CN103646398A - 一种皮肤镜病灶自动分割方法 - Google Patents

Abstract

本发明涉及一种医学图像处理技术中的皮肤镜病灶自动分割方法，其包括以下步骤：病灶区域检测与提取：对图像中的病灶区域和背景区域进行初步划分，提取病灶区域的形状、位置和轮廓；活动轮廓模型分割：根据病灶区域的轮廓构造活动轮廓模型的初始曲线，并建立相应的能量泛函。根据水平集方法和曲线演化理论，通过偏微分求解得到满足能量泛函最小化的曲线，将病灶区域从图像中自动分割出来。本发明的方法依据皮肤镜病灶区域与周围区域的差异性，对病灶区域进行自动检测和分割，该方法对病灶分割准确、效率高，具有很好的实用性，且无需人工介入，可以辅助皮肤科医生进行更精确的病灶分析和诊断。

Description

一种皮肤镜病灶自动分割方法

技术领域

本发明涉及医学图像处理技术领域，具体来说是一种皮肤镜病灶自动分割方法。

背景技术

皮肤镜又称皮表透光显微镜，是一种观察活体皮肤表面以下微细结构和色素的无创性显微图像分析技术。它可以观察到表皮下部、真皮乳头层和真皮深层等肉眼不可见的影像结构与特征，这些特征与皮肤组织病理学的变化有着特殊和相对明确的对应关系，根据这些对应关系确定了皮肤镜诊断的敏感性、特异性。最新的研究亦显示，皮肤镜对恶性黑色素瘤诊断的专一性可以达到98%，甚至比临床诊断还要高。因此，皮肤镜是一个相当方便、非侵入性、诊断率高、值得信赖的医学辅助工具。

然而，皮肤镜检测产生的图像数据量很大，海量的图像直接导致皮肤科医生工作量的增加，从而有可能增加漏诊和误诊的几率。此外，在图像采集时，由于采集装置硬件参数设置的不合理，外界环境的影响如光照、遮挡以及采集者的主观因素等影响，都会导致图像采集质量的下降，如模糊、带有噪声和毛发、对比度太小、光照不均匀等，从而影响后续的图像分割以及目标特征提取的准确性，并导致错误的分析结果。因此，皮肤镜病灶的自动分割是一个非常有挑战性的工作。

医学图像处理作为数字图像和生物信息处理研究领域的一个重要内容，近年来受到了越来越多研究者的重视。图像处理技术的发展及其在医学影像中的应用，也为医学研究和实际临床应用提供了更加丰富的医学信息。近年来，医学图像处理用于计算机辅助检测与诊断已成为了研究热点，而对于影像中关于人体器官、肿瘤等病灶区域的检测和分割则是其中主要的研究方向之一，因此借助于计算机模型，可以很好地提高病灶分割的准确性和科学性。

目前，研究人员已经提出一些皮肤镜病灶自动分割方法。例如，针对皮肤病灶中常见的黑素细胞肿瘤，田庆飞等人提出一种综合图像分割方法，首先应用统计区域融合方法将图像分割成多块纹理一致的区域，然后以图像HSV空间的H和S分量为特征，使用K均值聚类算法将图像聚为9类，最后，将聚类结果在HSV颜色空间的H和S分量分别映射到[0，1]区间，再分别对H和S分量取阈值，得到最终的边界分割结果。该方法对复杂肿瘤图像的处理效果明显优于之前的一些方法，但对毛发较多的图像处理结果不理想。谢凤英等人也提出了一种基于改进自生成神经网络的皮肤镜黑色素细胞瘤图像分割方法，首先采用区域生长方法将图像进行粗分割，然后将每一个子区域看作一个叶节点，根据节点之间的相邻关系定义连接规则，最后采用自生成神经网络对这些节点进行聚类，完成黑色素细胞瘤的分割。但这种方法的分割结果依赖于基于区域生长的预分割。Grana等人实现了一种简单有效的自动分割方法，首先采用大律阈值法自动分割图像，然后用K个点作样条插值获得光滑的边界曲线。但对于病灶边缘比较不规则的图像，该方法效果并不理想。Tanaka等人先用中值滤波器去除噪声，然后用Laplacian直方图方法和判别式准则实现二值化并抽取出皮肤病灶的轮廓。综上所述，虽然现有的方法可以分割皮肤镜图像中的病灶区域，但仍有不足，有些方法对复杂图像处理的效果不理想，有些方法依赖于预分割。另一类方法皮肤镜病灶的分割方法是基于活动轮廓模型的，但这类方法中病灶区域的初始曲线通常得由用户指定，导致了人工介入，对于大量的皮肤镜检查图像的实时分割和诊断是不适用的。

发明内容

针对现有皮肤镜病灶分割需要人工介入、分割不够精确等不足，本发明要解决的技术问题是提供一种计算机辅助的皮肤镜病灶自动分割方法。

为解决上述技术问题，本发明采用的技术方案是：

本发明皮肤镜病灶自动分割方法包括以下步骤：

病灶区域检测与提取：对于存在不同类型病灶的皮肤镜检查图像，通过对图像进行频率域变换，之后计算谱残差，并重构图像得到显著图，获得全局显著信息，对图像中的病灶区域和背景区域进行初步划分，提取病灶区域的位置、形状和轮廓；

活动轮廓模型分割：将病灶区域的轮廓作为活动轮廓模型的初始曲线，建立能量泛函，将能量泛函转化为水平集函数的表示形式，初始曲线为零水平集函数，最后通过梯度下降法求解得到满足能量泛函最小化的曲线，将病灶区域从图像中自动分割出来。

所述病灶区域检测与提取包括以下步骤：

对皮肤镜图像进行预处理，包括去噪、亮度调整和平滑运算；

通过图像频率域变换，计算图像的谱残差；

通过对谱残差进行频率域逆变换，得到重构图像，并进行平滑处理获得病灶区域更准确的显著图；

采用最大类间方差法、局部阈值法、动态阈值法对显著图进行二值化，将图像初步划分为病灶区域和背景区域；

采用形态学算子中的膨胀、腐蚀、开、闭、最大包围矩形和提取轮廓运算提取二值图像中关于病灶区域的形状信息，并求得图像中病灶区域的轮廓。

所述活动轮廓模型分割包括以下步骤：

将病灶区域的轮廓作为活动轮廓模型的初始曲线，构造能量泛函；

根据水平集方法和曲线演化理论，将初始曲线看作零水平集函数，把能量泛函转化为水平集函数的表示形式；

通过梯度下降法求解能量泛函所对应的欧拉--拉格朗日方程，满足能量泛函最小化的曲线对应了病灶区域的轮廓，将病灶区域从图像中分割出来。

本发明具有以下有益效果及优点：

本发明的方法依据皮肤镜病灶区域与周围区域的特征差异性，对病灶区域进行自动检测和分割，该方法对病灶分割准确、效率高，具有很好的实用性，可以辅助医生进行更精确的病灶分析和诊断。

附图说明

图1为本发明方法的整体流程图。

图2为本发明方法处理的病灶区域和背景区域图像。

图3为本发明方法待分割的存在病灶的皮肤镜图像。

图4为采用本发明方法在皮肤镜图像上的分割结果。

具体实施方式

以下结合附图和具体实施例对本发明进行说明，但本发明不限于本实施例。

本发明皮肤镜病灶自动分割方法利用皮肤镜检查图像中病灶区域与其邻域区域的差异性，对图像进行初步划分，获取病灶区域的位置、形状和轮廓信息，然后基于这些先验信息构造活动轮廓模型用于病灶区域的自动分割，如图1所示，本方法包括以下步骤：

对于存在不同类型病灶的皮肤镜检查图像，通过对图像进行频率域变换，之后计算谱残差，重构得到显著图，获得全局显著信息，对图像中的病灶区域和背景区域进行初步划分，提取病灶区域的位置、形状和轮廓；

活动轮廓模型分割：将病灶区域的轮廓作为活动轮廓模型的初始曲线，建立能量泛函，将能量泛函转化为水平集函数的表示形式，初始曲线为零水平集函数，最后通过梯度下降法求解得到满足能量泛函最小化的曲线，将病灶区域从图像中自动分割出来。

1、病灶区域检测与提取

如图2所示，在本步骤中，需要进行病灶区域的检测与提取，即从待分割的皮肤镜图像I(x,y)中获取病灶的形状信息，将图像初步划分为病灶区域和背景区域。一种具体实现方法为：

1）对皮肤镜图像进行预处理，包括图像去噪、亮度调整和平滑运算，如图2(a)所示；

2）对图像进行频率域变换，之后计算图像的谱残差R(I)=L(I)-f_n*L(I)，其中，L(I)是图像频率域变换的对数谱，频率域变换可利用Fourier变换、快速Fourier变换以及其它以Fourier变换为基础的变换来实现，f_n为高斯均值滤波，*为卷积运算；

3）通过对谱残差进行频率域逆变换得到重构图像I'(x,y)=ITF[exp(R(I)+P(I))]²，其中，ITF表示频率域逆变换，可利用逆Fourier变换、逆快速Fourier变换以及其它以Fourier变换为基础的逆变换，exp表示指数运算，P(I)为图像频率域变换的相位谱。重构图像I'(x,y)中较亮的区域代表病灶可能出现的区域，为了得到更大范围更准确的病灶目标，对重构图像进行Gaussian平滑运算，求得显著图S(I)=g*I'(x,y)，其中g表示二维Gaussian滤波(σ=10)。最终得到的显著图S(I)中像素的灰度值范围为0～255，如图2(b)所示，像素灰度值越接近255，表明该位置出现病灶的概率越大；反之像素灰度值越接近0，表明该位置属于背景区域的可能性越大；

4）采用二值化方法，将显著图S(I)二值化，图像被划分为病灶区域Ω._L和背景区域Ω_B，如图2(c)所示，二值化方法可利用最大类间方差法、局部阈值法、动态阈值法；

5）根据图像中病灶区域的特点，采用形态学算子提取二值图像中关于病灶区域Ω._L的形状信息，得到图像的初始轮廓C，如图2(d)所示，形态学算子包括膨胀、腐蚀、开、闭、最大包围矩形、提取轮廓运算；

本步骤对图像进行病灶区域和背景区域的预分割是为了获取病灶区域的轮廓信息，作为下一步活动轮廓模型的初始曲线，实现病灶区域的自动分割。

2、活动轮廓模型分割

本步骤构造活动轮廓模型的能量泛函，并求解得到病灶区域的自动分割结果。一种具体实现方法为：

1）将步骤1提取到的病灶区域的轮廓C作为活动轮廓模型的初始曲线，构造活动轮廓模型的能量泛函。活动轮廓模型包括基于参数的活动轮廓模型、基于几何以及结合参数和几何的活动轮廓模型，能量泛函的能量项包括内部力、图像力、光滑项、长度项、外部力以及其它控制曲线演化的能量项：

由于皮肤镜图像I(x,y)被闭合的初始曲线C划分为病灶区域Ω_L和背景区域Ω_B两个同质区域，两个区域的像素灰度均值为c₁和c₂，λ₁,λ₂为两个能量项的权值参数，能量项表示初始轮廓内外的像素灰度差，用于控制轮廓曲线的演化，则具有病灶先验形状的能量泛函定义为：

$E(C,c_1,c_2)={\mathrm{\λ}}_1{\∫}_{{\mathrm{\Ω}}_L}{|I-c_1|}^2\mathrm{dxdy}+{\mathrm{\λ}}_2{\∫}_{{\mathrm{\Ω}}_B}{|I-c_2|}^2\mathrm{dxdy}---\left(1\right)$

2）将能量泛函转化为水平集函数的表示形式：

①构造水平集函数：初始轮廓C通常是一条或多条闭合的不规则形状的曲线，曲线演化时则要求计算每一像素点到初始轮廓C上各点的距离，并求出其中的最小值ρ，再根据该像素点是在C的内部或外部，赋予正号或负号。因此，水平集函数即符号距离函数可以定义为：

$\mathrm{\φ}(x,y)=\left\{\begin{array}{cc}-\mathrm{\ρ}& (x,y)\∈{\mathrm{\Ω}}_B\\ 0& (x,y)\∈C\\ \mathrm{\ρ}& (x,y)\∈{\mathrm{\Ω}}_L\end{array}\right.---\left(2\right)$

②为了加快曲线演化的速度，使初始轮廓尽快收敛于病灶边界，在式(1)中增加一个水平集函数表示的偏差惩罚项

因此，带有惩罚项的活动轮廓能量泛函定义为：

$E(C,c_1,c_2)=\mathrm{\μ}{\∫}_{\mathrm{\Ω}}\frac{1}{2}{\left(\right|\▿\mathrm{\φ}|-1)}^2\mathrm{dxdy}+{\mathrm{\λ}}_1{\∫}_{{\mathrm{\Ω}}_L}{|I-c_1|}^2\mathrm{dxdy}+{\mathrm{\λ}}_2{\∫}_{{\mathrm{\Ω}}_B}{|I-c_2|}^2\mathrm{dxdy}---\left(3\right)$

其中，μ为惩罚项系数，

为梯度运算，Ω表示整个图像区域，φ为水平集函数。

③将初始曲线C看作零水平集函数，用式(2)中的水平集函数来表示式(3)的能量泛函，将能量泛函转化为水平集函数的表示形式：

$\begin{array}{c}E(C,c_1,c_2)=\mathrm{\μ}{\∫}_{\mathrm{\Ω}}\mathrm{\δ}\left(\mathrm{\φ}\right)|\▿\mathrm{\φ}|\mathrm{dxdy}+{\mathrm{\λ}}_1{\∫}_{{\mathrm{\Ω}}_L}{|I-c_1|}^{2}H\left[\mathrm{\φ}\left(x\right)\right]\mathrm{dxdy}+\\ {\mathrm{\λ}}_2{\∫}_{{\mathrm{\Ω}}_B}{|I-c_2|}^2(1-H[\mathrm{\φ}\left(x\right)\left]\right)\mathrm{dxdy}\end{array}----\left(4\right)$

其中， $H\left(\mathrm{\&phi;}\right)=\left\{\begin{array}{cc}1,& \mathrm{\&phi;}\&GreaterEqual;0\\ 0,& \mathrm{\&phi;}<0\end{array}\right.$ 为Heaviside函数，

为Dirac函数。由于H(φ)和δ(φ)是不规则函数，无法由能量泛函推导出关于水平集函数φ(x,y)的欧拉-拉格朗日方程，因此在运算中，可以选择正则化后的函数来逼近H(φ)，并根据近似的H_ε计算出对应的近似δ_ε，则H_ε和δ_ε可表示为：

$\left\{\begin{array}{c}{H}_{\mathrm{\&epsiv;}}\left(\mathrm{\&phi;}\right)=\frac{1}{2}[1+\frac{2}{\mathrm{\&pi;}}\arctan \left(\frac{\mathrm{\&phi;}}{\mathrm{\&epsiv;}}\right)]\\ {\mathrm{\&delta;}}_{\mathrm{\&epsiv;}}=\frac{1}{\mathrm{\&pi;}}\&CenterDot;\frac{\mathrm{\&epsiv;}}{{\mathrm{\&epsiv;}}^2+{\mathrm{\&phi;}}^2}\end{array}\right.---\left(5\right)$

3）能量泛函的求解：能量泛函的最小化是通过梯度下降法求解能量泛函所对应的欧拉--拉格朗日方程得到的,给定一个水平集函数φ(x,y)，通过一个迭代的过程来最小化能量泛函，其中每一次迭代又包括两个步骤：

①第一步，固定水平集函数φ的值，分别对c₁和c₂最小化能量泛函，可以得到c₁和c₂：

$\left\{\begin{array}{c}{c}_1\left(\mathrm{\&phi;}\right)=\frac{{\&Integral;}_{{\mathrm{\&Omega;}}_L}I(x,y)H_{\mathrm{\&epsiv;}}\left(\mathrm{\&phi;}\right)\mathrm{dxdy}}{{\&Integral;}_{{\mathrm{\&Omega;}}_L}{H}_{\mathrm{\&epsiv;}}\left(\mathrm{\&phi;}\right)\mathrm{dxdy}}\\ c_2\left(\mathrm{\&phi;}\right)=\frac{{\&Integral;}_{{\mathrm{\&Omega;}}_B}I(x,y)(1-H_{\mathrm{\&epsiv;}}\left(\mathrm{\&phi;}\right))\mathrm{dxdy}}{{\&Integral;}_{{\mathrm{\&Omega;}}_B}(1-H_{\mathrm{\&epsiv;}}\left(\mathrm{\&phi;}\right))\mathrm{dxdy}}\end{array}\right.---\left(6\right)$

②第二步，固定c₁和c₂的值，通过最小化能量泛函，推导出关于水平集函数φ(x,y)的欧拉-拉格朗日方程，利用梯度下降法进行求解：

$\frac{\&PartialD;\mathrm{\&phi;}}{\&PartialD;t}=\mathrm{\&mu;}|\mathrm{\&Delta;\&phi;}-\mathrm{div}\frac{\&dtri;\mathrm{\&phi;}}{|\&dtri;\mathrm{\&phi;}|}|+{\mathrm{\&delta;}}_{\mathrm{\&epsiv;}}\left(\mathrm{\&phi;}\right)[-{\mathrm{\&lambda;}}_1{(I-c_1)}^2+{\mathrm{\&lambda;}}_2{(I-c_2)}^2]---\left(7\right)$

其中，μ为惩罚项系数，

为曲线的曲率，Δ为Laplace算子，δ_ε(φ)为正则化后的Dirac函数。

4）检查迭代是否满足停止条件，即|φⁿ⁺¹-φⁿ|≤Qt(Qt为用户设定的阈值)或达到最大迭代次数N，如满足则停止迭代，将病灶区域从图像中分割出来，最终分割出来的病灶区域的轮廓是满足能量泛函最小化的曲线，如图3为待分割的皮肤镜图像，图4为最终分割出来的病灶区域。否则继续迭代，一直到满足条件为止。

本实例说明中所用皮肤镜图像大小为133×100，在普通的PC机上运行本方法，5幅图像中病灶区域的分割时间均小于1秒，活动轮廓模型收敛到病灶边界所用的迭代次数都小于50次，说明本发明方法可以获得很好的分割效率。对比图3和图4可以看出，在不需要任何病灶区域先验知识的前提下，也无需皮肤科医生的介入，本发明方法可以主动、快速、准确地将病灶区域分割出来，有助于医生进行更精确的病灶分析和诊断。

本领域技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换、简单且合等多种变形，这些均落入本发明的保护范围之内。

Claims (14)

1.一种皮肤镜病灶自动分割方法，其特征在于包括以下步骤：

病灶区域检测与提取：对于存在不同类型病灶的皮肤镜检查图像，通过对图像进行频率域变换，之后计算谱残差，重构得到显著图，获得全局显著信息，对图像中的病灶区域和背景区域进行初步划分，提取病灶区域的位置、形状和轮廓；

活动轮廓模型分割：将病灶区域的轮廓作为活动轮廓模型的初始曲线，建立能量泛函，将能量泛函转化为水平集函数的表示形式，初始曲线为零水平集函数，最后通过梯度下降法求解得到满足能量泛函最小化的曲线，将病灶区域从图像中自动分割出来。

2.按权利要求1所述的皮肤镜病灶自动分割方法，其特征在于所述频率域变换包括Fourier变换、快速Fourier变换以及其它以Fourier变换为基础的变换。

3.按权利要求2所述的皮肤镜病灶自动分割方法，其特征在于频率域变换之前对图像进行预处理，包括去噪、亮度调整和平滑运算。

4.按权利要求1所述的皮肤镜病灶自动分割方法，其特征在于所述显著图的获取是通过对谱残差进行频率域逆变换重构得到的。

5.按权利要求4所述的皮肤镜病灶自动分割方法，其特征在于所述逆变换包括逆Fourier变换、逆快速Fourier变换以及其它以Fourier变换为基础的逆变换。

6.按权利要求4所述的皮肤镜病灶自动分割方法，其特征在于对重构后的图像进行平滑运算以获得病灶区域更准确的显著图。

7.按权利要求1所述的皮肤镜病灶自动分割方法，其特征在于通过二值化显著图对病灶区域和背景区域进行初步划分。

8.按权利要求7所述的皮肤镜病灶自动分割方法，其特征在于所述二值化方法包括最大类间方差法、局部阈值法、动态阈值法。

9.按权利要求1所述的皮肤镜病灶自动分割方法，其特征在于通过形态学算子提取病灶区域的轮廓。

10.按权利要求9所述的皮肤镜病灶自动分割方法，其特征在于所述形态学算子包括膨胀、腐蚀、开、闭、最大包围矩形和提取轮廓运算。

11.按权利要求1所述的皮肤镜病灶自动分割方法，其特征在于所述活动轮廓模型包括基于参数的活动轮廓模型、基于几何的活动轮廓模型以及结合参数和几何的活动轮廓模型。

12.按权利要求11所述的皮肤镜病灶自动分割方法，其特征在于所提取的病灶区域的轮廓作为活动轮廓模型的初始曲线。

13.按权利要求1所述的皮肤镜病灶自动分割方法，其特征在于所述能量泛函的能量项包括内部力、图像力、光滑项、长度项、外部力以及其它控制曲线演化的能量项。

14.按权利要求1所述的皮肤镜病灶自动分割方法，其特征在于所述能量泛函的最小化是采用梯度下降法求解能量泛函所对应的欧拉--拉格朗日方程得到的。

Images