田連曉，閉應(yīng)洲

（廣西師范學(xué)院計(jì)算機(jī)與信息工程學(xué)院，南寧　530032）

改進(jìn)Turbo-pixel算法在CT圖像分割中的應(yīng)用

田連曉，閉應(yīng)洲

（廣西師范學(xué)院計(jì)算機(jī)與信息工程學(xué)院，南寧530032）

0　引言

隨著計(jì)算機(jī)輔助醫(yī)療技術(shù)的不斷發(fā)展和提高，醫(yī)學(xué)圖像分割技術(shù)顯示出越來越重要的臨床價(jià)值。醫(yī)學(xué)圖像分割同于圖像分割，也是將圖像中的感興趣區(qū)域提取出來。但由于醫(yī)學(xué)圖像自身的特點(diǎn)，帶來了醫(yī)學(xué)圖像分割的難題。醫(yī)學(xué)圖像種類繁多，功能類別不同，如磁共振（MR）成像、計(jì)算機(jī)斷層（CT）成像等。針對于軟組織識別上MR影響比起CT影響有較為明顯的優(yōu)勢；但CT圖像以其經(jīng)濟(jì)廉價(jià)的拍攝成本，使用的越來越頻繁，但由于其對軟組織的顯現(xiàn)不如MR圖像明顯，也使得CT圖像不得不與其他種類的醫(yī)學(xué)圖像結(jié)合使用。

本文利用改進(jìn)Turbo-pixel超像素塊對CT圖像進(jìn)行分割處理，Turbo-pixel超像素可以保留圖像像素點(diǎn)位置信息的特點(diǎn)，且有生成的超像素可控的優(yōu)勢，將其應(yīng)用于醫(yī)學(xué)圖像分割中。針對其Turbo-pixel對邊界保留不完整的問題，改進(jìn)Turbo-pixel算法的邊界依附能力，使得改進(jìn)后的Turbo-pixel算法可以更好的保留目標(biāo)物體的邊界信息。在醫(yī)學(xué)圖像中的應(yīng)用解決了CT圖像對軟組織識別不清晰的問題，后期處理針對每個超像素塊為基本處理單元，符合人類視覺習(xí)慣，在醫(yī)學(xué)標(biāo)記提取時，大大降低了醫(yī)生的工作量。

1　Turbo-pixel超像素

Turbo-pixel超像素是Levinshtein等人［2］在09年描述了一種基于幾何流的水平集方法，能快速地產(chǎn)生超像素，便產(chǎn)生了Turbo-pixels超像素算法，其中心思想是對初始的種子點(diǎn)逐步進(jìn)行碰撞，并結(jié)合水平集演化模型將網(wǎng)格狀的超像素近似均勻地分布到圖像平面上。

Turbo-pixel超像素的特點(diǎn)是可以生成大小尺寸均勻的超像素，且保證每個超像素的內(nèi)部是連通且閉合的。為達(dá)到分割的效果Turbo-pixel超像素也盡可能地保證緊湊性，使得生產(chǎn)的超像素邊緣更貼合目標(biāo)物體的邊緣。

綜上，生成的Turbo-pixel超像素需要符合五個基本原則：

（1）均勻尺寸 （2）連通性（3）緊湊性（4）平滑和邊緣保持（5）超像素不重疊

Turbo-pixels超像素算法過程如下：

（1）將初始化的種子點(diǎn)等間距的平鋪在圖像上。

（2）迭代以下步驟

（a）第T次演化邊界；

（b）估計(jì)未劃分區(qū)域的框架；

（c）更新像素點(diǎn)（邊界上的像素點(diǎn)和未劃分區(qū)域的像素點(diǎn)）。

Turbo-pixel超像素方法生成的超像素塊通過緊湊約束條件很好地解決了欠分割問題，算法處理速度快，算法效率V與像素為M·N的關(guān)系為V=ζ（M·N）其中為ζ線性參數(shù)。處理上萬像素級，幾分鐘可以完成超像素塊的輸出。

該方法生成的超像素邊緣貼合目標(biāo)物體邊緣，并利用TP超像素緊湊性的特點(diǎn)抑制了分割不足的情況，為進(jìn)一步增強(qiáng)緊湊度還添加了約束條件。算法運(yùn)行效率高，與圖像尺寸成線性關(guān)系。

Cigla等人［3］介紹了一種快速的 Turbo-pixel分割方法，該方法效率高效，并在建立的TP超像素上建立帶權(quán)圖，后期結(jié)合譜聚類算法，將超像素方法作為預(yù)處理方法與譜聚類方法相融合，并得出分割結(jié)果，提取感興趣區(qū)域，優(yōu)化譜聚類方法，解決了譜聚類方法分割效率的問題。相比較幾種超像素生成算法而言，Turbo-pixel算法都能產(chǎn)生規(guī)則和緊湊的超像素，但Turbo-pixel法對邊界的保持較差。

圖1　Turbo-pixel超像素算法分割示意圖

2　改進(jìn)的Turbo-pixel算法

Turbo-pixel算法對目標(biāo)圖像的邊界信息保持的較差，是由于Turbo-pixel算法過分的注重超像素的形狀特點(diǎn)，使其紋理低或者無紋理信息的部分的超像素網(wǎng)格根據(jù)其附近的紋理變化發(fā)生扭動，錯誤的記錄目標(biāo)圖像的邊界信息。本文針對這一點(diǎn)，在原始的Turbopixel算法基礎(chǔ)上修正Turbo-pixel生成的超像素的網(wǎng)格，使其針對紋理低或者沒有紋理特征的區(qū)域以方格網(wǎng)格平鋪于圖像上，不發(fā)生扭曲，使超像素邊界良好地保留目標(biāo)物體的邊界信息。

改進(jìn)方法是首先通過超Turbo-pixel超像素方法分割成指定數(shù)目的超像素，得到Turbo-pixel超像素網(wǎng)格圖，接著將其所有的超像素結(jié)果的集合記為SP=｛SP1，SP2，…，SPn｝；然后對應(yīng)Turbo-pixel超像素結(jié)果，各自提取邊緣生成邊緣圖；其所有的邊緣圖的集合為E= ｛edge1，edge2，…，edgen｝，其中edgei∈｛0，1｝對應(yīng)于邊緣圖中的像素，如果該點(diǎn)的值為0，則表示產(chǎn)生邊緣圖中該像素點(diǎn)不是邊緣，反之，如果該點(diǎn)的值為1，則表示該點(diǎn)是圖像的邊緣。

根據(jù)求取結(jié)果進(jìn)行線性融合得：

其中edge∈［0，1］，產(chǎn)生最終的邊緣圖。對于通過上述方法產(chǎn)生的邊緣圖，每個像素點(diǎn)的值是［0，1］，其像素點(diǎn)的大小表示該像素點(diǎn)是不是邊緣的概率。

根據(jù)得到的邊緣圖判斷并修改輸入的Turbo-pixel超像素網(wǎng)格，使其邊界更依附于目標(biāo)對象的邊緣，將輸入的超像素網(wǎng)格交叉點(diǎn)設(shè)置為錨點(diǎn)，修改網(wǎng)格圖也就是更改錨點(diǎn)。

本文在應(yīng)用于TP超像素之間，對圖像進(jìn)行邊緣信息提取，簡單濾除掉圖像中的背景信息，后續(xù)結(jié)果將在這個初始的邊緣信息圖中進(jìn)行。背景部分在邊緣信息圖中將是沒有紋理值的地方。針對于沒有紋理值的地方，生成方格網(wǎng)格平鋪于圖像上。

算法2：基于改進(jìn)Turbo-pixel超像素算法

輸入：CT圖；

Begin：

1對圖像進(jìn)行邊緣檢測，得到預(yù)處理邊緣圖

2將初始化的種子點(diǎn)等間距的平鋪在預(yù)處理邊緣圖上；

3迭代步驟4、5、6；

4第T次演化邊界；

5估計(jì)未分配區(qū)域的骨架；

6更新邊界上像素點(diǎn)的速度和在邊界附近未分配像素點(diǎn)的速度；

7生成Turbo-pixel超像素塊；

8//優(yōu)化超像素網(wǎng)格；

（1）根據(jù)生成的超像素網(wǎng)格結(jié)果提取邊緣圖；

（2）邊緣圖融合并歸一化；

（3）重置錨點(diǎn)，調(diào)整網(wǎng)格

end

輸出：分割形成的超像素區(qū)域塊

改進(jìn)的Turbo-pixel算法能夠?qū)D像快速劃分成區(qū)域一致性描述的若干分塊且對醫(yī)學(xué)圖像周圍背景進(jìn)行方格平鋪，對于目標(biāo)區(qū)域的圖像部分，改進(jìn)后的Turbo-pixel算法更好地保留了目標(biāo)物體的邊界，形成大小均勻、數(shù)量可控、且封閉的超像素塊［4］。如圖2（b）所示。根據(jù)已生成的超像素塊，可以根據(jù)視覺信息，選擇提取某幾個超像素塊組成感興趣區(qū)域。

圖2　改進(jìn)Turbo-pixel超像素效果圖

3　實(shí)驗(yàn)結(jié)果

在醫(yī)學(xué)圖像處理中，往往不存在什么醫(yī)生分割結(jié)果的金標(biāo)準(zhǔn)，根據(jù)不同的病患體征，醫(yī)學(xué)圖像的分割結(jié)果也不同。目前往往以有經(jīng)驗(yàn)醫(yī)生的目測為結(jié)果，作為醫(yī)學(xué)圖像分割的金標(biāo)準(zhǔn)。本文的實(shí)驗(yàn)結(jié)果，與醫(yī)生手抖勾畫的目標(biāo)物體邊界做對比，得到了經(jīng)驗(yàn)臨床醫(yī)生的認(rèn)可。

實(shí)驗(yàn)數(shù)據(jù)來源是市醫(yī)院提供的真實(shí)的腦部CT圖像，為驗(yàn)證本文算法的有效性，將本文算法在MATLAB 2013b上運(yùn)行，實(shí)驗(yàn)結(jié)果如下所示，圖3為改進(jìn)Turbopixel的視覺效果圖，其中每個顏色均表示一個超像素塊。如圖3可以得知生成的改進(jìn)Turbo-pixel超像素塊大小均為封閉的區(qū)域。

后期人工標(biāo)記的區(qū)域合并算法［5］，提取感興趣區(qū)域，通過簡單的人工手動標(biāo)記，便可獲得提取感興趣的軟組織，大大地減少醫(yī)生的負(fù)擔(dān)。為驗(yàn)證本文算法的應(yīng)用性，將本文算法對腦部CT圖像的脊髓進(jìn)行提取。實(shí)驗(yàn)階段過程如圖下所示。圖4為人工區(qū)域合并算法的標(biāo)記圖，如圖可以本文改進(jìn)的Turbo-pixel超像素生成的網(wǎng)格可以根據(jù)很少的人工標(biāo)記信息，便可以得到較好的分割效果，如圖5所示，較完整的的脊髓軟組織。

圖3　改進(jìn)Turbo-pixel塊視覺效果圖

圖4　人工標(biāo)記

圖5　改進(jìn)Turbo-pixel的結(jié)果摳圖顯示

4　結(jié)語

本文利用改進(jìn)的Turbo-pixel超像素對CT圖像進(jìn)行處理，在Turbo-pixel算法基礎(chǔ)上，進(jìn)一步優(yōu)化Turbo-pixel超像素分割結(jié)果的超像素網(wǎng)格，實(shí)驗(yàn)結(jié)果表明，本文的方法可以很好地提取目標(biāo)圖像邊界，克服了原始Turbo-pixel超像素方法對目標(biāo)邊界不敏感的不足和缺陷，具有良好的穩(wěn)定性，且Turbo-pixel算法生成的超像素塊可控，移植性較高，可廣泛應(yīng)用于不同斷層的CT圖像中，但由于本文處理圖像的數(shù)量級較小，算法還有很大提升的空間。

［1］江貴平，秦文健，周壽軍，王昌淼.醫(yī)學(xué)圖像分割及其發(fā)展現(xiàn)狀［J］.計(jì)算機(jī)學(xué)報(bào)，2015，06：1222-1242.

［2］Levinshtein A，Stere A，Kutulakos K N，et al．Turbopixels：Fast Superpixels Sing Geometric Flows［J］．IEEE Trans on Pattern Analysis and Machine Intelligence，2009，31（12）：2290-2297．

［3］Cigla C，Alatan A A．Efficient Graph-Based Image Segmentation Via Speeded-up Turbo Pixels［C］.Proc of the 17th IEEE International Conference on Image Processing．2010：3013-3016．

［4］王春瑤，陳俊周，李煒.超像素分割算法研究綜述［J］.計(jì)算機(jī)應(yīng)用研究，2014，01：6-12.

［5］Ji-feng Ning，Lei Zhang，David Zhang，Cheng-ke Wu.Interactive Image Segmentation by Maximal Similarity Based Region Merging［J］. Pattern Recognition，2009（2）

Turbo-pixel；CT Image；Manual Tagging

Application of Improved Turbo-pixel Algorithm on CT Image Segmentation

TIAN Lian-xiao，BI Ying-zhou
（College of Computer and Information Engineering，Guangxi Teachers Education University，Nanning 530023）

1007-1423（2016）24-0044-04DOI：10.3969/j.issn.1007-1423.2016.24.011

田連曉（1992－），男，山東德州人，碩士研究生，研究方向?yàn)橛?jì)算機(jī)圖像處理

2016-05-10

2016-08-10

醫(yī)學(xué)圖像分割是各種醫(yī)學(xué)圖像應(yīng)用的基礎(chǔ)，但由于醫(yī)學(xué)圖像噪聲復(fù)雜，紋理低，使得分割極為困難。且目前大多的圖像分割算法，忽略像素點(diǎn)的位置信息，應(yīng)用包含位置信息的Turbo-pixel超像素對CT圖像進(jìn)行處理，后期結(jié)合少量的人工標(biāo)記信息，可完整提取出CT圖像的軟組織信息，為醫(yī)生減輕負(fù)擔(dān)，且根據(jù)專家目測表明，改進(jìn)的Turbo-pixel分割提取的軟組織較為完全且位置信息正確。

Turbo-pixel；CT圖像；人工標(biāo)記

閉應(yīng)洲（1967－），男，廣西橫縣人，博士，教授，研究方向?yàn)橹悄苡?jì)算、智能信息處理

Medical image segmentation is the basis for various medical imaging applications.However，it is extremely difficult to segment the medical image due to the complex noise and low grain.Currently，the position information of pixel is ignored by most of the image segmentation algorithm.Turbo-pixel super pixel is used to process the CT image containing location information，and then the soft tissue information is extracted with little manual tagging information，reduces the burden for doctors.Visual inspection of experts shows that the soft tissue extracted by improved Turbo-pixel segmentation is more complete and the location information is correct.