2、 1 ×1 不同規(guī)格大小的子塊，子塊的規(guī)格、數(shù)量和位置會(huì)因圖像的灰度值分布不同而改變。在閾值一定的情況下，因腫瘤內(nèi)部、第四層和第五層的胸肌及肋間肌都屬于低回聲區(qū)域，該位置的圖像灰度值較小，并且灰度值變化相對(duì)平緩，規(guī)格較大的子塊會(huì)出現(xiàn)在此區(qū)域。而腫瘤邊緣和其他區(qū)域圖像的灰度值較大，且灰度值變化相對(duì)劇烈，該區(qū)域會(huì)出現(xiàn)規(guī)格較小的子塊。因此定位腫瘤區(qū)域就轉(zhuǎn)化為尋找規(guī)格最大的子塊。

對(duì)于不同超聲乳腺腫瘤圖像，要實(shí)現(xiàn)自動(dòng)定位腫瘤區(qū)域進(jìn)而在其內(nèi)部定位種子點(diǎn)，如何指定閾值是最為關(guān)鍵的環(huán)節(jié)。閾值太大，規(guī)格最大的子塊不只是包含腫瘤區(qū)域，為定位種子點(diǎn)帶來(lái)困難；閾值太小，分解后規(guī)格最大的子塊有可能不在腫瘤區(qū)域。超聲乳腺圖像被直方圖均衡化后，圖像的灰度分布被歸一化到[0，1]，根據(jù)最大類間方差法，能求出每幅圖像的最佳閾值。由實(shí)驗(yàn)結(jié)果可以得出，不同圖像的最佳閾值不同，但均處于[0.4，0.6]。為了能夠準(zhǔn)確定位腫瘤區(qū)域，必須在此區(qū)間選定一個(gè)值，通過(guò)迭代使閾值動(dòng)態(tài)變化，以滿足不同圖像定位腫瘤區(qū)域的需要。

設(shè)閾值為 T =0.5/2n-1（為自然數(shù)），算法的流程描述如下。

圖1 被均衡圖像的灰度變化Fig. 1 The grayscale changes of the equalized images

（3）如果臨時(shí)種子區(qū)域在初始目標(biāo)區(qū)域內(nèi)，則臨時(shí)種子區(qū)域即為要尋找的種子區(qū)域，對(duì)種子區(qū)域內(nèi)所有的點(diǎn)的灰度值進(jìn)行大小排序，灰度值最小的點(diǎn)即為種子點(diǎn)位置。

否則，臨時(shí)種子區(qū)域變?yōu)槌跏寄繕?biāo)區(qū)域。返回步驟（2）并賦值對(duì)圖像再次進(jìn)行四叉樹(shù)分解，找到臨時(shí)種子區(qū)域。重復(fù)步驟（3）。

2 實(shí)驗(yàn)與結(jié)果

用105幅超聲乳腺腫瘤圖像（其中包括53幅惡性腫瘤圖像和52幅良性腫瘤圖像）來(lái)檢驗(yàn)所提出的算法是否有效，這些圖像都經(jīng)過(guò)了組織活檢，均證實(shí)了其良惡性。所有圖像的處理均采用軟件MATLAB 2010，計(jì)算機(jī)的配置為英特爾處理器2.70 GHz和8 G內(nèi)存。

通過(guò)一幅超聲乳腺腫瘤圖像尋找種子點(diǎn)的過(guò)程來(lái)進(jìn)一步說(shuō)明我們提出的算法流程。

第一次分解，取閾值 T1=0.5 ，分解后圖像如圖2（a）所示，排除與圖像邊緣相連的子塊，最大子塊規(guī)格為 6 4×64 ，如圖中標(biāo)示A的子塊，將其視為初始目標(biāo)區(qū)域。重新對(duì)圖像進(jìn)行第二次分解，閾值變?yōu)?T2=0.25 ，分解后圖像如圖2（b）所示，排除與圖像邊緣相連的子塊后，最大規(guī)格子塊（ 3 2×32 ）如圖中標(biāo)示的B、C、D、E和F子塊，對(duì)這五個(gè)子塊分別計(jì)算其內(nèi)部所有點(diǎn)的灰度值之和，發(fā)現(xiàn)C子塊的灰度值之和最小，將其暫定為臨時(shí)種子區(qū)域。但臨時(shí)種子區(qū)域不在初始目標(biāo)區(qū)域內(nèi)。根據(jù)算法流程的步驟（3），將臨時(shí)種子區(qū)域改為初始目標(biāo)區(qū)域，第三次對(duì)圖像進(jìn)行重新分解，閾值變?yōu)?T3=0.125 ，分解后圖像如圖2（c）所示，最大子塊共有29個(gè)，規(guī)格為 1 6×16 ，對(duì)所有該規(guī)格子塊（排除與圖像邊緣相連的子塊）分別計(jì)算其內(nèi)部所有點(diǎn)的灰度值之和，發(fā)現(xiàn)標(biāo)示G的子塊的最小的灰度值之和最小，將其暫定為臨時(shí)種子區(qū)域。此時(shí)G子塊處于初始目標(biāo)區(qū)域C子塊內(nèi)，所以G子塊被認(rèn)定為種子區(qū)域，對(duì)G子塊區(qū)域內(nèi)所有的點(diǎn)的灰度值進(jìn)行大小排序，灰度值最小的點(diǎn)即為種子點(diǎn)位置，如圖2（d）標(biāo)示星號(hào)的位置。在軟件MATLAB 2010環(huán)境下，每次分解后所有子塊的位置坐標(biāo)均能獲知，亦即能夠得到種子點(diǎn)在圖像中的位置。實(shí)驗(yàn)結(jié)果表明，良性腫瘤圖像因形狀規(guī)則、邊界清晰、邊緣光滑、內(nèi)部回聲均勻的特點(diǎn)，種子點(diǎn)均能夠定位在腫瘤內(nèi)部，而惡性超聲腫瘤圖像因形態(tài)不規(guī)則、邊緣呈毛刺狀、邊緣有浸潤(rùn)、腫瘤內(nèi)部回聲欠均勻、后方回聲呈現(xiàn)衰減暗區(qū)等特點(diǎn)，使得我們的算法在對(duì)惡性腫瘤圖像進(jìn)行種子點(diǎn)的選擇時(shí)，有六幅圖像定位在了腫瘤的外部。本文的方法和文獻(xiàn)[9]方法的性能如表1所示。

將種子點(diǎn)定位于腫瘤內(nèi)部，并且所消耗的時(shí)間少，以滿足實(shí)時(shí)在線分割的需求，也是我們?cè)O(shè)計(jì)算法的初衷。從圖像預(yù)處理到定位種子點(diǎn)整個(gè)過(guò)程所用時(shí)間如表2所示。用單一圖像來(lái)比較，手動(dòng)定位更有優(yōu)勢(shì)，但是在連續(xù)定位多幅圖像的種子點(diǎn)時(shí)，我們提出的算法更為快捷。

3 結(jié) 論

在超聲乳腺腫瘤圖像中，腫瘤是單一目標(biāo)，并且腫瘤內(nèi)部灰度變化較為平緩，腫瘤周?chē)叶茸兓^為劇烈。正是利用了圖像的這一特征，通過(guò)四叉樹(shù)分解的算法能夠得到：在灰度變化劇烈的區(qū)域，圖像分裂得越厲害，塊的規(guī)格越小；反之，越是灰度較為均勻的區(qū)域，灰度變化平緩，分裂的塊的規(guī)格越大，從而實(shí)現(xiàn)了種子點(diǎn)的自動(dòng)快速定位。在提出的算法中，要求腫瘤區(qū)域與圖像邊緣不相連接（無(wú)論它處在圖像的上部還是下部），其實(shí)只要是獲取超聲圖像的探頭位于腫瘤的正上方，這一要求就能得到滿足。通過(guò)對(duì)種子區(qū)域錯(cuò)選在腫瘤區(qū)域之外的六幅圖像進(jìn)行分析，我們發(fā)現(xiàn)腫瘤的下方均有明顯的、呈現(xiàn)衰減暗區(qū)的后方回聲，對(duì)于這種類型的圖像，即使種子區(qū)域選擇在腫瘤內(nèi)部，因有后方衰減暗區(qū)的存在，后續(xù)的區(qū)域增長(zhǎng)也很難將腫瘤分割出來(lái)。這既是我們的算法的不足之處，也是我們下一步努力改進(jìn)的方向。

圖2 定位種子點(diǎn)的流程示意圖Fig. 2 The process diagram of locating the seed

表1 算法的性能Tab. 1 Performance of the method

表2 定位圖像種子點(diǎn)各階段所消耗的時(shí)間Tab. 2 The consuming time in the stages for locating the seed piont in images