基于MBD 的乳腺超聲圖像腫瘤分割方法

辛元

（四川大學計算機學院，成都610065）

0 引言

超聲圖像是乳腺異常檢測和分類工作中最常用的診斷工具之一。近年來，計算機輔助系統越來越多的應用于超聲圖像中，幫助放射科醫生在檢測和診斷過程中提高效率和精度。一般的，應用于超聲圖像的乳腺癌CAD 系統包括四個階段：圖像預處理、圖像分割、特征提取和選擇、分類。在這四個階段中，圖像分割將病變區域從背景中區分出來，是下一階段處理的關鍵，并且決定著最終的分析質量。包括非常高的斑點噪聲、低信噪比和灰度不均勻等問題存在的各種干擾因素，使準確的超聲圖像分割仍然是乳腺癌CAD 系統面臨的難題之一[1]。

眾多學者在圖像分割方向提出了自己的方法或框架，包括依賴于先驗知識的傳統算法，如Xian 在2015年提出一種基于乳腺時域頻域特征的乳腺超聲分割算法[2]，以及依賴于大量數據訓練的機器學習方法，如卷積神經網絡（CNN）等。然而醫學圖像的標記是很困難且帶有主觀色彩的，尤其是由于個體差異性需要綜合很多專家的意見[3]，要得到統一且有效的先驗知識和大量訓練數據是很困難的，由此現有的大部分方法在醫學圖像復雜的情況下適應性不足。本文借鑒視覺注意力機制，將顯著性檢測算法和思想引入乳腺超聲圖像腫瘤分割任務中，避免了先驗知識和數據量的限制條件。

顯著性檢測是機器視覺中的研究方向，由人的視覺特征分割出顯著性區域，目的是檢測圖中人作為主體最為感興趣的區域。最小障礙物距離[4]是顯著性檢測中一種非常常用的方法，通過像素點與種子點之間的代價函數衡量像素點與種子點之間的連通性，由此判斷該像素點是否為前景。

本文提出了一種基于最小障礙物距離的乳腺超聲圖像腫瘤分割方法，借助最小障礙物距離顯著性檢測方法對乳腺超聲圖像進行處理，實現了乳腺超聲圖像中腫瘤區域的分割。引入紋理去除算法對超聲圖像進行預處理，減弱超聲圖像中噪聲和偽影的影響；融合經MBD 計算得到的前景、背景顯著圖，進一步精確腫瘤范圍和邊界；最后經后處理得到分割結果。實驗結果表明，本文方法在超聲圖像質量差、干擾嚴重的情況下能更為精確地將腫瘤區域分割出來；針對腫瘤后方回聲減弱造成的聯通現象也可以形成較好的邊界。

1 MBD顯著性檢測算法

顯著性檢測的目標是突出場景中的顯著性區域，同時抑制場景中的背景區域，生成一張顯著圖來表達前景和背景。背景先驗和聯通先驗是顯著性檢測中非常有效的兩種手段，背景先驗假設圖像邊緣大部分是背景區域，聯通先驗假設背景區域通常與圖像邊緣相聯通[5]。最小障礙物距離（Minimum Barrier Distance，MBD）[4]被廣泛應用在衡量聯通性中，將圖像邊緣作為種子點，計算圖像每個像素點到種子點的最小障礙物距離，以此得到顯著圖。像素t 的最小障礙物距離代價函數定義為：

其中π 表示t到種子點的聯通路徑，I為原始圖像，ΠS,t表示t 點到所有種子點的路徑集合。同測地線距離[6]相比，MBD 對于像素值波動有著更好的魯棒性，這一點在噪聲嚴重的超聲圖像中尤為重要。從公式中也可以看出，為得到精確的MBD 需要對圖像進行反復掃描，耗費大量時間，于是Zhang 提出的光柵掃描方法[7]、Huang 提出的水流方法[5]都用于縮短MBD 時間，水流方法相比光柵掃描在精度和速度上取得了更好的效果。結合乳腺超聲圖像特點可知，以圖像邊緣作為種子點的方式顯然不合適，種子點應與前景相似度越低越好，與背景相似度越高越好。本文在前景、背景區域分開選擇種子點，分別計算前景顯著圖、背景顯著圖，以此提高分割精度。水流方法更適用于由種子點作為起點向四周輻射的顯著性計算方式，由此作為本文顯著圖的計算方法。

2 基于MBD的乳腺超聲圖像腫瘤分割方法

本文算法主要分為四個步驟：圖像預處理；MBD計算前景、背景顯著圖；前景、背景顯著圖融合；后處理。本文算法流程及結果如圖1 所示，下面分為四個部分進行詳細介紹。

圖1 算法流程展示

2.1 預處理

由于超聲波在人體內的衰減和散射，超聲圖像中存在著大量的斑點噪聲且組織不均勻有一定的模糊。本文方法采用利用相對全變分從紋理中提取結構的方法[8]達到去噪和平滑的效果。該方法對紋理和結構進行了區分，形成了一種簡單有效的基于局部變化的紋理去除方法。該方法公式如下：

p 為當前像素點，R(p)表示p 點鄰域，λ是超參數，ε是為防止除零錯。

經過預處理后的圖像如圖1（b）所示，可以看出，經過預處理后，噪聲和不均勻的組織都被抹平，組織之間的界限更為明顯。腫瘤區域是低回聲區域，邊緣的細微像素波動也得到了很好的處理。

2.2 MBD計算前景、背景顯著圖

從前文對MBD 的介紹得知，現有MBD 算法基本以圖像邊緣點作為種子點，結合超聲圖像特點可以看出這樣是不可行的。超聲成像是以皮膚為起點，垂直于皮膚向下的一個橫截面，圖像寬度取決于設備探頭的成像寬度，圖像邊緣就是組織在圖像中的截斷位置，所以組織內部和邊緣肯定是相連的。腫瘤區域是低回聲區域，圖像中表現為低灰度區域，由于腫瘤對超聲波的吸收和衰減作用導致某些情況下腫瘤后方區域存在回聲衰減現象，圖像中表現為腫瘤下方存在延伸出來的低灰度區域。綜上所述，以圖像邊緣作為種子點并不合適。本文集中于腫瘤分割步驟，種子點選擇采取人工選擇的方式，分別在腫瘤內部和外部畫出灰度不同的直線，直線上的每個點都作為種子點進行計算。選擇前景種子點、背景種子點分別計算前景顯著圖和背景顯著圖，從兩個方面加強分割效果。采用水流方法[5]計算得到的前景顯著圖及背景顯著圖分別如圖1（c1）、圖1（c2）所示。

2.3 前景、背景顯著圖融合

顯著圖中像素點的灰度表示與當前種子點的連通性，所以前景顯著圖中灰度大的區域表示腫瘤可能區域，背景顯著圖中灰度小的區域表示腫瘤可能區域。以f 表示前景顯著圖、b 表示背景顯著圖、M 表示前景種子點集合、I 表示全圖，融合公式如下：

其中λ（0 ≤λ<1）是縮放系數，p∈I，Mnum表示前景種子點數量。由此將前景和背景顯著圖進行融合，融合結果如圖1（d）所示。

2.4 后處理

由上一步結果圖可以看出：顯著圖融合后仍然存在很多待選擇區域（如圖1（d）中白色區域），目標腫瘤區域中有空洞的存在。后處理的目標是將腫瘤區域在顯著圖融合結果中選擇出來，對選擇出來的腫瘤區域空洞進行填充。上文中提到前景種子點是在腫瘤內部的直線，計算前景種子點直線的中點，包含該中點的區域就是腫瘤區域。對選擇的腫瘤區域進行形態學膨脹腐蝕操作填充其空洞，得到最終分割圖，效果如圖1（e）所示。

3 實驗與分析

本文算法與FastMBD[7]、測地線距離顯著性檢測算法[6]（GeoD）、基于乳腺時域頻域特征的乳腺超聲分割算法[2]（BUSSeg）進行對比，實驗評估標準為查準率、查全率、F1，公式如下：

其中，TP（True Positive）：被正確標記的腫瘤區域像素總數；FP（False Positive）：被錯誤標記的腫瘤區域像素總數；FN（False Negative）：被錯誤標記的非腫瘤區域像素總數。對比結果如圖2。

分割對比圖（圖2）中可以看出FasMBD 方法以圖像邊緣作為種子點計算連通性，由于超聲圖像是一個截面且組織之間的相互連接，導致其顯著圖出現大面積強顯著的結果產生；GeoD 方法采用測地線距離作為連通性代價函數，對超聲中存在的嚴重噪聲過于敏感；BUSSeg 方法由于非常強的先驗知識存在，對圖像質量差帶來的特征不明顯情況無法處理，對于腫瘤后方回聲衰減的區域也無法準確處理。本文方法在乳腺超聲圖像腫瘤分割任務中能達到更好的效果，尤其是在超聲成像效果不佳的情況下，可以更好地區分腫瘤和非腫瘤區域。大片低回聲（低灰度）區域中，本方法可以捕捉到其中幅度很小的灰度波動，生成更符合實際情況的腫瘤邊界。

圖2 實驗結果圖對比

表1 實驗對比評估表

4 結語

本文提出了一種基于最小障礙物距離的乳腺超聲圖像腫瘤分割方法。該方法從人類的視覺注意力機制出發，能對乳腺超聲圖像中的腫瘤部分進行準確的分割，且具有較好的適應性。通過引入紋理去除算法，融合前景、背景顯著圖，經后處理后即使針對質量較差、腫瘤后方衰減嚴重的超聲圖像，也具有很好的腫瘤分割效果。