CN103886580A - 肿瘤图像处理方法 - Google Patents

Abstract

本发明实施例公开了一种肿瘤图像处理方法，包括步骤：S1移除图像背景；S2自动多阈值设置；S3使用最大类间方差法进行图像处理；S4对图像做二值化处理。本方法与传统最大类间方差法或其他方法的区别在于，本对聚合分割开发了一种自动化多阈值设置，此方法相对其他MRI图像分割方法来说，简单而快速地分割了肿瘤区域有助于帮助病理学家分辨精确地损伤大小与区域。

Description

肿瘤图像处理方法

技术领域

本发明涉及图像处理方法领域，尤其涉及一种脑部肿瘤图像的处理方法。 

背景技术

图像化是医学科学中可视化人体解剖结构与功能或新陈代谢信息的基本方法之一。结构与功能图像对于了解人体的结构，物理过程，器官功能与整个或部分器官在非正常物理条件或疾病的影响下的行为是非常重要的。最近二十年来，放射科学见证了医学图像化与计算机化医学图像处理的革命性进步，一些诊断与治疗的重要的放射工具对致命疾病的评估与介入，使得医学保健有了非常重大的进步。诊断放射学的医学图像化随着基础科学，工程学，医学的贡献正不断发展。因此，计算机化图像重构，处理与分析的方法也在不断地发展。应用领域知识也被用于开发精确分析与解释的模型。 

随着成像仪器的发展，为了更好地理解与解释医学图像，新的计算机化图像重构，处理与分析方法也随之不断发展进化。通过计算机交互，图像处理与分析方法已经被用于帮助内科医生做出重要的医学决策。最近，智能或基于模型的量化图像分析方法已经被开发利用于计算机辅助诊断，以提高包括医学图像在内的放射性测试的敏感性与特异性。这样的进步使得复杂的医学成像方式，如X-ray CT,MRI,SPECT,PET与Ultrasound都很依赖于计算机的生成与显示数字图像的技术。生理结构的多维数字图像经过处理与操作，可以实现可视化那些通过平面成像技术很困难或无法看到的隐藏着的独特的诊断特征。同时，在MRI领域，MRI数据的多光谱本质描述也被用于乳房组织特征化。Clarke已经审查了一些MRI分割工作。还有另外一些关于多参数MRI数据的分析也被提出。这些包括，最大化差异方法，人造神经网络，许多聚合技术，特征图像过滤，和最佳特征空间方法，以上都背应用于组织分割与特征化。 

分割是医学图像分析与放射性评估或计算机辅助诊断的分类的主要步骤。图像分割就是将图像分为不同的区域，其原则是按照某些预先定好的相似标准将相邻的像素分组。这些相似的原则，可以按照代表图像中的物体的像素的详细属性或特征来决定。即是，分割是利用像素分类技术来讲图像中相似的区域分组的技术。图像分割技术可以分为三个种类：基于边缘的方法，边缘信息用来表示物体的边界，若有需要，可以对边界进行分析与修改，来组成一个属于图像中的物体的闭合区域；基于像素的分割直接分类方法：从图像的直方图统计得出的估算方法来组成属于图像中的物体的闭合区域；基于区域的方法：直接对基于预先定好的规则的区域中的像素进行直接分析，组成属于图像中的物体的闭合区域，当区域定义了，就可以计算出代表区域的特征，来进行特征化、分析、与分类。这些特征包括区域的形状，纹理信息，与灰度差异等统计属性。 

确定灰度值阈值的简单方法是分析直方图的峰值然后找出其在两个连续的主峰值之间的最低点。若直方图是有明显双峰的，使用这种方法将获得一个准确的结果。但是，医学影像随着特定的区域的分割使得图像可能有不同的峰值，例如，大脑核磁共振图像的直方图可能有很多峰值。我们注意到用灰度值阈值划分大脑区域存在一些漏洞。这些漏洞在量化图像里头盖骨下的整个大脑区域时会放大。 

发明内容

本发明实施例所要解决的技术问题在于，提供一种使用最大类间方差算法与MRI脑损伤自动多阈值设置结合的图像追踪方法，包括以下步骤： 

S1移除图像背景； 

S2自动多阈值设置； 

S3使用最大类间方差法进行图像处理； 

S4对图像做二值化处理。 

最大类间差法聚类分析方法在物体尺寸跟背景十分不同的时候会得出不正确的结果，因此我们首先进行背景移除的步骤来减少阈值的影响，接着找到一个最佳阈值。脑部核磁共振图像为灰度图，其背景为黑色会对阈值有影响，在 做OTSU聚类分析之前，我们采用以下步骤来去除所有的背景： 

S11对原始图像做水平扫描，左右对比，若相邻的像素差值小于值T1，则为相同部分，将其移除，若大于T1，则为不同部分，对其保留； 

S12对原始图像做水平扫描，上下对比，若相邻的像素差值小于值T1，则为相同部分，将其移除，若大于T1，则为不同部分，对其保留； 

S13将步骤S11所得的图像与S12所得的图像合并。 

进一步地，自动多阈值设置步骤S2包括： 

S21从移除背景后的图像取得直方图； 

S22从直方图确定灰度值的阈值。 

进一步地，步骤S3包括： 

S31利用最大类间方差算法取得阈值，用该阈值将图像像素分为C1、C2两组； 

S32对C1和C2再次使用最大类间方差算法进一步将其分别分为C1a、C1b和C2a、C2b； 

S33重复使用最大类间方差算法将各个组进一步分组。 

使用最大类间方差算法的次数取决于原始图像的阈值，当阈值大于1000时使用次数为4次，小于1000则为3次。 

进一步地，自动多阈值设置是基于0-255的灰度图像分割的，处理后的图像仍然是灰度图，因此需要做二值化处理，在原始图像选择一个灰度级t，再将每个像素点与t值做比较，将图像转为黑色或白色。 

实施本发明，具有如下有益效果： 

本方法与传统最大类间方差法或其他方法的区别在于，本对聚合分割开发了一种自动化多阈值设置，此方法相对其他MRI图像分割方法来说，简单而快速地分割了肿瘤区域有助于帮助病理学家分辨精确地损伤大小与区域。 

附图说明

图1是本发明方法流程图； 

图2是背景移除步骤的示意图； 

图3是图像像素亮度的直方图； 

图4本发明方法实验效果图。 

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。 

如图1所示的方法，本发明包括以下步骤： 

S1移除图像背景； 

S2自动多阈值设置； 

S3使用最大类间方差法进行图像处理； 

S4对图像做二值化处理。 

图2是背景移除步骤的示意图，其中图2（a）为原始脑部核磁共振图像；图2（b）为水平扫描移除背景后的图像，对原始图像做水平扫描，左右对比，若相邻的像素差值小于值T1，则为相同部分，将其移除，若大于T1，则为不同部分，对其保留；图2（c）为垂直扫描移除背景后的图像，对原始图像做水平扫描，上下对比，若相邻的像素差值小于值T1，则为相同部分，将其移除，若大于T1，则为不同部分，对其保留；图2（d）是将图2（b）和图2（c）合并后的图像。 

如图3所示，y轴代表像素亮度，在肿瘤清晰的图像中，图3（a）为亮度较低的图像曲线，图3（b）为亮度较高的图像曲线。从图中可知，若直方图的曲线从最高点向最低点缓慢下降，则说明图像偏暗且其平滑度高；若曲线从最高点往最低点急速下滑，则说明图像亮度高且平滑度低。直方图的平滑度计算公式为： 

$S=\frac{\underset{i=m}{\overset{n}{\mathrm{\Σ}}}{((i,1)-(i+\mathrm{1,1}))}^2}{n-m}$

其中，m代表像素值的最大值，n是像素值的最小值。因为图像的曲线分类是从m到n平滑的，n必须大于m。 

图1中，脑部图像分析采用最大类间差法相比起双峰分布法具有更高的准确度，假设像素被阈值t分为C₀和C₁两种类别，即前景和背景。加权类内方差公式为： 

${\mathrm{\σ}}_w^2\left(t\right)=q_{1}2\left(t\right){\mathrm{\σ}}_1^2\left(1\right)+q_2\left(t\right){\mathrm{\σ}}_2^2\left(t\right)$

类概率的估值为， 

$q_1\left(t\right)=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}P\left(i\right)$

$q_2\left(t\right)=\underset{i=t+1}{\overset{I}{\mathrm{\Σ}}}P\left(i\right)$

类的平均值为， 

${\mathrm{\μ}}_1\left(t\right)=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}\frac{\mathrm{iP}\left(i\right)}{q_1\left(t\right)},$

${\mathrm{\μ}}_2\left(t\right)=\underset{i=t+1}{\overset{I}{\mathrm{\Σ}}}\frac{\mathrm{iP}\left(i\right)}{q_2\left(t\right)}.$

最后，单个类方差为， 

${\mathrm{\σ}}_1^2\left(t\right)=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}{[i-{\mathrm{\μ}}_1\left(t\right)]}^2\frac{P\left(i\right)}{q_1\left(t\right)}$

${\mathrm{\σ}}_2^2\left(t\right)=\underset{i=t+1}{\overset{I}{\mathrm{\Σ}}}{[i-{\mathrm{\μ}}_2\left(t\right)]}^2\frac{P\left(i\right)}{q_2\left(t\right)}$

接着，在t的所有取值范围中选取使

的值最小。利用类内方差和类间方差之间的关系可以生成更快得出计算结果的递推公式。基本的思想是总方差不取决于阈值。对于任何给定的阈值，总方差是类内方差（加权）和类间方差 的总和，即中间值和平均值的加权平方距离之和。总方差的表达式如下： 

${\mathrm{\σ}}^2={\mathrm{\σ}}_w^2\left(t\right)+q_1\left(t\right)[1-q_1\left(t\right)]{[{\mathrm{\μ}}_1\left(t\right)-{\mathrm{\μ}}_2\left(t\right)]}^2$

类间方差矩阵为： 

${\mathrm{\σ}}_B^2\left(t\right)=q_1\left(t\right)[1-q_1\left(t\right)]{[{\mathrm{\μ}}_1\left(t\right)-{\mathrm{\μ}}_2\left(t\right)]}^2$

由于总和是不取决于t且恒定的，阈值改变所产生的影响仅仅是改变了前景和背景两者的关系。因此当取得t的所有取值分布时可以递归计算出的数量。最后，初始化q₁(1)＝P(1),μ₁(0)＝0,接着采用以下的快速递归算法去实现上述方法： 

q₁(t+1)＝q₁(t)+P(t+1) 

${\mathrm{\μ}}_1(t+1)=\frac{q_1\left(t\right){\mathrm{\μ}}_1\left(t\right)+(t+1)P(t+1)}{q_1(t+1)}$

${\mathrm{\μ}}_2(t+1)=\frac{\mathrm{\μ}-q_1(t+1){\mathrm{\μ}}_1(t+1)}{1-q_1(t+1)}$

分类归并是将相似特征向量的分组数据点归为单个集群而不同特征向量的数据点归在不同的群集。相似的特征向量可以由适当的距离度量如欧几里得距离或马氏距离表示。每个群集由平均值(质心)和方差(展开)相结合群集中数据点的特征向量分布。群集是由一个包含了预先指定距离和附加约束如平滑的相似度量的目标函数形成的。因此，我们将基于平滑度的自动多阈值与最大类间方差结合来获得更优的值。处理步骤如图1所示。 

1.最大类间方差算法取得阈值，然后分为（C1，C2）两组。 

2.对C1和C2再次使用最大类间方差算法进一步将C1、C2分别分为(C1a，C1b)和(C2a,C2b)。 

3.重复使用最大类间方差算法将上述分组进一步分组 

分组的数量取决于原始图像的平滑度S。 

自动多阈值设置是基于0-255的灰度图像分割的，处理后的图像仍然是灰 度图，因此可以做二值化处理。 

最大类间方差处理后，二值化图像用于物体轮廓。二值化图像意味着图像只有黑色和白色。将灰度图像转为二值图像时首先在原始图像选择一个灰度级t，然后将每个像素点与t值做比较而转为黑色或白色，其公式如下： 

其中，x代表灰度值，本实施例中t取值为原始图像所取得直方图中曲线的谷值（如图3所示valley处）。 

将二值化之后的图像得到损伤部位的区域，再与原图像合并可以将原始图像中的病灶区域划分出来。其过程如图4所示，其中图4（a）为原始图像，图4（b）为去除背景之后的图像，图4（c）为背景去除后图像的直方图，图4（d）为二值化之后的图像，图4（e）二值化图像和原始图像合并后的病灶区域划分图像，图4（f）是手绘的病灶区域图像。 

通过实施例的对比，采用本发明方法对脑部肿瘤区域的划分，其准确率可达96%以上。 

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。 

Claims (5)

1.一种肿瘤图像处理方法，其特征在于，包括以下步骤：

S1移除图像背景；

S2自动多阈值设置；

S3使用最大类间方差法进行图像处理；

S4对图像做二值化处理。

2.根据权利要求1所述的方法，其特征在于，图像背景移除步骤S1包括：

S11对原始图像做水平扫描，左右对比，若相邻的像素差值小于值T1，则为相同部分，将其移除，若大于T1，则为不同部分，对其保留；

S12对原始图像做水平扫描，上下对比，若相邻的像素差值小于值T1，则为相同部分，将其移除，若大于T1，则为不同部分，对其保留；

S13将步骤S11所得的图像与S12所得的图像合并。

3.根据权利要求1所述的方法，其特征在于，自动多阈值设置步骤S2包括：

S21从移除背景后的图像取得直方图；

S22从直方图确定灰度值的阈值。

4.根据权利要求1所述的方法，其特征在于，步骤S3包括：

S31利用最大类间方差算法取得阈值，用该阈值将图像像素分为C1、C2两组；

S32对C1和C2再次使用最大类间方差算法进一步将其分别分为C1a、C1b和C2a、C2b；

S33重复使用最大类间方差算法将各个组进一步分组。

5.根据权利要求1所述的方法，其特征在于，二值化图像时，在原始图像选择一个灰度级t，再将每个像素点与t值做比较，将图像转为黑色或白色。

Images