CN102737382B - 一种***超声图像自动精确分割方法 - Google Patents

Abstract

***超声图像自动精确分割方法，属于计算机辅助诊断领域。该方法使用通过各向异性扩散构建的多尺度空间，通过Gabor滤波提取各个尺度下***超声图像的纹理特征。同时，使用非参数核密度估计方法构建***形状空间，并通过均值漂移（mean shift）在形状空间内进行搜索。在纹理特征和形状空间的双重约束下，得到***轮廓的粗分割。最后，使用活动轮廓模型（active contour models），结合方向梯度，自适应探测范围，求精分割结果，最后稳健地得到***超声图像的精确分割。该方法解决了超声图像对比度低，斑点噪声、阴影区域对分割干扰大的问题；实现***超声图像精确分割；可以适应各个厂商生产的不同型号超声机，对超声成像***参数设置不敏感。

Description

一种***超声图像自动精确分割方法

技术领域

本发明涉及计算机辅助诊断领域，具体涉及图像分割技术。

背景技术

超声医学（Ultrasonic Medicine）是医学影像学（Medical Imageology）的一个重要组成部分，和CT、MRI、同位素扫描（Radioisotope Scan）共同被称为现在医学影像诊断的四项主要检查方法。

对***轮廓的准确提取，是计算机参与一系列辅助分析的基础。然而人工边界提取十分费时，同时，受限于人的经验、相关知识以及注意力，分析结果可能多变且不准确。所以，用计算机实现自动***超声图像的轮廓提取，不仅具有理论研究价值，对于推动医疗技术的发展，较早发现病变，及时提供治疗，降低死亡率，减轻病人痛苦，也具有十分重要的意义。

早在2003年，东南大学罗立民教授提出了一种超声波多尺度非线性的自适应边界检测方法，首先对超声图像进行多尺度分解，然后用非线性软阈值法抑制斑点噪声之后用小波变换重建图像最后使用基于“窄条”的线性边界检测方法对已经将降噪的图像进行处理。但由于区域增长过程的时间开销，其计算量较大。同年，Mohamed等提出了一种使用gabor滤波提取纹理的分割方法。此外，局部二值模式（Local Binary Pattern）提取纹理特征也广泛应用到了超声图像分割中。两年后，北京交通大学阮秋琦教授提出了一种提出了一种超声图像去噪与边缘增强算法:可以在去除噪声的同时,保持重要的边缘、局部细节和超声回声亮条。虽然对抑制噪声增强边界有较好的效果,但没有将其应用到对图像的分割和边缘检测中。英属哥伦比亚大学Badiei等人于2006年提出了一种通过用户交互，由用户提供6个输入点，来控制椭圆形变，从而寻找***边缘的方法。这种方法简单高效，对一般形状的***有较好的效果，而对于形变比较严重，形状不规则的目标，则难以达到理想的效果。同年，南京理工大学夏德深教授提出了一种先验形状参数活动轮廓模型，并将其应用在医学图像分割中,通过引入一种非距离性的先验形状力场，构建一种新的能反映先验形状的参数活动轮廓模型,新的先验形状活动轮廓模型避免了曲线之间距离的计算，减少了模型的复杂性.但是该模型在处理图像之前需要人工定义活动轮廓模型的初始曲线。加拿大西安大略大学Nanayakkara等人在中提出了另一种新算法，使用域知识，结合模糊集的思想，利用一系列基于区域自适应算子，对离散动态轮廓（Discrete Dynamic Contour，DDC）模型进行了改进，它不仅可以扩大DDC在非边界区域的检测范围，同时能增强其在目标轮廓附近的稳定性，起到很好的自适应效果。然而，这种方法没有考虑超声图像中由阴影导致的边界丢失问题，从而使得DDC模型在这类区域使用很大的探测范围，导致了不准确的分割结果。华中科技大学谢长生教授于2007年提出了多尺度形态学操作和模糊聚类技术相结合的图像分割方法. 首先使用了多尺度形态学滤波器提取超声图像的亮和暗特征, 然后根据这些特征的尺度特性进行加权, 从而实现了超声图像对比度增强和噪声抑制的目的. 然后,使用模糊聚类技术对增强后的超声图像进行分割.该方法对医学超声图像的增强和边缘检测有一定的效果但对于特定器官的处理效果欠佳。2010年，哈尔滨工业大学唐降龙教授提出了一种结合全局概率密度差异与局部灰度拟合的主动轮廓模型对超声图像进行分割的方法. 该方法分别在原始超声图像与预处理图像上利用了图像的全局和局部信息.在原始图像上, 利用各区域的灰度分布, 并结合超声图像的背景知识对图像的全局信息建模。飞利浦北美研究院Yang等人也于2010年提出了一种新的思路，使用部分活动轮廓模型（Partial Active Shape Models）来处理边界丢失的问题，使用在结合离散可形变模型（Discrete Deformable Model）进一步对分割结果求精。该方法使用未经预处理的图像，没有进一步挖掘图像中蕴含的信息（如纹理特性）。同时超声图像信噪比、对比度都较低，直接在原始图像上进行处理，难以得到较好的处理结果。另外，该方法对目标形状的建模也有一定局限性，因为主成分分析（Principal Component Analysis）只能去除训练集中不同维度的线性相关性，对于现实数据存在的普遍相关相关性难以彻底去除，故在训练集合很接近高斯分布的时候能很好模拟它，对于一些复杂分布则难以取得良好的效果。

发明内容

本发明为了解决超声图像对比度低，斑点噪声、阴影区域对分割干扰大的，没有临床实用的***超声图像自动分割辅助***，而提出了一种***超声图像自动精确分割方法。

本发明使用通过各向异性扩散构建的多尺度空间，通过Gabor滤波提取各个尺度下***超声图像的纹理特征。同时，使用非参数核密度估计方法构建***形状空间，并通过均值漂移（mean shift）在形状空间内进行搜索。在纹理特征和形状空间的双重约束下，得到***轮廓的粗分割。最后，使用活动轮廓模型（active contour models），结合方向梯度，自适应探测范围，求精分割结果，最后稳健地得到***超声图像的精确分割。

本发明的***超声图像自动精确分割方法步骤如下所示：

步骤一： 基于一个数据集的学习样本图片，使用各向异性扩散方法，构建出尺度空间。由超声图像专家手工精确分割，使用Gabor滤波在不同方向、不同频率以及不同尺度下提取超声图像轮廓边缘的纹理特征；

步骤二： 自动初始化起始轮廓模型，从最粗糙的尺度开始，由学习提取的纹理特征和模型轮廓边缘的方向梯度特征作为引导，结合由核密度估计构建的形状空间，共同在子空间约束下寻找目标轮廓，进行初步分割，具体实现步骤为：

步骤A： 模型轮廓上的每一个控制点，都在法向方向上考察临近的坐标点，考虑法线上点纹理特征和方向梯度特征的共同作用，该控制点移向作用最强点的位置；

步骤B： 每一个控制点独立移动过后，模型的形状可能已经被破坏，此时，通过核密度估计方法，考察当前模型形状是否在形状空间之内，如果是，则进入步骤A，否则进入步骤C；

步骤C： 对当前形状使用均值漂移算法，使其向核密度高的方向移动，直到其核密度估计值满足形状空间要求；

步骤D： 考察当前是否在最精细一级的尺度下操作，是则进入步骤三，否则切换到更精细一级尺度，进入步骤A；

步骤三： 对原始超声图像使用均值偏移算法平滑，结合显著点监测算法，使用步骤二的输出形状为初始形状，使用活动轮廓模型进一步求精分割结果，得到最后的***超声图像精确分割结果。

附图说明

图1本发明方法的流程框图；

图2是本发明的控制点法向运动示意图；

图3是本发明的自适应探测距离示意图；

图4是本发明步骤二的输出结果示意图；

图5是本发明的最终分割示意图，与图4对应；

图6是本发明的最终分割结果与专家分割结果的对比示意图，其中虚线为专家分割结果，实线为本发明的分割结果。

具体实施方式

结合图1说明本实施方式，本实施方式的步骤如下：

步骤一： 基于一个数据集的学习样本图片，使用各向异性扩散方法，构建出尺度空间。由超声图像专家手工精确分割，使用Gabor滤波在不同方向、不同频率以及不同尺度下提取超声图像轮廓边缘的纹理特征；

步骤二： 自动初始化起始轮廓模型，从最粗糙的尺度开始，由学习提取的纹理特征和模型轮廓边缘的方向梯度特征作为引导，结合由核密度估计构建的形状空间，共同在子空间约束下寻找目标轮廓，进行初步分割，具体实现步骤为：

步骤A： 模型轮廓上的每一个控制点，都在法向方向上考察临近的坐标点，考虑法线上点纹理特征和方向梯度特征的共同作用，该控制点移向作用最强点的位置；

步骤B： 每一个控制点独立移动过后，模型的形状可能已经被破坏，此时，通过核密度估计方法，考察当前模型形状是否在形状空间之内，如果是，则进入步骤A，否则进入步骤C；

步骤C： 对当前形状使用均值漂移算法，使其向核密度高的方向移动，直到其核密度估计值满足形状空间要求；

步骤D： 考察当前是否在最精细一级的尺度下操作（步骤二分割结果示例见图4），是则进入步骤三，否则切换到更精细一级尺度，进入步骤A；

步骤三： 对原始超声图像使用均值偏移算法平滑，结合显著点监测算法，使用步骤二的输出形状为初始形状，使用活动轮廓模型进一步求精分割结果，得到最后的***超声图像精确分割结果（步骤三分割结果示例见图5，与专家分割结果的对比示例见图6）。

步骤一的实现细节为：对学习数据集轮廓上的每一个控制点编号 ，则每一个形状轮廓可以表示为一个维空间内的一个点：

(1)

Gabor滤波的实部为

(2)

其中

(3)

(4)

符号表示正弦曲线的波长因子，表示Gabor函数的方向，表示相位，表示高斯卷积的标准差，表示空间长宽比。则使用Gabor函数对不同尺度下的图像卷积可以得到***轮廓上的纹理特征：

(5)

不同尺度下每一个控制点的纹理特征可以表示为

(6)

其中

(7)

其中，分别表示所选取的波长和角度个数，代表所在的尺度。不同尺度的图像由不同的各向异性扩散次数和下采样率的不同来决定，越粗糙的尺度扩散迭代次数和下采样率越高。各向异性扩散方程为

(8)

其中为各向异性的扩散率，表示散度，表示梯度。

步骤二的实现细节为：对形状上每一个控制，在其由内而外的相对于形状轮廓的法向量上，构建如下向量：

(9)

其中是在模型上的点,表示点的灰度值。由上式可以定义轮廓曲线上一个控制点的方向梯度为

(10)

其中定义为

(11)

则步骤二A中每一个控制点的独立移动方程为

(12)

其次，基于原始形状训练集，使用普氏分析（Procrustes analysis）将其校准，得到校准后训练集，则在形状空间中一点的概率密度可以用非参数核密度估计方法表示为

(13)

其中，为通过普氏方法向训练集校正过的形状轮廓。为了降低空间维度，使用主成分分析对训练集矩阵进行处理，得到它的前个特征向量构成的矩阵为，由此我们可以在去除各个维度的线性相关性的同时，降低形状空间的维度

(14)

(15)

从而(13)式可以表示为

(16)

对于每一个分割形状，使用(16)式对其考察，如满足概率密度要求，则认为形状可以接受；如不满足，则使用均值漂移算法对形状进行修正，直到满足为止：

(17)

随后，需要将满足条件的形状最终恢复为图像中的一个分割

(18)

最后，还需要把校正回到原始的位置方向和大小，得到步骤二的输出结果为。

步骤三的实现细节为：基于步骤二的输出结果，使用如下能量泛函求精最终分割结果：

(19)

其中

(20)

(21)

在求解能量泛函时使用动态规划

(22)

同时引入自适应探测范围在增大探测范围的同时提高稳定性，降低运算量（如图3所示，虚线为(9)式中的考察范围，均相等；实线为自适应探测范围）

(23)

其中在(10)式中定义，为阈值，的定义为

(24)

式中表示期望，并且。

Claims (4)

1.***超声图像自动精确分割方法，该方法使用通过各向异性扩散构建的多尺度空间，通过Gabor滤波提取各个尺度下***超声图像的纹理特征；同时，使用非参数核密度估计方法构建***形状空间，并通过均值漂移（mean shift）在形状空间内进行搜索；在纹理特征和形状空间的双重约束下，得到***轮廓的粗分割；最后，使用活动轮廓模型（active contour models），结合方向梯度，自适应探测范围，求精分割结果，最后稳健地得到***超声图像的精确分割；其特征在于它的步骤如下：

步骤一： 基于一个数据集的学习样本图片，使用各向异性扩散方法，构建出尺度空间；由超声图像专家手工精确分割，使用Gabor滤波在不同方向、不同频率以及不同尺度下提取超声图像轮廓边缘的纹理特征；

步骤二： 自动初始化起始轮廓模型，从最粗糙的尺度开始，由学习提取的纹理特征和模型轮廓边缘的方向梯度特征作为引导，结合由核密度估计构建的形状空间，共同在子空间约束下寻找目标轮廓，进行初步分割，具体实现步骤为：

步骤A： 模型轮廓上的每一个控制点，都在法向方向上考察临近的坐标点，考虑法线上点纹理特征和方向梯度特征的共同作用，该控制点移向作用最强点的位置；

步骤B： 每一个控制点独立移动过后，模型的形状可能已经被破坏，此时，通过核密度估计方法，考察当前模型形状是否在形状空间之内，如果是，则进入步骤A，否则进入步骤C；

步骤C： 对当前形状使用均值漂移算法，使其向核密度高的方向移动，直到其核密度估计值满足形状空间要求；

步骤D： 考察当前是否在最精细一级的尺度下操作，是则进入步骤三，否则切换到更精细一级尺度，进入步骤A；

步骤三： 对原始超声图像使用均值偏移算法平滑，使用步骤二的输出形状为初始形状，使用活动轮廓模型进一步求精分割结果，得到最后的***超声图像精确分割结果。

2.根据权利要求1所述的***超声图像自动精确分割方法，其特征在于步骤一，对学习数据集轮廓上的每一个控制点编号，则每一个形状轮廓可以表示为一个维空间内的一个点：

(1)

Gabor滤波的实部为

(2)

其中

(3)

(4)

符号表示正弦曲线的波长因子，表示Gabor函数的方向，表示相位，表示高斯卷积的标准差，表示空间长宽比；则使用Gabor函数对不同尺度下的图像卷积可以得到***轮廓上的纹理特征：

(5)

不同尺度下每一个控制点的纹理特征可以表示为

(6)

其中

(7)

上式中，分别表示所选取的波长和角度个数，代表所在的尺度；不同尺度的图像由不同的各向异性扩散次数和下采样率的不同来决定，越粗糙的尺度扩散迭代次数和下采样率越高；各向异性扩散方程为

(8)

其中为各向异性的扩散率，表示散度，表示梯度。

3.根据权利要求1所述的***超声图像自动精确分割方法，其特征在于步骤二，首先，对形状上每一个控制，在其由内而外的相对于形状轮廓的法向量上，构建如下向量：

(9)

其中是在模型上的点,表示点的灰度值，由上式可以定义轮廓曲线上一个控制点的方向梯度为

(10)

其中定义为

(11)

则步骤二A中每一个控制点的独立移动方程为

(12)

其次，基于原始形状训练集，使用普氏分析（Procrustes analysis）将其校准，得到校准后训练集，则在形状空间中一点的概率密度可以用非参数核密度估计方法表示为

(13)

其中，为通过普氏方法向训练集校正过的形状轮廓；为了降低空间维度，使用主成分分析对训练集矩阵进行处理，得到它的前个特征向量构成的矩阵为，由此我们可以在去除各个维度的线性相关性的同时，降低形状空间的维度

(14)

(15)

从而(13)式可以表示为

(16)

对于每一个分割形状，使用(16)式对其考察，如满足概率密度要求，则认为形状可以接受；如不满足，则使用均值漂移算法对形状进行修正，直到满足为止：

(17)

随后，需要将满足条件的形状最终恢复为图像中的一个分割

(18)

最后，还需要把校正回到原始的位置方向和大小，得到步骤二的输出结果为。

4.根据权利要求1所述的***超声图像自动精确分割方法，其特征在于步骤三，基于步骤二的输出结果，使用如下能量泛函求精最终分割结果：

(19)

其中

(20)

(21)

在求解能量泛函时使用动态规划

(22)

同时引入自适应探测范围在增大探测范围的同时提高稳定性，降低运算量

(23)

其中在(10)式中定义，为阈值，的定义为

(24)

式中表示期望，并且。