CN101101668A - 一种基于振荡网络的医学图像分割方法 - Google Patents

Abstract

本发明涉及的是医学图像分割方法。现有方法存在对于光照不均匀的图像难以用统一的门限进行分割、对噪声和灰度不均匀较敏感等问题。本发明方法具体步骤包括(1)建立振荡网络、(2)在网络内搜索寻找振荡发起点、(3)由发起点开始振荡，向周边邻域进行迭代扩充、(4)振荡发生结束后，以有无标记为根据分割出“目标”和“背景”。在本方法中综合了图像分割中基于边缘跟踪的方法和基于区域生长方法的优点，在获得和区域生长方法相同结果的前提下，大大降低了时间复杂度和空间复杂度，其鲁棒性和分割速度大大提高，将在实际应用中有广阔的发展前景。

Description

一种基于振荡网络的医学图像分割方法

技术领域

本发明属于图象信息处理技术领域，涉及的是医学图像分割方法，特别是一种基于振荡网络的图像分割方法。

背景技术

图像分割是计算机图像处理的一个基础问题，是许多后继图像分析任务的第一步处理，特别是对于图像识别和描述、图像的可视化和基于目标的图像压缩都高度依赖于分割结果。图像分割是有图像处理进到图像分析的关键步骤，也是一种基本的计算机视觉技术，这是因为图像分割、目标的分离、特征的提取和参数的测量将原始的图像转化成更抽象、更紧凑的形式，使得更高层的分析和理解成为可能。

通常，分割问题包括将给定图像中相似的块分割成一个区，相邻的分割块是不相似的。另一个角度说，分割也可被认为是像素的标记处理，属于同一个区域像素标上相同的号，一直以来，人们致力于分割方法的研究，提出了许多分割技术。但是，图像分割仍然是图像处理中的一大瓶颈。

现有的图像分割方法主要包括：

一、基于区域的图像分割

常见的基于区域的图像分割方法有阈值分割，区域生长与分裂合并和聚类分割。(1)阈值分割：阈值化分割方法是图像分割中最简单也是最常用的一种图像分割方法。这种方法基于对灰度图像的一种假设：目标或背景的相邻像素间的灰度值是相似的，而不同目标或背景的像素在灰度上有差异，反映在直方图上，不同目标和背景对应不同的峰，选取的阈值应位于两个峰之间的谷处。如果图像中具有多类目标，则直方图将呈现多峰特性，相邻两峰之间的谷即为多阈值分割的门限值。阈值分割的优点是简单，对于直方图峰谷特性明显的图像具有较好的分割效果。缺点是对于图像中不存在明显灰度差异(直方图为宽谷或单峰)或各物体的灰度范围有较大重叠时难以得到准确的分割结果。另外，阈值法对于光照不均匀的图像难以用统一的门限进行分割。(2)区域生长和分裂合并：区域生长和分裂合并是两种典型的串行区域分割方法，其特点是将分割过程分解为多个有序的步骤，其中后续的步骤要根据前面步骤的结果进行判断而确定。区域生长的基本思想是，将具有相似性质的像素集中起来构成区域，需要先选取一个种子点，然后依次将种子像素周围的相似像素合并到种子像素所在的区域。区域生长方法的优点是计算简单，特别适合于分割小的结构，缺点是需要人工交互以获得种子点，同时对噪声也比较敏感。为克服这些缺点，有提出一种同伦的(Homotopic)区域生长方法，以保证初始区域和最终抽取区域的拓扑结构相同。另外，模糊连接度理论与区域生长相结合也是一个较好的研究方向。在区域合并方法中，输入图像往往先被分为多个相似的区域，然后类似的区域根据某种准则迭代的进行合并。在区域分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的；在区域的分裂合并方法中，先从整幅图像进行分裂，然后将相邻的区域进行合并。分裂合并方法不需要预先指定种子点，但分裂可能会使分割区域的边界被破坏。(3)聚类分割：分类是模式识别领域中一种基本的统计分析方法。分类的目的是利用已知的训练样本集在图像的特征空间找到决策分类点、线或面以实现对图像的划分。用分类器进行分割是一种有监督的统计方法，需要手工得到样本集，作为对新图像进行自动分类的参考。聚类方法不需要训练集，但是需要有一个初始分割提供初始参数，初始参数对最终分类结果影响较大。另外，聚类也没有考虑空间关联信息，对噪声和灰度不均匀较敏感。

二、基于边缘的图像分割

基于边缘的分割方法主要是基于区域边界的像素灰度值变化往往比较剧烈，首先检测图像中的边缘点，再按一定策略连接成轮廓，从而构成分割区域。最简单的边缘检测方法是并行微分算子法，它利用一阶或二阶导数来检测边缘。近年来还出现了基于局部图像函数的方法、多尺度方法、基于反应-扩散方程的方法，以及基于边界曲线拟合的方法、主动轮廓方法等。基于边缘的图像分割方法难点在于边缘检测时的抗噪性和检测精度的矛盾。若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性，则会产生轮廓漏检和位置偏差。为此，人们提出各种多尺度边缘检测方法，根据实际问题设计多尺度边缘信息的结合方案，以较好地兼顾抗噪性和检测精度。

三、边缘与区域相结合的图像分割

边缘检测能够获得灰度值的局部变化强度，而区域分割能够检测特征的相似性与均匀性。边缘与区域组合分割的主要思想是结合二者的优点，通过边缘点的限制，避免区域的过分割；同时，通过区域分割补充漏检的边缘，使轮廓更加完整。有文献提出使用融合策略对边缘与区域信息进行结合。也有引入一种游戏策略，将基于边界和基于区域的方法分别作为游戏的参与者，每个参与者设法让对方脱离噪声和局部极小的影响，同时逼近正确的边界。有提出将区域和边界信息统一在一个框架中描述，将分割结果看成区域、梯度和曲率的最大匹配形式。还有的提出的区域竞争方法是另一个具有代表性的结合边界与区域信息的方法，也取得了较好的结果。

发明内容

本发明的目的在于针对现有技术的不足，提出一种可以较好的满足医学图像分割要求，且分割效果优于现有的图像分割方法、时间复杂度和空间复杂度低的医学图像分割方法。

为了实现以上目的，本发明方法主要包括以下步骤：

1、建立振荡网络，具体包括：  (1)建立一个振子单元，该单元的输入是图像象素灰度值I_i，输出是该振子兴奋单元的状态x_i，输入和输出之间的关系为：

${\stackrel{\·}{x}}_i=3x_i-x_i^3+2-y_i+\mathrm{\ρ}+I_{i}H(p_i+\exp (-\mathrm{\αt})-\mathrm{\θ})+S_i---\left(1a\right)$

${\stackrel{\·}{y}}_i=\mathrm{\ϵ}(\mathrm{\γ}(1+\tanh (x_i/\mathrm{\β}))-y_i)---\left(1b\right)$

${\stackrel{\·}{p}}_i=\mathrm{\λ}(1-p_i)H[\underset{k\∈N_1\left(i\right)}{\mathrm{\Σ}}{T}_{\mathrm{ik}}H(x_k-{\mathrm{\θ}}_x)-{\mathrm{\θ}}_p]-\mathrm{\μ}{p}_i---\left(2\right)$

$S_i=\underset{k\∈N_2\left(i\right)}{\mathrm{\Σ}}{W}_{\mathrm{ik}}H(x_k-{\mathrm{\θ}}_x)-W_{z}H(z-{\mathrm{\θ}}_z)---\left(3\right)$

$\stackrel{\·}{z}=\mathrm{\φ}({\mathrm{\σ}}_{\∞}-z)---\left(4\right)$

其中x_i是振子兴奋单元的状态，y_i是振子抑制单元的状态，I_i是图像象素灰度值(即外界刺激)，p_i是振子具有的势能，p_i超过设定的阈值θp时，就会发生状态跃迁。S_i是与相邻振子和全局抑制单元的耦合系数。T_ik和W_ik是静态连接权重和动态连接权重。N₁为势能邻域，N₂为扩充邻域。x_i只有两个状态“1”和“0”，“0”代表背景点，“1”代表目标点。

(2)确定振荡网络的参数，势能邻域N₁值为24个像素邻域，扩充邻域值为4个像素邻域。通常将θp的值设为N₁的2/3左右。

静态连接权重T_ik设置为一个永久性权重为

T₁₂＝1/(1+/p₁-p₂/)。p₁，p₂为两个像索对应的灰度值。

动态连接权重W_ik设置为一个自适应的权重：

W_ik＝Range(I)＝(W_max一W_min)(I/W_max)n+W_min，p₁，p₂为两个像索对应的灰度值，I为当前像素灰度值，Imax为图像中最大灰度值，[W_max，W_min]为设定的一个最大、最小权值范围，n值为1，2或3。

将所有的像素状态x_i标记为0，并将当前的标签值设为1。

(3)根据图像大小N×N，将N×N个振子互相耦合，再与全局抑制单元输出耦合，该振荡网络就建立完成。

2、在网络内搜索寻找振荡发起点，具体方法是：如果在某像素的势能邻域(N₁)内，“发起点相似像素”的数目超过预设的阈值，则该像素为一个发起点，做标记。

确定“发起点相似像素”的方法：将像素间的灰度值差和连接权值(T_ik)相比较，如灰度差值小于连接权值，则两个像素相似，反之则不相似。

3、由发起点开始振荡，向周边邻域进行迭代扩充。对每一个发起点，在其扩充邻域(N₂)内寻找未被归入发起点的“扩充点相似像素”，标记为与发起点一样的标签值作为扩充点，再以该扩充点进行振荡，继续向周边扩充，直到在网络内搜索结束。

确定“扩充点相似像素”的方法：将像素间的灰度值差和连接权值(W_ik)相比较，如灰度差值小于连接权值，则两个像素相似，反之则不相似。

4、振荡发生结束后，以有无标记为根据分割出“目标”和“背景”，分割完成。

与现存的诸多图像分割方法相比，本发明方法利用人类视觉皮层的有持续的、依赖于激励的振荡，在空间分离的神经元群之间观察到了同步的行为。即作为视觉特征检测子的细胞通过它们的激励相关而绑定在一起。把该网络应用到医学图像分割中，即采用类似于视觉神经元的分割机制去更好的提取出医学图像中“目标”和“背景”的区别，完成分割操作。且现有的多种图像分割方法中，基于边缘跟踪的方法可以只处理目标对象边缘附近的像素而得到边缘，因此有较小的时间复杂度，但缺点是难以得到闭合的区域。基于区域生长的方法能够掌握图像的大局结构，在轮廓提取上有较好的效果，但是需要处理目标对像的所有元素，因此时间复杂度和空间复杂度都比较大。由于带噪图像具有噪声大、边缘模糊等特点，往往需要采用区域检测才能得到较好的效果。在本方法中综合了图像分割中基于边缘跟踪的方法和基于区域生长方法的优点，在获得和区域生长方法相同结果的前提下，大大降低了时间复杂度和空间复杂度，其鲁棒性和分割速度大大提高，将在实际应用中有广阔的发展前景。

附图说明

图1为本发明中振荡网络的结构示意图；

图2为图1中振子的基本结构示意图。

具体实施方式

本发明的核心思想是采用类似于视觉皮层中神经元对视觉特征的振荡活动出发，建立一振荡网络，并应用到医学图像分割中，更好的区分出“目标”和“背景”，且在满足分割精度的前提下大大降低了时间复杂度和空间复杂度，有重要的实用推广价值。

下面结合附图详细描述本发明基于振荡网络的医学图像分割方法

本发明方法主要包括4个步骤：(1)建立振荡网络。(2)在网络内搜索寻找振荡发起点。(3)由发起点开始振荡，向周边邻域进行迭代扩充。(4)振荡发生结束后，以有无标记为根据分割出“目标”和“背景”，分割完成。

下面逐一对各步骤进行说明。

步骤一：建立振荡网络。

振荡网络是利用人类视觉皮层的有持续的、依赖于激励的振荡，频率约为40Hz，在空间分离的神经元群之间观察到了同步的行为。这为较早些的一个理论提供了支持，即作为视觉特征检测子的细胞通过它们的激励相关而绑定在一起，在此理论基础上建立一个振荡网络。

在过去研究中用到的振荡网络，用一个单相变量表示一次振荡事件。当其用于图像分割时，其作用有限。这些网络中的振荡是被预先建立起来而非依赖于激励。更重要的是，这些系统依赖全互连的网络结构来获得同步，而这将导致错误的分类和空间(拓扑)信息的丢失。由于有依赖于激励的振荡和通过局部连接而得到的快速、大范围的同步，本文提出的振荡网络能够克服这些不足。本网络采用用一种全局抑制的机理获得快速的异步。该振荡网络中振子的基本结构如图2。它是由一个兴奋单元x和一个抑制单元y所组成的反馈循环，从x到y的连接为兴奋型连接，而从y到x的连接为抑制型连接。I代表外部输入，S代表与网络其余部分的耦合，当I持续施加给x的时候，该反馈循环就产生了振荡。整个网络的结构如图1所示。各个振子与其邻域(4、8或24)内的其它振子通过兴奋耦合而相互连接，所有的振子1都与全局抑制单元2相连。

在振荡网络中，每个振子的活动，在网络中用i表示其活动由以下的几个方程决定：

$\stackrel{\·}{x_i}=3x_i-{x_i}^3+2-y_i+\mathrm{\ρ}+I_{i}H(p_i+\exp (-\mathrm{\αt})-\mathrm{\θ})+S_i---\left(1a\right)$

${\stackrel{\·}{y}}_i=\mathrm{\ϵ}(\mathrm{\γ}(1+\tanh (x_i/\mathrm{\β}))-y_i)---\left(1b\right)$

${\stackrel{\·}{p}}_i=\mathrm{\λ}(1-p_i)H(\underset{k\∈N_1\left(i\right)}{\mathrm{\Σ}}{T}_{\mathrm{ik}}H(x_k-{\mathrm{\θ}}_x)-{\mathrm{\θ}}_p)-\mathrm{\μ}{p}_i---\left(2\right)$

$S_i=\underset{k\∈N_2\left(i\right)}{\mathrm{\Σ}}{W}_{\mathrm{ik}}H(x_k-{\mathrm{\θ}}_x)-W_{z}H(z-{\mathrm{\θ}}_z)---\left(3\right)$

$\stackrel{\·}{z}=\mathrm{\φ}({\mathrm{\σ}}_{\∞}-z)---\left(4\right)$

x_i是振子兴奋单元的状态，y_i是振子抑制单元的状态，I_i是外界刺激，p_i是振子具有的势能，势能越大超过阈值θp时，就会发生状态跃迁。它的值是由耦合的势能邻域的值所决定的。S_i是与相邻振子和全局抑制单元的耦合系数。T_ik和W_ik是静态连接权重和动态连接权重。用到图像分割中做了一定的简化处理。T_ik＝W_ik，x_i只有两个状态“1”和“0”；“0”代表背景点，“1”代表目标点。I_i带入对应点像素的值。势能邻域大小为N₁，扩充邻域大小为N₂.将所有的像素状态x_i标记为0，并将当前的标签值设为1。

根据图像大小N×N，将N×N个振子互相耦合，再与全局抑制单元输出耦合，该振荡网络就建立完成。

步骤二：在网络内搜索寻找振荡发起点。

在网络内搜索寻找振荡发起点，具体方法是：对每一个标记为0的像素，如果在其势能邻域(N₁)内，“发起点相似像素”的数目超过预设的阈值，则该像素为一个发起点，做标记。确定“发起点相似像素”的方法：将像素间的灰度值差和连接权值(T_ik)相比较，如灰度差值小于连接权值，则两个像素相似，反之则不相似。

在寻找发起点时，连接权值(T_ik)是确定该网络拓扑结构的永久性权值。通常采用一个较简单的权值计算式T₁₂＝1/(1+/p₁-p₂/)。p₁，p₂为两个像索对应的灰度值。

步骤三：由发起点开始振荡，向周边邻域进行迭代扩充。

对每一个发起点，在其扩充邻域(N₂)内寻找未被归入发起点的“扩充点相似像素”，标记为与发起点一样的标签值作为扩充点，再以该扩充点进行振荡，继续向周边扩充，直到在网络内搜索结束。这个过程就是一个振荡发起点振荡后，引起邻域内其他点的振荡，振荡一旦超过其阈值，就会发生状态跃迁，其他点和原发起点产生振荡同步的过程。

确定“扩充点相似像素”的方法：将像素间的灰度值差和连接权值(W_ik)相比较，如灰度差值小于连接权值，则两个像素相似，反之则不相似。

实际编程实现中，2、3两个步骤常放在一起完成，即每找到一个发起点就对其进行扩充。这里需要注意两点：

1)在寻找发起点的过程中所用到的势能邻域与扩充过程所用到的扩充邻域是不同的。前者表明邻域内“相似像素”超过特定阈值θp的像素即可成为发起点，是一个静态的概念；而后者规定了每次在多大范围内进行扩充，是一个动态的过程。

2)“相似”的定义。在寻找发起点和扩充时都需要用到“相似”的概念，但这两个阶段的“相似”既有联系又有区别。相同之处在于，两者都是通过将像素间的灰度值差和它们之间的连接权值相比较而判断是否“相似”：灰度差值小于连接权值，两个像素(振子)相似，反之则不相似。区别在于，在寻找发起点时，连接权是确定该网络拓扑结构的永久性权值，而扩充阶段，在判断两个像素是否“相似”时，采用一种动态(自适应)权值方案：

两个像素当且仅当|p₁-p₂|＜Range(Max(p₁，p₂))时相似。其中：

Range(I)＝(W_max一W_min)(I/W_max)n+W_min           (5)

p₁，p₂为两个像索对应的灰度值，I为当前像素灰度值，Imax为图像中最大灰度值，[W_max，W_min]为用户选取的一个最大、最小权值范围，n值为1，2或3，分别表示(5)式可以是线性式、平方式或立方式。

算法中需要用户设置6个参数，即某个作为发起点的振子的势能邻域N₁，扩充邻域N₂，阈值θp，n，W_min和W_max。通过对同一参数设置不同的值并比较所得的相应结果，发现对于超声图像：在一定范围内，N₁越大，意味着产生一个发起点所需比较的范围越大，从而将使最终所得的区域数目减少，同时也在一定程度上减小了非目标像素(如噪声)被误分割为目标像素的可能性。实验表明，如果开始分割时将N1设为较大的值，则结果所得的区域较少。N₂的取值对分割所得结果的影响与N₁相似，即若N₂较大，则分割后所得的区域数目较少，反之则较多。这是由于N₂取值越大时，意味着每个发起点在扩充过程中，覆盖的范围也就越大，从而在一定程度上抑制了一些细小区域的产生。为防止产生泛漫现象，即目标扩散到无关的区域，开始时N₂取得较小。

在本发明所采用的自适应阈值方法中，随着n的增大，由(5)式可见将对不同像素灰度所呈现的自适应权值会有较大的变化，这意味着较亮的像素具有相对较大的分类范围。如果像素越亮它代表的结构越令人感兴趣的话(通常多数医学图像都是这样)，那么n的这一特性正是我们所需要的。根据实验，通常将θp的值设为N₁的2/3左右。

因为图像中的噪声多为孤立点(组)，N₁和θp越大，则在这些点中越难以产生发起点，所以一定程度上N₁和θp有去噪的作用。在一定范围内，随W_max的增大，所得分割区域的数目减少，这使得分割所得图像的完整性更好，不致因区域划分太细而显得支离破碎。而增大W_min，可以起到减少分割后区域数目，消除噪声、抑制斑纹的效果。但过大的W_max和W_min的取值由(5)式可见将会使Range函数值变大，从而使不该合并的区域进行合并而造成上述的泛漫问题；反之过小的W_max和W_min取值将会使Range函数值变小，从而限制区域的扩充，严重时可造成应该合并的区域无法合并的过分割现象。

步骤四：背景生成。

将所有那些在二、三两步完成后标记仍为0的像素归为背景，其他部分为目标。

Claims (1)

1、一种基于振荡网络的医学图像分割方法，其特征在于该方法具体步骤包括：

(1)建立振荡网络，具体包括：①建立一个振子单元，该单元的输入是图像象素灰度值I_i，输出是该振子兴奋单元的状态x_i，表示为：

${\stackrel{\·}{x}}_1={3x}_i-{x_i}^3+2-y_i+\mathrm{\ρ}+I_{i}H(p_i+\exp (-\mathrm{\αt})-\mathrm{\θ})+S_i---\left(1a\right)$

${\stackrel{\·}{y}}_i=\mathrm{\ϵ}(\mathrm{\γ}(1+\tanh (x_i/\mathrm{\β}))-y_i)---\left(1b\right)$

${\stackrel{\·}{p}}_i=\mathrm{\λ}(1-p_i)H[\underset{k\∈N_1\left(i\right)}{\mathrm{\Σ}}{T}_{\mathrm{ik}}H(x_k-{\mathrm{\θ}}_x)-{\mathrm{\θ}}_p]-{\mathrm{\μp}}_i---\left(2\right)$

$S_i=\underset{k\∈N_2\left(i\right)}{\mathrm{\Σ}}{W}_{\mathrm{ik}}H(x_k-{\mathrm{\θ}}_x)-W_{z}H(z-{\mathrm{\θ}}_z)---\left(3\right)$

$\stackrel{\·}{z}=\mathrm{\φ}({\mathrm{\σ}}_{\∞}-z)---\left(4\right)$

其中x_i是振子兴奋单元的状态，y_i是振子抑制单元的状态，I_i是图像象素灰度值，p_i是振子具有的势能，p_i超过设定的阈值θp时，就会发生状态跃迁；S_i是与相邻振子和全局抑制单元的耦合系数，T_ik和W_ik是静态连接权重和动态连接权重，N₁为势能邻域，N₂为扩充邻域；x_i只有两个状态“1”和“0”，“0”代表背景点，“1”代表目标点；

②确定振荡网络的参数，势能邻域N₁值为24个像素邻域，扩充邻域值为4个像素邻域；

静态连接权重T_ik设置为一个永久性权重为T₁₂＝1/(1+/p₁-p₂/)，其中p₁、p₂为两个像索对应的灰度值；

动态连接权重W_ik设置为一个自适应的权重：

W_ik＝Range(I)＝(W_max-W_min)(I/W_max)n+W_min，其中I为当前像素灰度值，[W_max，W_min]为设定的一个最大、最小权值范围，n值为1、2或3；

将所有的像素状态x_i标记为0，并将当前的标签值设为1；

③根据图像N×N大小，将N×N个振子互相耦合，再与全局抑制单元输出耦合，该振荡网络就建立完成；

(2)在网络内搜索寻找振荡发起点，具体方法是：如果在某像素的势能邻域(N₁)内，发起点相似像素的数目超过预设的阈值，则该像素为一个发起点，做标记；

确定发起点相似像素的方法：将像素间的灰度值差和连接权值(T_ik)相比较，如灰度差值小于连接权值，则两个像素相似，反之则不相似；

(3)由发起点开始振荡，向周边邻域进行迭代扩充；对每一个发起点，在其扩充邻域(N₂)内寻找未被归入发起点的扩充点相似像素，标记为与发起点一样的标签值作为扩充点，再以该扩充点进行振荡，继续向周边扩充，直到在网络内搜索结束；

确定扩充点相似像素的方法：将像素间的灰度值差和连接权值(W_ik)相比较，如灰度差值小于连接权值，则两个像素相似，反之则不相似；

(4)振荡发生结束后，以有无标记为根据分割出目标和背景。

Images