吳相穎，徐偉棟，厲力華*，劉 偉，張 娟，邵國良，Zheng Bin

（1.杭州電子科技大學(xué)生命信息與儀器工程學(xué)院，杭州 310018; 2.浙江省腫瘤醫(yī)院放射科，杭州 310022; 3.匹茲堡大學(xué)放射學(xué)系，賓夕法尼亞州 15213，美國）

乳腺癌是當(dāng)今女性最常見的惡性腫瘤之一。乳腺X線攝影是目前乳腺癌最常用和最有效的診斷手段之一［1－2］。然而，由于乳腺組織的復(fù)雜性及有限的分辨率等原因，乳腺X線圖像往往不夠清晰，加上人的視覺感知等主觀因素，臨床醫(yī)生在閱片時(shí)容易出現(xiàn)漏檢或診斷錯(cuò)誤。為了幫助醫(yī)生更好地診斷病情，乳腺鉬靶計(jì)算機(jī)輔助診斷技術(shù)(Computer Aided Diagnosis，CAD)成為了目前國際上的研究熱點(diǎn)。

腫塊分割作為腫塊檢測和診斷的關(guān)鍵環(huán)節(jié)，是CAD的一個(gè)研究熱點(diǎn)，許多學(xué)者做了大量的工作［3－6］。然而由于乳腺圖像中噪聲、偽影較多，腫塊形狀和背景復(fù)雜多變，現(xiàn)有方法的分割結(jié)果往往不夠理想。

基于Graph Cuts理論［7］的圖像分割技術(shù)最早來源于組合優(yōu)化理論。該算法基本過程為:首先分別選定部分圖像像素作為目標(biāo)和背景，然后以像素作為節(jié)點(diǎn)，以像素之間的相鄰關(guān)系作為邊，構(gòu)造一個(gè)圖(Graph)，最后運(yùn)用最大流/最小割算法對(duì)網(wǎng)絡(luò)進(jìn)行切割，得到的最小割對(duì)應(yīng)于待分割的目標(biāo)邊界。Graph Cuts算法具有全局最優(yōu)求解能力及結(jié)合多種知識(shí)的統(tǒng)一圖像分割框架，引起了研究者越來越多的關(guān)注，在乳腺腫塊分割方面也有所應(yīng)用［8－9］。但是，海量的節(jié)點(diǎn)及為達(dá)到一定分割精度而采用的迭代求解模式，使得大多數(shù)基于Graph Cuts的分割算法耗時(shí)較大。當(dāng)臨床醫(yī)生手動(dòng)選定的目標(biāo)和背景像素較少時(shí)，在目標(biāo)和背景的邊界容易出現(xiàn)一些像素被錯(cuò)誤劃分情況。另外，大量交互操作加重了臨床醫(yī)生工作量，降低了分割速度，不適合進(jìn)行批量圖像分割處理。

Rother等人［10］對(duì)交互式 Graph Cuts算法進(jìn)行改進(jìn)，提出了GrabCut算法。它進(jìn)一步簡化了交互操作，用戶只需要選定一個(gè)矩形框包含整個(gè)目標(biāo)，將框外的像素作為背景，利用Graph Cuts進(jìn)行多次迭代，得到對(duì)象和背景的分割結(jié)果。然而由于乳腺組織和病灶的復(fù)雜性，乳腺圖像中乳房組織和病灶區(qū)域的灰度通常是不均勻的，這使得傳統(tǒng)Graph Cuts算法以及GrabCut算法在分割乳腺腫塊圖像時(shí)結(jié)果往往并不理想。

針對(duì)乳腺圖像的這些特點(diǎn)，本文提出一種基于Graph Cuts算法的多尺度乳腺腫塊自動(dòng)分割方法。首先，采用區(qū)域統(tǒng)計(jì)融合方法對(duì)圖像進(jìn)行粗分割，將得到的粗輪廓替代傳統(tǒng)Graph Cuts算法中的手動(dòng)標(biāo)記，并作為后續(xù)Graph Cuts分割的初始輪廓。在迭代優(yōu)化階段，本文引入多尺度分析方法，以高斯金字塔分解得到的多尺度圖像序列代替固定尺度的原始圖像序列估計(jì)GMM參數(shù)，將粗糙尺度的易分割性與精細(xì)尺度的精確性互補(bǔ)，使得算法快速確定GMM參數(shù)以執(zhí)行Graph Cuts分割?？紤]到傳統(tǒng)Graph Cuts算法處理海量的節(jié)點(diǎn)耗時(shí)較大，通過分水嶺變換將圖像劃分成若干內(nèi)部連通且有良好邊緣的小區(qū)域塊，將區(qū)域塊內(nèi)像素灰度的均值作為塊內(nèi)每個(gè)像素的灰度強(qiáng)度以提高算法的抗噪能力，從而以較少的分塊替代海量的像素進(jìn)行分割。

本文第2部分介紹基于Graph Cuts算法的多尺度圖像分割方法，第3部分對(duì)提出的方法進(jìn)行實(shí)驗(yàn)驗(yàn)證，并與交互式Graph Cuts算法和GrabCut算法進(jìn)行了實(shí)驗(yàn)對(duì)比，最后給出本文的結(jié)論。

1 方法

1.1 傳統(tǒng)交互式Graph Cuts算法

圖像分割問題是一個(gè)將像素標(biāo)為目標(biāo)/背景的典型二元標(biāo)號(hào)組合優(yōu)化問題。Graph Cuts理論的核心思想在于構(gòu)造一個(gè)能量函數(shù)，然后運(yùn)用組合優(yōu)化技術(shù)最小化該能量函數(shù)。通過構(gòu)造網(wǎng)絡(luò)、最小化能量函數(shù)及網(wǎng)絡(luò)流理論，可以把標(biāo)號(hào)問題轉(zhuǎn)換為用最大流/最小割方法［11］來解決。

設(shè)G=(V，E)為一無向圖，在邊集X上定義容量函數(shù)c:E→R+，稱圖G及其邊集E上的容量函數(shù)c構(gòu)成了一個(gè)s－t網(wǎng)絡(luò)，記作N=(G，s，t，c)，其中，s和t分別稱為網(wǎng)絡(luò)的源點(diǎn)和匯點(diǎn)。定義t-link為圖G中連接節(jié)點(diǎn)與s或t的邊。通過最小化Gibbs能量函數(shù)E(f)，把頂點(diǎn)集V劃分為分別與源點(diǎn)s和匯點(diǎn)t相連的兩個(gè)頂點(diǎn)集S，T(s∈S，t∈T)。

式中:f為V的一個(gè)標(biāo)號(hào)，f:P→L(L∈{“obj”，“bkg”})。R(f)只與像素的灰度有關(guān)，稱為數(shù)據(jù)能量項(xiàng);B(f)只跟鄰域標(biāo)號(hào)相關(guān)，稱為平滑能量項(xiàng)。系數(shù)λ≥0，指定了數(shù)據(jù)能量項(xiàng)與平滑能量項(xiàng)的相對(duì)重要性。

圖1是我們使用傳統(tǒng)交互式Graph Cuts算法對(duì)一幅乳腺圖像ROI分割的結(jié)果。圖1(a)為手動(dòng)標(biāo)記操作。其中，腫塊內(nèi)部標(biāo)記代表目標(biāo)種子點(diǎn)，腫塊外部標(biāo)記代表背景種子點(diǎn)。圖1(b)為傳統(tǒng)Graph Cuts分割結(jié)果。式(1)中的數(shù)據(jù)能量項(xiàng)R(f)和平滑能量項(xiàng)B(f)分別通過下面公式計(jì)算:

圖1 傳統(tǒng)交互式Graph Cuts算法的分割結(jié)果

如圖1(b)所示，無論是腫塊內(nèi)部還是周圍區(qū)域，灰度分布都不均勻，Graph Cuts算法雖然可以大致地分割出腫塊輪廓，但對(duì)腫塊邊緣細(xì)節(jié)分割并不理想，如圖1(b)腫塊的邊緣區(qū)域A并沒有得到很好分割。

1.2 基于Graph Cuts的多尺度乳腺腫塊自動(dòng)分割方法

針對(duì)乳腺圖像分割問題，無論是腫塊內(nèi)部還是周圍區(qū)域，灰度分布都不均勻，Graph Cuts算法雖然可以大致地分割出腫塊輪廓，但對(duì)腫塊邊緣細(xì)節(jié)分割并不理想。另外，大量交互操作加重了臨床醫(yī)生工作量，不適合進(jìn)行批量圖像分割處理。因此，本文提出一種基于Graph Cuts算法的多尺度乳腺腫塊自動(dòng)分割方法。

本文提出的方法概述如圖2所示。首先，應(yīng)用統(tǒng)計(jì)區(qū)域融合方法對(duì)乳腺圖像進(jìn)行粗分割，并將獲得的粗輪廓替代手動(dòng)標(biāo)記的“目標(biāo)”和“背景”種子點(diǎn)。通過實(shí)驗(yàn)測定平滑參數(shù)σ的初值，并將σ按照公式 σ=α·σ(0＜α＜1)更新。迭代 Graph Cuts算法進(jìn)行分割，對(duì)每一次 Graph Cuts分割結(jié)果，通過GMM建立目標(biāo)類和背景類的灰度分布模型，然后利用目標(biāo)類和背景類的距離變換更新先驗(yàn)概率。結(jié)合先驗(yàn)概率和GMMs計(jì)算后驗(yàn)概率，并將其值賦予下一次Graph Cuts處理中的t-link。為了提高算法的分割速度，采用分水嶺算法將圖像劃分成若干內(nèi)部連通且有良好邊緣的小區(qū)域塊，并以較少的分塊替代海量的像素進(jìn)行Graph Cuts分割。通過多次實(shí)驗(yàn)經(jīng)驗(yàn)可知，σ和α分別設(shè)置為2和0.6，迭代的次數(shù)為4次左右時(shí)就能取得較滿意的結(jié)果。

圖2 本文提出的方法概圖

1.2.1 區(qū)域統(tǒng)計(jì)融合

區(qū)域統(tǒng)計(jì)融合［12］(Statistical Region Merging，SRM)是一種線性時(shí)間快速、簡單的區(qū)域增長圖像分割算法。它基于自適應(yīng)統(tǒng)計(jì)閾值，在灰度通道上合并而不需要保持動(dòng)態(tài)區(qū)域鄰接圖的謂詞。該算法分兩步:①點(diǎn)對(duì)排序，將圖像按照四鄰接兩兩結(jié)合結(jié)成點(diǎn)對(duì)，選擇一個(gè)函數(shù)計(jì)算點(diǎn)對(duì)的融合代價(jià)，并按照融合代價(jià)的大小進(jìn)行排序;②按照下式對(duì)排序結(jié)果進(jìn)行圖像融合:

式中:R為區(qū)域中像素個(gè)數(shù)，b(R)為融合參數(shù)，δ為圖像總像素個(gè)數(shù)倒數(shù)的1/6，Q是質(zhì)量因子，Q越大分割越細(xì)致。從實(shí)驗(yàn)的角度來看，調(diào)整Q的值修改事件的統(tǒng)計(jì)復(fù)雜性，然后構(gòu)建由粗到細(xì)(多尺度)分割圖像的層次結(jié)構(gòu)，從而有可能控制分割的粗糙度。

通過SRM算法的處理，可以將圖像中紋理相同的像素融合為一個(gè)區(qū)域，完成對(duì)乳腺圖像的粗分割。同時(shí)提取分割結(jié)果的輪廓，替代傳統(tǒng)Graph Cuts算法中的手動(dòng)標(biāo)記，并作為后續(xù)Graph Cuts分割的初始輪廓。如圖3所示是一幅乳腺圖像SRM粗分割結(jié)果，圖3(b)為SRM分割結(jié)果。不同的色塊代表不同的區(qū)域，其中的灰度是取自色塊所在區(qū)域的原始圖像像素的灰度均值。圖3(c)為我們提取的粗分割圖像，并為后續(xù)分割提供初始輪廓。

圖3 SRM分割結(jié)果

1.2.2 高斯金字塔模型

考慮到乳腺圖像的灰度非均勻性和Graph Cuts算法本身局限性，我們引入多尺度分析［13］提高腫塊分割精度。

高斯金字塔［14］是一種經(jīng)典的多分辨率空間圖像分析方法。定義I為原始圖像，G(σ)為高斯核函數(shù)。則平滑圖像L(σ)由下式給出:

注意到，如果高斯參數(shù)σ很大，我們需要增大窗口的尺寸來適應(yīng)高斯濾波器，這在實(shí)際設(shè)計(jì)中存在很大困難，因此我們采用下采樣處理來獲取平滑圖像。特征為圖像尺寸隨著尺度水平的增加呈指數(shù)下降，粗尺度圖像是細(xì)尺度圖像的子集，不同尺度間圖像的像素在位置上仍保持著相應(yīng)的幾何拓?fù)潢P(guān)系。

塔式分解n－1次后所得由粗至細(xì)的多尺度圖像序列為f(n－1)，f(n－2)，…，f(1)，以該圖像序列代替固定尺度的原始圖像序列來迭代分割獲取目標(biāo)/背景樣本點(diǎn)。由于GMM參數(shù)估計(jì)是一個(gè)由粗至細(xì)、逐步求精的逼近過程，雖然最初的圖像尺寸較粗，對(duì)應(yīng)的樣本容量較小，但并不影響對(duì)GMM參數(shù)的粗略估計(jì)，隨著迭代估計(jì)的進(jìn)行，樣本容量也隨之增大，滿足了對(duì)GMM參數(shù)進(jìn)一步準(zhǔn)確估計(jì)的要求。塔式分解把精細(xì)尺度的精確性與粗糙尺度的易分割性兩者有機(jī)地統(tǒng)一起來，從而使得GMM參數(shù)估計(jì)過程更為快速有效。我們通過使用不同標(biāo)準(zhǔn)差值對(duì)原始圖像進(jìn)行高斯濾波，之后迭代Graph Cuts算法，實(shí)現(xiàn)從全局到局部的逐步分割過程。

1.2.3 分水嶺變換

注意到傳統(tǒng)Graph Cuts算法是通過建立像素級(jí)的馬爾可夫隨機(jī)場(MRF)模型［15］實(shí)現(xiàn)分割，對(duì)于較大尺寸的乳腺腫塊圖像而言，海量的節(jié)點(diǎn)使得Graph Cuts處理耗時(shí)較大。因此本文采用分水嶺算法作為預(yù)處理將圖像劃分成若干個(gè)內(nèi)部連通且具有良好邊緣的小區(qū)域塊，然后將區(qū)域塊內(nèi)像素灰度均值作為塊內(nèi)每個(gè)像素的灰度強(qiáng)度以提高算法的抗噪能力。在執(zhí)行Graph Cuts階段，用區(qū)域塊替代像素作為新的節(jié)點(diǎn)進(jìn)行分割，提高算法的運(yùn)行效率［16］。

圖4所示為經(jīng)過分水嶺算法分割產(chǎn)生的一個(gè)鄰域結(jié)構(gòu)，每個(gè)節(jié)點(diǎn)代表一個(gè)區(qū)域塊，節(jié)點(diǎn)之間有邊相連接表示這兩個(gè)節(jié)點(diǎn)互為鄰域。圖4(a)是分水嶺過分割得到的6個(gè)區(qū)域塊，圖4(b)的鄰域結(jié)構(gòu)是通過將擁有共同邊界的區(qū)域塊設(shè)為鄰域而建立的，這種鄰域結(jié)構(gòu)在乳腺腫塊圖像分割的實(shí)驗(yàn)中被證明有效。

圖4 分水嶺分割產(chǎn)生的分塊結(jié)果及對(duì)應(yīng)的鄰域結(jié)構(gòu)

1.2.4 迭代優(yōu)化與參數(shù)估計(jì)

根據(jù)前一次Graph Cuts分割結(jié)果的距離變換和灰度直方圖的可能性，計(jì)算先驗(yàn)概率，并按照下面兩式將其值賦予下一次Graph Cuts處理中的t-link:

其中，Pr(O|Ip)和Pr(B|Ip)由下面公式給出:

Pr(Ip|O)，Pr(Ip|B)和 Pr(O)，Pr(B)由前一次Graph Cuts分割結(jié)果計(jì)算得到。圖5所示為根據(jù)可能性和先驗(yàn)概率更新t-link。

圖5 更新可能性和先驗(yàn)概率

可能性Pr(Ip|O)，Pr(Ip|B)由GMM計(jì)算得到。GMM由下式獲得:

根據(jù)前一次Graph Cuts處理結(jié)果的空間信息更新先驗(yàn)概率Pr(O)，Pr(B)。由于邊界附近像素點(diǎn)的下一次分割標(biāo)號(hào)不確定，使用距離變換的結(jié)果更新先驗(yàn)概率。節(jié)點(diǎn)到邊界的距離被歸一化到0.5～1范圍內(nèi)。令dobj、dbkg分別為目標(biāo)點(diǎn)和背景點(diǎn)的距離變換。則先驗(yàn)概率為:

最后，利用GMM得到的Pr(Ip|O)，Pr(Ip|B)，和距離變換得到的Pr(O)，Pr(B)，根據(jù)式(8)和式(9)計(jì)算后驗(yàn)概率。通過前一次Graph Cuts分割結(jié)果，我們獲取灰度直方圖的可能性和距離變換，并計(jì)算先驗(yàn)概率，然后將其值賦予下一次Graph Cuts處理中的t-link。

2 實(shí)驗(yàn)結(jié)果及討論

2.1 數(shù)據(jù)集

將本文方法應(yīng)用于110例包含腫塊的乳腺X線圖像ROI(Region of Interest)進(jìn)行腫塊分割實(shí)驗(yàn)，以驗(yàn)證算法的有效性和優(yōu)越性。這些圖像來自于南佛羅里達(dá)大學(xué)的DDSM(Digital Dataset for Screening Mammography)數(shù)據(jù)庫，ROI圖像灰度均為8位，圖像尺寸平均值為709像素×708像素。

2.2 評(píng)價(jià)方案

為了比較分割方法的性能，我們將本文所提出的多尺度Graph Cuts算法與傳統(tǒng)的交互式Graph Cuts算法以及GrabCut算法做了實(shí)驗(yàn)對(duì)比。

本文方法的參數(shù)設(shè)置:區(qū)域統(tǒng)計(jì)融合中質(zhì)量因子Q的值指定為1，2，4，…，256 范圍內(nèi)，Gibbs能量函數(shù)的系數(shù)λ設(shè)為0.5，高斯平滑參數(shù)σ和控制因子α分別設(shè)置為2和0.6，迭代的次數(shù)為4次。

為定量評(píng)價(jià)分割的質(zhì)量，通常的做法是將算法分割得到的結(jié)果與該領(lǐng)域?qū)＜沂謩?dòng)分割的結(jié)果進(jìn)行像素級(jí)別的比較。為此，我們邀請(qǐng)了3位乳腺癌診斷研究人員對(duì)測試圖片進(jìn)行手動(dòng)分割，分割的結(jié)果作為實(shí)驗(yàn)的比較輪廓。本文采用誤分率作為實(shí)驗(yàn)結(jié)果的評(píng)價(jià)算法，誤分率定義為過分割率和欠分割率之和。其中，過分割率和欠分割率的定義如下:

誤分率的值越小，表示分割結(jié)果越好。當(dāng)值為0時(shí)，表示算法分割結(jié)果與手工分割結(jié)果一致。

2.3 實(shí)驗(yàn)與討論

將本文方法、交互式Graph Cuts算法以及Grab-Cut算法應(yīng)用于110例腫塊病灶圖像，進(jìn)行分割實(shí)驗(yàn)，并對(duì)比最終的分割結(jié)果。

圖6為本文方法與交互式Graph Cuts、GrabCut分割結(jié)果的對(duì)比。第1列是交互式Graph Cuts的手動(dòng)標(biāo)記，其中腫塊內(nèi)部標(biāo)記代表目標(biāo)種子點(diǎn)，腫塊外部標(biāo)記代表背景種子點(diǎn)。第2列是相應(yīng)的分割結(jié)果。從圖中可以看出，腫塊中心的灰度高于腫塊邊緣，而背景區(qū)域也因存在乳腺組織而呈現(xiàn)灰度非均勻性，Graph Cuts分割腫塊邊緣部分的結(jié)果并不理想。另外，交互式Graph Cuts分割需要大量的手動(dòng)標(biāo)記操作，因此加重了臨床醫(yī)生的工作量，而且不適合批處理分割。

圖6中第3列是GrabCut算法分割的結(jié)果。它進(jìn)一步簡化了交互操作，用戶只需要選定一個(gè)矩形框包含整個(gè)目標(biāo)，將框外的像素作為背景，利用Graph Cuts進(jìn)行多次迭代，得到乳腺腫塊區(qū)域的分割結(jié)果。但是當(dāng)初始標(biāo)記與目標(biāo)輪廓偏差較大時(shí)，該方法容易產(chǎn)生錯(cuò)誤的分割結(jié)果，如該列的第2個(gè)和第3個(gè)分割結(jié)果。

圖6 本文方法與交互式Graph Cuts、GrabCut分割結(jié)果的對(duì)比

圖6第4列是本文方法的分割結(jié)果。通過結(jié)合SRM的粗分割和Graph Cuts的精分割，我們的方法實(shí)現(xiàn)了乳腺腫塊的自動(dòng)分割。另外，分水嶺算法和多尺度分析提高了整體運(yùn)行效率和分割精度。以圖6的第4行為例，左側(cè)圖片是交互式Graph Cuts的分割結(jié)果，可以看出，當(dāng)腫塊內(nèi)部灰度分布不均勻時(shí)，交互式Graph Cuts算法和GrabCut算法沒能準(zhǔn)確地分割出腫塊邊緣，而我們的方法通過對(duì)已經(jīng)比較接近真實(shí)輪廓的粗分割結(jié)果進(jìn)行全局優(yōu)化處理，得到了比較理想的分割結(jié)果。

左邊第1列為交互式Graph Cuts手動(dòng)標(biāo)記操作，第2列為交互式Graph Cuts分割結(jié)果，第3列為GrabCut分割結(jié)果，最后一列為本文方法分割結(jié)果。

表1列出了本文方法和傳統(tǒng)方法［7，10］分割結(jié)果的誤分率(%)。本文方法相比傳統(tǒng)交互式Graph Cuts算法獲得1.89%更好的分割結(jié)果。為了進(jìn)一步說明3種分割方法之間的差異，根據(jù)傳統(tǒng)交互式Graph Cuts分割結(jié)果，我們定義誤分率低于2%的圖像為成功分割的圖像，誤分率超過2%的圖像為誤分割圖像。

表1 交互式Graph Cuts、GrabCut和本文方法分割結(jié)果的誤分率平均值 單位：%

表2列出了成功分割的圖像和誤分割圖像的誤分率(%)。在成功分割圖像的誤分率方面，本文方法和交互式Graph Cuts方法具有一定的可比性，如圖6的第1行和第2行分割結(jié)果。但是，在誤分割圖像方面，本文方法比交互式Graph Cuts方法擁有更好的分割結(jié)果，如圖6的第3行和第4行分割結(jié)果。交互式Graph Cuts算法分割得到的誤分割圖像的誤分率(0.77%)與成功分割圖像的誤分率(7.21%)相比差異較大，而本文方法通過引入多尺度思想，把Graph Cuts算法及GMM模型結(jié)合起來，利用圖像的全局和局部信息對(duì)腫塊進(jìn)行分割，使得二者差異并不明顯，因此本文提出的方法具有較高的穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明本文的方法在腫塊分割方面要優(yōu)于交互式Graph Cuts算法和GrabCut算法。

表2 交互式Graph Cuts、GrabCut和本文方法成功分割的圖像以及誤分割圖像的誤分率平均值 單位：%

3 結(jié)論

本文提出一種基于Graph Cuts的多尺度腫塊自動(dòng)分割方法。首先，應(yīng)用區(qū)域統(tǒng)計(jì)融合方法對(duì)圖像進(jìn)行粗分割，將得到的粗輪廓作為后續(xù)Graph Cuts分割的初始輪廓。在迭代優(yōu)化階段，利用高斯金字塔分解得到多尺度圖像序列，將粗糙尺度的易分割性與精細(xì)尺度的精確性互補(bǔ)，從而以較少樣本快速確定GMM參數(shù)，以執(zhí)行Graph Cuts分割。通過結(jié)合Graph Cuts算法和多尺度高斯平滑處理，本文提出的方法彌補(bǔ)了交互式Graph Cuts和GrabCut算法在處理腫塊邊緣細(xì)節(jié)以及交互處理方面的不足。另外，分水嶺算法對(duì)圖像進(jìn)行預(yù)處理，提高了算法的分割速度及抗噪能力。本文的多尺度分割模型是通過Graph Cuts算法實(shí)現(xiàn)的，具有良好的全局最優(yōu)求解能力，能夠較好地處理形狀復(fù)雜多變的乳腺腫塊分割問題。理論分析與實(shí)驗(yàn)結(jié)果表明，本文的方法在乳腺腫塊分割方面具有良好的效果。

［1］Denise Guliato，Rangayyan R M，Carnielli W A.Segmentation of Breast Tumors in Mammograms by Fuzzy Region Growing［J］.IEEE Engineering in Medicine and Biology Society，1998，20(2):10022－10051.

［2］Cai Xiaopeng，Chen Xiaowei，Hu Liming，et al.Computer-Aided Detection and Classification of Mieroealeifieations in Mammograms:A Survey［J］.Pattern Recognition，2003，36(12):2967－2991.

［3］Chang Y H，Hardesty L A，Harim C M，et al.Knowledge-Based Computer-Aided Detection of Masses on Digitized Mammograms:A Preliminary Assessment［J］.Med.Phys，2001，28(4):455－461.

［4］Sheila Timp，Nico Karssemeijer.A New 2D Segmentation Method Based on Dynamic Programming Applied to Computer Aided Detection in Mammography［J］.Med.Phys，2004，31(5):958－971.

［5］Camilus K S，Govindan V K，Sathidevi P S［J］.Computer-Aided I-dentification of the Pectoral Muscle in Digitized Mammograms［J］.Journal of digital imaging，2009:1－19.

［6］Zou Fengmei，Zheng Yufeng，Zhou Zhengdong，et al.Gradient Vector Flow Field and Mass Region Extraction in Digital Mammograms［C］//21st IEEE International Symposium on Computer-Based Medical Systems，pp.41－43，2008.

［7］Boykov Y，Jolly M P.Interactive Graph Cuts for Optimal Boundary＆ RegionSegmentationofObjectsin N-D Images［C］//Proceedings of the 8th International Conference on Computer Vision，Vancouver，Canada，1:105－112，2001.

［8］Saidin N，Ngah U K，Sakim H A M，et al.Density Based Breast Segmentation for Mammograms Using Graph Cut Techniques［C］//TENCON(IEEE Region 10 Conf.)，2009，pp.1－5，doi:10.1109/TENCON.2009.5396042.

［9］Nafiza Saidin，Umi Kalthum Ngah，Harsa Amylia Mat Sakim，et al.Density Based Breast Segmentation for Mammograms Using Graph Cut and Seed Based Region Growing Techniques［C］//Second International Conference on Computer Research and Development，pp.246－250，2010.

［10］RotherC，Kolmogorov V，BLAKE A.GrabCut:Interactive Foreground Extraction Using Iterated Graph Cuts［C］//Proceeding of the 2004 SIGGRAPH Conference，Aug 2004，I;309－314.

［11］Boykov Y，Kolmogorov V.An Experimental Comparison of Min-Cut/Max-Flow Algorithms for Energy Minimization in Vision［C］//IEEE Transactions on Pattern Analysis and Machine Intelligence(PAMI)，September，2004.

［12］Richard Nock，F(xiàn)rank Nielsen.Statistical Region Merging［J］.IEEE Trans.Pattern Anal.Mach.Intell.，2004，26(11):1452－1458.

［13］Xu Ying，Hong Zhi.Study of Multi-Scale Enhancement Algorithm for THz Images Combining Wavelet Denoising［J］.Chinese Journal of Sensors and Actuators，2011，24(3):398－401.

［14］WANG Xun，ZHA Yu-fei，BI Du-yan.Image Segmentation Based on Multi-Resolution Analysis and Watershed Algorithm［J］.Opto-Electronic Engineering，2007，34(6):72－76.

［15］Li Xin-wu.Multisource Image Fusion Method Using Markov Random Field Model and EM Algorithm［J］.Chinese Journal of Sensors and Actuators，2006，19(2):525－529.

［16］Stawiaski J，Decencière E，Bidault F.Interactive Live Tumor Segmentation Using Graph-Cuts and Watershed［C］//Workshop on 3D Segmentation in the Clinic:A Grand ChallengeⅡ.Liver Tumor Segmentation Challenge.MICCAI，New York，USA，(2008).