薛 亮，姚光宇

（復(fù)旦大學(xué)附屬中山醫(yī)院，上海 200032）

0 引言

醫(yī)學(xué)圖像分割作為機(jī)器人輔助診療肺部疾病的關(guān)鍵技術(shù)之一，該技術(shù)的發(fā)展對于病癥的識別診斷意義重大。近年來隨著人工智能技術(shù)在醫(yī)學(xué)圖像分割領(lǐng)域的廣泛應(yīng)用，使得諸如眼底視網(wǎng)膜疾病識別、胰腺分割識別等領(lǐng)域獲得了極大的發(fā)展。雖然基于深度學(xué)習(xí)的方法在上述領(lǐng)域獲得了一定的成功，但是該類模型也存在一定的不足例如模型的訓(xùn)練需要大量人工標(biāo)注好的數(shù)據(jù)集，人工標(biāo)注的過程不僅枯燥繁復(fù)，而且模型大大的限制了在缺乏大量原始圖像的領(lǐng)域的應(yīng)用和推廣。

針對上述問題本文提出了基于視覺顯著性檢測的器官分割模型，該模型首先利用視覺顯著性檢測算法對醫(yī)學(xué)圖像進(jìn)行顯著性檢測，然后將檢測結(jié)果進(jìn)行正負(fù)樣本劃分，最后將劃分結(jié)果輸入到分類器中對分類器進(jìn)行訓(xùn)練。該模型克服了深度學(xué)習(xí)模型需要大量人工標(biāo)注數(shù)據(jù)的問題，簡化了模型訓(xùn)練的過程。模型的框架如圖1所示。

圖1 算法框架

1 圖像增強(qiáng)

在醫(yī)學(xué)領(lǐng)域中，由于深度學(xué)習(xí)模型缺少具有特定圖像特征的圖像數(shù)量，因此我們?yōu)榱双@取足夠多的數(shù)據(jù)對分類器進(jìn)行訓(xùn)練，需要根據(jù)現(xiàn)有圖像特征進(jìn)行圖像增強(qiáng)與圖像變換。圖像變換的方法采用的是基于非剛性變換的方法生成，具體方法參考文獻(xiàn)[1]。

2 顯著性檢測模型

顯著性檢測模型主要分為三步：1）初始顯著性檢測結(jié)果的獲取；2）在多源初始顯著性檢測結(jié)果中提取前景和背景區(qū)域，并計(jì)算區(qū)域特征差異性和連通性；3）顯著性優(yōu)化策略。算法具體的流程描述如圖2所示；

圖2 顯著性檢測框架圖

2.1 初始顯著性檢測結(jié)果的獲取

顯著對象具有多個(gè)顯著屬性，在不同圖像中發(fā)揮顯著作用的屬性不同，因此基于單一屬性的顯著性檢測方法往往不能檢測出完整的顯著對象，為了克服這個(gè)問題，本文采用基于局部稀有性、全局稀有性以及背景稀有性的方法分別計(jì)算圖像的顯著性分布，然后根據(jù)這三個(gè)初始顯著性檢測結(jié)果獲得本文縮放模型的起始區(qū)域開始執(zhí)行縮放過程。在進(jìn)行顯著性檢測之前首先對利用圖割方法對圖像進(jìn)行區(qū)域分割，這樣不僅能將圖像中具有相同特征的區(qū)域進(jìn)行合并同時(shí)還能提高算法的檢測效率，然后提取圖像特征構(gòu)建超像素的特征描述。三種初始顯著性檢測的方法描述如下：

1）局部稀有性

局部稀有性定義為中心區(qū)域與周圍區(qū)域在特征空間的歐氏距離，針對區(qū)域ri其局部稀有性形式化描述為：

其中dist（ri，rj）定義為區(qū)域在特征空間的歐式距離。

根據(jù)人的視覺注意力機(jī)制，位于圖像中心位置區(qū)域的顯著性要高于其他區(qū)域，因此局部顯著性更新為：

其中Xc表示圖像的中心坐標(biāo)，xi表示區(qū)域內(nèi)部像素i 的坐標(biāo)，ωi為區(qū)域ri內(nèi)部像素的數(shù)量。

2）全局稀有性

全局稀有性是在局部稀有性的基礎(chǔ)上將對比范圍擴(kuò)大到整張圖像獲得的，針對區(qū)域ri，其全局稀有性形式化描述為

其中φ（ri）表示ri,rj之間像素?cái)?shù)量之比。

3）背景先驗(yàn)

構(gòu)建圖像的圖表達(dá)G=(V,E),其中V 為圖的頂點(diǎn)本文中由圖像分割后的區(qū)域表示，E 為圖的邊定義兩個(gè)區(qū)域之間的連接（本文定義相鄰區(qū)域之間存在邊連接），圖的權(quán)值矩陣表達(dá)為W，Wi,j定義為：

然后參考文獻(xiàn)[2]采用流形排序算法對圖像區(qū)域進(jìn)行顯著性排序，流形排序的目標(biāo)函數(shù)定義為：

為權(quán)重參數(shù)為查詢種子參考文獻(xiàn)[2]。求解上述函數(shù)獲得最優(yōu)解：

2.2 擴(kuò)散策略

在多個(gè)初始顯著性檢測結(jié)果中，存在同一區(qū)域在多個(gè)顯著性檢測結(jié)果中同時(shí)是顯著區(qū)域、同時(shí)是背景區(qū)域以及即是背景也是顯著區(qū)域的情況。提取同時(shí)為顯著區(qū)域的區(qū)域作為前景種子F、同時(shí)是背景區(qū)域的區(qū)域?yàn)楸尘胺N子B，剩余區(qū)域定義為顯著擴(kuò)散區(qū)域。在顯著擴(kuò)散區(qū)域內(nèi)部，一個(gè)區(qū)域可擴(kuò)散為顯著區(qū)域或者背景區(qū)域是由該區(qū)域的差異性和連通性決定的，下面將詳細(xì)對這兩方面的特征進(jìn)行闡述。

1）差異性

擴(kuò)散區(qū)中的區(qū)域與前景種子的相似性以及與背景種子的差異性，決定了該區(qū)域?qū)儆陲@著對象的可能性，本文中區(qū)域的差異性定義SD（ri）。

其中FDb（ri）表示區(qū)域與背景之間的差異，F(xiàn)Df（ri）表示區(qū)域ri與前景區(qū)域的相似性。FDb（ri），F(xiàn)Df（ri）形式化為：

其中dgeo（ri，rj）=min∑（p，q）∈path(i，j)wp，q表示區(qū)域ri，rj之間的最短測地線距離。

2）連通性

顯著性檢測中，距離越近的區(qū)域?qū)Υ郎y區(qū)域的影響越大。根據(jù)這一觀察，本文通過計(jì)算待測區(qū)域與前景背景之間的連通性，從另一個(gè)角度計(jì)算待測區(qū)域的顯著程度。區(qū)域之間的聯(lián)通性定義為：

其中Sbc（ri），Sfc（ri）分別表示區(qū)域ri與背景前景之間的連通性。L（ri）表示區(qū)域ri的周長，α為控制參數(shù)。待測區(qū)域與前景區(qū)域之間的連通性反映了其屬于前景的可能，與背景之間的連通性反映了區(qū)域與背景之間的相似性。因此基于連通性的區(qū)域顯著性計(jì)算形式化為：

2.3 顯著性擴(kuò)散

區(qū)域連通性和差異性從兩個(gè)角度反映了其是否為顯著區(qū)域的可能，在顯著性擴(kuò)散區(qū)域內(nèi)，上述兩個(gè)指標(biāo)決定了一個(gè)區(qū)域是否被重新定義為顯著區(qū)域。由于從單一角度上對擴(kuò)散區(qū)域進(jìn)行考量，都無法魯棒性的獲得更好的顯著檢測結(jié)果，因此本文區(qū)域被擴(kuò)散的可能擴(kuò)散率定義為：

當(dāng)擴(kuò)散區(qū)域內(nèi)區(qū)域的擴(kuò)散率超過整幅圖像平均擴(kuò)散率2倍的情況下，執(zhí)行擴(kuò)散過程。此時(shí)該區(qū)域的顯著性定義為：

2.4 一致性優(yōu)化策略

顯著對象是一個(gè)完整的整體，以此顯著對象內(nèi)部各分部之間應(yīng)該具有相同的顯著值，然而大部分顯著性檢測算法往往只注重算法的準(zhǔn)確率和錯(cuò)誤率，忽視了顯著對象的一致性表達(dá)，為了克服這個(gè)問題本文采用元胞自動(dòng)機(jī)理論對顯著性檢測結(jié)果進(jìn)行優(yōu)化?；谠詣?dòng)機(jī)理論的優(yōu)化策略形式化描述為：

其中adj（ri）表示ri的鄰接區(qū)域。

其中F*，C*，分別表示為影響矩陣和一致性矩陣。當(dāng)目標(biāo)函數(shù)收斂時(shí)系統(tǒng)停止更新。

3 器官分割

醫(yī)學(xué)圖像處理的器官識別分割中，分類器的選擇是一個(gè)至關(guān)重要的因素。在這里，本文利用支持向量機(jī)分類器從眾多圖像特征中獲取器官的分類。在支持向量機(jī)模型中如果特征向量在高維空間是非線性可分的，那么支持向量機(jī)有助于使它們線性可分。對于支持向量機(jī)模型，每個(gè)數(shù)據(jù)點(diǎn)都表示為一個(gè)m維向量，通過將數(shù)據(jù)點(diǎn)放在一個(gè)超平面內(nèi)實(shí)現(xiàn)特征分類。對于分類，將每個(gè)輸入轉(zhuǎn)化為n維空間中的一個(gè)點(diǎn)，每個(gè)屬性的值被描述為單個(gè)超平面坐標(biāo)的值。分類通過優(yōu)化最能區(qū)分正負(fù)樣本的超平面來建立的。本文中顯著性檢測的結(jié)果為分類器提供正負(fù)樣本數(shù)據(jù)。分類器的分割結(jié)果如圖3所示。

圖3 器官分割結(jié)果

4 實(shí)驗(yàn)結(jié)果與分析

為了測試本文中所提模型的有效性，我們選擇精確度和召回率評價(jià)指標(biāo)：

精度（P：Precision）：該指標(biāo)反映分割的正確性。

召回率（R：Recall）：該指標(biāo)反映模型的敏感度。

同時(shí)選擇ETIS-Larib database作為公共數(shù)據(jù)集為模型的評價(jià)提供數(shù)據(jù)支撐。

從表1可以看出本文提出的算法相對于對比算法來說，無論在精確度還是召回率方面都具有比較好的表現(xiàn)。同時(shí)由于本文提出的模型采用了顯著性檢測的方法來標(biāo)記正負(fù)樣本，使得模型不僅克服了需要人工標(biāo)記數(shù)據(jù)集的過程，同時(shí)使得模型能提取到更利于器官分割的特征。

表1 各模型在評價(jià)數(shù)據(jù)集上的實(shí)際分割結(jié)果

5 結(jié)語

本文研究了基于視覺顯著性檢測的醫(yī)學(xué)圖像分割模型，該模型利用顯著性檢測算法自動(dòng)區(qū)分正負(fù)樣本的能力，克服了機(jī)器學(xué)習(xí)分類模型需要大量人工標(biāo)注數(shù)據(jù)的問題，簡化了模型訓(xùn)練的過程。最后通過大量實(shí)驗(yàn)證明，本文提出模型在精確度、召回率以及平均錯(cuò)誤率方面都具有較好的表現(xiàn)。