MSRM和Snake算法相結合的MRI腫瘤提取

侯榆青,薛心雨,賀小偉,白 帥,呂 偉

(1.西北大學 信息科學與技術學院,陜西 西安 710127；2.西安石油大學 理學院，陜西 西安 710065)

?

·信息科學·

MSRM和Snake算法相結合的MRI腫瘤提取

侯榆青1,薛心雨1,賀小偉1,白 帥1,呂 偉2

(1.西北大學 信息科學與技術學院,陜西 西安 710127；2.西安石油大學 理學院，陜西 西安 710065)

提出一種將最大相似度區域合并(MSRM)算法與Snake算法相結合的新的分割方法,進而提取MR成像中的腫瘤區域。首先使用簡單線性迭代聚類(SLIC)算法對圖像進行超像素分割,其次使用MSRM算法得到圖像腫瘤區域大致邊界,最后將該邊界作為Snake模型的初始輪廓線,完成對圖像的腫瘤提取。實驗結果表明,相比于MSRM算法，文中方法能更準確地提取MRI腫瘤區域,且不需要手動選取Snake模型的初始輪廓線。

MRI;MSRM;Snake算法;SLIC;初始輪廓;腫瘤提取

醫學圖像分割是將原始圖像劃分成不同性質(紋理,灰度等)的區域,從而提取感興趣區域,并使它盡可能地接近解剖結果,其目的是為后期的定量分析、臨床診斷以及病理學研究提供可靠依據。磁共振成像(Magnetic resonance imaging, MRI)是目前少有的對人體沒有傷害且快速、準確的診斷方法,具有在統一組織層面進行多種參數成像、任意截面成像等優點,已被廣泛應用于臨床[1-3]。但是,由于MRI腫瘤圖像自身存在的對比度低、腫瘤區域形狀復雜等特點,造成腫瘤區域分割困難,這也是目前醫學領域中的一大研究難點和熱點。

Ning等人[4]提出了最大相似度區域合并(Maximum similarity region merging,MSRM)算法,該算法不需要設定區域合并的閾值,并且可以對自然圖像進行單目標和多目標區域分割;Achanta等人[5]提出了簡單線性迭代聚類(Simple linear iterative clustering,SLIC)超像素分割方法,該方法比較簡單,不僅可以很好地搜索到邊界,而且所需時間較短,提高了分割性能;蘭紅等人[6]針對傳統Snake模型存在的問題,提出了一種將分水嶺變換與主動輪廓模型相結合的分割算法,對肝臟圖像的識別和分割取得了良好效果,且有效減少了分割時間;滕秀花等人[7]提出了一種基于SLIC超像素分割的快速色彩傳遞算法,與基于像素點傳遞這一類算法相比,不僅提高了傳遞速度,而且改善了傳遞效果;張亞亞等人[8]提出了一種改進的SLIC方法,利用非線性擴散濾波器對圖像進行濾波處理,再結合Sigma濾波器特性增加聚類限制條件,進一步提高了分割精度和效率;蘇坡等人[9]提出了一種將超像素與動態區域合并相結合的多模態MRI腦膠質瘤分割算法,該算法充分利用了超像素和動態區域合并算法各自具有的優點,與其他經典算法相比,明顯提高了GBM分割的準確性和魯棒性。

本文受文獻[4]啟發,將MSRM算法和Snake模型相結合,先對圖像進行SLIC超像素分割,然后利用MSRM對分割后的圖像進行區域合并,得到腫瘤區域的大致邊界,最后將該邊界作為Snake模型的初始輪廓線,實現對MRI圖像中腫瘤區域的分割。

1 圖像分割背景知識

1.1 SLIC算法

超像素是指圖像中由一系列位置相鄰且顏色、亮度等特征相似的像素點組成的小區域,這些小區域大多保留了進一步進行圖像分割的有效信息,且一般不會破壞圖像中物體的邊界信息。SLIC超像素分割是一種基于聚類的分割算法,聚類依據為像素之間的顏色鄰近性和相似性。顏色鄰近性和相似性的度量因子分別為圖像二維坐標空間xy和Lab顏色空間的L1范數,因此SLIC算法綜合度量因子為五維空間。SLIC算法不僅可以分割彩色圖像和灰度圖像[8,10],且可以人為設置需要分割的超像素塊個數num。如圖1所示,(a)為原始圖像,(b)為經SLIC算法分割后的圖像,其中num=50。

圖1 SLIC算法分割Fig.1 Segmentation by SLIC algorithm

SLIC算法實現過程為:

1) 聚類中心的初始化:按照設定的超像素塊個數num,在圖像內均勻分配聚類中心;

2) 在n×n鄰域內打亂聚類中心,將聚類中心移到鄰域內梯度最小的地方,目的是防止聚類中心落在邊界上，本文設定n=3;

(1)

(2)

(3)

其中，m用來調整dxy的權值。

4) 計算新的聚類中心與之前聚類中心的L1距離,直到近兩次聚類中心之間的距離小于某一設定閾值,結束運算。

1.2 MSRM算法

SLIC超像素分割算法雖然存在過分割,但是它得到了一個初始分割結果,即每個區域都包含著目標或背景區域的一些特征,為后續區域合并處理提供基礎。本文使用的區域合并為MSRM算法,該算法需要用戶在圖像上標記目標和背景區域,含有目標標記像素和背景標記像素的區域分別被稱為目標標記區域和背景標記區域。目標標記完后,每個區域將被標記為3種類型:目標標記區域Ro,背景標記區域Rb和未被標記區域Rn。如圖2所示,(a)為SLIC算法分割后的圖像,(b)中綠色(較短)曲線和藍色(較長)曲線標記的區域分別對應目標和背景區域,其余區域則為未被標記區域。

圖2 MSRM算法區域標記Fig.2 Region labeling by MSRM algorithm

MSRM算法合并過程可以分為兩個階段:

第一階段:合并未被標記區域Rn和背景標記區域Rb,其輸入為初始分割結果(本文初始分割結果為使用SLIC算法分割的結果)或第二階段的合并結果。

(4)

其中，Hist分別表示兩個區域的直方圖，上標u表示直方圖的第u個箱格；

4)相應地更新Rb和Rn，如果Rb區域無法找到新的合并對象,則第一階段結束,否則返回步驟1)。

第二階段:自適應地合并未被標記區域Rn,輸入為第一階段合并的結果。

4) 更新Rn,若Rn區域無法找到新的合并對象,第二階段停止,否則返回步驟1)。

1.3 Snake算法

Snake模型的基本思想是,通過初始輪廓線自身的彈性形變達到某種函數能量極小化,從而完成對圖像的分割。由于它具有良好的提取和跟蹤特定區域內目標輪廓的能力,目前已被廣泛應用于數字圖像分析和計算機視覺領域[10-12],特別適合于醫學圖像(如CT，MRI)中腫瘤區域的提取。

Snake算法是由一組控制點:v(s)=[x(s),y(s)],s∈[0,1]組成,這些點首尾以直線相連構成輪廓線,其中x(s)和y(s)分別表示每個控制點在圖像中的坐標位置。Snake算法的能量函數表達式如式(5),式中α和β分別表示曲線的彈性系數和剛性系數,前兩項和為內部能量,用于約束曲線形狀;最后一項為外部能量,用于和圖像匹配,引導曲線收斂到目標邊緣。

Etotal=

(5)

由于Snake模型對于初始位置比較敏感,因此要求初始輪廓盡可能靠近真實輪廓,然而當目標比較復雜,圖像邊緣模糊或與其他的物體距離比較近時,其初始輪廓更不容易確定。確定初始輪廓的方法有以下幾種:①手動勾勒圖像邊緣;②序列圖像差分邊界;③基于序列圖像的前一幀進行圖像邊界的預測;④基于傳統圖像分割結果進行邊界選取。本文Snake模型使用的初始輪廓線為經MSRM區域合并后得到目標區域的邊界線,因此可以避免手動選取Snake模型初始輪廓線。

2 MSRM與Snake算法相結合的圖像分割

由于SLIC超像素分割后的每個區域都包含著目標或背景的一些特征,這就要求對分割后的圖像進行MSRM算法區域合并以得到目標區域的大致輪廓,然而經MSRM算法合并后的圖像并不能準確搜索到圖像感興趣區域的真實邊界,且Snake模型通常需要手動選取初始輪廓線。因此,本文提出一種將MSRM算法與Snake模型相結合的圖像分割方法,可以較好地改善圖像的分割效果。本文方法的基本步驟為:

1) 先對待分割圖像進行SLIC超像素分割,保存其分割結果;

2) 再對SLIC超像素分割后的圖像進行最大相似度區域合并,使用MSRM算法合并時,需要手動選取目標區域和背景區域,經合并后得到目標區域的大致輪廓;

3) 采用輪廓跟蹤算法求解步驟2得到的輪廓線;

4) 將步驟3得到的輪廓線作為Snake算法的初始輪廓;

5) 設置迭代次數,通過Snake算法得到目標區域的邊界輪廓線;

6) 根據邊界輪廓線,提取出目標區域。

根據以上步驟,可以得到本文算法流程圖，如圖3所示。

圖3 算法流程圖Fig.3 Flowchart of the algorithm

3 實驗結果

采用Matlab 2013b實現本文的上述算法,對患者顱腦MR圖像進行腫瘤提取。本文將MSRM算法和Snake模型相結合進行腫瘤提取的調整參數主要有兩個,SLIC超像素分割塊數num和Snake模型中的迭代次數Iter。圖4～圖7為使用文中算法對單目標區域的分割,4幅測試圖像使用的超像素分割塊數num均為200,Iter分別對應200,500,120和320。圖4～圖7中的(a)圖為輸入原始圖像,(b)圖為經MSRM算法區域標記后的圖像,(c)圖為經MSRM算法合并后的圖像,(d)圖為使用文中算法得到的圖像,即結合MSRM和Snake算法分割后的圖像,其中Snake模型所使用的初始輪廓線為(c)圖中的輪廓線,(e)圖為目標提取圖像。由實驗分割結果可知,經MSRM分割得到的MRI圖像存在一定程度的過分割或欠分割問題,而采用本文方法,無論是對腫瘤邊界簡單還是復雜的圖像,都可以較準確地提取出腫瘤區域。本文方法也可以進行多目標區域分割,結果如圖8所示,實驗中參數num和Iter分別對應180和60。

圖4 第1幅測試圖像Fig.4 The first test image

圖5 第2幅測試圖像Fig.5 The second test image

圖6 第3幅測試圖像Fig.6 The third test image

圖7 第4幅測試圖像Fig.7 The fourth test image

圖8 第5幅測試圖像Fig.8 The fifth test image

4 結 語

盡管MSRM算法簡單有效,不需要設定區域合并的閾值,但是存在過分割或欠分割問題,故本文將MSRM算法和Snake算法相結合對顱腦MRI圖像進行分割:先使用SLIC算法對圖像進行超像素分割,接著使用MSRM算法得到目標區域的邊緣曲線,最后將該曲線作為Snake算法的初始輪廓線，從而實現對MRI圖像腫瘤區域的分割。實驗結果表明,本文算法既利用MSRM算法的優點,又能摒除Snake模型手動選取初始輪廓線的缺點,相比于MSRM算法,可以很好地分割出腫瘤區域,便于后期研究者定量分析和醫生臨床診斷。如何進一步更好地提取MR圖像中腫瘤區域,提高分割精度且減少計算時間是今后的研究重點。

[1] YROT H, MONTORIOL P F, BEZIAT J L, et al. Synovial chondromatosis of the temporomandibular joint: CT and MRI findings[J]. Diagn Interv Imaging, 2014, 95(6):613-614.

[2] ALKINS R, HUANG Y, PAJEK D, et al. Cavitation-based third ventriculostomy using MRI-guided focused ultrasound[J]. Journal of Neurosurgery, 2013, 119(6):1520-1529.

[3] ALLEN R P. MRI measurement of brain iron in patients with restless legs syndrome[J]. Neurology, 2015,56(2):263-265.

[4] NING J, ZHANG L, ZHANG D, et al. Interactive image segmentation by maximal similarity based region merging[J]. Pattern Recognition, 2010, 43(2):445-456.

[5] ACHANTA R, SHAJI A, SMITH K, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012, 34(11):2274-2282.

[6] 蘭紅, 張璐. 分水嶺優化的Snake模型肝臟圖像分割[J]. 中國圖象圖形學報, 2012, 17(7):873-879.

[7] 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, 30(3):77-80.

[8] 張亞亞, 劉小偉, 劉福太,等. 基于改進SLIC方法的彩色圖像分割[J]. 計算機工程, 2015,41(4):205-209.

[9] 蘇坡, 楊建華, 薛忠. 基于超像素的多模態MRI腦膠質瘤分割[J]. 西北工業大學學報, 2014, 32(3):417-422.

[10] 鞠巖, 符達, 馬雨水,等. 改良Snake模型在乳腺腫瘤超聲圖像處理中的應用[J]. 中國超聲醫學雜志, 2013, 29(6):553-556.

[11] 王靜文, 劉弘. 基于Snake模型的植物葉片面積計算方法[J]. 計算機工程, 2013, 39(1):234-238.

[12] JIN W C, WHANGBO T K, KIM C G. A contour tracking method of large motion object using optical flow and active contour model[J]. Multimedia Tools & Applications, 2013, 74(1):199-210.

(編 輯 李 靜)

MRI tumor extraction via MSRM and Snake algorithms

HOU Yuqing1, XUE Xinyu1, HE Xiaowei1, BAI Shuai1， Lü Wei2

(1.School of Information Science and Technology, Northwest University, Xi′an 710127， China;2.Faculty of Science, Xi′an Shiyou University, Xi′an 710065, China)

A new segmentation method which combines maximum similarity region merging (MSRM) algorithm with Snake algorithm is proposed, and it can be used to extract tumor regions from MR images. Firstly, do the image super-pixel segmentation by using simple linear iterative clustering (SLIC) algorithm, and next get the approximate region boundary of the tumor by using MSRM algorithm, finally let the boundary be the initial contour of Snake model to complete the tumor extraction of the image. Compared with the MSRM algorithm, the new method which is proposed in this paper can more accurately extract MRI tumor regions showed from experiment results, and the initial contour of the Snake model does not need to be manually selected.

MRI; MSRM; Snake algorithm; SLIC; initial contour; tumor extraction

2015-11-26

國家自然科學基金資助項目(61372046)；陜西省國際科技合作與交流計劃基金資助項目(2015KW-002)；陜西省教育廳專項科研計劃基金資助項目(14JK1578)

侯榆青，女，陜西靖邊人，西北大學教授，博士，從事數字信號處理與信息系統，圖形圖像處理及多媒體應用研究。

賀小偉，男，西北大學副教授，博士，從事光學分子影像、醫學圖像處理及可視化、顱面形態學等研究。

TN911.73

A

10.16152/j.cnki.xdxbzr.2016-05-009