多特征融合的超像素譜聚類MRI腦腫瘤圖像分割

白志超，康維新

哈爾濱工程大學(xué) 信息與通信工程學(xué)院，黑龍江 哈爾濱 150001

核磁共振成像(magnetic resonance imaging,MRI)為腦腫瘤的診斷與規(guī)劃治療提供了豐富的信息，但是由于腦腫瘤的大小、形狀和強(qiáng)度都各不相同，使得腫瘤分割變得困難。同時(shí)由于成像技術(shù)的原因，MRI圖像也受到強(qiáng)度不均勻的影響，也會(huì)影響分割的準(zhǔn)確性。在臨床中，腦腫瘤的分割都是靠人工標(biāo)注的，這是非常耗時(shí)的，并且也依賴于醫(yī)生的經(jīng)驗(yàn)，因此腦腫瘤的自動(dòng)分割也成為醫(yī)學(xué)領(lǐng)域一項(xiàng)具有挑戰(zhàn)性的難題。

無(wú)監(jiān)督聚類與有監(jiān)督聚類相比不需要大量的標(biāo)記數(shù)據(jù)集，可以在不損失分割精度的前提下降低計(jì)算復(fù)雜度、提高計(jì)算效率。用于腦腫瘤圖像分割的無(wú)監(jiān)督方法包括Fuzzy-c-Means(FCM)[1]、Gaussian Mixture Model(GMM)[2]、K-means[3-4]和Region Seeds Growing(RSG)[5]等。譜聚類是近些年比較流行的一種無(wú)監(jiān)督聚類方法，它是一種基于圖的聚類方法[6]，與其他聚類技術(shù)相比可以在多項(xiàng)式時(shí)間內(nèi)產(chǎn)生全局最優(yōu)解。但是譜聚類依賴圖節(jié)點(diǎn)之間構(gòu)造的相似矩陣，當(dāng)數(shù)據(jù)量大的時(shí)候，會(huì)帶來(lái)計(jì)算復(fù)雜度較高的問(wèn)題。為了克服譜聚類的缺點(diǎn)，F(xiàn)owlkes[7]采用Nystrom方法，可以用少量的采樣像素來(lái)逼近相似度矩陣，提高了計(jì)算效率，然而由于數(shù)據(jù)量大、特征向量之間不正交等原因，影響了分割結(jié)果的準(zhǔn)確性。超像素最開始由Ren等[8]提出，它代表了一個(gè)連貫的局部區(qū)域，保留了圖像的大部分特征，利用超像素可以顯著地降低圖的節(jié)點(diǎn)數(shù)，加快圖的劃分。文獻(xiàn)[9]首先使用K-means生成超像素，然后通過(guò)譜聚類對(duì)超像素進(jìn)行聚類，進(jìn)而完成了對(duì)腦腫瘤的分割。

本文基于譜聚類和超像素在圖像分割中的成功應(yīng)用，提出了多特征融合的超像素譜聚類MRI腦腫瘤圖像分割方法。采用超像素為圖節(jié)點(diǎn)，構(gòu)建了一種融合圖像空間、顏色和紋理特征的相似度計(jì)算函數(shù)，進(jìn)而求得歸一化拉普拉斯矩陣，然后對(duì)其特征向量進(jìn)行聚類來(lái)完成對(duì)圖像的分割。通過(guò)實(shí)驗(yàn)結(jié)果表明，該方法有效地降低了計(jì)算復(fù)雜度，提高了分割精度。

1 相關(guān)基礎(chǔ)概念

1.1 SLIC算法

SLIC算法是近些年比較流行的超像素分割算法[10]，其根據(jù)空間距離和顏色相似特征進(jìn)行局部的迭代聚類。SLIC方法是K-means聚類在生成超像素時(shí)的一種改進(jìn)，與K-means相比它有兩個(gè)重要的改進(jìn)：1)SLIC將聚類搜索空間限制為與超像素的大小成比例，這樣可以將K-means算法的復(fù)雜度降為常數(shù)，整個(gè)算法復(fù)雜度為線性。2)同時(shí)考慮顏色和空間距離并且進(jìn)行加權(quán)處理，可以對(duì)超像素的邊界依附性和緊湊型加以控制，它有一個(gè)參數(shù)K，可以控制超像素的數(shù)量。SLIC算法簡(jiǎn)單易于理解，通過(guò)不斷地進(jìn)行迭代聚類，直到結(jié)果收斂。通過(guò)限制聚類的搜索區(qū)域，顯著地降低了計(jì)算復(fù)雜度，生成的超像素具有規(guī)則的尺寸。SLIC的距離計(jì)算公式為

式中：ds為空間距離；dc為顏色距離；S為網(wǎng)格間隔；m為權(quán)衡因子，l、a、b分別為L(zhǎng)ab顏色空間各通道的值，x、y為像素點(diǎn)坐標(biāo)。m大時(shí)，空間鄰近性更重要；m小時(shí)，顏色相似性更重要。

1.2 譜聚類算法

譜聚類是一種目前比較流行的基于圖的無(wú)監(jiān)督聚類技術(shù)[6]。它將需要聚類的數(shù)據(jù)看作為空間中的點(diǎn)，然后通過(guò)邊將這些點(diǎn)連接起來(lái)，并賦予各個(gè)邊權(quán)重值。將間隔較遠(yuǎn)的兩點(diǎn)之間的邊賦予較低權(quán)重，而相距較近的兩點(diǎn)之間的邊賦予較高權(quán)重，通過(guò)對(duì)聚類數(shù)據(jù)點(diǎn)構(gòu)成的圖進(jìn)行切圖，讓切圖后不同聚類間邊權(quán)重和盡可能低，而同一聚類內(nèi)的邊權(quán)重和盡可能高，以達(dá)到對(duì)數(shù)據(jù)聚類的目的。NJW是一種經(jīng)典的譜聚類方法[11]，其通過(guò)對(duì)拉普拉斯矩陣的特征向量和特征值進(jìn)行分解來(lái)對(duì)數(shù)據(jù)進(jìn)行聚類。給定一個(gè)圖像I={I1,I2,···,In}，其中I1,I2,···,In表示圖像中的像素，將圖像表示成一個(gè)加權(quán)無(wú)向圖G={V,E}， 其中V表示圖中的節(jié)點(diǎn)，E表示節(jié)點(diǎn)之間的邊，在計(jì)算相似度矩陣時(shí)，第i個(gè)節(jié)點(diǎn)和第j個(gè)節(jié)點(diǎn)之間的相似度量函數(shù)可以表示為

式中：d(Ii,Ij)表示節(jié)點(diǎn)Ii與節(jié)點(diǎn)Ij之間的歐氏距離；σ為高斯核尺度參數(shù)。然后將相似度矩陣轉(zhuǎn)化為歸一化拉普拉斯矩陣進(jìn)行特征向量分解。最后，利用K-means算法對(duì)最小的k個(gè)特征值進(jìn)行聚類，得到原始信息聚類結(jié)果。

2 多特征融合的超像素譜聚類腦腫瘤圖像分割

2.1 非局部均值濾波去噪

由于成像技術(shù)的原因，原始MRI圖像中會(huì)不可避免地帶有噪聲，并且噪聲通常服從Rician分布，非局部均值濾波(non-local means, NL-Means)技術(shù)被發(fā)現(xiàn)能很好地處理MRI圖像中的噪聲[12]，該算法利用圖像中普遍存在的冗余信息來(lái)去除噪聲，它利用整幅圖像來(lái)去噪，以圖像塊為單位在圖像中尋找相似區(qū)域，再對(duì)這些區(qū)域求平均，能夠比較好地去掉MRI圖像中的噪聲。NL-Means濾波過(guò)程可以表示為

式中 ω(x,y)為 權(quán)重值，表示在原始圖像I中像素x和像素y之間的相似度。 ω(x,y)需要滿足式(1)表示的條件，圖1給出了去噪后的效果。

圖1 去噪后圖像

2.2 構(gòu)建相似度度量函數(shù)

將去噪后的MRI圖像通過(guò)SLIC算法進(jìn)行超像素分割，進(jìn)而獲得構(gòu)建加權(quán)無(wú)向圖的節(jié)點(diǎn)，SLIC分割結(jié)果如圖2。因?yàn)樽V聚類具有對(duì)高斯核尺度參數(shù)σ的選取敏感的特點(diǎn)，并且MRI醫(yī)學(xué)圖像感興趣區(qū)域(ROI)總是存在邊界模糊的現(xiàn)象，單一的采用距離及顏色特征度量超像素節(jié)點(diǎn)之間的相似性并不會(huì)獲得良好的分割效果，因此本文構(gòu)建了一種融合多特征的相似度度量函數(shù)，在距離及顏色特征的基礎(chǔ)上添加MRI圖像的紋理特征，并且采用自適應(yīng)的方式計(jì)算尺度參數(shù)σ。

圖2 超像素分割

2.2.1 獲取紋理體征

局部二值模式(local binary pattern, LBP)是一種常用來(lái)描述圖像紋理特征的算子，它具有旋轉(zhuǎn)不變性和灰度不變性等優(yōu)點(diǎn)。其定義在一個(gè)3×3的窗口內(nèi)，以窗口中心的像素作為閾值，并將其與其8鄰域內(nèi)的像素的灰度值進(jìn)行比較，進(jìn)而得到該區(qū)域的紋理信息[13]，如圖3所示，用公式表示為

式中： (xc,yc)為 中心像素；ic為 中心像素灰度值；in為相鄰像素的灰度值；s(x)是一個(gè)符號(hào)函數(shù)。

圖3 紋理特征

2.2.2 構(gòu)建相似度矩陣

給定N個(gè)超像素，加權(quán)無(wú)向圖被表示成一個(gè)N×N的相似度矩陣，第i個(gè) 超像素與第j個(gè)超像素之間的相似距離定義為

式中：g(i)、r(i) 和c(i)分別表示超像素的平均灰度值和平均位置；t(i)為超像素的平均紋理特征值，同時(shí)由于空間距離依賴于圖像的大小，因此添加空間加權(quán)因子dw；其中h為 圖像高度；w為圖像寬度，在實(shí)驗(yàn)中，將m設(shè) 置為固定值100；tw為紋理特征調(diào)節(jié)參數(shù)，在實(shí)驗(yàn)中設(shè)置為固定值10。

計(jì)算相似距離之后，選擇fully connected graph的方式構(gòu)建相似度矩陣，相似度矩陣S定義如下：

其中：

譜聚類算法相比于其他分割算法能更有效的進(jìn)行聚類，但是它的計(jì)算復(fù)雜度為O(N3/2)，采用SLIC進(jìn)行超像素分割可以大大降低N，提高計(jì)算效率。同時(shí)本文構(gòu)造的相似度矩陣融合了MRI圖像的紋理信息，可以更好反應(yīng)圖像的結(jié)構(gòu)與信息，采用式(4)計(jì)算σ可以有效地避免人為選取σ?guī)?lái)的敏感性問(wèn)題。

3 對(duì)比試驗(yàn)與結(jié)果分析

為了驗(yàn)證本文方法，分別與INJW算法[14]和RSF-Ncut算法[15]進(jìn)行對(duì)比分割實(shí)驗(yàn)。實(shí)驗(yàn)所用的數(shù)據(jù)來(lái)自BraTS 2015數(shù)據(jù)集[2]，實(shí)驗(yàn)機(jī)器采用PC機(jī)，Inter Core i5 2.6 GHZ處理器，8 GB內(nèi)存，實(shí)驗(yàn)平臺(tái)為MATLAB 2019b，圖4給出了以上3種分割方法與人工分割的對(duì)比圖。

圖4 3種算法分割結(jié)果及人工分割的對(duì)比圖

為了定量評(píng)估算法的性能，本文選用相似性系數(shù)(Dice)、相對(duì)體積誤差(RVD)和靈敏度(Sensitivity)作為腦腫瘤分割結(jié)果的評(píng)價(jià)指標(biāo)，其中Dice表示分割結(jié)果和groundtruth之間的重疊程度，RVD表示分割結(jié)果和groundtruth之間體積的差值，Sensitivity表示正確分割的腫瘤占真值腫瘤的比例，實(shí)驗(yàn)中對(duì)每幅圖像均做了多次實(shí)驗(yàn)，結(jié)果取平均值。

式中Rseg和Rgt分別表示算法分割結(jié)果和人工分割。

從視覺(jué)效果來(lái)看，本文方法較對(duì)比方法更能保持分割出的腦腫瘤部位的完整性，在邊界保持上也具有更好的效果。表1給出本文方法與INJW方法和RSF-Ncut方法的分割性能對(duì)比，可以看出，在所選取的3個(gè)性能指標(biāo)上，本文方法均高于對(duì)比算法。因此，本文方法具有更高的分割精度和更優(yōu)的分割效果。

表1 3種分割方法性能對(duì)比

4 結(jié)論

本文提出了一種多特征融合的超像素譜聚類MRI腦腫瘤圖像分割方法，算法有以下特點(diǎn)：

1)采用超像素代替單一像素為圖節(jié)點(diǎn)構(gòu)建加權(quán)無(wú)向圖，有效地降低了譜聚類的計(jì)算復(fù)雜度，提高了計(jì)算效率。

2)在計(jì)算相似度矩陣時(shí)，融合多種圖像特征，使相似度矩陣更全面地反映了圖像的信息。實(shí)驗(yàn)表明，本文所提方法在Dice、RVD和Sensitivity3個(gè)性能評(píng)價(jià)指標(biāo)上均優(yōu)于對(duì)比方法，達(dá)到了更高的分割精度，具有實(shí)際應(yīng)用價(jià)值。

本文的算法也存在局限性，還有很大的提升空間，具體表現(xiàn)在：在計(jì)算相似度矩陣時(shí)存在大量的指數(shù)運(yùn)算，比較耗時(shí)，因此分割實(shí)時(shí)性還有待提高。未來(lái)將對(duì)算法的分割實(shí)時(shí)性作進(jìn)一步的探索，尋找更加快速有效的方法。