辛元

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都610065）

0 引言

超聲圖像是乳腺異常檢測(cè)和分類(lèi)工作中最常用的診斷工具之一。近年來(lái)，計(jì)算機(jī)輔助系統(tǒng)越來(lái)越多的應(yīng)用于超聲圖像中，幫助放射科醫(yī)生在檢測(cè)和診斷過(guò)程中提高效率和精度。一般的，應(yīng)用于超聲圖像的乳腺癌CAD 系統(tǒng)包括四個(gè)階段：圖像預(yù)處理、圖像分割、特征提取和選擇、分類(lèi)。在這四個(gè)階段中，圖像分割將病變區(qū)域從背景中區(qū)分出來(lái)，是下一階段處理的關(guān)鍵，并且決定著最終的分析質(zhì)量。包括非常高的斑點(diǎn)噪聲、低信噪比和灰度不均勻等問(wèn)題存在的各種干擾因素，使準(zhǔn)確的超聲圖像分割仍然是乳腺癌CAD 系統(tǒng)面臨的難題之一[1]。

眾多學(xué)者在圖像分割方向提出了自己的方法或框架，包括依賴于先驗(yàn)知識(shí)的傳統(tǒng)算法，如Xian 在2015年提出一種基于乳腺時(shí)域頻域特征的乳腺超聲分割算法[2]，以及依賴于大量數(shù)據(jù)訓(xùn)練的機(jī)器學(xué)習(xí)方法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）等。然而醫(yī)學(xué)圖像的標(biāo)記是很困難且?guī)в兄饔^色彩的，尤其是由于個(gè)體差異性需要綜合很多專家的意見(jiàn)[3]，要得到統(tǒng)一且有效的先驗(yàn)知識(shí)和大量訓(xùn)練數(shù)據(jù)是很困難的，由此現(xiàn)有的大部分方法在醫(yī)學(xué)圖像復(fù)雜的情況下適應(yīng)性不足。本文借鑒視覺(jué)注意力機(jī)制，將顯著性檢測(cè)算法和思想引入乳腺超聲圖像腫瘤分割任務(wù)中，避免了先驗(yàn)知識(shí)和數(shù)據(jù)量的限制條件。

顯著性檢測(cè)是機(jī)器視覺(jué)中的研究方向，由人的視覺(jué)特征分割出顯著性區(qū)域，目的是檢測(cè)圖中人作為主體最為感興趣的區(qū)域。最小障礙物距離[4]是顯著性檢測(cè)中一種非常常用的方法，通過(guò)像素點(diǎn)與種子點(diǎn)之間的代價(jià)函數(shù)衡量像素點(diǎn)與種子點(diǎn)之間的連通性，由此判斷該像素點(diǎn)是否為前景。

本文提出了一種基于最小障礙物距離的乳腺超聲圖像腫瘤分割方法，借助最小障礙物距離顯著性檢測(cè)方法對(duì)乳腺超聲圖像進(jìn)行處理，實(shí)現(xiàn)了乳腺超聲圖像中腫瘤區(qū)域的分割。引入紋理去除算法對(duì)超聲圖像進(jìn)行預(yù)處理，減弱超聲圖像中噪聲和偽影的影響；融合經(jīng)MBD 計(jì)算得到的前景、背景顯著圖，進(jìn)一步精確腫瘤范圍和邊界；最后經(jīng)后處理得到分割結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文方法在超聲圖像質(zhì)量差、干擾嚴(yán)重的情況下能更為精確地將腫瘤區(qū)域分割出來(lái)；針對(duì)腫瘤后方回聲減弱造成的聯(lián)通現(xiàn)象也可以形成較好的邊界。

1 MBD顯著性檢測(cè)算法

顯著性檢測(cè)的目標(biāo)是突出場(chǎng)景中的顯著性區(qū)域，同時(shí)抑制場(chǎng)景中的背景區(qū)域，生成一張顯著圖來(lái)表達(dá)前景和背景。背景先驗(yàn)和聯(lián)通先驗(yàn)是顯著性檢測(cè)中非常有效的兩種手段，背景先驗(yàn)假設(shè)圖像邊緣大部分是背景區(qū)域，聯(lián)通先驗(yàn)假設(shè)背景區(qū)域通常與圖像邊緣相聯(lián)通[5]。最小障礙物距離（Minimum Barrier Distance，MBD）[4]被廣泛應(yīng)用在衡量聯(lián)通性中，將圖像邊緣作為種子點(diǎn)，計(jì)算圖像每個(gè)像素點(diǎn)到種子點(diǎn)的最小障礙物距離，以此得到顯著圖。像素t 的最小障礙物距離代價(jià)函數(shù)定義為：

其中π 表示t到種子點(diǎn)的聯(lián)通路徑，I為原始圖像，ΠS,t表示t 點(diǎn)到所有種子點(diǎn)的路徑集合。同測(cè)地線距離[6]相比，MBD 對(duì)于像素值波動(dòng)有著更好的魯棒性，這一點(diǎn)在噪聲嚴(yán)重的超聲圖像中尤為重要。從公式中也可以看出，為得到精確的MBD 需要對(duì)圖像進(jìn)行反復(fù)掃描，耗費(fèi)大量時(shí)間，于是Zhang 提出的光柵掃描方法[7]、Huang 提出的水流方法[5]都用于縮短MBD 時(shí)間，水流方法相比光柵掃描在精度和速度上取得了更好的效果。結(jié)合乳腺超聲圖像特點(diǎn)可知，以圖像邊緣作為種子點(diǎn)的方式顯然不合適，種子點(diǎn)應(yīng)與前景相似度越低越好，與背景相似度越高越好。本文在前景、背景區(qū)域分開(kāi)選擇種子點(diǎn)，分別計(jì)算前景顯著圖、背景顯著圖，以此提高分割精度。水流方法更適用于由種子點(diǎn)作為起點(diǎn)向四周輻射的顯著性計(jì)算方式，由此作為本文顯著圖的計(jì)算方法。

2 基于MBD的乳腺超聲圖像腫瘤分割方法

本文算法主要分為四個(gè)步驟：圖像預(yù)處理；MBD計(jì)算前景、背景顯著圖；前景、背景顯著圖融合；后處理。本文算法流程及結(jié)果如圖1 所示，下面分為四個(gè)部分進(jìn)行詳細(xì)介紹。

圖1 算法流程展示

2.1 預(yù)處理

由于超聲波在人體內(nèi)的衰減和散射，超聲圖像中存在著大量的斑點(diǎn)噪聲且組織不均勻有一定的模糊。本文方法采用利用相對(duì)全變分從紋理中提取結(jié)構(gòu)的方法[8]達(dá)到去噪和平滑的效果。該方法對(duì)紋理和結(jié)構(gòu)進(jìn)行了區(qū)分，形成了一種簡(jiǎn)單有效的基于局部變化的紋理去除方法。該方法公式如下：

p 為當(dāng)前像素點(diǎn)，R(p)表示p 點(diǎn)鄰域，λ是超參數(shù)，ε是為防止除零錯(cuò)。

經(jīng)過(guò)預(yù)處理后的圖像如圖1（b）所示，可以看出，經(jīng)過(guò)預(yù)處理后，噪聲和不均勻的組織都被抹平，組織之間的界限更為明顯。腫瘤區(qū)域是低回聲區(qū)域，邊緣的細(xì)微像素波動(dòng)也得到了很好的處理。

2.2 MBD計(jì)算前景、背景顯著圖

從前文對(duì)MBD 的介紹得知，現(xiàn)有MBD 算法基本以圖像邊緣點(diǎn)作為種子點(diǎn)，結(jié)合超聲圖像特點(diǎn)可以看出這樣是不可行的。超聲成像是以皮膚為起點(diǎn)，垂直于皮膚向下的一個(gè)橫截面，圖像寬度取決于設(shè)備探頭的成像寬度，圖像邊緣就是組織在圖像中的截?cái)辔恢?，所以組織內(nèi)部和邊緣肯定是相連的。腫瘤區(qū)域是低回聲區(qū)域，圖像中表現(xiàn)為低灰度區(qū)域，由于腫瘤對(duì)超聲波的吸收和衰減作用導(dǎo)致某些情況下腫瘤后方區(qū)域存在回聲衰減現(xiàn)象，圖像中表現(xiàn)為腫瘤下方存在延伸出來(lái)的低灰度區(qū)域。綜上所述，以圖像邊緣作為種子點(diǎn)并不合適。本文集中于腫瘤分割步驟，種子點(diǎn)選擇采取人工選擇的方式，分別在腫瘤內(nèi)部和外部畫(huà)出灰度不同的直線，直線上的每個(gè)點(diǎn)都作為種子點(diǎn)進(jìn)行計(jì)算。選擇前景種子點(diǎn)、背景種子點(diǎn)分別計(jì)算前景顯著圖和背景顯著圖，從兩個(gè)方面加強(qiáng)分割效果。采用水流方法[5]計(jì)算得到的前景顯著圖及背景顯著圖分別如圖1（c1）、圖1（c2）所示。

2.3 前景、背景顯著圖融合

顯著圖中像素點(diǎn)的灰度表示與當(dāng)前種子點(diǎn)的連通性，所以前景顯著圖中灰度大的區(qū)域表示腫瘤可能區(qū)域，背景顯著圖中灰度小的區(qū)域表示腫瘤可能區(qū)域。以f 表示前景顯著圖、b 表示背景顯著圖、M 表示前景種子點(diǎn)集合、I 表示全圖，融合公式如下：

其中λ（0 ≤λ<1）是縮放系數(shù)，p∈I，Mnum表示前景種子點(diǎn)數(shù)量。由此將前景和背景顯著圖進(jìn)行融合，融合結(jié)果如圖1（d）所示。

2.4 后處理

由上一步結(jié)果圖可以看出：顯著圖融合后仍然存在很多待選擇區(qū)域（如圖1（d）中白色區(qū)域），目標(biāo)腫瘤區(qū)域中有空洞的存在。后處理的目標(biāo)是將腫瘤區(qū)域在顯著圖融合結(jié)果中選擇出來(lái)，對(duì)選擇出來(lái)的腫瘤區(qū)域空洞進(jìn)行填充。上文中提到前景種子點(diǎn)是在腫瘤內(nèi)部的直線，計(jì)算前景種子點(diǎn)直線的中點(diǎn)，包含該中點(diǎn)的區(qū)域就是腫瘤區(qū)域。對(duì)選擇的腫瘤區(qū)域進(jìn)行形態(tài)學(xué)膨脹腐蝕操作填充其空洞，得到最終分割圖，效果如圖1（e）所示。

3 實(shí)驗(yàn)與分析

本文算法與FastMBD[7]、測(cè)地線距離顯著性檢測(cè)算法[6]（GeoD）、基于乳腺時(shí)域頻域特征的乳腺超聲分割算法[2]（BUSSeg）進(jìn)行對(duì)比，實(shí)驗(yàn)評(píng)估標(biāo)準(zhǔn)為查準(zhǔn)率、查全率、F1，公式如下：

其中，TP（True Positive）：被正確標(biāo)記的腫瘤區(qū)域像素總數(shù)；FP（False Positive）：被錯(cuò)誤標(biāo)記的腫瘤區(qū)域像素總數(shù)；FN（False Negative）：被錯(cuò)誤標(biāo)記的非腫瘤區(qū)域像素總數(shù)。對(duì)比結(jié)果如圖2。

分割對(duì)比圖（圖2）中可以看出FasMBD 方法以圖像邊緣作為種子點(diǎn)計(jì)算連通性，由于超聲圖像是一個(gè)截面且組織之間的相互連接，導(dǎo)致其顯著圖出現(xiàn)大面積強(qiáng)顯著的結(jié)果產(chǎn)生；GeoD 方法采用測(cè)地線距離作為連通性代價(jià)函數(shù)，對(duì)超聲中存在的嚴(yán)重噪聲過(guò)于敏感；BUSSeg 方法由于非常強(qiáng)的先驗(yàn)知識(shí)存在，對(duì)圖像質(zhì)量差帶來(lái)的特征不明顯情況無(wú)法處理，對(duì)于腫瘤后方回聲衰減的區(qū)域也無(wú)法準(zhǔn)確處理。本文方法在乳腺超聲圖像腫瘤分割任務(wù)中能達(dá)到更好的效果，尤其是在超聲成像效果不佳的情況下，可以更好地區(qū)分腫瘤和非腫瘤區(qū)域。大片低回聲（低灰度）區(qū)域中，本方法可以捕捉到其中幅度很小的灰度波動(dòng)，生成更符合實(shí)際情況的腫瘤邊界。

圖2 實(shí)驗(yàn)結(jié)果圖對(duì)比

表1 實(shí)驗(yàn)對(duì)比評(píng)估表

4 結(jié)語(yǔ)

本文提出了一種基于最小障礙物距離的乳腺超聲圖像腫瘤分割方法。該方法從人類(lèi)的視覺(jué)注意力機(jī)制出發(fā)，能對(duì)乳腺超聲圖像中的腫瘤部分進(jìn)行準(zhǔn)確的分割，且具有較好的適應(yīng)性。通過(guò)引入紋理去除算法，融合前景、背景顯著圖，經(jīng)后處理后即使針對(duì)質(zhì)量較差、腫瘤后方衰減嚴(yán)重的超聲圖像，也具有很好的腫瘤分割效果。