一种全新的两步自动化医学图像分割方案

何　菁，陈　胜

(上海理工大学 光电信息与计算机学院，上海 200093)



一种全新的两步自动化医学图像分割方案

何菁，陈胜

(上海理工大学 光电信息与计算机学院，上海 200093)

摘要针对现有图像分割方法存在需要手动分割，以及精确度较低的问题。采用一种全新的两步图像分割方案。该方案。以基于人工神经网络的模式识别技术，即人工神经网络的大规模培训的方法，通过对肺区不同子区域内结构进行分割处理，利用训练好的大规模人工神经网络对标准胸片中的肋骨、锁骨等骨质结构进行抑制，结合以基于区域的活动轮廓模型，即Snake模型，正确分割亮度不均匀的图像。文中选择与医护人员人工分割的图像进行对比，通过放射科医生采用等级法打分，原图的平均分为2.0分，而通过文中改进的分割方法平均分高达3.4分。

关键词人工神经网络；活动轮廓模型；医学图像分割

图像分割是指将一幅图像分解为若干互不交迭区域的集合,是图像处理与机器视觉的基本问题之一 。尽管不同的研究人员提出了许多分割方法,但到目前为止还不存在一种通用的方法,也没有建立一个判断分割是否成功的客观标准,所以图像分割被认为是计算机视觉中的一个瓶颈。在医学领域中,图像分割常常用于病变区域提取、特定组织测量以及实现三维重建研究,因此研究图像分割技术在医学图像处理过程中具有重要的意义[1-2]。

目前便携式X光机广泛用于重症加强护理病房(ICU)中，X光胸片(CXR)在医师对患者诊断过程中起着重要的作用。ICU中的患者通常需要鼻胃导管、气管导管和进食导管等辅助医疗器械。图像的可读性将直接关系到诊断的准确率。然而由于受到各方面因素的影响，ICU的CXR通常存在对比度较低，噪声过多的等问题，一方面由于CXR中的骨质结构的影响，另一方面在CXR获取过程中，由于便携式X光机拍摄时，受仪器性能和患者身体只能平躺的限制，图像中各类导管的图像质量不能满足医生的诊断需求，从而在一定程度上影响医师确定导管位置及状态[3]。

因此为了提高医师诊断的准确率，本文提出图像分割方法的优点在于处理时完全自动化分割，方法具有一定的便捷性，同时具有较强的准确性，与医生的手动分割图像重合度高。

1方法

本文所介绍的方法是利用两步提高图像分割方法：第一步训练神经网络分割；第二步对输出的亮度不均匀的灰度图像，利用基于区域的活动轮廓模型，提出了针对不均匀性图像的分割算法。评估方法是与医护人员人工进行分割的图像进行对比。

1.1MTANN

MTANN(Massive-TrainingArtificialNeuralNetwork)是一种基于多尺度大规模人工神经网络的图像处理技术,用来抑制胸片中的骨质结构[4]。作为人工神经网络的优化技术，MTANN在处理胸片时能较好地抑制肋骨和锁骨，同时能够保留软组织。

MTANN是一种严重非线性图像滤波器，其包含了一个线性输出的多层人工神经网络模型，该模型可直接对图像数据进行运算。本文利用标准胸片和其对应的双能量减影后获得的骨质图像对MTANN进行训练[5]。为克服骨质图像中肋骨的空间频率变化问题，引入多尺度的MTANN。训练后的多尺度MTANN可给出与骨质图像相似的虚拟骨质图像。将其从原图中减去，就能获得虚拟的软组织图像。即虚拟软组织胸片是从原图中减去用MTANN产生的虚拟骨质图像而获得。MTANN可直接处理图像，标准胸片以每个像素为中心被分解成大量的重叠子区域，与各个子区域对应的骨质图像中的像素值作为学习值

{I(x,y),T(x,y)|x,y∈RT}=

{(I1,T1),(I2,T2),…,(INT,TNT)}

(1)

这里，I(x,y)={g(x-i,y-j)|i,j∈Rs|}是从胸片中提取的子区域，也是MTANN输入的向量,f(x,y)是对学习值的估计。

MTANN用大量子区域和其对应的像素值进行训练，训练样本为

{I(x,y),T(x,y)|x,y∈RT}=

{(I1,T1),(I2,T2),…,(INT,TNT)}

(2)

T(x,y)为学习图像；RT为训练区域，其对应于所有子区域的中心点的集合；NT是RT中的像素点数目。

为了抑制标准胸片g(x,y)中的肋骨等结构，需要在原图的肺区m(x,y)中减去用多尺度MTANN产生的虚拟骨质图像fb(x,y)。

fs(x,y)=g(x,y)-wc×fb(x,y)×m(x,y)

(3)

这里，wc是决定肋骨对比度的权值参数。通过改变参数的值，可以获得不同肋骨对比度的虚拟软组织胸片。

1.2ACM

ACM(ActiveContourModel)是图像分割领域最成功的变分模型，尤其是在医学图像分析处理方面。

活动轮廓线本质上是一条可伸缩的能量最小化样条曲线[6-7]

v(s)=(x(s),y(s)),s∈[0,2]

(4)

其中，v(s)为二位坐标点该活动轮廓模型的总能量为

(5)

其中，Eint为内部约束力；Eext为外部约束力，前者保证曲线的收缩弯曲性，后者吸引轮廓线收敛到图像的目标

Eext(v(s))=-δext(Gσ(v(s))×2v(s))2

(6)

ACM通过能量函数E来表示轮廓线特征，可以通过增大Eint增加模型的光滑连续性，增大Eext来增强捕捉图像特征的能力[8]。若想同时使模型既保持一定的光滑性，又趋近于图像的特征，就需要平衡Eint和Eext,即确定最小化能量函数。

基于动态规划(DynamicProgramming，DP)的算法[9]。采用时间延迟离散，并附以约束条件对活动轮廓的具备集合特征进行控制，具体计算过程为：设轮廓曲线上有n个控制点，每次每个控制点最多允许有m个可能值，则上式可离散化为

(7)

由上式可知，最小化的E可以看做是从一个控制点到最后一个控制点的各个阶段的最小化，然后从可能的策略中选择最终策略。上式的实质是一个离散化多阶段的决策过程，经过多次迭代有

E=E1(v1,v2,v3)+E2(v2,v3,v4)+…,+En-2(vn-2,vn-1,vn)

Ei(vi-1,vi,vi+1)=Eint(vi-1,vi,Vi+1)+Eext(vi)

(8)

E的最小值Emin计算如下

(9)

其中

i=3,4,…,n-1

(10)

2实验结果和分析

为测试结果的准确性，收集了来自15个病人的80幅x射线图像。图1图像大小为2 500×2 047像素。3个有经验的胸部放射学家检查所有图片并提供一个诊断,包括类型的疾病检测和一个人的病情变化。图2通过两步分割的方法，与原始图像相比，肋骨边缘和锁骨大幅抑制。

图1　原图

图2　分割处理后的图像

本文评估的方法是与医护人员人工进行分割的图像进行对比，放射科医生采用等级法打分，“A”表示杰出，“E”表示不满意。表1表示了评估结果。

表1　评价结果

3结束语

在本文中使用多分辨率MTANN在便携式电脑上抑制骨结构。通过这种方法，肋骨边缘、肋骨接近肺壁和锁骨明显被抑制。然后对亮度不均匀的图像，采用了ACM的DP算法的对比图片。结果表明，文中的两步图像增分割是有用的，对临床医师提高了性能检测和疾病诊断。

但本文中仍存在一些不足，分割结果并不理想，分割结果可能存在漏包含肺结节病变区域。故接下来仍可做出如下改进：(1)改善算法。改进算法前的预处理，以及算法后的合并准则，使得算法更加的可靠和精确，分割结果更加接近医生手动分割的图像；(2)可以着手拓展算法应用范围，除了应用于X光医学图像，还在CT图像，甚至非医学图像中也可得到较好的应用。

参考文献

[1]胡学龙.数字图像处理[M].2版.北京:电子工业出版社,2011.

[2]林瑶,田捷.医学图像分割方法综述[J].模式识别与人工智能,2002,15(2):192-204.

[3]韦明祥，陈俊. 基于C-V模型的医学图像分割方法[J].电子科技，2012，25(5)：101-104.

[4]KenjiSuzuki.Imageprocessingtechniqueforsuppressingribsinchestradiographsbymeansofmassivetrainingartificialneuralnetwork(MTANN)[J].IEEETransactionsonMedicalImaging,2006,25(4):406-416.

[5]ShengChen,KenjiSuzuki.Bonesuppressioninchestradiographsbymeansofanatomicallyspecificmultiplemassive-trainingANNs[C].Tsukuba:InternationalConferenceonPatternRecognition,2012.

[6]李培华,张田文.主动轮廓线模型(蛇模型)综述[J].软件学报,2004,11(6):751-757.

[7]SongChunZhu,AlanLYuille.Regioncompetition.unifyingsnakes，regiongrowing，andBayed/MDLformultibandimagesegmentation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,1996,18(9):884-900 .

[8]LiChunming,KaoChiuyen,JohnCGore，etal.Minimizationofregion-scalablefittingenergyforimagesegmentation[J].IEEETransactionsonImageProcessing,2008,17(10):1940-1949.

[9]NikosParagios,OlivierMellina-Gottardo,VisvanathanRamesh.Gradientvectorflowfastgeometricactivecontours[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2004,26(3):402-407.

A New Two-step Automatic Segmentation Scheme for Medical Images

HEJing,CHENSheng

(SchoolofOptical-ElectricalandComputerEngineering,UniversityofShanghaifor

ScienceandTechnology,Shanghai200093,China)

AbstractThis paper proposed a new image segmentation scheme to solve the manual segmentation by and the poor accuracy of existing image segmentation methods. Firstly, the massive-training artificial neural networks (MTANNs) are employed to suppress bones in the lungs, using artificial neural network trained on a large scale of standard chest radiograph of the ribs, clavicle, such as inhibition of bone structure. Then active contour model (ACM) based on region, or the Snake Mode, is adopted to segment correctly images with non-uniform brightness. A comparison with images manually segmented by medical personnel and rated by radiologists shows that the average score of the original images is 2.0 points while that by our improved segmentation method is 3.4 points.

Keywordsartificial neural network; active contour model; medical image segmentation

收稿日期:2015- 11- 10

作者简介:何菁(1991-)，女，硕士研究生。研究方向：医学图像处理与分析。陈胜(1976-)，男，博士，教授。研究方向：医学图像处理与分析等。

doi:10.16180/j.cnki.issn1007-7820.2016.07.025

中图分类号TP391.41

文献标识码A

文章编号1007-7820(2016)07-085-03