CN103295224A - 一种基于均值漂移和分水岭的乳腺超声图像自动分割方法 - Google Patents

Abstract

本发明公开了一种基于均值漂移和分水岭算法的乳腺肿瘤超声图像自动分割方法，利用金字塔均值漂移算法对乳腺肿瘤超声图像进行滤波，再利用分水岭算法对滤波后的图像进行分割，根据肿瘤一般位于图像中部或上部并且平均回声强度较低的经验知识，计算分水岭分割结果图像中特定感兴趣区域内的最小灰度，遍历分水岭分割结果图像，将灰度等于最小灰度的像素灰度赋为前景，否则赋为背景，从而得到目标肿瘤区域，即最终的肿瘤分割结果二值图像。该方法实现了乳腺超声图像中肿瘤边界的准确、自动提取，可用于乳腺肿瘤超声图像的快速、准确、自动化分割。

Description

一种基于均值漂移和分水岭的乳腺超声图像自动分割方法

技术领域

本发明属于图像处理技术领域，特别涉及一种医学超声图像自动分割方法，是均值漂移和分水岭算法用于乳腺肿瘤超声图像自动分割的改造技术。

背景技术

乳腺癌是妇女最常见的恶性肿瘤之一，目前最有效的检测与诊断方式是乳腺X线摄影。但由于乳腺X线摄影的特异度较低，导致了大量不必要的活检，不仅给患者带来痛苦，而且增加了成本。另外，乳腺X线摄影产生的电离辐射也会给患者和医生带来健康风险。超声影像具有低成本、无侵性、实时性等特点，已成为乳腺肿瘤检测的重要手段之一。但乳腺超声图像具有低对比度、斑点噪声以及与组织相关的纹理结构，会给医生的诊断带来一定的困难；且不同的医生之间存在对乳腺超声的理解和诊断方面的差异。因此，乳腺超声的计算机辅助诊断系统具有很大的意义。有研究表明，乳腺超声计算机辅助诊断系统的输出结果可以为医生在乳腺肿瘤检测、定征和诊断决策时提供一种参考。

图像分割是乳腺超声计算机辅助诊断系统的重要环节。近几十年来，国内外在乳腺超声图像分割方面已经提出许多方法，包括阈值分割、区域生长、基于模型的方法（包括活动轮廓模型，水平集，马尔科夫随机场等）、基于图论的方法（包括图割，归一化割等）、基于机器学习的方法、基于聚类的方法（包括K均值，模糊C均值等）。这些方法存在一些主要缺点：（1）多数方法需要手工交互，诸如手工选择种子点或初始轮廓；（2）多数方法对斑点噪声敏感，且由于超声图像对比度低，具有与组织相关的纹理，故准确分割较为困难；（3）多数方法算法复杂度高，处理时间长，难以满足临床要求。

准确、快速、自动化分割是图像分割的目标。但分割的准确性、效率以及自动化水平也是相互矛盾的。近些年来，也有一些乳腺超声图像自动分割方法相继被提出，这些方法一般思路为：（1）通过某种手段自动找到肿瘤区域的种子点或者找到能够将肿瘤涵括在内的感兴趣区域；（2）利用种子点或者感兴趣区域内的某一点作为区域生长算法的种子点，进行区域生长粗分割；（3）将粗分割得到的边界作为活动轮廓模型的初始轮廓，进行活动轮廓模型精分割。但这些方法存在以下问题：（1）自动查找种子点或感兴趣区域的算法往往鲁棒性不高，仅对部分图像有效，影响了自动分割的准确性；（2）算法复杂度高，处理费时，难以达到临床上对自动分割的速度要求。

分水岭算法是图像分割中应用较广的一种快速分割方法，但由于超声图像的固有特性，在淹没过程会产生过多的区域，会导致分割较慢并且准确性低的问题。

发明内容

本发明旨在提出一种乳腺肿瘤超声图像的准确、快速、自动化分割方法。本发明将分水岭算法与均值漂移算法结合在一起，并进行了改进。首先采用金字塔均值漂移算法对乳腺超声图像进行滤波，大幅提高了图像的同质性，使其更加平滑，再使用分水岭算法对滤波后的图像进行分割处理，从而能够大量减少生成的区域个数，提高了分割的速度和精度。分水岭分割得到的结果图像中包含了若干区域，每个区域内部的灰度相同，但各区域之间灰度不同。此外，本发明还结合了临床医生的经验知识，即乳腺肿瘤一般位于图像的中部或上部且乳腺肿瘤内部平均回声强度较低，提取分水岭分割结果图像中特定感兴趣区域内的最小灰度，作为目标肿瘤区域的灰度，再遍历整个分水岭分割结果图像，将灰度等于最小灰度的像素赋为前景，否则赋为背景，即得到最终的肿瘤分割结果图像。

具体技术内容如下：

1.1.对于一幅乳腺肿瘤超声图像I，利用金字塔均值漂移算法对其进行滤波，得到滤波后的图像I_f；

1.2.利用分水岭算法对I_f进行分割，得到分割后的图像I_s；

1.3.计算I_s中特定感兴趣区域内的最小灰度minGray；

1.4.遍历I_s，对于灰度等于minGray的像素，将其灰度赋为前景，即为目标肿瘤区域，否则赋为背景，得到最终的肿瘤分割结果二值图像。

上述步骤1.1具体包括如下步骤：

2.1.对乳腺肿瘤超声图像I进行最高层数L的高斯金字塔分解，L≥2，得到L层图像I₁,…,I_L，图像I_L为金字塔的底层；

2.2.对第L层图像I_L进行均值漂移滤波，得到结果图像(I_L)_ms；

2.3.使用拉普拉斯金字塔将第L层的均值漂移滤波结果图像(I_L)_ms向上采样得到第L-1层图像I'_L-1，再对I'_L-1进行均值漂移滤波，得到(I_L-1)_ms；

2.4.重复步骤2.3，直到得到第1层均值漂移滤波结果图像(I₁)_ms，即金字塔均值漂移滤波后的图像I_f。

上述步骤1.2具体包括如下步骤：

3.1.计算I_f各像素的梯度，得到梯度图像G；

3.2.对G的每个像素的梯度按升序进行排列，得到升序排列后的梯度图像G_s；

3.3.对G_s进行淹没，得到I_f的n_r个区域以及各区域之间的邻接关系；

3.4.将I_f的n_r个区域合并成为n_m个区域，合并过程为，根据步骤3.3中得到的各区域之间的邻接关系，查找相邻区域，计算相邻区域内所有像素的平均灰度值，当两个相邻区域R_a和R_b的平均灰度值MG_a和MG_b之差的绝对值小于阈值ε时，将这两个相邻区域合并为一个区域R_c，ε取值范围2≤ε≤6，区域R_c的平均灰度值MG_c赋为：MG_c=[C_a/(C_a+C_b)]·MG_a+[C_b/(C_a+C_b)]·MG_b，C_a表示区域R_a内像素的个数，C_b表示区域R_b内像素的个数；

3.5.将I_f的n_m个区域的各区域内各像素的灰度值赋为该区域的平均灰度值，得到分割后的图像I_s。

上述步骤1.3中，特定感兴趣区域为矩形，矩形的左上角坐标为(λ_x·width，λ_y·height)，坐标原点为乳腺肿瘤超声图像I的左上角，矩形的宽度和高度分别为λ_w·width和λ_h·height，width和height分别表示I的宽度和高度，0.2≤λ_x≤0.3，0.05≤λ_y≤0.1，0.2≤λ_w≤0.3，0.3≤λ_h≤0.4。

有益效果：

1.本发明方法在分割乳腺肿瘤超声图像时自动化水平高，是完全、充分的自动化分割，避免了手工交互。

2.本发明算法复杂度低，容易实现，处理速度比现有的乳腺肿瘤自动分割方法快一个数量级。

3.本发明算法经过验证，除少数图像边界十分模糊外，均能快速、准确、自动提取乳腺肿瘤边界，达到预期目的。

附图说明

图1：本发明方法的流程图；

图2：本发明方法中金字塔均值漂移算法的流程图；

图3：本发明方法中分水岭算法的流程图；

图4：待分割的原始乳腺肿瘤超声图像；

图5：对乳腺肿瘤超声图像使用金字塔均值漂移算法滤波后的效果图；

图6：对滤波后的乳腺肿瘤超声图像使用分水岭算法分割后的效果图；

图7：在分割后的乳腺肿瘤超声图像中显示特定感兴趣区域的效果图；

图8：最终的肿瘤分割结果二值图像；

图9（a）-（d）：具有强噪声、内部有局部极值的恶性肿瘤分割过程示意图，由上到下依次为：图9（a）原始图像，图9（b）金字塔均值漂移算法滤波后的图像，图9（c）分水岭算法分割后的图像，图9（d）肿瘤分割结果图像；

图10（a）-（d）：边界不规则的恶性肿瘤分割过程示意图，由上到下依次为：图10（a）原始图像，图10（b）金字塔均值漂移算法滤波后的图像，图10（c）分水岭算法分割后的图像，图10（d）肿瘤分割结果图像。

具体实施方式

结合附图和实际例子对提取过程进行具体的描述。所使用数据为使用新博医疗乳腺光超成像系统采集的25幅临床乳腺肿瘤超声图像。下面分步进行介绍：

1.使用金字塔均值漂移算法对一幅待分割的原始乳腺肿瘤超声图像I（如图4所示）进行滤波，得到滤波后的图像I_f。金字塔均值漂移算法的基本步骤如图2所示。滤波后的效果图如图5所示。具体实施步骤如下：

(1).对乳腺肿瘤超声图像I进行最高层数L的高斯金字塔分解，L≥2，得到L层图像I₁,…,I_L，图像I_L为金字塔的底层；

(2).对第L层图像I_L进行均值漂移滤波，得到结果图像(I_L)_ms，均值漂移滤波是常用的滤波方法，其实施步骤分为两步：不连续性保持滤波和均值漂移聚类，以下进行简要介绍。

（2.1）不连续性保持滤波的实施步骤为：

设x_i表示原始图像中第i个像素的灰度值，i≤n，n表示原始图像中像素总数，z_i为滤波后的图像中第i个像素的灰度值，这些像素在空域-值域联合域内表达，

a)对于第i个像素，初始化步数j=1，y_i,1=x_i；

b)计算对应于第i个像素的第j+1步的灰度值y_i,j+1，直到（y_i,j+1-y_i,c）≤ε，停止计算，y_i,c为对应于第i个像素的收敛点的灰度值，

其中，y_i,j+1的计算方式为：

h为核大小，g(x)=-k'(x)，k(x)为核轮廓函数；

c)第i个像素滤波后的灰度值z_i赋为

即：在

处的滤波后的像素的灰度值被赋值为收敛点的灰度值，其中s，r分别表示空域分量和值域分量。

（2.2）均值漂移聚类的实施步骤为：

a)使用不连续性保持滤波，保存关于每个收敛点的灰度值y_i,c的所有信息；

b)将所有z_i按照在空域用核h_s和在值域用核h_r聚类得到m个类别C_p,p=1,...,m；

c)对均值漂移滤波后的每个像素的灰度值t_i赋值t_i={p|z_i∈C_p}，得到均值漂移滤波后的结果图像(I_L)_ms。

(3).使用拉普拉斯金字塔将第L层的均值漂移滤波结果图像(I_L)_ms向上采样得到第L-1层图像I'_L-1，再对I'_L-1进行均值漂移滤波，得到(I_L-1)_ms。

(4).重复步骤(3)，直到得到第1层均值漂移滤波结果图像(I₁)_ms，即金字塔均值漂移滤波后的图像I_f。

本实施例中设定高斯金字塔分解最高层数L为3；均值漂移滤波的空域核大小为20，值域核大小为40。

2.使用分水岭算法对滤波后的图像I_f进行分割，得到分割后的图像I_s。分水岭算法的基本步骤如图3所示。分割后的效果图如图6所示。具体实施步骤如下：

(1).计算I_f各像素的梯度，得到梯度图像G；

某一像素(i,j)的梯度G(i,j)的计算方式为：

G_x(i,j)=[I_f(i+1,j-1)+I_f(i+1,j)+I_f(i+1,j+1)-I_f(i-1,j-1)-I_f(i-1,j)-I_f(i-1,j+1)]/3

G_y(i,j)=[I_f(i-1,j-1)+I_f(i,j-1)+I_f(i+1,j-1)-I_f(i-1,j+1)-I_f(i,j+1)-I_f(i+1,j+1)]/3

$G(i,j)=\sqrt{{\left[G_x(i,j)\right]}^2+{\left[G_y(i,j)\right]}^2}$

如果G(i,j)大于255，则令G(i,j)=255，

其中，I_f(i,j)为I_f在像素(i,j)处的灰度值，G_x(i,j)和G_y(i,j)分别为水平和垂直方向的梯度；计算I_f的所有像素的梯度，得到梯度图像G。

(2).对G的每个像素的梯度按升序进行排列，得到升序排列后的梯度图像G_s；

(3).对G_s进行淹没，得到I_f的n_r个区域以及各区域之间的邻接关系；

(4).将I_f的n_r个区域合并成为n_m个区域，合并过程为，根据步骤3.3中得到的各区域之间的邻接关系，查找相邻区域，计算相邻区域内所有像素的平均灰度值，当两个相邻区域R_a和R_b的平均灰度值MG_a和MG_b之差的绝对值小于阈值ε时，将这两个相邻区域合并为一个区域R_c，ε取值范围2≤ε≤6，本实施例中设定ε=3，区域R_c的平均灰度值MG_c赋为：MG_c=[C_a/(C_a+C_b)]·MG_a+[C_b/(C_a+C_b)]·MG_b，C_a表示区域R_a内像素的个数，C_b表示区域R_b内像素的个数；

(5).将I_f的n_m个区域的各区域内各像素的灰度值赋为该区域的平均灰度值，得到分割后的图像I_s。

3.根据肿瘤一般位于图像中部或上部并且平均回声强度较低的经验知识，计算分水岭分割结果图像I_s中特定感兴趣区域内的最小灰度minGray，特定感兴趣区域为矩形，矩形的左上角坐标为(λ_x·width，λ_y·height)，坐标原点为乳腺肿瘤超声图像I的左上角，矩形的宽度和高度分别为λ_w·width和λ_h·height，width和height分别表示I的宽度和高度，0.2≤λ_x≤0.3，0.05≤λ_y≤0.1，0.2≤λ_w≤0.3，0.3≤λ_h≤0.4，本实施例中设定λ_x=0.25，λ_y=0.08，λ_w=0.25，λ_h=0.31，在分割后的乳腺肿瘤超声图像中显示特定感兴趣区域的效果图如图7所示，其中白色虚线框所示区域为特定感兴趣区域。

4.遍历分水岭分割结果图像I_s，对于灰度等于minGray的像素，将其灰度赋为前景，即为目标肿瘤区域，否则赋为背景，得到最终的肿瘤分割结果二值图像，本实施例中设定前景为255，背景为0，最终的肿瘤分割结果二值图像如图8所示。

Claims (4)

1.一种基于均值漂移和分水岭的乳腺超声图像自动分割方法，其特征在于包括以下步骤：

1.1.对于一幅乳腺肿瘤超声图像I，利用金字塔均值漂移算法对其进行滤波，得到滤波后的图像I_f；

1.2.利用分水岭算法对I_f进行分割，得到分割后的图像I_s；

1.3.计算I_s中特定感兴趣区域内的最小灰度minGray；

1.4.遍历I_s，对于灰度等于minGray的像素，将其灰度赋为前景，即为目标肿瘤区域，否则赋为背景，得到最终的肿瘤分割结果二值图像。

2.根据权利要求1所述的基于均值漂移和分水岭算法的乳腺肿瘤超声图像自动分割方法，其特征在于：所述的步骤1.1包括：

2.1.对乳腺肿瘤超声图像I进行最高层数L的高斯金字塔分解，L≥2，得到L层图像I₁,…,I_L，图像I_L为金字塔的底层；

2.2.对第L层图像I_L进行均值漂移滤波，得到结果图像(I_L)_ms；

2.3.使用拉普拉斯金字塔将第L层的均值漂移滤波结果图像(I_L)_ms向上采样得到第L-1层图像I'_L-1，再对I'_L-1进行均值漂移滤波，得到(I_L-1)_ms；

2.4.重复步骤2.3，直到得到第1层均值漂移滤波结果图像(I₁)_ms，即金字塔均值漂移滤波后的图像I_f。

3.根据权利要求1所述的基于均值漂移和分水岭算法的乳腺肿瘤超声图像自动分割方法，其特征在于：所述的步骤1.2包括：

3.1.计算I_f各像素的梯度，得到梯度图像G；

3.2.对G的每个像素的梯度按升序进行排列，得到升序排列后的梯度图像G_s；

3.3.对G_s进行淹没，得到I_f的n_r个区域以及各区域之间的邻接关系；

3.4.将I_f的n_r个区域合并成为n_m个区域，合并过程为，根据步骤3.3中得到的各区域之间的邻接关系，查找相邻区域，计算相邻区域内所有像素的平均灰度值，当两个相邻区域R_a和R_b的平均灰度值MG_a和MG_b之差的绝对值小于阈值ε时，将这两个相邻区域合并为一个区域R_c，ε取值范围2≤ε≤6，区域R_c的平均灰度值MG_c赋为：MG_c＝[C_a/(C_a+C_b)]·MG_a+[C_b/(C_a+C_b)]·MG_b，C_a表示区域R_a内像素的个数，C_b表示区域R_b内像素的个数；

3.5.将I_f的n_m个区域的各区域内各像素的灰度值赋为该区域的平均灰度值，得到分割后的图像I_s。

4.根据权利要求1所述的基于均值漂移和分水岭算法的乳腺肿瘤超声图像自动分割方法，其特征在于：所述的步骤1.3中，特定感兴趣区域为矩形，矩形的左上角坐标为(λ_x·width，λ_y·height)，坐标原点为乳腺肿瘤超声图像I的左上角，矩形的宽度和高度分别为λ_w·width和λ_h·height，width和height分别表示I的宽度和高度，0.2≤λ_x≤0.3，0.05≤λ_y≤0.1，0.2≤λ_w≤0.3，0.3≤λ_h≤0.4。

Images