基于改進(jìn)FCM算法的乳腺腫瘤圖像分割研究

顧楚華 張玲 祝銘山 徐佳佳 郭秀麗

摘? 要：提出了一種改進(jìn)的模糊C均值聚類（FCM）圖像分割方法，以實(shí)現(xiàn)對(duì)乳腺癌腫塊進(jìn)行快速和準(zhǔn)確地分割。選取一例經(jīng)病理確診的乳腺癌患者的兩個(gè)不同體位X線攝影圖像，分別采用傳統(tǒng)FCM算法、改進(jìn)分水嶺算法和該文改進(jìn)的FCM圖像分割算法進(jìn)行了腫塊分割研究。結(jié)果表明，文中提出的算法可以準(zhǔn)確實(shí)現(xiàn)腫塊的分割和輪廓標(biāo)記，比其他兩種算法具有更好的分割效果。

關(guān)鍵詞：圖像分割；FCM算法；乳房X射線攝影

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2023）09-0169-04

Abstract： In this paper， an improved fuzzy C-means clustering （FCM） image segmentation method is proposed to achieve rapid and accurate segmentation of breast tumor. Two different body position X-ray images of a breast cancer patient diagnosed by pathology are selected， and the traditional FCM algorithm， the improved watershed algorithm and the improved FCM image segmentation algorithm proposed in this paper are used to segment the tumor. The results show that the algorithm proposed in this paper can accurately segment and label tumors， and has better segmentation effect than the other two algorithms.

Keywords： image segmentation; FCM algorithm; mammography

0? 引? 言

隨著生活水平的不斷提高，人們面臨的健康問題也逐漸增多，尤其是近些年來，癌癥患病率逐年上升，嚴(yán)重影響人們的生活質(zhì)量。乳腺癌作為一種女性常見的致命疾病，在全世界范圍內(nèi)的患病率和死亡率正在加速增長(zhǎng)[1]。研究表明，對(duì)乳腺癌患者進(jìn)行早期診斷和治療能夠有效提升乳腺癌患者的生存率。近年來，乳房X射線攝影技術(shù)作為乳房檢查的常用手段，廣泛用于乳腺癌的篩查和診斷中[2]。乳腺癌的診斷通過檢測(cè)乳房X射線攝影圖像中的高強(qiáng)度區(qū)域來確認(rèn)腫瘤的良性或惡性。臨床在對(duì)乳腺癌患者進(jìn)行放射治療的過程中，需要先對(duì)乳腺癌腫塊的位置進(jìn)行定位和范圍圈定，再通過大束流X射線對(duì)腫瘤進(jìn)行治療，因此腫塊的準(zhǔn)確分割和標(biāo)記是對(duì)乳腺癌患者進(jìn)行保乳治療的關(guān)鍵步驟。

在醫(yī)學(xué)圖像分割算法出現(xiàn)以前，臨床通常需要通過醫(yī)生肉眼觀察和手動(dòng)勾畫實(shí)現(xiàn)對(duì)乳腺癌腫塊的分割和標(biāo)記，腫瘤分割結(jié)果受醫(yī)生經(jīng)驗(yàn)的影響很大，而且對(duì)于就診患者較多的醫(yī)院，放射科醫(yī)生的工作量將變得很大。隨著計(jì)算機(jī)技術(shù)的發(fā)展，研究人員不斷地探索不同的圖像處理方法用于乳腺癌圖像的分割和診斷[3]。基于分水嶺算法的乳腺癌分割較早地引入到了圖像分割應(yīng)用中[4]。然而，由于傳統(tǒng)分水嶺算法存在過分割的問題，在乳腺癌腫塊分割應(yīng)用時(shí)效果較差，也逐漸出現(xiàn)一些改進(jìn)的分割算法，圖像分割效果也得到了一定提升[5，6]，但是應(yīng)用范圍仍然相對(duì)局限。近年來，大量研究人員致力于深度學(xué)習(xí)的圖像分割方法研究[7，8]，雖然基于現(xiàn)有數(shù)據(jù)庫(kù)中的圖像取得了較好的分割效果，但是該類方法嚴(yán)重依賴于訓(xùn)練數(shù)據(jù)的質(zhì)量和大量人工標(biāo)記的圖像數(shù)據(jù)，對(duì)于不同設(shè)備產(chǎn)生的數(shù)據(jù)或者不在訓(xùn)練集中的數(shù)據(jù)，效果差異也很大，因此深度學(xué)習(xí)方法的適用性不是很強(qiáng)。基于聚類的方法進(jìn)行圖像分割也有一些應(yīng)用[9，10]，但是較少用于乳腺癌腫塊分割中。為此，本文提出了一種改進(jìn)的基于模糊c均值聚類（Fuzzy c-Means， FCM）的算法用于乳房腫塊的圖像分割，先對(duì)X射線攝影圖像進(jìn)行濾波去噪和形態(tài)學(xué)處理，然后通過FCM對(duì)圖像不同像素值進(jìn)行聚類分析和識(shí)別得到腫塊對(duì)應(yīng)的區(qū)域，從而實(shí)現(xiàn)對(duì)腫塊區(qū)域的有效分割和標(biāo)記。該方法是一種無監(jiān)督的分割方法，不需要帶標(biāo)簽的訓(xùn)練數(shù)據(jù)，直接根據(jù)實(shí)驗(yàn)數(shù)據(jù)本身的特征進(jìn)行聚類分割。

1? 材料和方法

1.1? 模糊c均值聚類（FCM）

FCM算法是一種基于劃分的聚類算法，是基于K均值聚類（K-means）算法的改進(jìn)。普通K-means算法對(duì)于數(shù)據(jù)的劃分是硬性的，而FCM則是一種柔性的模糊劃分，聚類效果更好。FCM算法的聚類過程是一個(gè)不斷迭代尋找最優(yōu)的過程，通過迭代收斂，最后根據(jù)定義的距離測(cè)度最優(yōu)，可產(chǎn)生最佳的c個(gè)分區(qū)，以及每個(gè)分區(qū)的中信坐標(biāo)V={v1， v2，…， vc}。對(duì)于圖像分割而言，假設(shè)X=x1， x2，…， xn為圖像數(shù)據(jù)集，xn即為像素值，n為像素單元的個(gè)數(shù)。通過FCM聚類算法嘗試將圖像數(shù)據(jù)X劃分為c個(gè)集群，即c個(gè)類別，從而實(shí)現(xiàn)圖像的聚類分割[11]。

1.2? 基于改進(jìn)的FCM圖像分割算法

本文的實(shí)驗(yàn)數(shù)據(jù)來自懷化市第一人民醫(yī)院影像中心Selenia Dimensions 3D數(shù)字乳腺X線攝影系統(tǒng)獲取的臨床數(shù)據(jù)，選取1例經(jīng)過病理確診的乳腺癌患者兩個(gè)體位（LCC和LMLO）的DICOM格式數(shù)字乳腺X線圖像數(shù)據(jù)進(jìn)行圖像分割處理，圖像像素尺寸為3 328×2 560，圖像深度為12位。圖像像素分辨率和灰度分辨率均很高。

考慮到醫(yī)學(xué)圖像的高噪聲和低對(duì)比度的特點(diǎn)，如果直接使用傳統(tǒng)的FCM算法對(duì)圖像進(jìn)行聚類分割，將會(huì)出現(xiàn)過分割的現(xiàn)象，反而不利于臨床診斷，如圖1所示。由于正常乳腺組織圖像中具有較多的毛細(xì)血管等紋理特征，導(dǎo)致通過FCM聚類時(shí)錯(cuò)誤地將正常的組織劃分為腫塊，因此出現(xiàn)了過分割的現(xiàn)象。

鑒于上述結(jié)果，本文針對(duì)傳統(tǒng)FCM算法進(jìn)行了一些改進(jìn)以解決圖像過分割問題，首先對(duì)乳腺X射線攝影圖像進(jìn)行高斯濾波去噪和形態(tài)學(xué)平滑處理，使得圖像信噪比和對(duì)比度更高，再通過FCM聚類進(jìn)行分割和腫塊的識(shí)別、邊界提取和輪廓標(biāo)記。具體算法流程如圖2所示。

本文提出的圖像分割方法具體步驟如下：

1）圖像預(yù)處理和高斯去噪：使用MATLAB的DICOM圖像讀取函數(shù)加載乳腺X射線攝影圖像，為了提高計(jì)算速度，將圖像尺寸壓縮為832×640，再通過灰度變換將圖像灰度深度變?yōu)闃?biāo)準(zhǔn)的8位灰度級(jí)。經(jīng)上述預(yù)處理后，再采用大小為11×11的二維高斯算子對(duì)圖像進(jìn)行高斯濾波。

2）形態(tài)學(xué)平滑處理：對(duì)于經(jīng)過高斯濾波處理后的圖像進(jìn)行平滑處理，進(jìn)行基于重建的開運(yùn)算操作，處理方法為使用半徑為15的圓形結(jié)構(gòu)體掩膜，模板的中心與圖像的每一個(gè)像素對(duì)齊，取原圖像中最大灰度值和最小灰度值之間的差值作為梯度值，即：

G（x， y）=I（x， y）！B（x， y）-I（x， y）?B（x， y）? ? ? ? ? ?（1）

其中，B（x， y）為一像素值為3的圓形結(jié)構(gòu)模板，?和！分別為形態(tài)學(xué)的膨脹和腐蝕操作，I（x， y）為高斯濾波后的圖像，G（x， y）進(jìn)行開運(yùn)算后的圖像。再對(duì)開運(yùn)算后的圖像進(jìn)行基于重建的形態(tài)學(xué)閉操作，即：

F（x， y）=G（x， y）?B（x， y）-G（x， y）！B（x， y）? ? ? ? ? ?（2）

其中，F(xiàn)（x， y）為經(jīng)過閉運(yùn)算處理后的圖像。整個(gè)圖像經(jīng)過開閉運(yùn)算后的圖像最后得到圖像中已無孤立噪聲點(diǎn)和小空洞，能有效減少圖像直方圖中的峰值。

3）FCM聚類分析：將二維圖像矩陣變換為1維列向量，再通過MATLAB提供的FCM函數(shù)對(duì)數(shù)據(jù)集進(jìn)行聚類分析；聚類完成后，先提取聚類結(jié)果，再將結(jié)果變換為圖像對(duì)應(yīng)的二維矩陣。對(duì)于聚類分析而言，聚類的分區(qū)數(shù)會(huì)直接影響聚類結(jié)果，本文研究中，乳腺癌圖像的像素值主要分為三個(gè)級(jí)別：背景區(qū)域、正常乳房區(qū)域和腫塊區(qū)域，因此對(duì)于大部分情況，類別參數(shù)c均為3，而對(duì)于部分體位的圖像會(huì)把胸部肌肉等組織也拍攝進(jìn)來，因此對(duì)于此類圖像，類別參數(shù)c需要設(shè)為4。

4）腫塊區(qū)域識(shí)別：計(jì)算各類別對(duì)應(yīng)的區(qū)域圖像像素值的均值，找出像素均值最大的區(qū)域作為腫塊區(qū)域。

5）腫塊邊界提取：通過邊界提取函數(shù)對(duì)聚類結(jié)果進(jìn)行邊緣提取得到腫塊分割邊界。

6）將分割邊界疊加顯示到原始圖像中得到分割標(biāo)記圖像。

1.3? 基于標(biāo)記控制的分水嶺分割算法

本文采用基于標(biāo)記控制的分水嶺分割算法[5，12]進(jìn)行分割實(shí)驗(yàn)作為對(duì)比，算法具體分割步驟如下：

1）進(jìn)行圖像預(yù)處理：讀入DICOM圖像后，將圖像尺寸壓縮為與上述FCM分割方法圖像預(yù)處理相同尺寸（832×640）的8位灰度圖像。

2）分割閾值確定：使用大津法初步確定圖像二值化閾值。

3）形態(tài)學(xué)平滑處理：同F(xiàn)CM分割流程中的處理方法，先對(duì)圖像進(jìn)行基于重建的開操作，再進(jìn)行基于重建的閉操作。

4）計(jì)算圖像的前景標(biāo)記和背景標(biāo)記。

5）使用Sobel算子計(jì)算圖像的梯度幅值，結(jié)合前景和背景標(biāo)記對(duì)梯度圖做分水嶺變換，得到分割邊界。

6）將分割邊界用白色顯示疊加到原始圖像中得到分割標(biāo)記圖像。

2? 實(shí)驗(yàn)結(jié)果

為了證明本文算法的有效性和準(zhǔn)確性，選取基于改進(jìn)分水嶺算法與本實(shí)驗(yàn)的算法進(jìn)行分析。

2.1? LCC體位腫瘤分割

本實(shí)驗(yàn)首先選取該患者LCC體位的乳房X射線攝影圖像進(jìn)行腫塊分割研究。

先對(duì)乳腺圖像進(jìn)行高斯濾波處理，濾波前、后結(jié)果如圖3所示，濾波后的圖像信噪比有略微提升，因此需要繼續(xù)進(jìn)行進(jìn)一步平滑處理。

對(duì)上述濾波后的圖像進(jìn)行進(jìn)一步形態(tài)學(xué)處理后得到如圖4（a）所示的圖像，像素值相近的區(qū)域得到了合并，圖像信噪比明顯提升，腫塊區(qū)域更明顯。然后對(duì)形態(tài)學(xué)處理后的圖像進(jìn)行維度變換和FCM聚類分析，其中聚類的類別參數(shù)c設(shè)為3，得到圖像中的3個(gè)分區(qū)，如圖4（b）所示。最后對(duì)圖像中的腫塊區(qū)域進(jìn)行識(shí)別、邊緣提取，將邊界信息（圖4（c）中標(biāo)記的環(huán)形曲線）疊加到原始圖像顯示。從測(cè)試結(jié)果可以看出，腫瘤輪廓被很好地標(biāo)記出來。通過與直接FCM聚類分割結(jié)果（圖1）進(jìn)行比較，本文提出的改進(jìn)FCM圖像分割方法有效地消除了過分割的現(xiàn)象，可以實(shí)現(xiàn)對(duì)乳腺癌腫塊輪廓進(jìn)行準(zhǔn)確識(shí)別。如圖4所示。

2.2? LMLO體位腫瘤分割

為了驗(yàn)證算法的可行性，對(duì)該患者另一體位（LMLO）的乳腺圖像也進(jìn)行了腫塊分割實(shí)驗(yàn)，并且采用不同的分割算法進(jìn)行腫塊分割效果的比較研究。首先，直接對(duì)乳腺圖像采用傳統(tǒng)的FCM聚類分析，由于該體位圖像中有部分胸部肌肉，因此聚類個(gè)數(shù)c設(shè)為4，F(xiàn)CM聚類結(jié)果和腫塊識(shí)別標(biāo)記圖像，如圖5所示，從結(jié)果可以看出，不對(duì)圖像進(jìn)行預(yù)處理的聚類分割結(jié)果出現(xiàn)了很多過分割區(qū)域。然后，通過基于標(biāo)記控制的分水嶺分割算法進(jìn)行分割，得到的形態(tài)學(xué)處理圖像、梯度幅值圖像和白線標(biāo)記腫塊輪廓的圖像，如圖6所示，改進(jìn)的分水嶺算法的腫塊分割效果比傳統(tǒng)FCM算法好一些，但是仍然出現(xiàn)了過分割現(xiàn)象，分割結(jié)果相對(duì)較差。最后，通過本文改進(jìn)的FCM聚類分割方法對(duì)乳腺圖像進(jìn)行預(yù)處理后，再進(jìn)行FCM聚類分析、腫塊識(shí)別和輪廓標(biāo)記得到的結(jié)果，如圖7所示。從結(jié)果可以看出，本文提出的方法在該體位圖像中的腫塊輪廓也可以被準(zhǔn)確分割和標(biāo)記出來，沒有出現(xiàn)直接進(jìn)行FCM聚類分割的圖像過分割問題，分割效果明顯優(yōu)于基于標(biāo)記控制的分水嶺分割算法，進(jìn)一步驗(yàn)證了該算法的有效性。

2.3? 算法結(jié)果分析

通過對(duì)同一個(gè)病例的不同體位乳腺攝影圖像進(jìn)行腫塊分割實(shí)驗(yàn)發(fā)現(xiàn)，本文改進(jìn)的FCM聚類分割算法比傳統(tǒng)FCM聚類算法具有更好的分割效果，有效地避免了過分割問題。對(duì)該患者LMLO體位圖像分別采用傳統(tǒng)FCM聚類分割算法、基于標(biāo)記控制的改進(jìn)分水嶺分割算法和基于本文改進(jìn)的FCM聚類分割算法等三種方法進(jìn)行腫塊分割實(shí)驗(yàn)，結(jié)果顯示，基于本文改進(jìn)的FCM聚類分割算法具有最好的分割效果。

3? 結(jié)? 論

針對(duì)醫(yī)學(xué)圖像噪聲大、對(duì)比度低等問題，本文介紹了一種改進(jìn)的基于FCM聚類算法對(duì)乳腺腫塊進(jìn)行分割的方法，首先對(duì)原始圖像進(jìn)行高斯濾波去噪和形態(tài)學(xué)平滑處理，得到信噪比和對(duì)比度都較高的圖像，再對(duì)圖像數(shù)據(jù)集進(jìn)行FCM聚類分析、腫塊區(qū)域識(shí)別和輪廓標(biāo)記。通過濾波和形態(tài)學(xué)平滑處理后，圖像的信噪比和對(duì)比度明顯提升，再進(jìn)行FCM聚類分析時(shí)，可以有效分割出腫塊的區(qū)域。通過對(duì)1例經(jīng)病例確診的乳腺癌患者的2個(gè)體位X射線攝影圖像進(jìn)行腫塊分割研究和比較，結(jié)果表明，本文提出的圖像分割算法可以準(zhǔn)確地完成乳腺X線攝影圖像腫塊的分割和輪廓標(biāo)記，且有效解決了傳統(tǒng)FCM方法出現(xiàn)的過分割問題，顯著提升了腫塊的分割效果；與基于標(biāo)記控制的改進(jìn)分水嶺分割算法相比，本文改進(jìn)的FCM聚類分割算法具有更好的分割效果。與基于監(jiān)督的深度學(xué)習(xí)圖像分割方法相比，本文提出的方法屬于無監(jiān)督的圖像分割方法，具有更好的應(yīng)用前景。

參考文獻(xiàn)：

[1] 周星彤，沈松杰，孫強(qiáng).中國(guó)乳腺癌篩查現(xiàn)狀及進(jìn)展 [J].中國(guó)醫(yī)學(xué)前沿雜志：電子版，2020，12（3）：6-11.

[2] 洪鳳鳴.乳腺癌應(yīng)用全數(shù)字化乳腺鉬靶X線攝影診斷的研究進(jìn)展 [J].臨床醫(yī)學(xué)研究與實(shí)踐，2016，1（15）：127-128.

[3] 王燕，李積英，楊宜林，等.基于SLIC和GVFSnake算法的乳腺腫瘤分割 [J].激光與光電子學(xué)進(jìn)展，2020，57（14）：215-222.

[4] 龔劍.一種基于分水嶺和模糊聚類的多級(jí)圖像分割算法 [J].第一軍醫(yī)大學(xué)學(xué)報(bào)，2004（3）：329-331.

[5] 溫治軍.一種基于標(biāo)記的分水嶺算法在乳腺圖像鈣化點(diǎn)分割中的應(yīng)用 [D].蘭州：蘭州大學(xué)，2018.

[6] NAYAK T，BHAT N，BHAT V，et al. Automatic Segmentation and Breast Density Estimation for Cancer Detection Using an Efficient Watershed Algorithm [M].NAGABHUSHAN P，GURU D S，SHEKAR B H，et al. Data Analytics and Learning，[S.I.]：Springer，2019：347-358.

[7] 郭亞南.乳腺鉬靶X線病灶檢測(cè)研究 [D].蘭州：蘭州大學(xué)，2019.

[8] KAUSHIK P，RATAN D R. EU-NET： Deep Reinforcement Learning Aided Breast Tumor Segmentation and Attention based Severity Classification using Fused Ultrasound and Mammography Images [J].Journal of Coastal Life Medicine，2022，10（3）：25-45.

[9] 石振剛，李芹子，陶鎮(zhèn).改進(jìn)的FCM聚類醫(yī)學(xué)超聲圖像分割算法 [J].沈陽理工大學(xué)學(xué)報(bào)，2019，38（1）：64-67+78.

[10] HAMAD Y A，SENO M E，SAFONOVA A N，et al. Breast Tumor Segmentation on Medical Images using Combination of Fuzzy Clustering and Threshold [J].Computer Integrated Manufacturing Systems，2022，28（10）：70-83.

[11] 李杰，葉宇煌.基于改進(jìn)模糊C均值聚類的心臟圖像分割方法 [J].莆田學(xué)院學(xué)報(bào)，2020，27（2）：89-92+98.

[12] 張玲，顧楚華，傅華成，等.改進(jìn)分水嶺算法在X線乳腺癌圖像分割中的應(yīng)用研究 [J].電子世界，2021（21）：33-34.

作者簡(jiǎn)介：顧楚華（2001—），女，漢族，湖南永州人，本科在讀，研究方向：醫(yī)學(xué)圖像處理；通訊作者：張玲（1989—），女，漢族，四川內(nèi)江人，講師，碩士，研究方向：醫(yī)學(xué)圖像處理。