黃 偉，盧桂馥

一種基于可變Snake模型的肝臟超聲病灶圖像分割方法

*黃 偉，盧桂馥

(安徽工程大學(xué)計(jì)算機(jī)與信息學(xué)院，安徽，蕪湖 241000)

Snake模型（活動(dòng)輪廓模型）大量應(yīng)用于各種醫(yī)學(xué)圖像的分割，用于對(duì)超聲圖像病灶的分割和識(shí)別，可以大大提高臨床診斷和決策的效率。針對(duì)NBGVF模型對(duì)弱邊界處理效果差，分割運(yùn)算量大，對(duì)初始輪廓不能自適應(yīng)生成等不足，提出一種基于能量函數(shù)和顏色特征的初始輪廓提取方法，結(jié)合病灶區(qū)域顏色空間特征和醫(yī)生先驗(yàn)信息，利用能量函數(shù)構(gòu)建可變的Snake初始輪廓完成逼近，對(duì)圖像中病灶位置進(jìn)行有效的提取。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的方法提高了病灶分割和臨床決策效率。

Snake模型；超聲圖像；分割

0 引言

近年來，針對(duì)特定醫(yī)學(xué)圖像（CT、MRI等）的分割以及識(shí)別已成為研究和應(yīng)用熱點(diǎn)，由于獨(dú)特的無損性和實(shí)時(shí)性，超聲圖像在臨床診斷和輔助決策中被廣泛使用，為臨床診斷和決策提供了直觀、量化的參考。對(duì)于超聲圖像的分割結(jié)果將直接影響到后續(xù)對(duì)病灶的識(shí)別和確定[1]，如何充分利用超聲圖像中的信息對(duì)其進(jìn)行有效的分割一直是醫(yī)學(xué)圖像處理中值得深入研究的課題。

針對(duì)于醫(yī)學(xué)超聲圖像的分割，目前國內(nèi)外都有廣泛研究，主要方法包括基于模糊聚類的方法、基于數(shù)學(xué)形態(tài)學(xué)的方法和基于特定理論工具的方法。結(jié)合特定理論工具完成分割是目前的主流方法[2]，例如活動(dòng)輪廓模型（Active Contour Model）、動(dòng)態(tài)規(guī)劃法和水平集方法。動(dòng)態(tài)規(guī)劃模型基本思想是首先在原始圖像上人工選擇一些特定的點(diǎn)作為初始點(diǎn)和終止點(diǎn)，并對(duì)原始圖像進(jìn)行變換得到初始代價(jià)陣，然后由初始代價(jià)陣和給定的初始點(diǎn)計(jì)算累積代價(jià)陣，最后從終止點(diǎn)方向反向跟蹤到初始點(diǎn)，從而獲得所需的邊緣輪廓線。該算法運(yùn)算量較大，而且依賴初始點(diǎn)和終止點(diǎn)。目前，活動(dòng)輪廓模型在圖像分割領(lǐng)域取得了長足的發(fā)展。雖然國內(nèi)外研究者基于活動(dòng)輪廓模型，結(jié)合超聲圖像的分割提出了許多實(shí)現(xiàn)思想和算法，也取得了一定的分割效果，但是國內(nèi)外研究主要還存在如下問題：（a）合適的分割區(qū)域特征空間的選取。因?yàn)殡m有多種顏色空間用于圖像處理，但由于哪一種都無法替代其他的顏色空間而適用于所有特定圖像處理，故如何選擇最佳的特征區(qū)域是必須解決的難題。（b）目前尚無統(tǒng)一的分割方法，現(xiàn)有方法均針對(duì)于特定圖像和應(yīng)用場合，如何融合圖像信息來整體考慮進(jìn)而找到通用的分割方法值得深入研究。（c）目前尚無客觀通用分割結(jié)果評(píng)價(jià)標(biāo)準(zhǔn)。

目前對(duì)于外力的研究是活動(dòng)輪廓模型研究和實(shí)現(xiàn)的一個(gè)重要方面，傳統(tǒng)Snake模型基于基本圖像梯度，特征提取范圍小，不能收斂于凹陷區(qū)域。圍繞上述不足，學(xué)者Xu和Prince提出了借助梯度矢量流（GVF）場作為新的外力描述[3]，使得在弱邊界及區(qū)域凹陷位置的輪廓分割效果得到顯著提高，同時(shí)針對(duì)GVF模型的不足，法向梯度矢量流NBGVF（Normally Baised Gradient Vector Flow）模型結(jié)合插值過程對(duì)其改進(jìn)[4]，利用有效的插值算子大大提高了運(yùn)算效率。在此基礎(chǔ)上結(jié)合切線和法線方向的擴(kuò)散過程，有學(xué)者提出了目前更靈活的廣義法向有偏梯度矢量流GNBGVF（Generalized Normally Baised Gradient Vector Flow）模型[5]，有效提高了弱邊界的檢出率和輪廓的分割效果。本文圍繞肝臟超聲圖像中的病灶區(qū)域，利用NBGVF外力場模型并加以改進(jìn)，結(jié)合能量函數(shù)和病灶區(qū)域的先驗(yàn)顏色特征信息，構(gòu)建可變的外力場模型建立初始輪廓模型，通過活動(dòng)輪廓模型方法的處理完成病灶的分割，一定程度上彌補(bǔ)了初始輪廓不能自適應(yīng)變化的不足，并減少了對(duì)正常邊界的過度分割，取得了較好的處理效果。

1 基于可變Snake模型的超聲圖像病灶區(qū)域分割改進(jìn)方法

1.1 基于Snake模型的超聲圖像分割

1.2 構(gòu)建改進(jìn)外力場和能量函數(shù)提取病灶圖像初始輪廓

本文圍繞腹部肝臟超聲圖象完成分割。由于超聲圖象含有大量的組織和病灶信息，目前病灶區(qū)域初始輪廓區(qū)域邊緣形狀都可類似約束為圓形，部分包含模糊的凹陷不連續(xù)邊界，因此可利用這些特征信息豐富的輪廓加以提取，同時(shí)在邊緣提取中利用這些信息。為了檢測出病灶邊緣信息，首先必須尋找出初始輪廓，為了確定輪廓像素點(diǎn)，本方法基于病灶先驗(yàn)特征信息構(gòu)造能量函數(shù)模擬初始邊緣，根據(jù)不同病灶并結(jié)合能量函數(shù)的靈活性對(duì)NBGVF模型進(jìn)行改進(jìn)，使得初始輪廓是動(dòng)態(tài)可變的，這樣提高了活動(dòng)輪廓模型的靈活性。在總能量函數(shù)表達(dá)中，對(duì)外部能量定義為:

E(ext)=-|Edge(denoise(I(x(i)，y(i))))| (1)

f( i,j )是否為一個(gè)局部同質(zhì)區(qū)域的中心，一般用一個(gè)3×3 卷積模板來確定像素P(X,Y)是否是局部同質(zhì)區(qū)域即病灶的中心，對(duì)于輪廓較大的病灶區(qū)域可適當(dāng)擴(kuò)大卷積模板以適應(yīng)復(fù)雜的擴(kuò)散過程。構(gòu)造模板如下：

將超聲圖像Q與模板W作卷積，結(jié)果如下:

如果像素P(m,n)是一個(gè)區(qū)域中心，那么卷積結(jié)果就是一個(gè)具有負(fù)的標(biāo)量部分及零矢量部分的四元數(shù)。綜上所述，利用能量函數(shù)方法就把超聲病灶圖像邊緣提取問題轉(zhuǎn)換成尋找是否是區(qū)域中心點(diǎn)的問題，從上述算法過程可以看出，算法實(shí)現(xiàn)簡單。

基于NBGVF模型的方法雖然大大簡化了實(shí)際問題，算法簡單，但對(duì)卷積結(jié)果會(huì)造成病灶圖像邊緣信息和凹陷位置的漏檢，而且單純利用偏梯度矢量流描述來實(shí)現(xiàn)算法，會(huì)存在提取的邊緣信息不完整和漏檢的缺點(diǎn)。針對(duì)這樣的情況，本文算法提出的改進(jìn)點(diǎn)在于以能量函數(shù)為基礎(chǔ)，圍繞切線方向和法線方向的外力場擴(kuò)散過程，用改進(jìn)的多方向上的模板算子結(jié)合病灶區(qū)域顏色先驗(yàn)信息對(duì)病灶輪廓圖像進(jìn)行檢測，以獲得比較好的輪廓效果。

2.3 改進(jìn)算法

本文基于NBGVF模型，提出一種基于能量函數(shù)構(gòu)建的動(dòng)態(tài)Snake輪廓逼近算法，以腹部肝臟病灶超聲圖像作為分割研究的對(duì)象，通過對(duì)分割中初始輪廓自動(dòng)選取以及活動(dòng)輪廓模型算法中能量函數(shù)建立問題的研究，提出一種有效的分割方法，滿足實(shí)際分割和識(shí)別的要求?？紤]到超聲圖像的質(zhì)量和特點(diǎn)，對(duì)于源超聲序列圖像采用中值濾波法去噪，同時(shí)引入了能量函數(shù)項(xiàng)，有利于后續(xù)對(duì)正常組織和病灶的區(qū)分。對(duì)于病灶區(qū)域，采用基于顏色特征和先驗(yàn)信息來構(gòu)造梯度分量外力場。由于建立了初始邊界，可克服在分割較弱邊緣時(shí)出現(xiàn)的弱邊界遺漏，在保持初始邊界的同時(shí)也彌補(bǔ)了梯度矢量流的不足，具體分割過程描述如下：

Step1 經(jīng)中值濾波預(yù)處理后讀入源圖像序列；

Step2 用一個(gè)3×3 卷積模板W來判斷像素是否在局部同質(zhì)區(qū)域，同時(shí)構(gòu)建能量函數(shù)找出不在相同區(qū)域的像素；若病灶區(qū)域邊界較大或相對(duì)比較完整，可采用較大的卷積模板，如5×5和7×7模板；

Step3 利用②中得到的卷積結(jié)果作為病灶初始邊界Edge(W)；

Step4 應(yīng)用傳統(tǒng)的Snake算法并在NBGVF外力場模型的基礎(chǔ)上進(jìn)行改進(jìn)，使用八方向上的法向和切向分量進(jìn)行迭代，迭代結(jié)果作為算法模型中初始輪廓的外力表達(dá)；

Step5 利用改進(jìn)模型對(duì)初始邊界曲線完成最終算法，提取出病灶圖像的邊緣。

本文改進(jìn)算法對(duì)每個(gè)區(qū)域內(nèi)的動(dòng)點(diǎn)執(zhí)行以下處理過程:

1) 找到當(dāng)前點(diǎn)p(i,j) 鄰域內(nèi)梯度矢量流的極值，并分別賦值給M最大值和N最小值。

2) 計(jì)算當(dāng)前點(diǎn)鄰域內(nèi)各像素點(diǎn)的能量函數(shù)，并直接在外力場中表達(dá)。

3) 在當(dāng)前點(diǎn)p(i,j)鄰近區(qū)域內(nèi)找到初始輪廓的像素點(diǎn)集合并加以迭代。

4) 能量函數(shù)完成迭代，重復(fù)上述過程。

2 實(shí)驗(yàn)結(jié)果與分析

本文依托的平臺(tái)環(huán)境是某大型醫(yī)院超聲影像信息系統(tǒng)(UIS)的超聲圖像工作站，算法測試環(huán)境采用Delphi7.0，超聲圖像由SIMENS臨床系統(tǒng)產(chǎn)生。選取其中兩幅腹部超聲序列圖像，對(duì)比本文算法和NBGVF方法的分割效果，實(shí)驗(yàn)結(jié)果及分析如下：

如圖所示，圖1和圖4分別為兩幅不同的腹部彩色超聲圖像。圖2和圖5分別為直接應(yīng)用NBGVF Snake模型進(jìn)行病灶分割提取的算法執(zhí)行結(jié)果。圖3和圖6是采用本文中的改進(jìn)方法進(jìn)行病灶分割提取的算法執(zhí)行結(jié)果。

圖1 腹部超聲序列圖像1

圖2 NBGVF Snake分割結(jié)果1

圖3 本文改進(jìn)算法分割結(jié)果1

圖4 腹部超聲序列圖像2

圖5 NBGVF Snake分割結(jié)果2

圖6 本文改進(jìn)算法分割結(jié)果2

針對(duì)NBGVF Snake方法和本文算法的分割結(jié)果，我們結(jié)合手工分割結(jié)果并采用平均絕對(duì)距離MAD（Mean Absolute Distance）[8]來分析和衡量病灶區(qū)域輪廓的提取效果，以對(duì)應(yīng)的序列圖像來分析，設(shè)手工分割結(jié)果為W，應(yīng)用NBGVF Snake方法和本文改進(jìn)算法的分割結(jié)果分別為P和Q，則有

其中W={w1，w2，…，wk}表示手工分割輪廓上的點(diǎn)，P={p1，p2，…，pn}， Q={q1，q2，…，qn}分別表達(dá)的是NBGVF Snake算法和本文算法分割輪廓上的點(diǎn)。為了對(duì)病灶輪廓圖像進(jìn)行整體形狀約束，在(4)式和(5)式中分別表達(dá)了輪廓點(diǎn)的平均最小距離d(p,W)=min||p-w||，

對(duì)于Q，有d(q,W)=||q-w||，針對(duì)于兩幅序列圖像，使用NBGVF Snake方法分割后輪廓平均MAD值為0.97像素和1.29像素，采用本文方法分割后平均MAD值為0.85像素和1.25像素，輪廓點(diǎn)的平均距離均小于前者，更接近于真實(shí)的手工分割輪廓，在一定程度上有效提高了輪廓提取的效果。

同時(shí)，從實(shí)驗(yàn)結(jié)果圖中可以看出，圖2中雖然大致提取出腹部中心區(qū)域病灶輪廓，但存在很多病灶區(qū)域與非病灶區(qū)域的模糊連接，提取的病灶輪廓邊界不明顯，同時(shí)分割出的相鄰幾個(gè)較大正常組織輪廓不連續(xù)；圖3是對(duì)圖1使用本文算法得出的結(jié)果，由于結(jié)合先驗(yàn)信息，并利用了病灶區(qū)域顏色空間的特征構(gòu)造了初始輪廓的能量函數(shù)，因此取得了比較好的分割效果，結(jié)果較圖3更加完整明確，特別是病灶連接處的邊界細(xì)節(jié)在一定程度上可為后續(xù)病灶識(shí)別提供精準(zhǔn)的依據(jù)，且間隙處的細(xì)節(jié)輪廓也被提取出來。雖然算法有迭代過程，但取得了比原有方法更好的效果，但對(duì)特定組織的病灶還需要結(jié)合更多信息完成輪廓確定。圖5是NBGVF Snake模型直接應(yīng)用到第二幅序列圖像的結(jié)果。從分割結(jié)果可以看出，初始邊緣提取效果較差，很多區(qū)域的邊界出現(xiàn)了粘連，對(duì)噪聲敏感，不能滿足后續(xù)識(shí)別的要求，邊界無法進(jìn)行后續(xù)的逼近，兩處病灶區(qū)域輪廓也沒有被完整區(qū)分出來，特別是病灶區(qū)域內(nèi)部邊緣模糊，出現(xiàn)了弱邊界。圖6則是利用文中的改進(jìn)方法得出的結(jié)果，分割效果顯著提高，將正常區(qū)域和可能的病灶區(qū)域分割開，由于使用了用能量函數(shù)構(gòu)建的初始輪廓，結(jié)合了病灶區(qū)顏色特征以及醫(yī)生的先驗(yàn)判斷，較好地完成了病灶區(qū)域的定位和分割，但在輪廓邊緣連接處的提取效果上有待改進(jìn)。綜上所述，本文改進(jìn)方法是有效的，較之傳統(tǒng)的NBGVF模型取得了更好的處理效果，但在實(shí)時(shí)性處理和抗噪方面還有待進(jìn)一步深入研究。

[1] Heath M, Sarkar S, Sanocki T, et al. Comparison of edge detectors: a methodology and initial study[C]//Computer Vision and Pattern Recognition, 1996. Proceedings CVPR'96, 1996 IEEE Computer Society Conference on. IEEE, 1996: 143-148.

[2] Pei S C, Cheng C M. Color image processing by using binary quaternion-moment-preserving thresholding technique[J]. Image Processing, IEEE Transactions on, 1999, 8(5): 614-628.

[3] Xu C, Prince J L. Snakes, shapes, and gradient vector flow[J]. Image Processing， IEEE Transactions on,1998,7(3): 359-369.

[4] Jifeng N,Chengke W,Shigang L,et al. NGVF: An improved external force field for active contour model[J]. Pattern Recognition Letters,2007,28(1): 58-63.

[5] 王宇，劉磊.帶法向有偏梯度矢量流的活動(dòng)輪廓模型圖像分割方法[J].IEEE 信號(hào)處理,2010,17(10):875-878.

[6] Kass M, Witkin A, Terzopoulos D. Snakes: Active contour models[J]. International journal of computer vision, 1988, 1(4): 321-331.

[7] 王斌,李潔,高新波.一種基于邊緣與區(qū)域信息的先驗(yàn)水平集圖像分割方法[J].計(jì)算機(jī)學(xué)報(bào),2012,35(5):1068- 1069.

[8] Wang Yuan-Quan,Jia Yun-De.A novel approach for segmentation of cardiac magnetic resonance images[J]. Chinese Journal of Computers,2007,30(1):129-136.

LIVER FOCUS ULTRA SOUND IMAGE SEGMENTATION METHOD BASED ON ACTIVE SNAKE MODEL

*HUANG Wei, LU Gui-fu

(College of Computer and Information, Anhui Polytechnical University, Wuhu, Anhui 241000, China)

Recently, we focus more about special medical image segmentation and detection. The segmentation on Ultrasound image focus plays an important role in deciding. Snake model is widely used in the medical image segmentation. The model has been constantly improved and developed. We describe the Snake model on color liver ultrasoune image. Furthermore, the method is proposed that we use energy function and color information to detect the initial edge with the help of space detail and experience of doctor. Finally, the modified GVF Model is also used. The result shows that the algorithm is effective and simple.

Snake model; ultrasound image; segmentation

TP391

A

10.3969/j.issn.1674-8085.2014.04.011

1674-8085(2014)04-0048-05

2014-02-09；

2014-03-11

*黃 偉(1981-)，男，浙江余姚人，講師，碩士，主要從事圖像分割與識(shí)別以及醫(yī)學(xué)圖像分析研究(E-mail：yfworld@163.com);

盧桂馥(1972-)，男，浙江金華人，副教授，博士，主要從事圖像處理與模式識(shí)別研究(E-mail：luguifu_jsj@163.com).