基于空間分層的醫學圖像特征提取算法

唐思源 白金牛

摘 要： 隨著醫療影像設備在臨床醫學輔助診斷方向的廣泛應用，如何精確提取目標特征圖像顯得尤為重要，而常規圖像識別算法對環境光變化非常敏感，其結果很難滿足醫學診療的實際需求。為此，提出一種基于空間分層的無約束醫學圖像特征提取算法。設計包含加權系數的目標函數，實現對圖像特征的快速提??；將圖像空間按像素分為若干子圖像空間，以四叉樹結構進行快速存取；最后引入單純形法對閾值進行自適應尋優。結果表明，所設計算法不僅有效解決了常規算法對環境光敏感的問題，還能夠更加精確、快速地提取到目標特征，對臨床診斷具有重要參考意義。

關鍵詞： 輔助診斷； 閾值提取； 圖像空間； 圖像特征提取

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2016）08?0092?04

Medical image feature extraction algorithm based on spatial stratification

TANG Siyuan， BAI Jinniu

（Department of Computer Science and Technology， Baotou Medical College， Baotou 014040， China）

Abstract： With the widespread use of medical imaging equipments in clinical medical auxiliary diagnosis， the way to extract accurately target image feature becomes particularly important， because the conventional image recognition algorithm is sensitive to the ambient light， and its very difficult to meet the actual demand of the medical diagnosis and treatment. Therefore， an unrestraint medical image feature extraction algorithm based on space hierarchy is proposed. The objective function with weighting factor was designed to realize the rapid extraction of the image feature. The image space was divided into several sub?image spaces according to pixels， which was fast accessed by quad?tree structure. At the end of this paper， the simplex method is introduced into self?adaptive optimization for the threshold. The results show this method can not only resolve the issue of the conventional algorithm which is sensitive to ambient light， but also can extract the target feature more fast and accurately， which is important for the clinical diagnosis.

Keywords： assist diagnosis； threshold extraction； image space； image feature extraction

0 引 言

隨著現代醫療診斷在數字化、智能化和人性化方向的不斷創新，以計算機核磁（MRI）、斷層 （CT）、超聲 （US）等醫療設備為基礎，以成像輔助系統為依托的臨床診斷模式已得到廣泛應用。其中，計算機成像輔助系統采用圖形識別算法對興趣特征進行實時分割和提取，最終生成臨床診斷報告，為會診、手術和后續等各環節治療方案的形成提供重要參考。另外，由于人體各組織器官的復雜性、不規則性和個體差異性等因素，如何高效提取圖像目標特征對于提升臨床診斷結果具有重要意義。

目前，主流圖形分割算法有高斯曲線法、方向模板法、矩陣法和閾值法等。2011年，尚雅層等提出一種高斯擬合亞像素邊緣檢測算法[1]，先在特征圖像邊緣附近選取一系列點，然后求得這些點的灰度階梯值，再用這些階梯值進行高斯曲線擬合；但該方法抗光敏性差，只適用于法向量變化平緩的圖形。2014年，燕山大學的馬勤勇等提出一種多形狀模板增強的遠距離步態識別算法[2]，針對一個對象的步態輪廓圖序列，分別計算出橫向模板、縱向模板、形狀分布模板和運動分布模板，作為此步態對象的特征方向模板；雖然該算法抵抗噪聲能力較強，并能分割出較精細的輪廓特征，但識別精度很難滿足醫療診斷領域的苛刻要求。同年，李永明在基于Hessian矩陣的邊緣檢測方法一文中[3]，利用Hessian矩陣提取邊緣圖像的中心路徑，去除邊緣毛糙和冗余的背景紋理，使圖像邊緣光滑連續；該算法在精度和魯棒性能方面有了較大突破，但運算量非常大，很難實時提取目標特征。相對以上幾種算法，閾值法定位速度快、算法種類多、處理較靈活，具有很大的發展空間和研究價值。

本設計在主流算法的基礎上，以實時性和高精度為出發點，結合現代醫學圖像特征，提出一種基于空間分層的特征提取算法。設計包含加權系數的目標函數對各子圖像空間進行閾值求解；將整個圖像空間分為若干子圖像空間，并用四叉樹結構分層存取特征像素；最后引入單純形法對各子圖像閾值進行無約束自適應尋優，有效提升了圖像識別的精度和效率，對于臨床醫學診斷具有重要參考價值。

1 分層特征提取算法

1.1 醫學圖像特征

基于圖像空間內容的立體分割技術已成為現代醫學領域的研究核心和技術難題。由于人體結構的復雜性和多樣性，醫學圖像適用性和興趣點差異也較大，普通圖像識別方法和應用方向很難滿足醫學領域的需求。為此，專門對不同醫學成像設備進行試驗對比和分析，其主要特征[2]概括如下：

（1） 多形態。不同醫學設備采集的圖像適用性和反應的信息不同，因此在空間位置、灰度表達和分辨率方面差異很大；

（2） 模糊性。醫學圖像大都分辨率低，噪聲大，而且受體效應影響，采集的圖像較模糊，使得特征分割十分困難；

（3） 異質性。不同成像設備采集的圖像，存儲、尺寸和顯示上具有很大的差異性。

由上可知，針對不同用途的醫學設備，采集的圖像在分辨率、灰度色和方向性等特征方面各不相同，這也決定了醫學圖像空間分割和識別的難度。為解決這些難題，本文設計了無約束目標函數，并引入單純形法來優化提取的特征閾值。

1.2 目標函數設計

目標函數設計[3]原理如下：依據診斷需求和實際采集情況，將圖像灰度空間域劃分為若干獨立的子空間圖像，并均勻分布每層子圖像空間像素數，通過調整權重系數，使目標函數滿足特定精度需求，進而算出特征圖像的最佳閾值。

由于空間灰度圖像一般分為256個灰度等級，所以設灰度參數A取值范圍為[0，255]，并將其分為k個獨立子圖像空間，推算出以下目標函數求解函數：

[y=Aii=1kmnt+W， i=1，2，…，k]

式中：m表示非零像素總數；n為所有子圖像空間數；[mn]為每層子圖像空間像素數的理想值；Ai為互不相交的子圖像空間；t為第i層與第i+1層子圖像空間的灰度閾值；W為加權系數；y表達式即為最終的目標函數。另外，所有子圖像各不相交，其并集組成了整個圖像空間。各子圖像空間選擇的閾值不同，獲取的像素數也不同。加權系數可根據每層子圖像空間的像素數和灰度變化進行相應調整。

由于子圖像空間的頂層與底層像素數處于灰度值的兩極，其變化對其他層像素數的變化影響較小，所以加權系數可設置低一些。而中間層子圖像空間的像素數和灰度值相互影響較大，需要設置的權重系數高一些。因此，設置的加權系數可反映實際的光敏特征和圖層分布狀況。

可見，本目標函數的設計不僅考慮到光敏性影響，而且根據空間圖像特征對閾值進行分層尋優，以確定最佳閾值。

1.3 四叉樹結構特征提取算法

本算法采用四分法存取各子圖像空間，首先將整個圖像空間不斷四分，并以四叉樹結構分層存儲，使每個子圖像空間像素數均勻分布；然后通過設計的目標函數對各個子圖像空間進行自適應尋優；最后利用單純形法得到最佳閾值。因此，圖像子空間數越多，分割的圖形就越精細。整個分層存儲結構如圖1所示。

該算法通過前景與背景的灰度像素方差，統計前景像素點和背景像素點分別占整幅圖像的比例，并記錄它們的平均灰度值。若圖像的背景較暗，則分別記錄圖像灰度值小于閾值和大于閾值的像素個數，采用遍歷迭代的方法[4]求得最大方差即為最大閾值。另外，由于本算法采用多變量目標函數提取最佳閾值，因此引入單純形法對所求閾值進行優化，使目標函數成為一種無約束求解方法。

單純形法是一種直接的多維搜索法，主要采用無約束多變量函數對問題進行優化[5]，主要思想：設n維空間包含n+1個凸多面體，求n維空間的單純形法即轉換為求n+1個頂點的目標函數值，然后計算這些頂點的極大、極小值，以及處于他們區間的頂點值，并對所有頂點值在設定范圍內進行變異操作；最后采用擴展、反射、壓縮等方法算出一個理想點，進而取代極大值點來構成新的單純形，以此不斷進行迭代逼近，直到算出最優解為止，核心計算步驟如下：

（1） 設定原始單純形的步長為L，最大變異次數為MaxNum，次數記錄變量為c=0；

（2） 執行基本單純形操作，計算得到一個極值點X1；

（3） 設置該極值點為新的頂點，并選擇原始單純形，執行下一輪單純形操作，再求得新極值點。設置這兩個極值點相應的目標函數為Y1，Y2；

（4） 假如Y1>Y2，將Y1=Y2，X1=X2代入以下公式：

[EYi+1，Xi+1=Xii=1tmnt+W+Yii=1tmnt+W， i=1，2，…，t]

其中：[X1]和[Xk]為[Xi]的極大值和極小值；

（5） 假如Y1

（6） 假如次數c

該方法的優點是簡單、直觀，求解過程無須涉及目標函數的導數。另外，由于閾值取正整數，變化范圍為[0，255]，求解時先不考慮閾值的整數要求。當得到的最優解不滿足整數要求時，用“舍入取整”的方法處理，處理后的結果即為近似最優解。本算法實現的核心流程如圖2所示。

綜上所述，本算法充分考慮醫學圖像復雜性等特征因素，利用加權系數不斷調整目標函數值，通過迭代方法不斷求解，直到求出最優解。

該方法不僅具有較強的環境適應性，而且有效提高了診斷的實時性和精確性，可作為臨床醫學診斷的重要依據。

2 算法軟件實現

無約束圖形分割提取方法[6]的核心邏輯如下：首先加載目標圖像并對圖像進行灰度分割；然后計算出最終的子空間數量，進而代入目標函數求解；最后，利用單純形法尋優。整個軟件實現的偽代碼如下：

int FindOptimalThreshold （int layerNum）

{

//加載目標圖像

Image targetImage=LoadTargetImage（）；

//計算目標圖像的像素數

Int count=CalPixelCount（targetImage）；

//計算平均像素數

Float averagePixel=Count/ layerNum；

//初始化四叉樹

for （int i = 0； i <= layerNum； i++）

{

quadTree.Insert（y）；

}

//單純形法優化

Int opiticalThreshold=SingleMethord（quadTree）；

free（buff）；

return opiticalThreshold；

}

可見，整個軟件處理流程采用目標函數和單純形法獲取最佳閾值，為精確提取醫學圖像特征提供有效方法。

3 實驗及評價

人體組織結構大致相似，但由于受先天和后天發育等諸多因素的影響，個體間具有明顯的組織特征差異。為驗證所研究算法在實踐醫學應用中的效果，特從包頭總醫院PACS系統中，隨機抽樣了50位病人的顱腦CT平掃圖進行實驗。實驗環境：采用多排螺旋掃描儀，掃描層厚為5 mm，掃描層數從顱頂到顱底，包括10個層次，涉及到的病變包括腦梗塞、腦出血、腦腫瘤等。

實驗隨機抽樣效果如圖3所示。結果表明：實驗所用的100幅CT圖像，從簡單的顱頂結構圖像到非常復雜的顱底結構，都取得了較理想的實驗效果。

不足之處如下：

（1） 由于顱外結構緊密包裹顱骨，以造成顱骨缺失，識別出無顱骨情況；

（2） 部分眼球結構可能包含在顱腦CT中，但該情況對識別結構影響很小。

為了進一步驗證本算法的有效性，采用BET算法[7]進行了對比實驗。本算法采用無約束加權系數對顱腦CT圖像進行識別，實驗中發現：通過調整目標函數的加權系數，本算法能夠精確提取所有CT圖像的關鍵特征，識別結果如圖4所示。而換用BET算法對圖像進行識別，并對相關參數進行調整，發現有幾幅圖像無論怎么樣調節，都很難得到理想結果，如圖5所示。對比實驗的參數和結果如表1所示。在同樣實驗條件下，本算法的失真度和可靠性都高于BET算法，并且采用分層存儲結構和無約束特性處理空間圖像數據，有效提高了圖像的存取效率和識別精度。

實驗結果表明，根據醫學圖像特征對整個立體空間進行細分，并設計加權系數目標函數，從圖像空間結構和光敏角度提升了圖像的分割效果。

4 結 語

以現代醫學影像設備技術的飛速發展為背景，以探索計算機輔助醫療診斷的實時性、精確性、智能性為研究目標，提出一種無約束自適應醫學圖像閾值提取算法[8]。該方法不僅考慮環境因素的影響，還關注到人體組織結構的復雜性和特異性。為此設計四分法存取結構對空間圖像進行遞歸切分，并采用無約束自適應目標函數計算圖像空間的最佳閾值，為臨床醫學診斷提供精確的參考依據。進一步的工作是對不同人體器官組織進行分別實驗和特征取樣，存儲為人體組織結構圖像特征數據庫，為后續模式識別提供源數據。

參考文獻

[1] 尚雅層，陳靜，田軍委.高斯擬合亞像素邊緣檢測算法[J].計算機應用，2011，31（1）：179?181.

[2] 馬勤勇，聶棟棟，王毅.多形狀模板增強的遠距離步態識別算法[J].小型微型計算機系統，2014（4）：106?107.

[3] 李永明.基于Hessian矩陣的邊緣檢測方法[J].激光雜志，2014，35（5）：27?30.

[4] 薛靜芳.線性規劃的單純形算法研究及應用[D].大連：大連海事大學，2013：22?25.

[5] 李世杰.腎臟實性腫瘤病變的雙時相螺旋CT表現：附40例影像、病理對照分析[J].中國醫學影像技術，2004，20（10）：1526?1528.

[6] 牛強.腎嗜酸細胞腺瘤的MSCT診斷與鑒別診斷[J].四川醫學，2012，33（9）：1641?1642.

[7] 丁明躍，蔡超.醫學圖像處理[M].北京：高等教育出版社，2010.

[8] 張德豐.數字圖像處理[M].北京：人民郵電大學出版社，2009.