具有分割健壮性的超声图像分类方法探索

张乔，冯宁，陈松

（61618部队，北京 102102）

1 引言

本文采用一种基于模糊数学理论的癌症超声图像增强算法，经过增强处理之后，原先由于图像的模糊而隐藏的信息能够清晰的观察到，这也为后面的肿瘤的分割与分类打好基础。该算法是基于最大熵原理。

2 算法与研究

2.1 文件的读取

仿最大熵原理是一种分析信息从而确定事件的特定概率分布的方法。在shannon的信息熵中，熵值是给定的事件概率分布的函数，可以用拉格朗日乘数法证明：当信源的每一事件等概率出现时有最大熵，即 时有最大熵（bit/符号），此时信源的信息量最大。无疑，我们期望熵值越大越好。最大熵原理则指出：一个事件的概率分布可以通过信息熵来确定；事件的概率分布应该使信息熵最大而同时与我们的信息一致。

算法基本思想：

（1）在参数的取值范围内将图像从灰度域变换到模糊域，并分别计算取不同参数时的模糊熵，认为使模糊熵最大的参数选择方法是最佳的参数选择方法，记录此时的参数和模糊熵；

（2）利用已确定参数将图像从灰度域变换到模糊域，并进行模糊增强；

（3）将数据从模糊域转换到图像空间域，从而完成图像增强过程。

下面分别是使用最大模糊熵增强前后的图像对比：

图2.1 最大模糊熵增强前后的图像对比示例1

图2.2 最大模糊熵增强前后的图像对比示例2

通过实验可以看出基于模糊逻辑增强方法，不仅增强乳腺超声图像的对比度，使得肿块的边界清晰，而且对肿块内部的组织结构也有了很好的增强，并且防止了过增强现象的发生，这些都大大提高了图像的质量，有利于医生诊断。

2.2 基于细胞自动机技术(grow cut)肿瘤分割方法

近年来，针对超声图像的分割，国内外已经提出了多种方法。临床应用中的超声成像系统所广泛使用的分割方式是基于医生手动分割和自动的方法。原始手动分割的种种局限使得用计算机实现自动、半自动的分割方法成为临床应用更理想的选择。超声图像的分割也是计算机辅助诊断的重要组成部分，其作用是对将乳腺超声图像中的肿瘤区域进行定位从而为特征提取和分类提供必要条件。

研究对象是将一种基于细胞自动机技术grow cut方法应用到肿瘤分割中，并在原始的grow cut算法基础上，提出了一种改进的grow cut算法，弥补原始算法的不足，提高分割精度，使计算机辅助诊断乳腺癌方面得到更加高效、准确的提升。

Grow cut是由Vladimir Vezhnevets提出的一种图像分割方法，它所采用的方式和Boykov一样，即用户使用某种方式指定前景和背景，然后算法自动完成其余的分割过程。整个分割过程类似于病毒在生物体内扩张的过程，用户预定义的前景和背景区域被称为“种子点”，种子点通过生长和反复的竞争逐渐占领整个图像区域。

对于每一个未知像素点p：

1）在t时刻复制前一时刻的状态；

2）在t+1时刻，邻域中的像素点开始攻击像素点p：如果满足式：

该算法的直观意义为：在生长过程中，每个细胞都会对它周围的细胞产生影响，如果它们的颜色属性比较接近，那么强度相对小的细胞标号就会被强度大的细胞标号所取代。生长过程是一个反复演化的过程，当没有细胞的状态发生改变的时候，所有细胞的状态达到了一个平衡，则算法收敛。

Grow cut可以对背景复杂的图像进行较为精确的分割，其原因是用户可以在分割过程中对前景和背景做标记，然后算法自动完成分割，所以它也可以很容易的扩展到多目标的分割过程。该算法在处理二维乳腺超声图像时有以下几点不足：

1）由于超声图像成像特点，图像区域内局部噪声导致灰度变化剧烈。而Grow cut能量单调下降的特点，剧烈的灰度变化会导致下降过快，导致算法在错误的位置收敛使得分割结果发生误差。

此外，在肿瘤和背景颜色属性差异较小的图像中，该算法对于边界过渡比较模糊的区域不能够准确的找到边界，其原因是Grow cut算法中每个像素点的攻击强度是由传播过程中的迭代能量以及邻点之间相似度的大小共同定义，由于原算法只考虑了当前点与邻点之间的相似度，导致在边界渐变的区域内受传播过程中迭代能量的影响湮没邻点之间由相似度定义的能量，使算法将待测点误分。

2）在算法的能量传递过程中，原算法只考虑了像素之间的灰度差异。由于超声图像中，不同人体组织内部的回声变化情况较为复杂，图像的纹理变化随机且不规则，在图像噪声比较的大的情况下，单纯考虑灰度变化可能对各种情况考虑不足，不能有效的处理，从而影响分割的精度。

针对上述问题，本文对Grow cut算法进行改进，在攻击过程中不仅判断待处理点与邻域中其它像素点之间的相似性，还将待处理点与和攻击点的种子进行隶属度的计算，二者综合考虑，进一步确定待处理点的所属类别。此外，本算法还引入衡量区域内和区域之间差异度的纹理特征，用来辅助正确划分当前待处理点的所属类别。

6 结束语

可以看出，Grow cut原始方法在对于灰度变化复杂并且肿瘤与组织连通的样本分割过程中，虽然可以将肿瘤与周围组织进行区分，但区分后的边界与实际肿瘤边界位置有所偏差。原因是由于在用户所指定的先验条件相对较少的前提下，不同类别但灰度接近的种子点生长到未知区域时会因像素点之间相似度大而导致算法过早收敛，使得边界位置发生偏移。而改进后的算法则在原始算法基础上通过引入判断待测点与种子点之间的相似度，进一步精确了每个点攻击强度的约束条件。

［1］田超，张文俊，张小凤等.基于物理引擎三维物理仿真实验的实现方法［J］.微型电脑应用，2010，26（2）：78-80.

［2］Mortensen,J.,Insu Yu,Khanna,P.et al.Real-Time Global Illumination for VR Applications［J］.IEEE Computer Graphics and Applications,2008,28(6):58-60.

［3］Beatriz Sousa Santos,Paulo Dias,Angela Pimentel et al.Head-mounted display versus desktop for 3D navigation in virtual reality:a user study ［J］.Multimedia Toolsand Applications,2008,37(2)：161-163.

［4］Lamata,P.,Gomez,E.J.,Bello,F.et al.Conceptual Framework forLaparoscopic VR Simulators ［J］.IEEE Computer Graphics and Applications,2006,26(6)：69-71.