SLIC超像素分割在醫(yī)學圖像處理中的應用

陳相廷，張偌雅，渠星星，劉斌（河南大學計算機與信息工程學院，開封　475000）

SLIC超像素分割在醫(yī)學圖像處理中的應用

陳相廷，張偌雅，渠星星，劉斌
（河南大學計算機與信息工程學院，開封475000）

0　引言

圖像是信息視覺化的一種方式，人類本身對可視化內(nèi)容如顏色、圖形、物體的認知和接受能力遠高于文字信息。圖像是一種準確傳達信息的方式，可有效避免信息誤導。在醫(yī)療領域，對象往往具有結構復雜、個體差異大、采集難度高等特性，圖像因其自身在信息表達上的優(yōu)勢已廣泛應用于臨床實踐。醫(yī)學影像可使專家更清楚地辨認患者病理變化的位置和結構，從而可以多角度、多層次地分析和診斷。

在實際醫(yī)療影像的成像過程中，目標本身很難保持絕對靜止，會產(chǎn)生如：呼吸、臟器蠕動等不可避免的位移，位移會導致生成的圖像中產(chǎn)生偽影，同時設備自身的磨損會使生成的圖像中出現(xiàn)噪聲。常規(guī)的圖像處理以像素作為基本單元，處理過程往往具有數(shù)據(jù)量大、迭代次數(shù)多、參數(shù)估計收斂慢等缺陷。大規(guī)模運算會耗費大量時間，臨床實踐中往往不允許過長的處理時間，因此醫(yī)療機構通常的做法是花費大量資金購買昂貴的設備以提升硬件性能，縮短處理時間。為節(jié)約成本，降低處理的時間和空間復雜度，超像素的概念在醫(yī)學圖像處理中將具有廣闊的應用和發(fā)展空間。

1　超像素分割模型

超像素這一概念最早由Ren等人于2003年提出［1］，該分割模型完美延續(xù)了圖像中輪廓、紋理和亮度之間的關聯(lián)，利用圖像冗余信息將特征相似度較高的像素歸為一類，形成像素聚合塊即超像素。通常人眼視覺對于單個像素并不敏感，同樣單個像素對整幅圖像的信息含義并不大，人類所感知和關注的是圖像中梯度變化較大的區(qū)域，常為圖像邊界。超像素模型保留了圖像邊界特征，有效突出了圖像中重要部分的信息。

超像素分割算法大體包含兩類：一類是基于圖論的分割方法。該方法的主要思想是將原圖整體映射為一幅無向加權圖，圖中的每個節(jié)點對應原圖中的每個像素，圖中的每條邊對應原圖中相鄰像素間的關系，邊的權重表示原圖中相鄰像素的特征差異度，然后根據(jù)權重組合得到的閾值對原圖進行分割。但基于圖論的分割方法計算量較大，對超像素的數(shù)量和緊湊度難于控制，不適用于醫(yī)學圖像處理中。另一類是基于梯度下降的超像素分割方法。該方法主要采用了聚合分類的基本思想，以最初相對分散于圖中各處的超像素重心為中心，通過梯度下降的方式不斷聚合，直至將所有像素分類完畢。在梯度下降的方法中，SLIC（Simple Lin-ear Iterative Clustering，簡單線性迭代聚類）算法以亮度和距離等特征的相似度為衡量標準，可產(chǎn)生大小均勻、形狀規(guī)則、易于控制的超像素塊，符合醫(yī)學圖像處理的需求［2］。

2　SLIC超像素分割

SLIC超像素分割算法最早由 Achanta等人于2010年提出［3］，該方法依據(jù)顏色、亮度相似性和空間相鄰性將像素聚類為超像素，整個聚類過程均要用到LAB色彩空間的特征值。LAB色彩模型中L代表亮度分量，實際操作中取值范圍通常為0到100，表示從純黑到純白；A表示紅綠色彩分量，通常取值-128到+ 127，-128為綠色，+127漸變?yōu)榧t色；B表示黃藍色彩分量，通常取值-128到+127，同理-128為藍色，+127為黃色。LAB色彩空間不僅包含RGB空間所能表示的所有范圍，更重要的是三個對應分量近似正交，可最大限度削弱分量變化時彼此間造成的影響。

RGB色彩空間無法直接轉化至LAB空間［4］，該過程通常需要借助XYZ空間來實現(xiàn)。RGB色彩空間轉化為LAB色彩空間的具體步驟如下：

（1）將圖像r g b通道的分量通過gamma函數(shù)轉化至RGB空間中，其中gamma函數(shù)通常用來對圖像進行非線性色調(diào)編輯，以提高圖像對比度。轉換公式如下：

（2）從RGB空間轉換至XYZ空間，轉換公式如下：

（3）從XYZ空間轉換至LAB空間，轉換公式如下：

Xn、Yn、Zn參考白點CIE，XYZ三色刺激值 （下標n表示 “normalized”），計算時通常取 Xn=96.4221、Yn= 100.0000、Zn=82.5221。

圖像處理完畢后，需重新轉化到RGB色彩空間顯示。同理，這一過程仍借助XYZ空間進行過渡，具體步驟如下：

（1）將LAB色彩空間轉化至XYZ空間，轉換公式如下：

其中：

（2）從XYZ空間轉換至RGB空間，轉換公式如下：

（3）將RGB空間的值轉化為對應的R、G、B通道分量，轉換公式如下：

其中r_gamma為R、G、B的gamma逆變換，逆變換函數(shù)定義如下：

通過上述方法可實現(xiàn)RGB空間和LAB空間的相互轉換，為SLIC算法完成預處理工作。

SLIC算法依據(jù)LAB色彩空間分量值及XY坐標值所構成的5維特征向量制定局部聚類閾值［5-6］。該算法的核心步驟如下：

（2）聚類中心校正。為避免聚類過程中，中心所在位置梯度過大而造成誤差，以每個聚類中心為窗口基準，取窗口大小為n*n（n通常取3）范圍內(nèi)梯度最小的位置替換原聚類中心。同時為每個聚類中心分配一個單獨標記。

（3）確定聚類閾值。取圖中兩像素點i和j，通過LAB色彩空間對應值和XY坐標值定義兩像素間的相似度，公式如下：

其中dlab為像素點i，j的色彩差異度；dxy為像素點i，j的歐氏距離；Ds為聚類閾值，S是聚類中心的距離；m為平衡參數(shù)，用來控制色彩差異和空間距離在聚類閾值中所占比重，范圍為［1，20］，通常取10。Ds值與像素相似度成正比，Ds值越大，像素相似度越高。

（4）為提高算法效率，SLIC算法搜索以聚類中心為核心，2S*2S的鄰域范圍，如圖1所示。

圖1　

將相似度大于聚類閾值的像素與相應中心聚類，并將聚類中心的標記分配給對應像素。不斷重復迭代聚類過程直至收斂，完成對圖像的超像素分割。

3　超像素在醫(yī)學圖像處理中的應用

基于SLIC技術的超像素分割在醫(yī)學圖像處理中有著廣泛的應用空間。該方法可有效突出圖像細節(jié)特征，利用圖像冗余信息，通過聚類的思想將相對獨立的像素點合并為分布均勻，邊界規(guī)則的超像素塊，并保持圖像的重要邊界信息，極大提高了圖像處理的效率［7］。同時，該算法可控制超像素數(shù)量和緊密度，能夠?qū)Σ煌叽绲膱D像完成超像素分割，具有普遍性和可靠性。如今，該技術可應用于醫(yī)學中多個領域，為專家快速診斷提供輔助。具體應用如下：

（1）癌變病灶定位。由于癌變組織的相關性狀已經(jīng)發(fā)生改變，在CT影像中，癌變組織與周圍組織在顯示上有顯著區(qū)別。基于SLIC技術的超像素分割可快速將圖中病變部分聚類，為專家提供癌變病灶的具體位置和輪廓，如圖2，3所示。

（2）內(nèi)出血定位。內(nèi)出血時刻危及病人生命，尤其是顱內(nèi)出血，如果不及時搶救會造成偏癱，語言功能障礙等嚴重后果，甚至威脅生命。通過SLIC超像素分割可快速定位出血位置及大小，如圖4所示。

圖2　

圖3　

圖4　

此外，該技術還可應用在體內(nèi)異物檢查，胎位檢查，胸腹腔積水檢測等多個領域。SLIC超像素分割技術在醫(yī)學領域的應用為專家快速診斷提供了重要參考和支持，節(jié)約了寶貴的搶救時間。

4　結語

超像素模型將圖像的輪廓、紋理和亮度等特征相關聯(lián)，將高相似度像素聚類為超像素塊，極大降低了算法的復雜度，提高圖像處理效率［8］。基于SLIC的超像素分割方法，根據(jù)色彩差異和空間距離特征，可對醫(yī)學影像實現(xiàn)快速分割，生成分布均勻、大小規(guī)則的超像素塊，突出病變的位置、輪廓等信息，輔助專家快速完成臨床診斷。超像素分割因其高效、快速、準確的特性在醫(yī)學圖像處理中有著廣泛的應用和發(fā)展前景。目前國內(nèi)外專家學者已開展深入研究，未來的研究將致力于采用自適應的超像素分割方法實現(xiàn)無人工干預的全自動計算機快速診斷。

［1］Malik J.Learning a Classification Model for Segmentation［C］.null.IEEE Computer Society，2003:10-17 vol.1.

［2］Achanta R，Shaji A，Smith K，et al.SLIC Superpixels［J］.Epfl，2010.

［3］Bergh M V D，Boix X，Roig G，et al.SEEDS:Superpixels Extracted Via Energy-Driven Sampling［J］.International Journal of Computer Vision，2013，111（3）:298-314.

［4］滕秀花，胡文瑜，陳敏.一種基于SLIC的超像素快速色彩傳遞算法［J］.哈爾濱師范大學自然科學學報，2014，第3期:77-80.

［5］饒倩，文紅，喻文，等.超像素及其應用綜述［J］.電腦與信息技術，2013，05期:1-3.

［6］王春瑤，陳俊周，李煒.超像素分割算法研究綜述［J］.計算機應用研究，2014，01期：6-11.

［7］Huang J，Chen J，Chen S.A Simple Linear-Time Approximation Algorithm for Multi-processor Job Scheduling on Four Processors［C］// Proceedings of the 11th International Conference on Algorithms and Computation.Springer-Verlag，2000:33-45.

［8］Fulkerson B，Vedaldi A，Soatto S.Class Segmentation and Object Localization with Superpixel Neighborhoods［C］.Computer Vision，2009 IEEE 12th International Conference on.IEEE，2009：670-677.

Image Processing；Medical Image；Superpixels；Image Segmentation

Application of SLIC Superpixels Segmentation in Medical Image Processing

CHEN Xiang-ting，ZHANG Ruo-ya，QU Xing-xing，LIU bin
（College of Computer and Information Engineering，Henan University，Kaifeng 475000）

1007-1423（2015）35-0052-05

10.3969/j.issn.1007-1423.2015.35.011

陳相廷（1991-），男，河南安陽人，碩士研究生，研究方向為數(shù)字圖像處理

張偌雅（1993-），女，河南信陽人，碩士研究生，研究方向為數(shù)字圖像處理

渠星星（1992-），女，河南許昌人，碩士研究生，研究方向為數(shù)字圖像處理

劉斌（1988-），男，河南新鄭人，碩士研究生，研究方向為數(shù)字圖像處理

2015-11-03

2015-12-03

醫(yī)學影像現(xiàn)已廣泛應用于臨床實踐，是專家診斷病情的重要依據(jù)。但醫(yī)學圖像具有成像機制復雜，目標位移產(chǎn)生偽影，部分容積效應導致誤差和設備磨損產(chǎn)生噪聲等諸多不穩(wěn)定因素，極大增加后續(xù)圖像處理的復雜度。基于SLIC超像素分割算法利用像素間的冗余信息，在預處理階段通過特征相似度消除偽影和噪聲造成的影響，同時良好的聚類效果大大降低算法的復雜度，為專家快速診斷提供有效依據(jù)。

圖像處理；醫(yī)學影像；超像素；圖像分割

Medical imaging has been widely used in clinical practice，it is an important basis for medical expert to diagnose the disease.However，medical images have many unstable factors such as complex imaging mechanism，and the target displacement has a false image，the partial volume effect leads to error and equipment wear，which greatly increases the complexity of subsequent image processing.Based on SLIC，a superpixels segmentation algorithm is used to eliminate the influence of artifacts and noise by means of the feature similarity in the preprocessing stage.At the same time，good clustering effect can greatly reduce the complexity of the algorithm，which provides an effective basis for the rapid diagnosis of experts.