基于顏色紋理特征的醫(yī)學(xué)圖像智能分割算法

楊春靜

（大連東軟信息學(xué)院智能與電子工程學(xué)院， 遼寧 大連 116000）

0 引 言

近幾年，信息化技術(shù)的飛速進(jìn)步，推動(dòng)了醫(yī)學(xué)影像技術(shù)的進(jìn)一步發(fā)展，多種醫(yī)學(xué)成像設(shè)備應(yīng)運(yùn)而成，隨即涌現(xiàn)出大量不同模態(tài)［1-2］。 醫(yī)學(xué)圖像分割可實(shí)現(xiàn)對(duì)圖像當(dāng)中的特定組織、器官以及病變區(qū)域等關(guān)鍵目標(biāo)的定位，無(wú)論是在臨床疾病診斷、術(shù)前規(guī)劃，還是在術(shù)中導(dǎo)航、術(shù)后評(píng)估中都有著極為廣泛的應(yīng)用［3］。 以往的圖像分割方法主要依靠手工繪制，現(xiàn)在則是由有經(jīng)驗(yàn)的醫(yī)生依據(jù)圖像中的器官、軟組織、病變等特征，通過(guò)圖像的灰度、亮度等信息來(lái)實(shí)現(xiàn)。盡管這一方法已被廣泛應(yīng)用于半自動(dòng)化、智能化、自動(dòng)化等多個(gè)領(lǐng)域，并為其提供了有監(jiān)督的數(shù)據(jù)標(biāo)記。此外，跨專(zhuān)業(yè)的醫(yī)學(xué)影像分割涉及多個(gè)專(zhuān)業(yè)的醫(yī)療影像，且由于其自身的專(zhuān)業(yè)知識(shí)、影像品質(zhì)等原因，會(huì)造成影像分割結(jié)果的偏移［4］。 針對(duì)當(dāng)前醫(yī)學(xué)領(lǐng)域中圖像分割存在的問(wèn)題，本文將引入顏色紋理特征技術(shù)，展開(kāi)對(duì)醫(yī)學(xué)圖像智能分割算法的設(shè)計(jì)研究。

1 LBP 算子的圖像顏色紋理特征提取

本次研究將顏色紋理特征應(yīng)用到醫(yī)學(xué)圖像的特征提取當(dāng)中，顏色紋理特征包含多種屬性，其中對(duì)比度能夠充分反映圖像中像素強(qiáng)度的分布情況，對(duì)比度的定義為：

其中，F(xiàn)con表示醫(yī)學(xué)圖像統(tǒng)計(jì)區(qū)域全局對(duì)比度，μ4表示4 次矩。 再利用式（2）計(jì)算出醫(yī)學(xué)圖像的方向度：

根據(jù)小波變換計(jì)算醫(yī)學(xué)圖像能量值，假設(shè)E（x，y） 表示尺度為m的能量，則E（x，y） 的計(jì)算公式為：

其中，Gm（x，y） 表示Gabor 變換結(jié)果。 通常情況下，使用變換系數(shù)的大小和標(biāo)準(zhǔn)差可實(shí)現(xiàn)對(duì)醫(yī)學(xué)圖像中某個(gè)區(qū)域顏色紋理特征的描述，其均值為：

其中，μm表示平均值，MN表示灰度圖像大小。標(biāo)準(zhǔn)差的計(jì)算公式為：

本次研究采用LBP 算子完成圖像顏色紋理特征的提取，LBP 算子計(jì)算方法如式（6）所示：

其中，ic表示中心像素點(diǎn)恢復(fù)值；ip表示相鄰像素點(diǎn)的灰度值；s表示符號(hào)函數(shù)。 本次研究使用圓形的LBP 特征，設(shè)置其采樣點(diǎn)為8 個(gè)，當(dāng)半徑為1、3時(shí)候完成LBP 特征的提取。

2 醫(yī)學(xué)圖像特征像素點(diǎn)加權(quán)

在完成其特征提取后，對(duì)圖像特征像素點(diǎn)進(jìn)行加權(quán)。 在輸入彩色醫(yī)學(xué)圖像的過(guò)程中，可將N的取值設(shè)置為3；在輸入灰度醫(yī)學(xué)圖像的過(guò)程中，可將N的取值設(shè)置為1。 將均值漂移矢量也設(shè)置為2＋N，在此基礎(chǔ)上對(duì)醫(yī)學(xué)圖像的灰度圖像和彩色圖像進(jìn)行加權(quán)處理［5-7］。 針對(duì)醫(yī)學(xué)圖像中的灰度圖像，對(duì)其灰度值進(jìn)行加權(quán)，加權(quán)公式為：

其中，Gray表示灰度圖像灰度值加權(quán)結(jié)果；a、b、c表示權(quán)重系數(shù)，通常情況下綠色權(quán)重系數(shù)最大，三者之間關(guān)系為a ＞b ＞c；R、G、B表示RGB 值。針對(duì)彩色醫(yī)學(xué)圖像，需要將其轉(zhuǎn)化為L(zhǎng)UV 顏色空間，然后進(jìn)行加權(quán)。 LUV 顏色空間中的L 表示亮度值，U和V表示色度坐標(biāo)［8］。 在加權(quán)過(guò)程中，引入相似度理念，通過(guò)余弦距離計(jì)算2 個(gè)方向之間的差異，其公式為：

其中，A和B均表示同一醫(yī)學(xué)圖像中的2 幅像素點(diǎn)或2 幅不同醫(yī)學(xué)圖像中的2 個(gè)像素點(diǎn)；θ表示余弦。 根據(jù)上述公式計(jì)算可得出2 個(gè)像素點(diǎn)的相似度結(jié)果，以此為基礎(chǔ)，對(duì)其進(jìn)行綜合加權(quán)，其公式可表示為：

其中，dL.U.V表示綜合加權(quán)結(jié)果，CL.U.V表示顏色紋理權(quán)值。 針對(duì)醫(yī)學(xué)圖像顏色紋理的相似度，可通過(guò)高斯核函數(shù)對(duì)其進(jìn)行計(jì)算。 通常情況下，若存在2 個(gè)像素點(diǎn)，且相似度較小，則對(duì)應(yīng)的CL.U.V取值也越小；反之，若存在2 個(gè)像素點(diǎn)的相似度較大，則對(duì)應(yīng)的CL.U.V取值也越大。 根據(jù)上述運(yùn)算，實(shí)現(xiàn)對(duì)醫(yī)學(xué)圖像特征像素點(diǎn)的加權(quán)處理。

3 醫(yī)學(xué)圖像智能分割

在完成上述醫(yī)學(xué)圖像特征像素點(diǎn)加權(quán)后，對(duì)迭代帶寬進(jìn)行了自適應(yīng)的選擇。 每個(gè)圖像特征點(diǎn)的像素都具有不相同的帶寬，對(duì)于高密度地區(qū)，可以選擇較窄的帶寬；相反，對(duì)于低密度地區(qū)，則應(yīng)選擇較寬的帶寬。 根據(jù)上述理論，將固定帶寬定義為h＝h（xi）。 若醫(yī)學(xué)圖像中樣本點(diǎn)是從一個(gè)概率分布函數(shù)中取樣而得，則一個(gè)非零的概率分布梯度所指的方向是概率分布最大的方向。 所以，一般情況下，沿這個(gè)方向分布的樣本點(diǎn)數(shù)量會(huì)更多。 假設(shè)概率密度函數(shù)為f（xi），則將每個(gè)樣本點(diǎn)的密度估計(jì)作為固定帶寬的特征h（xi）。h（xi） 的取值為f（xi） 的倒數(shù)平方根，可用式（10）表示：

其中，h0表示初始階段設(shè)置的固定帶寬；λ表示常數(shù)。 為獲取一個(gè)自適應(yīng)帶寬，在進(jìn)行上述運(yùn)算前，需要先完成對(duì)λ取值的確定。 本次研究采用均值漂移算法，尋找自適應(yīng)帶寬的均值。 均值漂移算法是一種連續(xù)搜索最大概率的方法［9-10］。 選取一個(gè)隨機(jī)初始點(diǎn)，并從該初始點(diǎn)出發(fā)，沿該初始點(diǎn)的分布規(guī)律逐漸變化，直至該初始點(diǎn)的分布規(guī)律為零。 在漂移的過(guò)程中，平移矢量代表了迭代步的長(zhǎng)度，平移矢量的大小與漂移步長(zhǎng)的尺寸和該像素點(diǎn)概率密度有關(guān)，概率密度越大，則離概率最大的點(diǎn)處的概率越小。 反之，越是密集的區(qū)域，步長(zhǎng)就越大。 當(dāng)滿(mǎn)足一定條件的情況下，平概率必然會(huì)收斂于某一點(diǎn)處的最大值，采用均值漂移算法尋找自適應(yīng)帶寬的均值步驟如下：

（1）找出一個(gè)對(duì)醫(yī)學(xué)圖像所有像素點(diǎn)都滿(mǎn)足的估計(jì)值f（xi）。

（2）對(duì)帶寬因子進(jìn)行定義。 針對(duì)每個(gè)像素點(diǎn)xi，計(jì)算其自適應(yīng)帶寬。

將自適應(yīng)帶寬代入到均值漂移算法中進(jìn)行運(yùn)算，得到均值漂移矢量結(jié)果［9］，其計(jì)算公式如下：

其中，M（x，h0） 表示均值偏移矢量；plim 表示概率極限；M（x） 為最大值。

根據(jù)自適應(yīng)帶寬均值漂移矢量結(jié)果，對(duì)醫(yī)學(xué)圖像中的各個(gè)像素點(diǎn)進(jìn)行判斷。 將所有取值大于或等于自適應(yīng)帶寬均值漂移矢量的像素點(diǎn)保留，將所有取值小于自適應(yīng)帶寬均值漂移矢量的像素點(diǎn)去除，同時(shí)在完成賦值后，將醫(yī)學(xué)圖像區(qū)域內(nèi)像素點(diǎn)較少的區(qū)域進(jìn)行合并，得到醫(yī)學(xué)圖像分割結(jié)果，可表示為：

其中，P（x） 表示分割結(jié)果，N表示像素點(diǎn)數(shù)量。

至此，完成圖像分割處理。

4 對(duì)比實(shí)驗(yàn)

針對(duì)上述提出的醫(yī)學(xué)圖像智能分割算法，將其與另外2 種分割算法應(yīng)用到相同的實(shí)驗(yàn)環(huán)境中，對(duì)各算法應(yīng)用效果進(jìn)行對(duì)比分析。 另外2 種分割算法分別為：基于深度學(xué)習(xí)的分割算法（對(duì)照A組）；基于超像素的分割算法（對(duì)照B組）。 將本文提出的基于顏色紋理特征的分割算法設(shè)置為實(shí)驗(yàn)組。 將MICCAI 中醫(yī)療影像計(jì)算及電腦輔助介入研討會(huì)所提供的MRI 腦瘤切割數(shù)據(jù)集作為實(shí)驗(yàn)樣本。 在該數(shù)據(jù)集中包含收集到的30 例病人的磁共振影像資料，高等級(jí)（HG）腫瘤20 例，低級(jí)（LG）腫瘤10 例。每個(gè)病人的MRI 表現(xiàn)為T(mén)1 型、T2 型、T1C 型、FLAIR 型。 另外，該數(shù)據(jù)集中還包括每個(gè)病人的腦部MRI 相應(yīng)的由專(zhuān)家們親手標(biāo)記的標(biāo)記影像（GT）。 數(shù)據(jù)集影像的解析度以230×230、216×196、160 ×16 居多。 圖1 為數(shù)據(jù)集中某一患者HG 腫瘤樣本實(shí)例。

圖1 醫(yī)學(xué)腫瘤分割任務(wù)圖像Fig. 1 Medical tumor segmentation task image

分別利用3 種分割算法對(duì)圖1 醫(yī)學(xué)腫瘤分割任務(wù)圖像進(jìn)行分割，并將虛線(xiàn)部分作為標(biāo)準(zhǔn)分割依據(jù)。完成分割后，得到的3 個(gè)分割結(jié)果如圖2 所示。

圖2 3 種分割算法應(yīng)用結(jié)果圖Fig. 2 Application results of three segmentation algorithms

圖2 中，（a）的分割結(jié)果更接近虛線(xiàn)標(biāo)準(zhǔn)分割，而（b）和（c）的分割結(jié)果均與虛線(xiàn)標(biāo)準(zhǔn)分割存在較大出入。 為進(jìn)一步驗(yàn)證分割精度，針對(duì)30 例精確率進(jìn)行計(jì)算，并針對(duì)每10 例醫(yī)學(xué)圖像分割求取一個(gè)平均精確率，計(jì)算公式為：

其中，P表示醫(yī)學(xué)圖像分割精確率；FP表示分割結(jié)果為目標(biāo)區(qū)域，但實(shí)際為背景區(qū)域的像素點(diǎn)個(gè)數(shù)；TP表示預(yù)測(cè)結(jié)果為目標(biāo)區(qū)域且分割正確區(qū)域的像素點(diǎn)個(gè)數(shù)。 通過(guò)上述公式的計(jì)算，得出3 種分割算法的分割精確率，記錄得到的結(jié)果見(jiàn)表1。

表1 3 種分割算法分割精確率記錄表Tab. 1 Record of segmentation accuracy of three segmentation algorithms

通過(guò)分析表1 中的數(shù)據(jù)能夠得出，實(shí)驗(yàn)組分割算法的分割平均精確率明顯高于另外2 種分割算法，數(shù)值均高于95%。 因此，通過(guò)上述對(duì)比實(shí)驗(yàn)可以證明，本文設(shè)計(jì)的基于顏色紋理特征的分割算法能夠?qū)崿F(xiàn)對(duì)醫(yī)學(xué)圖像的精準(zhǔn)分割。

5 結(jié)束語(yǔ)

醫(yī)學(xué)圖像分割是一種復(fù)雜的影像處理技術(shù)，盡管現(xiàn)有的圖像處理技術(shù)已經(jīng)取得了很好的成效，但是，如何精確地從影像中分離出病變的部位及邊緣，依然是一個(gè)亟待解決的問(wèn)題，同時(shí)也是亟待開(kāi)展創(chuàng)新性的研究。 近年來(lái)，信息技術(shù)在醫(yī)學(xué)圖像中的應(yīng)用越來(lái)越廣泛，為提高醫(yī)學(xué)圖像的分類(lèi)精度提供了一條新的途徑。 然而，現(xiàn)有的醫(yī)學(xué)圖像分割方法在處理復(fù)雜的影像時(shí)，仍然存在許多問(wèn)題，無(wú)法滿(mǎn)足臨床需求。 例如，醫(yī)學(xué)圖像獲取成本昂貴，模態(tài)具有多樣性，現(xiàn)有分割算法無(wú)法實(shí)現(xiàn)通用；在對(duì)顏色紋理特征提取時(shí)需要依賴(lài)大量醫(yī)學(xué)圖像數(shù)據(jù)，這一約束條件限制了分割算法的實(shí)際臨床應(yīng)用。 針對(duì)上述提出的問(wèn)題，在今后的研究中還將不斷深入探索解決方案，從而促進(jìn)分割算法適應(yīng)性提高，實(shí)現(xiàn)在臨床中的廣泛運(yùn)用。