基于區(qū)域生長算法的腦腫瘤圖像分割

蔣秋霖， 王 昕

(長春工業(yè)大學(xué) 計算機科學(xué)與工程學(xué)院， 吉林 長春 130012)

0 引 言

腦腫瘤因其高發(fā)病率和超過2.4%的死亡率[1]被視作嚴(yán)重危害人類生命健康的殺手之一。因此，腦腫瘤的診斷和治療日益受到人們的關(guān)注與重視。

醫(yī)學(xué)影像學(xué)技術(shù)發(fā)展日益成熟，以核磁共振成像(Magnetic Resonance Imaging， MRI)為代表的輔助檢查技術(shù)已成為診斷腫瘤疾病的重要手段。因其無傷害和成像清晰等特點，被廣泛用于臨床診斷和治療。精確分割MRI腦部腫瘤圖像，可為醫(yī)生提供完善的腫瘤信息，使其及時分析病理，制定治療計劃，同時在手術(shù)定位、創(chuàng)建病情檔案、建立腫瘤模型等各方面也有重要作用[2-3]。

目前，許多學(xué)者提出了各種分割腦腫瘤區(qū)域的方法。例如，Popuri等[4]使用三種 MR 模態(tài)(T1,T1C 和 T2)和紋理特征構(gòu)建了一種多模態(tài)特征集合，用來構(gòu)建一種針對腫瘤和正常組織的統(tǒng)計模型，從而獲取腦瘤的無監(jiān)督分割圖像。Anitha等[5]提出了一種結(jié)合貝葉斯定理和軟模型的方法，來分割腦腫瘤和水腫區(qū)域。 Zikic等[6]使用擁有空間非局部特征的分類森林(Classification Forest， CF)表示數(shù)據(jù)，根據(jù)擁有初始概率的CF 估計組織類別。Bauer、Geremia等[7-8]構(gòu)建一種判別隨機決策森林框架，進而形成逐像素的概率分類。曾文權(quán)等[9]提出了一種半自動方法，需要人工畫出一個直徑來定義前景區(qū)域和一個方框來限制背景區(qū)域，使用水平集方法通過計算腫瘤和背景的差異來分割腫瘤。

1 基于區(qū)域生長算法的MR腦腫瘤分割

傳統(tǒng)區(qū)域生長算法需要手動選擇閾值，閾值選取的誤差會使圖像分割存在空洞等問題，且噪聲對腦腫瘤圖像的影響也不可忽略，因此，文中提出利用迭代算法改進區(qū)域生長算法進行腦腫瘤分割。

1.1 算法描述

首先讀取原始圖像，并且獲得圖像的原始像素值信息，由于存在噪聲等因素，故需要對圖像進行維納濾波，對 MR圖像像素進行平滑和平滑處理，然后用迭代法選取 MR腦圖像區(qū)域的最佳閾值，最后采用區(qū)域生長法分割圖像。文中所采用的方法避免了過度調(diào)整或欠調(diào)整。

1.1.1 圖像預(yù)處理

利用維納濾波進行圖像預(yù)處理。維納濾波(Wiener filter)[10]是用來解決從噪聲中提取信號的一種過濾(或濾波)方法。

在線性系統(tǒng)中，設(shè)其單位樣本響應(yīng)是h(n)，x(n)是我們隨機選擇的一個信號，且

x(n)=s(n)+v(n)

(1)

其中,x(n)表示信號，v(n)表示噪聲，卷積輸出y(n)為

(2)

(3)

維納濾波轉(zhuǎn)換過程如圖1所示。

圖1 維納濾波轉(zhuǎn)換過程

(4)

可以看出,e(n)存在正負(fù)的區(qū)分，并且e(n)是一個隨機變量，而它的正值與負(fù)值都有其可能性。我們說的均方誤差最小值就是它的平方的統(tǒng)計期望最小，所以誤差用它的均方誤差來表達是準(zhǔn)確的：

ξ(n)=E[e2(n)]=min

(5)

由于最小均方誤差準(zhǔn)則的理論分析比較簡單，所以在最佳過濾準(zhǔn)則上采用最小均方誤差準(zhǔn)則。

1.1.2 迭代法計算最佳閾值

2)首先根據(jù)初始閾值T0將圖像分為前景區(qū)域和背景區(qū)域，并求出兩者的平均灰度值，記為Z0和Z1；

4)如果Z0和Z1的值不再變化，則T為閾值；否則轉(zhuǎn)到2)，迭代計算。

1.2 算法流程

首先對輸入的MR腦腫瘤圖像進行維納濾波，然后通過迭代法尋找最佳閾值T，確定生長準(zhǔn)則|I-Iseed|

2 實驗結(jié)果與分析

分割實驗在多例腦腫瘤患者的MR圖像上進行，采用PC機、英特爾R酷睿i5處理器，內(nèi)存為4 GB，操作系統(tǒng)為Window7，實驗平臺為MATLAB R2015b。CV模型[12]是MR腦腫瘤圖像分割的常用模型。 考慮該模型與傳統(tǒng)區(qū)域增長方法和CV模型的比較,文中列出了兩種MR腫瘤圖像在兩種情況下的分割結(jié)果，分別如圖3和圖4所示。

圖2 算法流程圖

圖3 病例1分割結(jié)果

圖4 病例2分割結(jié)果

區(qū)域生長法(見圖1(c)和圖2(c))在分割MR腦腫瘤圖像時，出現(xiàn)了分割空洞的問題。從圖中可以看出，CV模型出現(xiàn)了在邊界處分割不精確的問題(見圖1(d)和圖2(d))。文中算法分割準(zhǔn)確性優(yōu)于上述兩種分割算法，準(zhǔn)確分割出MR腦腫瘤圖像，更接近于專家手動分割圖像。

為了客觀評價分割結(jié)果，引入精度(True Positive, TP)、誤檢率(False Positive, FP)和漏檢率(False Negative, FN)對分割結(jié)果進行定量評估，結(jié)果見表1。

表1 不同算法的分割結(jié)果 %

3 結(jié) 語

利用迭代算法改進了區(qū)域生長算法的生長準(zhǔn)則。首先采用維納濾波對圖像進行預(yù)處理，再通過迭代法得到最佳閾值，最后根據(jù)得到的閾值制定生長規(guī)則進行區(qū)域生長。實驗證明，與CV模型和區(qū)域生長算法相比，文中分割精度更高。