專利名稱：基于同質(zhì)片和模糊測度的乳腺超聲圖像的腫瘤分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及醫(yī)學(xué)超聲圖像處理技術(shù)領(lǐng)域，特別是涉及一種基于同質(zhì)片和模糊測度的乳腺超聲圖像的腫瘤分割方法。
背景技術(shù)：
乳腺癌是女性最常見的惡性腫瘤之一，其發(fā)病率和死亡率在女性疾病中占首位。 早期的診斷和治療是提高乳腺癌的術(shù)后生存率的關(guān)鍵。超聲檢查憑其無創(chuàng)、無特殊禁忌癥、 可重復(fù)性強，費用低廉等特點，被廣泛應(yīng)用于乳腺腫瘤的輔助檢測。然而，其準(zhǔn)確性往往依賴于醫(yī)生的臨床經(jīng)驗，具有很強的主觀性。為了提高醫(yī)生診斷的客觀性，臨床應(yīng)用中迫切需要發(fā)展計算機輔助診斷系統(tǒng)。超聲圖像分割是計算機輔助診斷系統(tǒng)的重要組成部分。然而，由于超聲圖像中斑點噪聲、衰減偽影的存在使得超聲圖像的自動分割至今仍然是一個懸而未決的世界性難題。特別是在腫瘤與周圍正常組織具有相似的灰度或紋理等特征情況下，極易產(chǎn)生嚴(yán)重的錯分現(xiàn)象，給超聲圖像的自動分割造成了更大的障礙。超聲圖像的半自動分割是一個不錯的選擇。活動輪廓模型(Snake)是應(yīng)用最為廣泛的半自動分割方法。隨著水平集方法的發(fā)展，研究者提出了基于水平集的活動輪廓模型， 通過曲線演化來達到分割的目的。其中測地線活動輪廓(GAC)模型是典型的代表，GAC模型具有對邊緣定位準(zhǔn)確，算法穩(wěn)定性較高的優(yōu)點。但該模型僅利用圖像的梯度信息，容易受噪聲影響，難以分割出邊緣模糊的圖像中的同質(zhì)區(qū)域。而且，當(dāng)圖像中的對象有深度凹陷的邊界時，GAC模型可能使演化曲線停止在某一局部極小值狀態(tài)，與對象的邊界并不相一致。Belaid用理論上與灰度及灰度變化無關(guān)的相位信息替代梯度信息，在2011年提出了基于相位的水平集分割算法(Belaid Α.，Boukerroui D.，et al, Phase-Based Level Set Segmentation of Ultrasound Images. TransactionInformation Technology in Biomedicine,2011,15(1) :138-147)，在一定程度上解決了超聲圖像中的偽影問題。然而由于其僅考慮邊緣信息，并沒有同時利用紋理信息和空間信息，對于紋理特征明顯的乳腺圖像分割并不能得到理想的分割結(jié)果。Normalized Cut (NCut)方法是重要的圖像分割方法之一，NCut方法的優(yōu)點在于很好地體現(xiàn)了圖像的局部與全局的結(jié)合關(guān)系，避免了無偏分割。利用NCut方法研究超聲圖像分割問題，通過建立合適的賦權(quán)圖，可以在權(quán)重函數(shù)的定義中引入各種圖像特征信息(如區(qū)域信息、邊緣信息和先驗信息等)，采用各種分割思想，可以得到準(zhǔn)確的分割結(jié)果，所以在自然圖像和MRI醫(yī)學(xué)圖像的分割中得到廣泛應(yīng)用。Yu和Shi提出了改進的基于NCut方法 (Yu S·,Shi J. . Segmentationgiven partial grouping constraints.IEEE Transactions on Pattern Analysisand Machine Intelligence, 2004, 26 (2) :173-183)。該算法通過引入將部分聚類先驗(比如顯著的圖像特征和目標(biāo)位置)，使得目標(biāo)對象在少量的交互式操作下，能有效地從背景中分離開來，同時還利用了采樣策略來降低計算負(fù)擔(dān)。該方法在自然圖像獲得了較好的分割結(jié)果，引起了廣泛地關(guān)注。但NCut方法對于乳腺超聲圖像的分割，目前很少見相關(guān)報道。同時，將上述方法直接應(yīng)用于質(zhì)量較差的超聲圖像分割中主要存在以下問題(1)如何選擇合適的鄰域，即便是鄰域窗口大小選擇合適，固定鄰域可能跨越不同的組織區(qū)域，從而難以保證像素鄰域的同質(zhì)性，最終導(dǎo)致像素點被錯誤劃分。( 如何定義對超聲圖像分割性能更好的權(quán)重尚未解決。(3)如何保證腫瘤分割結(jié)果的魯棒性。

發(fā)明內(nèi)容
針對上述現(xiàn)有技術(shù)，本發(fā)明要解決的技術(shù)問題是定義同質(zhì)片，并在此基礎(chǔ)上定義基于同質(zhì)片和模糊測度的權(quán)重函數(shù)，提出一種乳腺超聲圖像的腫瘤自動分割方法，其改善了乳腺超聲圖像局部錯分的現(xiàn)象，避免衰減偽影的影響，同時提高分割精度和魯棒性。為了解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案一種基于同質(zhì)片和模糊測度的乳腺超聲圖像的腫瘤分割方法，包括如下步驟(1)輸入待分割的乳腺超聲圖像；(2)對待分割圖像進行邊緣檢測，包括(2. 1)采用過濾器組和聚類算法提取步驟(1)中輸入的乳腺超聲圖像的紋理特征，生成紋理基元特征圖像；(2. 2)通過模糊測度將各圖像像素點的多種信息結(jié)合起來定義邊緣檢測函數(shù)，計算得到每個像素點的邊緣能量，生成初始邊緣圖，并進行邊緣優(yōu)化，最終得到原圖像的邊緣圖，從而完成邊緣檢測；(3)定義同質(zhì)片；利用步驟(2)中生成的邊緣圖為每個圖像像素定義同質(zhì)片，所述同質(zhì)片為一種反映相鄰像素相似關(guān)系的鄰域；同質(zhì)片的構(gòu)造包括如下步驟(3. 1)以當(dāng)前像素點為中心確定搜索窗口 ；(3.2)粗化階段在邊緣圖上掃描該搜索窗口中過當(dāng)前點的各個方向的直線，如果某方向直線上像素點的邊緣能量值小于給定閾值，則認(rèn)為該像素點為候選同質(zhì)點，否則， 將其排除并終止該方向直線的掃描；(3. 3)細化階段對于候選同質(zhì)點，進一步采取細化處理來判斷其是否為真實的同質(zhì)點，則在當(dāng)前搜索窗口中剩余的沒有被排除的像素點被認(rèn)為是該同質(zhì)片中的成員，并以概率的形式存在；(4)定義權(quán)重函數(shù)；將步驟C3)中每個圖像像素點的同質(zhì)片視為一個模糊集合，在此基礎(chǔ)上，根據(jù)邊緣信息、紋理信息和空間信息定義一個用來衡量模糊集合相異性的模糊測度，并用其定義權(quán)重函數(shù)；(5)腫瘤分割；采用步驟(4)定義的權(quán)重函數(shù)，計算像素間的相似度，以構(gòu)建整幅圖像的權(quán)重矩陣，將腫瘤的粗略位置信息作為先驗信息，同時對超聲圖像進行隨機抽樣減少計算復(fù)雜度，根據(jù)引入的先驗信息和抽樣策略更新權(quán)重矩陣，將圖的最有劃分問題變?yōu)榧s束極小化問題，最后，通過和非樣本點相鄰的樣本點的加權(quán)進行內(nèi)插估計，得到對乳腺超聲圖像分割的估計，從而實現(xiàn)對腫瘤的分割。進一步地，所述步驟(2. 1)中，過濾器組包括一組奇偶濾波器和一組DOG濾波器， 奇偶濾波器對 1 個尺度和 0° ,22. 5°，45° ,67. 5°，90° ,112. 5°，135° ,157. 5° 8 個方向的輸入圖像進行卷積濾波，DOG濾波器對1個尺度的輸入圖像進行卷積濾波，每個像素的濾波器響應(yīng)是一組高維向量，通過聚類算法對圖像中所有像素的高維向量進行聚類，每個
6聚類中心為一類紋理基元，輸入圖像的每個像素被賦予一個所屬紋理基元類型的標(biāo)號，則生成紋理基元特征圖像。進一步地，步驟(2. 2)中所述的邊緣檢測函數(shù)為
權(quán)利要求
1.一種基于同質(zhì)片和模糊測度的乳腺超聲圖像的腫瘤分割方法，其特征在于，該方法包括如下步驟(1)輸入待分割的乳腺超聲圖像；(2)對待分割圖像進行邊緣檢測，包括(2. 1)采用過濾器組和聚類算法提取步驟(1)中輸入的乳腺超聲圖像的紋理特征，生成紋理基元特征圖像；(2. 2)通過模糊測度將各圖像像素點的多種信息結(jié)合起來定義邊緣檢測函數(shù)，計算得到每個像素點的邊緣能量，生成初始邊緣圖，并進行邊緣優(yōu)化，最終得到原圖像的邊緣圖， 從而完成邊緣檢測；(3)定義同質(zhì)片；利用步驟( 中生成的邊緣圖為每個圖像像素定義同質(zhì)片，所述同質(zhì)片為一種反映相鄰像素相似關(guān)系的鄰域；同質(zhì)片的構(gòu)造包括如下步驟(3. 1)以當(dāng)前像素點為中心確定搜索窗口 ；(3. 2)粗化階段在邊緣圖上掃描該搜索窗口中過當(dāng)前點的各個方向的直線，如果某方向直線上像素點的邊緣能量值小于給定閾值，則認(rèn)為該像素點為候選同質(zhì)點，否則，將其排除并終止該方向直線的掃描；(3. 3)細化階段對于候選同質(zhì)點，進一步采取細化處理來判斷其是否為真實的同質(zhì)點，則在當(dāng)前搜索窗口中剩余的沒有被排除的像素點被認(rèn)為是該同質(zhì)片中的成員，并以概率的形式存在；(4)定義權(quán)重函數(shù)；將步驟C3)中每個圖像像素點的同質(zhì)片視為一個模糊集合，在此基礎(chǔ)上，根據(jù)邊緣信息、紋理信息和空間信息定義一個用來衡量模糊集合相異性的模糊測度， 并用其定義權(quán)重函數(shù)；(5)腫瘤分割；采用步驟(4)定義的權(quán)重函數(shù)，計算像素間的相似度，以構(gòu)建整幅圖像的權(quán)重矩陣，將腫瘤的粗略位置信息作為先驗信息，同時對超聲圖像進行隨機抽樣減少計算復(fù)雜度，根據(jù)引入的先驗信息和抽樣策略更新權(quán)重矩陣，將圖的最有劃分問題變?yōu)榧s束極小化問題，最后，通過和非樣本點相鄰的樣本點的加權(quán)進行內(nèi)插估計，得到對乳腺超聲圖像分割的估計，從而實現(xiàn)對腫瘤的分割。
2.根據(jù)權(quán)利要求1所述的基于同質(zhì)片和模糊測度的乳腺超聲圖像的腫瘤分割方法，其特征在于所述步驟(2. 1)中，過濾器組包括一組奇偶濾波器和一組DOG濾波器，奇偶濾波器對 1 個尺度和 0° >22. 5°、45° ,67. 5°、90° ,112. 5°、135° ,157. 5°，8 個方向的輸入圖像進行卷積濾波，DOG濾波器對1個尺度的輸入圖像進行卷積濾波，每個像素的濾波器響應(yīng)是一組高維向量，通過聚類算法對圖像中所有像素的高維向量進行聚類，每個聚類中心為一類紋理基元，輸入圖像的每個像素被賦予一個所屬紋理基元類型的標(biāo)號，則生成紋理基元特征圖像。
3.根據(jù)權(quán)利要求1或2所述的基于同質(zhì)片和模糊測度的乳腺超聲圖像的腫瘤分割方法，其特征在于步驟(2.幻中所述的邊緣檢測函數(shù)為Ek(pA)+Ek (ρA)κ表示紋理基元類別數(shù)，在以像素點P為中心，半徑為R的圓形鄰域內(nèi)，沿向上的直徑將該鄰域劃分為左、右鄰域，輯)，￡;Λ(>,輯)分別為該點左鄰域內(nèi)和右鄰域內(nèi)的能量，其中
4.根據(jù)權(quán)利要求3所述的基于同質(zhì)片和模糊測度的乳腺超聲圖像的腫瘤分割方法，其特征在于所述聚類算法為K-Means算法。
5.根據(jù)權(quán)利要求3所述的基于同質(zhì)片和模糊測度的乳腺超聲圖像的腫瘤分割方法，其特征在于步驟(3. 1)中所述的搜索窗口的確定包括如下步驟以邊緣圖上的像素點ρ在圖像中的位置(χ，y)為中心，定義一個大小為OR+l)XOR+l)的搜索窗口 Np(i，j)= Ix-R彡i彡x+R, y-R彡j彡y+R}，其中，R為搜索窗口的高度和寬度，將搜索窗口邊界上的像素分為兩個部分，其中，尺_y+i), 〗(x-尺尺>0代表窗口邊界上半部分的像素，W(X-Aj),《(x-i^+iX.+.wUx+尺代表窗口邊界下半部分的像素，對上半部分的像素按順時針方向遍歷，對下半部分像素按逆時針方向遍歷；步驟(3. 2)中所述的粗化階段包括如下步驟對上半部分和下半部分的像素分別選取連續(xù)的三個相鄰點，分別得到對應(yīng)的三條與中心點的連線，然后逐點掃描搜索窗口中某方向的中心線;，當(dāng)遇到網(wǎng)格點Pj，計算Emax(P，Pj)的值
6.根據(jù)權(quán)利要求5所述的基于同質(zhì)片和模糊測度的乳腺超聲圖像的腫瘤分割方法，其 特征在于步驟中的權(quán)重函數(shù)為
7.根據(jù)權(quán)利要求4或5或6所述的基于同質(zhì)片和模糊測度的乳腺超聲圖像的腫瘤分割 方法，其特征在于所述偶對稱濾波器是高斯函數(shù)的ニ階偏導(dǎo)，奇對稱濾波器為相應(yīng)的希爾 伯特變換。CN 102509273 A
全文摘要
本發(fā)明公開了一種基于同質(zhì)片和模糊測度的乳腺超聲圖像的腫瘤分割方法，包括如下步驟(1)輸入待分割的乳腺超聲圖像；(2)對待分割圖像進行邊緣檢測；(3)定義同質(zhì)片；(4)定義權(quán)重函數(shù)；將步驟(3)中每個圖像像素點的同質(zhì)片視為一個模糊集合，根據(jù)邊緣信息、紋理信息和空間信息定義一個用來衡量模糊集合相異性的模糊測度，并用其定義權(quán)重函數(shù)；(5)腫瘤分割。本發(fā)明具有以下優(yōu)點(1)定義的同質(zhì)片，解決了傳統(tǒng)方法中鄰域窗口選擇的難題，又保證了區(qū)域統(tǒng)計信息的準(zhǔn)確性，提高了分割的精度。(2)采用模糊測度和同質(zhì)片定義權(quán)重函數(shù)，使本發(fā)明基本消除了圖像局部錯分的現(xiàn)象，提高了對乳腺腫瘤分割的精度，同時表現(xiàn)出良好的魯棒性。
文檔編號G06T5/00GK102509273SQ20111037158
公開日2012年6月20日 申請日期2011年11月21日 優(yōu)先權(quán)日2011年11月21日
發(fā)明者劉曉云, 陳武凡, 高梁 申請人:電子科技大學(xué)