乳腺B超圖像結(jié)合形態(tài)學(xué)自動初始化的水平集分割算法

陳大偉，劉雅楠，陶懌淳，劉偉

齊齊哈爾醫(yī)學(xué)院，黑龍江齊齊哈爾，160006

0 引言

癌癥是人類常見、多發(fā)的疾病之一，且治愈難度大，而乳腺癌又是女性乳腺腫瘤中最常見的惡性腫瘤[1]。近年來國內(nèi)外乳腺癌的發(fā)病率始終呈明顯的上升趨勢，每年都有好幾百萬婦女死于乳腺癌，嚴(yán)重危害了女性的身體健康。據(jù)相關(guān)統(tǒng)計[2]，我國每年女性乳腺癌發(fā)病人數(shù)約16.9萬，其中死亡人數(shù)高達(dá)4.5萬。

在乳腺癌診斷處理階段，往往需要對原始乳腺超聲腫瘤圖像進(jìn)行預(yù)處理，比如圖像的增強(qiáng)和分割，這對于醫(yī)生提取圖像中的感興趣區(qū)域（region of interest，ROI），以及后期進(jìn)行乳腺癌的良惡性鑒別有重要的作用。超聲檢測雖然能憑借無創(chuàng)傷、無輻射、對軟組織有良好的分辨能力和費(fèi)用低廉等眾多優(yōu)勢來廣泛地應(yīng)用于乳腺腫瘤的早期輔助診斷，但是由于超聲檢測需要乳腺腫瘤的邊界、形態(tài)和回聲分布等特征信息的反饋，而獲得這些信息的前提是準(zhǔn)確地提取出腫瘤區(qū)域，因此對腫瘤區(qū)域的準(zhǔn)確提取是乳腺腫瘤超聲圖像良惡性判別的重要前提。

很多國內(nèi)國際的相關(guān)學(xué)者和研究人員對于分割超聲圖像腫瘤的技術(shù)都進(jìn)行了深入的探討和研究，并且從很多方面提出了對于腫瘤邊界進(jìn)行檢測的具體方法[3]。目前在該領(lǐng)域最為熱門的話題就是采用水平集的方法對超聲腫瘤圖像進(jìn)行分割，這種方法的具體原理主要是采用水平集函數(shù)也就是三維連續(xù)函數(shù)將平面曲線進(jìn)行隱式表達(dá)，將傳統(tǒng)的圖像信息采用曲面曲線的方式表達(dá)出來，并且對水平集函數(shù)利用PDA進(jìn)行相關(guān)演化并完成方程的求解[4]，最終實現(xiàn)平面曲線演化的目的。而且這種方式能夠?qū)⑼負(fù)浣Y(jié)構(gòu)變化以及曲線進(jìn)行靈活處理，達(dá)成對不規(guī)則以及弱邊界進(jìn)行診療和分析的目的，將良性與惡性的腫瘤病變進(jìn)行有效的分割，分析的效率以及計算的效率和整體診療效率、準(zhǔn)確率，都有一定程度的提升[5]。

本文采用閾值法和形態(tài)學(xué)相結(jié)合的方法對圖像進(jìn)行自動初始定位，形成初始輪廓，為進(jìn)行下一步演化做準(zhǔn)備，并且在一定程度上克服了很多初始輪廓選擇敏感的相關(guān)問題，大大簡化了演化過程，提升了整體演化速度以及分割的準(zhǔn)確程度，同時能夠在Shawn Lankton[6]提出的局部區(qū)域水平集能量框架的基礎(chǔ)上，對腫瘤超聲圖像進(jìn)行輪廓分割。

1 本文方法

因為在診療過程中超聲圖像存在偽影并且腫瘤結(jié)構(gòu)相對較為復(fù)雜、斑點(diǎn)較多，所以當(dāng)今醫(yī)學(xué)界采用超聲圖像對乳腺腫瘤進(jìn)行分割的準(zhǔn)確率較低。本文首先采用閾值法和形態(tài)學(xué)自動初始化定位腫瘤區(qū)域，然后采用局部水平集能量框架模型對腫瘤超聲圖像進(jìn)行輪廓分割，得到乳腺腫瘤區(qū)域。對于一些錯誤的處理過程要能夠進(jìn)行有效地規(guī)避，例如處理圖像過程中運(yùn)算量較大并且整體分割的過程受到周圍線體脂肪等組織的一定程度上的干擾導(dǎo)致整體分割過程失敗。

本文進(jìn)行腫瘤區(qū)域的分割，先將原始圖像運(yùn)用裁剪和高斯濾波進(jìn)行預(yù)處理；然后進(jìn)行腫瘤區(qū)域的面積標(biāo)注，運(yùn)用閾值法將預(yù)處理后的圖像轉(zhuǎn)化為二值化圖像，通過數(shù)學(xué)形態(tài)學(xué)和面積標(biāo)注函數(shù)獲取標(biāo)注后的腫瘤面積圖像；最后，通過提取面積區(qū)域和目標(biāo)定位獲得腫瘤位置的初始化圖像。

1.1 圖像預(yù)處理

如圖1。圖1（b）為圖1（a）去除標(biāo)注等信息后得到的超聲子圖，圖1（c）為經(jīng)過高斯濾波后的圖像。

圖1 乳腺超聲圖像預(yù)處理結(jié)果

1.2 形態(tài)學(xué)分割定位

經(jīng)過預(yù)處理之后得到去除標(biāo)注等信息后的圖像，再通過高斯濾波方法去除圖片噪聲，利用設(shè)定閾值對圖像進(jìn)行二值化處理；二值化圖像周圍有很多偽目標(biāo)，設(shè)定圓盤結(jié)構(gòu)元素，對圖像進(jìn)行腐蝕操作，去除偽目標(biāo)物，進(jìn)一步標(biāo)記圖像各區(qū)域面積，然后去掉面積較小的區(qū)域及靠近邊緣的面積區(qū)域，最終定位到腫瘤目標(biāo)區(qū)域，并將其作為后續(xù)分割的初始區(qū)域。形態(tài)學(xué)初始區(qū)域提取的各步結(jié)果如圖2所示。

圖2 形態(tài)學(xué)初始區(qū)域提取的各步結(jié)果

2 水平集能量框架

本文算法主要以Shawn Lankton等人提出的基于局部區(qū)域的水平集能量框架作為基礎(chǔ)，在乳腺腫瘤圖像得到初步分割的前提下，較為精確地提取出腫瘤輪廓。這種局部區(qū)域的水平集能量框架，可以讓任何基于區(qū)域的分割能量被重新以局部的方式表示，然后用局部的信息驅(qū)動水平集輪廓的演化，從而實現(xiàn)曲線或曲面的演化分割。以下是基于局部區(qū)域的水平集能量框架的演算過程。

同時，C的外部定義為(1-Hφ(x))。

對演化曲線C附近的面積，用Dirac函數(shù)近似表示：

引入一個半徑為r的特征函數(shù)（其中，x和y為Ω中的任意一點(diǎn)）：

根據(jù)以上分析，能量方程表示為：

在計算能量E()φ時，我們只考慮每個輪廓點(diǎn)在它自己的局部區(qū)域里的最小化局部能量，忽略其他較遠(yuǎn)地方可能出現(xiàn)的灰度不均勻。

最后，為了保持曲線平滑，我們添加懲罰項—曲線的弧長，并用參數(shù)λ來加權(quán)這個罰值。最終能量如下：

這個能量框架的優(yōu)點(diǎn)在于，幾乎所有基于區(qū)域的分割能量都可以放入到這個能量框架中。

3 仿真結(jié)果及分析

本文算法在Intel（R）Core（TM）i3-4170 CPU @3.70GHz計算機(jī)上利用 Matlab R2014a實現(xiàn)。文中進(jìn)行實驗的樣本超聲圖像均來自齊齊哈爾市建華醫(yī)院實際采集的臨床影像資料庫，總數(shù)量為50幅，圖像的具體尺寸為710×564pixel。圖3對三種分割算法的處理結(jié)果作比較。

圖3 超聲圖像分割結(jié)果

圖3第1行為良性腫瘤圖像及其分割結(jié)果，第2行為惡性腫瘤圖像及其分割結(jié)果。本文分割方法較文獻(xiàn)[ 6]的分割方法更接近手工分割結(jié)果，且相較于手工分割保留了更多的邊緣輪廓信息，具有較好的分割效果。為了能更加準(zhǔn)確地說明分割效果，采用Dice相似性系數(shù)（dice similarity coefficient，DSC）作為評價指標(biāo)，對圖3中文獻(xiàn)[ 6]的分割結(jié)果和本文分割結(jié)果進(jìn)行分析比較，發(fā)現(xiàn)分割精確度提高了5.71%～10.95%。兩種方法得到的分割準(zhǔn)確度如表1所示。

表1 兩種分割方法圖像的分割準(zhǔn)確度對比

本文方法相較于文獻(xiàn)[ 6]的方法和手動分割方式，具有較快的分割時間；在分割效果上，邊緣細(xì)節(jié)的保留也略優(yōu)于文獻(xiàn)[ 6]，并明顯優(yōu)于手動分割方法。

4 結(jié)語

本文對超聲腫瘤分割的具體需求進(jìn)行了分析，通過數(shù)學(xué)形態(tài)運(yùn)算的方式以及閾值法迅速取得初始的零水平集狀態(tài)，解決了基于局部區(qū)域的水平集能量框架對初始輪廓敏感的問題，以局部信息驅(qū)動水平集輪廓的演化，較好地處理灰度不均的問題，以及較準(zhǔn)確地定位弱邊界。實驗表明，本文方法能夠較好地處理乳腺超聲腫瘤分割，分割精確度提高了5.71%～10.95%。經(jīng)過相關(guān)科室臨床醫(yī)生的實際使用，證明這種方式對于人工判讀腫瘤分割有著非常大的幫助，對于臨床實際診療過程以及教學(xué)輔助等方面也有著非常強(qiáng)的實用意義和價值。