何　菁，陳　勝

(上海理工大學 光電信息與計算機學院，上海 200093)

?

一種全新的兩步自動化醫(yī)學圖像分割方案

何菁，陳勝

(上海理工大學 光電信息與計算機學院，上海 200093)

摘要針對現(xiàn)有圖像分割方法存在需要手動分割，以及精確度較低的問題。采用一種全新的兩步圖像分割方案。該方案。以基于人工神經(jīng)網(wǎng)絡(luò)的模式識別技術(shù)，即人工神經(jīng)網(wǎng)絡(luò)的大規(guī)模培訓的方法，通過對肺區(qū)不同子區(qū)域內(nèi)結(jié)構(gòu)進行分割處理，利用訓練好的大規(guī)模人工神經(jīng)網(wǎng)絡(luò)對標準胸片中的肋骨、鎖骨等骨質(zhì)結(jié)構(gòu)進行抑制，結(jié)合以基于區(qū)域的活動輪廓模型，即Snake模型，正確分割亮度不均勻的圖像。文中選擇與醫(yī)護人員人工分割的圖像進行對比，通過放射科醫(yī)生采用等級法打分，原圖的平均分為2.0分，而通過文中改進的分割方法平均分高達3.4分。

關(guān)鍵詞人工神經(jīng)網(wǎng)絡(luò)；活動輪廓模型；醫(yī)學圖像分割

圖像分割是指將一幅圖像分解為若干互不交迭區(qū)域的集合,是圖像處理與機器視覺的基本問題之一 。盡管不同的研究人員提出了許多分割方法,但到目前為止還不存在一種通用的方法,也沒有建立一個判斷分割是否成功的客觀標準,所以圖像分割被認為是計算機視覺中的一個瓶頸。在醫(yī)學領(lǐng)域中,圖像分割常常用于病變區(qū)域提取、特定組織測量以及實現(xiàn)三維重建研究,因此研究圖像分割技術(shù)在醫(yī)學圖像處理過程中具有重要的意義[1-2]。

目前便攜式X光機廣泛用于重癥加強護理病房(ICU)中，X光胸片(CXR)在醫(yī)師對患者診斷過程中起著重要的作用。ICU中的患者通常需要鼻胃導管、氣管導管和進食導管等輔助醫(yī)療器械。圖像的可讀性將直接關(guān)系到診斷的準確率。然而由于受到各方面因素的影響，ICU的CXR通常存在對比度較低，噪聲過多的等問題，一方面由于CXR中的骨質(zhì)結(jié)構(gòu)的影響，另一方面在CXR獲取過程中，由于便攜式X光機拍攝時，受儀器性能和患者身體只能平躺的限制，圖像中各類導管的圖像質(zhì)量不能滿足醫(yī)生的診斷需求，從而在一定程度上影響醫(yī)師確定導管位置及狀態(tài)[3]。

因此為了提高醫(yī)師診斷的準確率，本文提出圖像分割方法的優(yōu)點在于處理時完全自動化分割，方法具有一定的便捷性，同時具有較強的準確性，與醫(yī)生的手動分割圖像重合度高。

1方法

本文所介紹的方法是利用兩步提高圖像分割方法：第一步訓練神經(jīng)網(wǎng)絡(luò)分割；第二步對輸出的亮度不均勻的灰度圖像，利用基于區(qū)域的活動輪廓模型，提出了針對不均勻性圖像的分割算法。評估方法是與醫(yī)護人員人工進行分割的圖像進行對比。

1.1MTANN

MTANN(Massive-TrainingArtificialNeuralNetwork)是一種基于多尺度大規(guī)模人工神經(jīng)網(wǎng)絡(luò)的圖像處理技術(shù),用來抑制胸片中的骨質(zhì)結(jié)構(gòu)[4]。作為人工神經(jīng)網(wǎng)絡(luò)的優(yōu)化技術(shù)，MTANN在處理胸片時能較好地抑制肋骨和鎖骨，同時能夠保留軟組織。

MTANN是一種嚴重非線性圖像濾波器，其包含了一個線性輸出的多層人工神經(jīng)網(wǎng)絡(luò)模型，該模型可直接對圖像數(shù)據(jù)進行運算。本文利用標準胸片和其對應的雙能量減影后獲得的骨質(zhì)圖像對MTANN進行訓練[5]。為克服骨質(zhì)圖像中肋骨的空間頻率變化問題，引入多尺度的MTANN。訓練后的多尺度MTANN可給出與骨質(zhì)圖像相似的虛擬骨質(zhì)圖像。將其從原圖中減去，就能獲得虛擬的軟組織圖像。即虛擬軟組織胸片是從原圖中減去用MTANN產(chǎn)生的虛擬骨質(zhì)圖像而獲得。MTANN可直接處理圖像，標準胸片以每個像素為中心被分解成大量的重疊子區(qū)域，與各個子區(qū)域?qū)墓琴|(zhì)圖像中的像素值作為學習值

{I(x,y),T(x,y)|x,y∈RT}=

{(I1,T1),(I2,T2),…,(INT,TNT)}

(1)

這里，I(x,y)={g(x-i,y-j)|i,j∈Rs|}是從胸片中提取的子區(qū)域，也是MTANN輸入的向量,f(x,y)是對學習值的估計。

MTANN用大量子區(qū)域和其對應的像素值進行訓練，訓練樣本為

{I(x,y),T(x,y)|x,y∈RT}=

{(I1,T1),(I2,T2),…,(INT,TNT)}

(2)

T(x,y)為學習圖像；RT為訓練區(qū)域，其對應于所有子區(qū)域的中心點的集合；NT是RT中的像素點數(shù)目。

為了抑制標準胸片g(x,y)中的肋骨等結(jié)構(gòu)，需要在原圖的肺區(qū)m(x,y)中減去用多尺度MTANN產(chǎn)生的虛擬骨質(zhì)圖像fb(x,y)。

fs(x,y)=g(x,y)-wc×fb(x,y)×m(x,y)

(3)

這里，wc是決定肋骨對比度的權(quán)值參數(shù)。通過改變參數(shù)的值，可以獲得不同肋骨對比度的虛擬軟組織胸片。

1.2ACM

ACM(ActiveContourModel)是圖像分割領(lǐng)域最成功的變分模型，尤其是在醫(yī)學圖像分析處理方面。

活動輪廓線本質(zhì)上是一條可伸縮的能量最小化樣條曲線[6-7]

v(s)=(x(s),y(s)),s∈[0,2]

(4)

其中，v(s)為二位坐標點該活動輪廓模型的總能量為

(5)

其中，Eint為內(nèi)部約束力；Eext為外部約束力，前者保證曲線的收縮彎曲性，后者吸引輪廓線收斂到圖像的目標

Eext(v(s))=-δext(Gσ(v(s))×2v(s))2

(6)

ACM通過能量函數(shù)E來表示輪廓線特征，可以通過增大Eint增加模型的光滑連續(xù)性，增大Eext來增強捕捉圖像特征的能力[8]。若想同時使模型既保持一定的光滑性，又趨近于圖像的特征，就需要平衡Eint和Eext,即確定最小化能量函數(shù)。

基于動態(tài)規(guī)劃(DynamicProgramming，DP)的算法[9]。采用時間延遲離散，并附以約束條件對活動輪廓的具備集合特征進行控制，具體計算過程為：設(shè)輪廓曲線上有n個控制點，每次每個控制點最多允許有m個可能值，則上式可離散化為

(7)

由上式可知，最小化的E可以看做是從一個控制點到最后一個控制點的各個階段的最小化，然后從可能的策略中選擇最終策略。上式的實質(zhì)是一個離散化多階段的決策過程，經(jīng)過多次迭代有

E=E1(v1,v2,v3)+E2(v2,v3,v4)+…,+En-2(vn-2,vn-1,vn)

Ei(vi-1,vi,vi+1)=Eint(vi-1,vi,Vi+1)+Eext(vi)

(8)

E的最小值Emin計算如下

(9)

其中

i=3,4,…,n-1

(10)

2實驗結(jié)果和分析

為測試結(jié)果的準確性，收集了來自15個病人的80幅x射線圖像。圖1圖像大小為2 500×2 047像素。3個有經(jīng)驗的胸部放射學家檢查所有圖片并提供一個診斷,包括類型的疾病檢測和一個人的病情變化。圖2通過兩步分割的方法，與原始圖像相比，肋骨邊緣和鎖骨大幅抑制。

圖1　原圖

圖2　分割處理后的圖像

本文評估的方法是與醫(yī)護人員人工進行分割的圖像進行對比，放射科醫(yī)生采用等級法打分，“A”表示杰出，“E”表示不滿意。表1表示了評估結(jié)果。

表1　評價結(jié)果

3結(jié)束語

在本文中使用多分辨率MTANN在便攜式電腦上抑制骨結(jié)構(gòu)。通過這種方法，肋骨邊緣、肋骨接近肺壁和鎖骨明顯被抑制。然后對亮度不均勻的圖像，采用了ACM的DP算法的對比圖片。結(jié)果表明，文中的兩步圖像增分割是有用的，對臨床醫(yī)師提高了性能檢測和疾病診斷。

但本文中仍存在一些不足，分割結(jié)果并不理想，分割結(jié)果可能存在漏包含肺結(jié)節(jié)病變區(qū)域。故接下來仍可做出如下改進：(1)改善算法。改進算法前的預處理，以及算法后的合并準則，使得算法更加的可靠和精確，分割結(jié)果更加接近醫(yī)生手動分割的圖像；(2)可以著手拓展算法應用范圍，除了應用于X光醫(yī)學圖像，還在CT圖像，甚至非醫(yī)學圖像中也可得到較好的應用。

參考文獻

[1]胡學龍.數(shù)字圖像處理[M].2版.北京:電子工業(yè)出版社,2011.

[2]林瑤,田捷.醫(yī)學圖像分割方法綜述[J].模式識別與人工智能,2002,15(2):192-204.

[3]韋明祥，陳俊. 基于C-V模型的醫(yī)學圖像分割方法[J].電子科技，2012，25(5)：101-104.

[4]KenjiSuzuki.Imageprocessingtechniqueforsuppressingribsinchestradiographsbymeansofmassivetrainingartificialneuralnetwork(MTANN)[J].IEEETransactionsonMedicalImaging,2006,25(4):406-416.

[5]ShengChen,KenjiSuzuki.Bonesuppressioninchestradiographsbymeansofanatomicallyspecificmultiplemassive-trainingANNs[C].Tsukuba:InternationalConferenceonPatternRecognition,2012.

[6]李培華,張?zhí)镂?主動輪廓線模型(蛇模型)綜述[J].軟件學報,2004,11(6):751-757.

[7]SongChunZhu,AlanLYuille.Regioncompetition.unifyingsnakes，regiongrowing，andBayed/MDLformultibandimagesegmentation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,1996,18(9):884-900 .

[8]LiChunming,KaoChiuyen,JohnCGore，etal.Minimizationofregion-scalablefittingenergyforimagesegmentation[J].IEEETransactionsonImageProcessing,2008,17(10):1940-1949.

[9]NikosParagios,OlivierMellina-Gottardo,VisvanathanRamesh.Gradientvectorflowfastgeometricactivecontours[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2004,26(3):402-407.

A New Two-step Automatic Segmentation Scheme for Medical Images

HEJing,CHENSheng

(SchoolofOptical-ElectricalandComputerEngineering,UniversityofShanghaifor

ScienceandTechnology,Shanghai200093,China)

AbstractThis paper proposed a new image segmentation scheme to solve the manual segmentation by and the poor accuracy of existing image segmentation methods. Firstly, the massive-training artificial neural networks (MTANNs) are employed to suppress bones in the lungs, using artificial neural network trained on a large scale of standard chest radiograph of the ribs, clavicle, such as inhibition of bone structure. Then active contour model (ACM) based on region, or the Snake Mode, is adopted to segment correctly images with non-uniform brightness. A comparison with images manually segmented by medical personnel and rated by radiologists shows that the average score of the original images is 2.0 points while that by our improved segmentation method is 3.4 points.

Keywordsartificial neural network; active contour model; medical image segmentation

收稿日期:2015- 11- 10

作者簡介:何菁(1991-)，女，碩士研究生。研究方向：醫(yī)學圖像處理與分析。陳勝(1976-)，男，博士，教授。研究方向：醫(yī)學圖像處理與分析等。

doi:10.16180/j.cnki.issn1007-7820.2016.07.025

中圖分類號TP391.41

文獻標識碼A

文章編號1007-7820(2016)07-085-03