一種應用于乳腺圖像處理的胸墻檢測算法

馮娟++馬艷歌

摘 要：簡要介紹了一種從乳房原始圖像中檢測胸墻的算法，以期為日后的相關工作提供參考。這種算法是先在原始圖像中確定胸墻的初始區域，然后運用形態學的相關知識在初始區域中確定胸墻區域與其他組織區域的分割閾值，從而得到胸墻區域模板。

關鍵詞：圖像處理；胸墻檢測；域值分割；影像系統

中圖分類號：R816 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2016.06.014

隨著計算機科學和信息技術的發展，醫學成像技術也在不斷發展，各種醫用影像系統面世。全視野數字乳腺X線攝影系統（FFDM，Full-Field Digital Mammography）、數字乳腺斷層攝影系統（DBT，Digital Breast Tomosynthesis）作為乳腺癌篩查和診斷時必不可少的設備被廣泛應用。

在處理乳腺圖像的過程中，需要先檢測出胸墻的位置。目前，工作人員主要是在經過了厚度均衡、組織均衡、增強、降噪等算法處理后的圖像上進行相關檢測。在處理圖像時，采用這種方法無法充分利用胸墻信息進行算法操作，而且也很難排除胸墻信息對圖像處理過程造成的干擾。

本文提出了一種基于FFDM系統采集到的原始乳腺圖像進行胸墻檢測的方法。在處理圖像之前，首先要檢測胸墻區域的圖像模板，并將它用于后續的圖像處理工作中。采用這種方法檢測速度快，檢測到的胸墻區域準確度高，能在一定程度上提高圖像的對比度，優化乳腺圖像的質量，進而滿足臨床使用需要。

1 方法概述

乳腺原始圖像與處理后的圖像相比，對比度有很大的不同，而要想在原始圖像中確定胸墻的位置也有較大的難度。在實際操作過程中，因為整個算法流程有時間限制，所以，對算法的準確度有較高的要求，并且要求其執行速度要快。

本文所述方法使用的是探測器采集到的原始乳腺圖像。在檢測胸墻區域時，因為是通過粗分割獲得包括胸墻區域在內的初始區域，然后在初始區域中檢測胸墻區域的，所以，最終檢測到的胸墻區域的準確度高，檢測速度也快很多。另外，對胸墻區的檢測是直接在原始圖像中進行的，因此，在處理乳腺圖像時，可以去除檢測到的胸墻區域信息，避免其對后續處理造成的干擾，從而提高最終獲得的乳腺圖像的質量，增強FFDM系統的性能。

2 胸墻檢測算法設計

圖1為胸墻檢測算法設計流程。這里重點介紹2種關鍵算法，并利用粗分割的方法確定初始區域，運用形態學的相關知識獲得分割閾值。

2.1 粗分割確定初始范圍

通常情況下，在處理乳房圖像時，待檢測的胸墻區域位于乳房圖像的左上角。如果原始乳房圖像中的胸墻區域不在圖像的左上角，則要先對圖像作旋轉處理，將胸墻區域顯示在圖像的左上角，然后再進行算法檢測。

2.1.1 選擇第一初始分割點

一般情況下，探測器采集到的原始乳房圖像包括水平邊界、

———————————————————————————

豎直邊界和乳房邊緣——圖像的水平邊界為Y軸正方向，豎直邊界為X軸正方向。為了盡可能地檢全胸墻區域，選擇的第一初始分割點Of位于乳房圖像邊緣與其水平邊界的交點，具體如圖2所示。

圖1 胸墻檢測算法流程圖

2.1.2 確定第二初始分割點

假設Lb為乳房邊緣上的首末2點，其對應的是豎直方向上的坐標之間的距離，如圖2所示，即為Xf（首點橫坐標），Xe（末點橫坐標）之間的距離，也就是Xe.

從乳房最下方（近胸墻側）開始沿著乳房邊緣向上的一段屬于[0.5Lb，0.7Lb]的部分乳房邊緣。圖2中加粗顯示的部分即為選取的部分乳房邊緣，連接第一初始分割點Of與部分乳房邊緣上的各個像素點，如圖2中虛線所示，并計算其所在直線的斜率。此時，可將直線斜率最小時（圖2中用實線表示）的

*[基金項目]科技部國家科技支撐計劃課題“大型醫療裝備核心部件及重大產品研發”（編號：2012BAI13B00）

乳房邊緣上的像素點作為第二初始分割點Os.

2.1.3 確定第二分割點

基于第二初始分割點Os的位置確定第二分割點Ps，Ps的橫坐標要小于Os的橫坐標。為了盡可能地在粗分割時將胸墻區域分割出來，取Ps的縱坐標為0，即Ps位于乳房圖像的豎直邊界上。另外，Os橫坐標與Ps橫坐標之差的絕對值小于1/2Os橫坐標的絕對值。具體來說，Ps的橫坐標屬于[0.5Xs，0.9Xs]。其中，Xs為第二初始分割點Os的橫坐標，具體坐標關系如圖3所示。

圖2 確定初始分割點 圖3 確定分割點

2.1.4 確定第一分割點

根據第二分割點Ps確定第一分割點Pf.從乳房最上方開始沿乳房邊緣向下的一段屬于[0.2Lb，0.4Lb]的部分乳房邊緣，圖3中加粗顯示的即為上側乳房的邊緣部分。連接Ps與上側乳房邊緣上的各個像素點，如圖3中虛線所示，計算其所在直線的斜率。此時，可將直線斜率最大時（圖3中用實線表示）乳房邊緣上的像素點作為第一分割點Pf.

2.1.5 確定初始區域

連接第一分割點Pf與第二分割點Ps，兩點的連線與乳房圖像的水平邊界、豎直邊界所組成的直角三角形區域即為包括胸墻區域的初始區域。

2.2 運用形態學知識獲得分割閾值

形態學分析法好比胸墻區域的灰度值對于乳房區域的灰度值——胸墻區域的灰度值低，從胸墻區域過渡到乳房區域時的灰度值變化越大，灰度值的變化率也越大。

2.2.1 獲得第一灰度直方圖

將初始區域的灰度直方圖歸一化，從而獲得第一灰度直方圖。圖4為歸一化后的直方圖，其橫坐標為灰度值，縱坐標為像素點個數。對灰度直方圖進行歸一化，即對直方圖中的像素點個數進行歸一化，使直方圖中峰值處對應的像素點個數等于直方圖中最大灰度值與峰值處灰度值的差。如果原始直方圖中的最大灰度值為1 200，峰值處的灰度值為300，并且對應的像素點個數為4 500，則歸一化操作即為原始直方圖中縱坐標上的每一個值除以5，即5=4 500/（1 200-300）.

2.2.2 形態學分析

確定第一灰度直方圖中像素點個數最多處對應的灰度值，在大于該灰度值所對應的第一灰度直方圖中搜索與該灰度值坐標預設鄰域內的任一灰度值坐標距離最近的點，并將該點對應的灰度值作為所述乳房圖像中胸墻區域和其他組織區域的分割閾值。

如圖4所示，先在第一灰度直方圖中確定像素點個數最多時對應的灰度值GM.在大于灰度值GM所對應的第一灰度直方圖中，搜索與該灰度值GM坐標預設鄰域內的任一灰度值坐標距離最近的點，預設鄰域的半徑為[0，0.15GL].其中，GL為第一灰度直方圖中灰度區間的長度，即第一灰度直方圖的灰度分布范圍。當GL為1 000時，如果GM的灰度值為300，則可以在灰度值為300～450的范圍內搜索。圖4中以預設鄰域半徑為0作了示意，即在虛線的右半部分搜索與GM坐標距離最近的點，并以GM坐標為圓心做虛線右側的灰度直方圖的內切圓。這時，切點T為與GM坐標距離最近的點，而它對應的灰度值為乳房圖像中胸墻區域和其他組織區域的分割閾值。

圖4 基于直方圖進行形態學分析

在確定了分割閾值后，大于等于該分割閾值的像素點為其他組織區域的像素點，而小于該分割閾值的像素點為胸墻區域的像素點。這時就可以在初始區域中分割出胸墻區域。

3 算法效果檢驗

圖5為算法檢測效果，左側黑白圖為檢測圖像，因為原始圖像的對比度比較低，視覺效果較差，不容易分辨出胸墻區域，所以，為了使對比效果更加明顯，展示出的是處理后的圖像。右側彩色圖像為經過算法檢測得到的胸墻模板。從圖5中可以看出，利用胸墻檢測算法可以從原始圖像中準確地分割出胸墻區域。

圖5 檢測圖像與胸墻模板

4 結論

本文提出的基于原始圖像進行胸墻檢測，通過粗分割獲取初始區域的方法可以保證檢測結果的準確性。在初始區域中進行基于直方圖的形態學分析，不僅能保證檢測的高效性，還能在一定程度上提高圖像的質量。

參考文獻

[1]Karthikeyan Ganesan.Pectoral muscle segmentation：A review[J].Computer Methods and Programs In Biomedicine，2013（IIO）.

[2]C K Feudjio.Automatic extraction of pectoral muscle in MLO view of mammograms[J].Physics In Medicine and Biology，2013（58）.

[3]Chen-Chung Liu.A pectoral muscle segmentation algorithm for digital mammograms using Otsu thresholding and multiple regression analysis[J].Computers and Mathematics with Application，2012（64）.