蹇木偉 王瑞紅 舉雅琨 朱呈瞻 董軍宇

摘要 本文提出了一種利用方向性特征進行顯著性建模的MRI腦圖像腫瘤自動檢測算法.該模型首先將MRI腦圖像進行預(yù)處理，去除掉圖像中頭骨區(qū)域的干擾;然后使用基于方向特征的顯著性檢測增加病變區(qū)域的對比度，實現(xiàn)更準確地提取腫瘤圖像區(qū)域.本文算法在腦圖像數(shù)據(jù)集上進行了大量的實驗，并且與主流的腫瘤自動檢測方法進行了對比，證明了本文算法的有效性，并為醫(yī)生提供可靠的輔助診斷和臨床參考.

關(guān)鍵詞 腫瘤檢測;方向特征;顯著性計算;顯著性檢測

中圖分類號TP391

文獻標志碼A

0 引言

由于視覺顯著性檢測在目標識別、圖像的分割和自適應(yīng)圖像壓縮以及基于內(nèi)容的圖像/視頻檢索等方面都有著廣泛的應(yīng)用[1-4]，因此，其在數(shù)字圖像和模式識別等領(lǐng)域依然是當前的一個十分熱門的研究方向[5-8].

同時，隨著計算機技術(shù)的發(fā)展，現(xiàn)代醫(yī)學的診斷和治療方式也已經(jīng)發(fā)生了翻天覆地的變化.在醫(yī)學圖像處理領(lǐng)域，磁共振成像技術(shù)（MRI）一直是研究大腦不可或缺的重要手段之一.實現(xiàn)腦部腫瘤的準確分割具有非常重要的醫(yī)學應(yīng)用價值.到目前為止，國內(nèi)外學者已經(jīng)提出了許多的圖像分割方法[9].但是，由于腦腫瘤結(jié)構(gòu)復雜、邊界模糊且與正常腦組織混疊在一起，因此要實現(xiàn)腦腫瘤的精確自動分割仍具有一定的挑戰(zhàn)性.目前，對于人類腦部醫(yī)學圖像的處理，錯誤的分割結(jié)果往往會帶來非常嚴重的后果.因此，由于缺乏準確性，當前已有的方法都還無法應(yīng)用在臨床醫(yī)學當中，還是以人工分割的結(jié)果為主.

另一方面，由于醫(yī)學圖像的數(shù)據(jù)量非常龐大，若全部由專業(yè)人員進行手動分割，既費時費力，而且在分割的過程中還存在著主觀因素的影響，容易導致分割的結(jié)果不具有重復性.因此，如何實現(xiàn)醫(yī)學圖像的全自動分割，到目前為止仍舊是廣大研究人員需要不斷研究的課題.有鑒于此，本文研究如何建立高效準確的顯著性檢測模型，能實現(xiàn)腦圖像中的顯著性目標物體的檢測，并且將顯著性應(yīng)用到醫(yī)學MRI腦圖像當中，可以快速準確地找到所需要的有用信息，對后續(xù)的醫(yī)學影像輔助診斷和促進醫(yī)學腫瘤的自動檢測分割有著深遠而重要的意義.

1 提出的方法

為了解決上述問題，本文介紹了一種基于方向特征顯著性模型的MRI腦圖像腫瘤檢測方法.首先，為了克服顱骨的影響，我們利用數(shù)學形態(tài)學方法去除MRI腦部圖像的頭骨區(qū)域.然后，使用方向特征的顯著性檢測來提取圖像中的腫瘤區(qū)域的對比度.最后通過噪聲消除、分割和一系列形態(tài)學操作對分割結(jié)果進行優(yōu)化.經(jīng)過大量MRI腫瘤圖像實驗表明，該方法是有效的.基于方向特征顯著性計算模型的MRI腦圖像腫瘤檢測框架如圖1所示.

1.1 顱骨剝離

由于頭骨的密度相對較大，產(chǎn)生的MRI圖像與病變區(qū)域在圖像的顯示上具有相似性，因此對病變區(qū)域的顯著性檢測存在著較大的干擾.在對圖像進行顯著性檢測之前，需要把圖像的頭骨部分去掉.形態(tài)學是一種有效的圖像處理方法，在本節(jié)中使用形態(tài)學的方法作為預(yù)處理步驟來去除顱骨骨架并確定大腦區(qū)域.基于形態(tài)學的顱骨剝離算法步驟描述如下：

1）將原始輸入圖像轉(zhuǎn)換為灰度圖像;

2）將高斯拉普拉斯（LoG）邊緣檢測算法應(yīng)用于圖像，檢測圖像的邊緣信息;

3）使用結(jié)構(gòu)元素B=[0 1 0;1 1 1;0 1 0]對圖像進行膨脹形態(tài)學操作，然后使用半徑為1的圓形結(jié)構(gòu)對邊緣圖像進行閉合形態(tài)學操作;

4）找到最大連通分量;

5）對最大連通分量中的孔洞進行填充以獲得模板;

6）將模板與原始輸入圖像相乘，獲得最終分割的腦組織圖像.

圖2展示的是顱骨剝離步驟結(jié)果示例圖，并顯示了每個顱骨剝離步驟的結(jié)果.

1.2 基于方向特征的顯著性檢測

圖像顯著性作為一個重要的視覺特征，它反映了圖像各個區(qū)域在人眼中的重要程度.往往視覺對比度和方向特征越明顯的區(qū)域?qū)θ搜鄣拇碳ぴ酱?，因此這部分區(qū)域在人眼中的視覺重要程度就越大.對于MRI腦圖像而言，由于病變區(qū)域與腦組織在密度上的差異，導致其成像時的水平、垂直、對角線方向所形成外觀對比度存在明顯不同，因此病變區(qū)域顯然就是腦組織復雜背景中的一個顯著性對象.基于這一方向性對比度觀察，本文利用了一種基于方向特征的顯著性模型[8]，用于MRI腦圖像腫瘤的自動檢測之中，從而構(gòu)建一套完整的醫(yī)學輔助系統(tǒng)實現(xiàn)檢測和定位MRI腦圖像中的腫瘤區(qū)域大小和形態(tài).該方法魯棒性好，使其特別適用于高精度腫瘤檢測和顯著性計算任務(wù)，其基本思想簡單概括如下：

人類視覺系統(tǒng)（HVS）存在著方向性特征感知，因此圖像中的方向信息是人類視覺系統(tǒng)感知和理解圖像非常重要的潛意識刺激[4].方向性視覺線索不受圖像具體內(nèi)容的影響，旨在模仿人類視覺系統(tǒng)在顯著性檢測過程中如何感知方向性的視覺刺激[10].根據(jù)信號處理理論，離散小波幀變換（DWFT）[11]是在離散小波變換（DWT）的基礎(chǔ)上進行的改進，并且可以以多分辨率分析（MRA）的方式反映不同尺度上圖像方向特征的變化[12-13]. 二維圖像信號的離散小波幀變換（DWFT）變換的形式如下：

是一個任意的初始尺度;（x）是一個尺度函數(shù)，ψi（x），i={H，V，D}是小波基函數(shù);H表示水平方向高頻信息，V表示垂直方向高頻信息，D表示對角線方向高頻信息.

與離散小波變換（DWT）類似，具有J分解層次的離散小波幀變換（DWFT）產(chǎn)生總共3×J個細節(jié)子圖（Sub-band）和一個近似子圖.離散小波幀變換（DWFT）的優(yōu)點在于避免了離散小波變換（DWT）時的下采樣操作，使得離散小波幀變換（DWFT）產(chǎn)生的子圖與輸入圖像具有相同的尺寸大小，從而方便后續(xù)顯著性檢測過程的計算.因此，由于所有垂直、水平和對角線方向性子圖與原始圖像具有相同的大小尺寸，所以可以直接將這些不同的方向性子圖融合在一起，最終構(gòu)建了一個復合方向性圖開展顯著性值計算，從而得到顯著性圖用于檢測和定位顯著性對象或區(qū)域[8].

圖3展示了基于方向特征的MRI腦圖像顯著性檢測的一些結(jié)果示例.從圖3中可以看到顯著性檢測的效果非常明顯.

1.3 腫瘤區(qū)域提取

腫瘤區(qū)域的檢測提取分為兩個步驟：第1步是對MRI顯著性圖進行處理，增強圖像的對比度;第2步是使用形態(tài)學操作提取腫瘤病變區(qū)域.算法的具體步驟如下：

1） 將MRI顯著性圖轉(zhuǎn)化為灰度圖像;

2） 使用中值濾波器處理圖像以增強圖像的質(zhì)量;

3） 使用形態(tài)學操作處理圖像;

4） 通過閾值分割將腫瘤區(qū)域提取出來.

2 仿真結(jié)果與性能比較

本文使用形態(tài)學的顱骨剝離算法和基于方向特征的顯著性檢測算法，對MRI腦圖像進行腫瘤區(qū)域的檢測及提取.實驗是在Intel Core 3.7 GHz，Windows 7 PC上進行的，使用Matlab編程語言進行圖像處理操作.當在MRI腦圖像中提取腫瘤區(qū)域時，首先將圖像轉(zhuǎn)換成512×512像素大小.MRI腦圖像數(shù)據(jù)集包含了120張MRI圖像，并在這些圖像上進行了腫瘤自動檢測實驗.為了突出顯示腫瘤區(qū)域，腫瘤區(qū)域以外的部分全部被設(shè)置為黑色（value=0）.圖4給出了一些實驗結(jié)果的示例，從圖4中可以看出，本文的方法實現(xiàn)了更好的檢測結(jié)果.

為了客觀地評價不同的方法，本文采用了廣泛使用的靈敏度、特異性和Dice系數(shù)來評估不同方法的實驗結(jié)果[9].其中靈敏度也稱作真陽性率、召回率，指的是實際的樣本中判斷其為陽性的比例;特異度也稱為真陰性率，指的是實際為陰性的樣本將其判斷為陽性的比例;Dice系數(shù)反映了與Jaccard指數(shù)相關(guān)的相似性度量.

從表1中的性能指標比較可以看出，本文所提出的算法在靈敏度、特異度和Dice系數(shù)等方面相較于其他方法取得了較好的實驗結(jié)果，證明了本文方法的有效性.

3 結(jié)束語

本文針對實際醫(yī)學應(yīng)用中的腦圖像腫瘤區(qū)域自動提取問題，設(shè)計了一種基于方向特征的MRI腦圖像顯著性建模及自動腫瘤檢測方法，該系統(tǒng)有利于腦部疾病的輔助診斷和治療.同時，系統(tǒng)提供的腫瘤區(qū)域的大小和形狀也有助于確認腫瘤的存在，及判斷其良性程度和鈣化程度，并有利于對治療方法做出更好的方案.大量的MRI腦圖像實驗結(jié)果表明，該方法可以取得良好的效果，且易于實際醫(yī)學工程實現(xiàn).

參考文獻

References

[1]Itti L，Koch C，Niebur E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20（11）：1254-1259

[2]Liu T，Yuan Z J，Sun J，et al.Learning to detect a salient object[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（2）：353-367

[3]Toet A.Computational versus psychophysical bottom-up image saliency：a comparative evaluation study[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（11）：2131-2146

[4]Jian M W，Lam K M，Dong J Y，et al.Visual-patch-attention-aware saliency detection[J].IEEE Transactions on Cybernetics，2015，45（8）：1575-1586

[5]Borji A，Sihite D N，Itti L.Quantitative analysis of human-model agreement in visual saliency modeling：a comparative study[J].IEEE Transactions on Image Processing，2013，22（1）：55-69

[6]Jian M W，Lam K M，Dong J Y.Facial-feature detection and localization based on a hierarchical scheme[J].Information Sciences，2014，262：1-14

[7]Jian M W，Qi Q，Dong J Y，et al.Integrating QDWD with pattern distinctness and local contrast for underwater saliency detection[J].Journal of Visual Communication and Image Representation，2018，53：31-41

[8]Jian M W，Zhang W Y，Yu H，et al.Saliency detection based on directional patches extraction and principal local color contrast[J].Journal of Visual Communication and Image Representation，2018，57：1-11

[9]王超，王浩，王偉，等.基于優(yōu)化ROI的醫(yī)學圖像分割與壓縮方法研究[J].重慶郵電大學學報（自然科學版），2015，27（2）：279-284

WANG Chao，WANG Hao，WANG Wei，et al.Study of optimized ROI based medical image segmentation and compression method[J].Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition），2015，27（2）：279-284

[10]Jian M W，Dong J Y，Ma J.Image retrieval using wavelet-based salient regions[J].The Imaging Science Journal，2011，59（4）：219-231

[11]Unser M.Texture classification and segmentation using wavelet frames[J].IEEE Transactions on Image Processing，1995，4（11）：1549-1560

[12]Mallat S G.A theory for multiresolution signal decomposition：the wavelet representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1989，11（7）：674-693

[13]Daubechies I.The wavelet transform，time-frequency localization and signal analysis[J].IEEE Transactions on Information Theory，1990，36（5）：961-1005

[14]Sandeep N，Vikram D R.Brain tumour extraction functioning from MRI images using MATLAB[J].International Journal of Innovative Technologies，2016，4（2）：0329-0332

[15]Zhang Y D，Wu L N.An MR brain images classifier via principal component analysis and kernel support vector machine[J].Progress in Electromagnetics Research，2012，130：369-388

[16]Hati A，Chaudhuri S，Velmurugan R.An image texture insensitive method for saliency detection[J].Journal of Visual Communication and Image Representation，2017，43：212-226

Abstract In this paper，an algorithm for detecting brain tumors in MRI images based on directional features and saliency modeling is proposed.The designed model first preprocesses the MRI brain images to remove the interference from the skull region of the image，and then uses saliency detection based on directional features to increase the contrast of the lesion region，so as to more accurately extract the region of the tumors.Extensive experiments have been carried out on the brain image dataset and compared with several other saliency detection methods，which proves the effectiveness of the algorithm and provides reliable auxiliary diagnosis and clinical reference for doctors.

Key words tumor detection;directional features;saliency computation;saliency detection