基于改进主动形状模型的前列腺超声图像分割算法

毕 卉 杨冠羽,2,3 唐 慧,2,3 舒华忠,2,3

(1东南大学计算机科学与工程学院,南京210096)(2东南大学计算机网络和信息集成教育部重点实验室,南京211189)(3东南大学中法生物医学信息研究中心,南京210096)

基于改进主动形状模型的前列腺超声图像分割算法

毕 卉1杨冠羽1,2,3唐 慧1,2,3舒华忠1,2,3

(1东南大学计算机科学与工程学院,南京210096)(2东南大学计算机网络和信息集成教育部重点实验室,南京211189)(3东南大学中法生物医学信息研究中心,南京210096)

为了提高前列腺超声图像的分割精度,提出了一种基于改进主动形状模型的前列腺超声图像分割算法.首先,提取前列腺超声图像的特征集合,该特征集合由Gabor纹理特征和局部二值模式(LBP)特征组成.然后,通过利用k均值算法对提取的特征集合进行聚类分析,得到超声图像的聚类表示图.最后,在聚类表示图上应用ASM获取超声图像中前列腺的形状信息.结果表明,该算法可以准确地定位前列腺边界信息,与医生手动标记的前列腺轮廓相比,平均绝对距离仅为1.559 6 mm,戴斯相似度系数最高可达93.88%.利用超声图像的聚类表示图可以获得更加精确的前列腺轮廓信息,可用于海扶高聚焦超声(HIFU)手术中的精准导航.

超声图像分割;Gabor特征;局部二值模式;k均值算法;主动形状模型

Abstract: To improve the segmentation accuracy of prostate ultrasound images, a prostate ultrasound image segmentation algorithm based on the improved active shape model (ASM) is proposed. First, the prostate ultrasound image feature set consising the Gabor features and the local binary pattern (LBP) features is extracted. Then, the cluster analysis of the feature set is carried out by using thek-means algorithm to obtain the clustering representation of the ultrasound image. Finally, based on the clustering representation, the shape information of the prostate is obtained by ASM. The results show that the proposed algorithm can precisely locate the prostate contour. Compared with the doctor delineation of the prostate, the mean absolute distance (MAD) is only 1.56 mm. The highest Dice similarity coefficient (DSC) reaches 93.88%. The segmentation based on the clustering representation of the ultrasound image can achieve more accuracy results and can be applied on precision navigation of high intensity focus ultrasound (HIFU) clinical operation.

Keywords: ultrasound image segmentation; Gabor features; local binary pattern;k-means algorithm; active shape model

前列腺癌是位居美国和欧洲男性的第二大死因[1].临床数据表明,在前列腺癌的前期采取有效的治疗方式,可以提高治愈率.高强度聚焦超声(high intensity focused ultrasound, HIFU)技术是一种无创的治疗手段,通过瞬间升温凝固细胞的细胞蛋白消融靶区细胞,且对靶点周围组织不产生损伤.利用HIFU技术进行治疗不需要开刀,大大减轻了病人的痛苦,被越来越多地应用在癌症的治疗中.随着HIFU技术的广泛应用,如何在超声图像中精准定位靶区成为了HIFU治疗过程中亟待解决的问题[2].

然而,超声图像的成像原理导致获取的图像含有大量的散斑噪声,图像的分辨率比较低,靶区精确定位的难度比较大.利用简单的图像分割方法无法得到精确的靶区定位,需要结合超声图像自身的信息才能获取准确的靶区分割效果.超声图像分割算法中比较常用的信息包括图像的纹理信息、组织的先验信息等[3].Shen等[4]考虑到Gabor纹理特征具有旋转不变性的优点,提出了一种基于Gabor特征的前列腺超声图像分割.Gong等[5]将前列腺的先验形状作为约束,提出了基于超椭圆的可形变模型,实现了前列腺靶区的准确定位.

为了获取更加精准的靶区信息,本文将前列腺超声图像的纹理特征与组织的形状先验信息相结合,提出了一种基于改进主动形状模型(ASM)的前列腺超声图像分割算法,用于实现对前列腺超声图像的分割和边界提取.

1 算法流程

本文算法的主要流程如下:

① 提取超声图像中的Gabor纹理特征和局部二值模式 (local binary pattern, LBP)特征,通过使用k均值算法对特征进行聚类分析，得到超声的聚类表示图.

② 使用改进的ASM获取前列腺轮廓的定位信息.改进的ASM在算法迭代的过程中,利用像素点的特征距离进行匹配像素点的查找.特征由当前点像素特征和邻域像素的特征组合而成,以期提高匹配像素查找的精度.

2 聚类表示图

Gabor纹理特征符合人类视觉,且具有旋转不变性,常用来表示超声图像的纹理特征[6-7].Gabor纹理利用二维Gabor滤波器进行提取,滤波器的定义为

(1)

式中,函数h(x,y)表示Gabor特征;σx和σy分别为沿x轴和y轴的高斯窗口的空间常数;u为沿x轴方向的尺度;φ为沿x轴方向的相位.通过调整u和φ,便可得到不同尺度、不同方向的Gabor滤波器,利用这些滤波器,便可提取图像在不同方向、不同尺度的纹理信息.

邓军说：“还记得有一天下午石老头儿的课不？我逃课到星光录像厅看录像，不一会你也去了，我喊了你好几声，你都没有理我，于是我就跟你开了个玩笑，模仿女孩子的笔迹给你写了个约会的纸条，后来你就出去了。那天你真的去了？”

LBP是一种描述图像局部纹理特征的算子,具有旋转不变性和灰度不变性的优点,常用于表征形状规则的特征.由于前列腺呈规则椭圆状,同时提取图像的Gabor特征和LBP特征,不仅可以丰富获得的超声图像的纹理信息,而且可以对前列腺的形状信息进行描述.

超声图像的聚类表示图利用k均值算法进行聚类分析得到.首先,提取超声图像72维Gabor纹理特征(6个尺度、12个方向)FGabor和59维LBP的等价模式特征FLBP[8-9],组成一个131维的特征F,且F={FGabor,FLBP}.然后,使用k均值算法对特征集合进行聚类分析,获得原始超声图像的聚类表示图(见图1).与原始超声图像相比,聚类表示图可以有效地抑制散斑噪声,提高图像的对比度.

(a) 原始超声图

3 改进的主动形状模型

主动形状模型是利用点集合对物体形状轮廓进行描述的算法.ASM的步骤如下:① 提取训练集图像中已标记目标形状的先验信息;② 对待分割的图像进行特征点匹配,得到待分割图像中的目标位置和形状信息[10-11].采用矢量α={p1,p2, …,pN}对形状轮廓进行描述,其中,pi表示轮廓上第i个描述点的坐标,且i∈{1, 2,…,N}.ASM的数学表达式为

(2)

采用迭代方法对待分割图像中的目标进行形状提取.首先,计算位移向量X={X1,X2,…,XN},其中Xi表示第i个描述点的位移量.根据X可以得到轮廓线上像素点移动的位移向量x,从而得到第n次更新的形状参数bn为

bn=(Ps)Tx+b

(3)

根据式(2)可以得到更新的形状信息为

(4)

当算法收敛时,αn即为目标的边界.

ASM在规则形状的目标提取中有着广泛的应用.由于前列腺呈规则椭圆形,ASM在前列腺超声图像的分割取得了不错的效果[11].然而,由于超声图像含有的散斑噪声,导致前列腺的边界比较模糊,直接使用ASM对超声进行分割时,往往会出现边界偏移、形状形变较大的情况.尤其是传统的ASM在计算X时,仅利用像素之间的灰度相似度进行匹配像素的寻找,而没有考虑当前像素的邻域信息,容易导致匹配像素的查找产生误差[11].为了解决以上问题,本文提出了一种改进的主动形状模型,在查找匹配像素时根据特征距离方法,考虑第i个描述点的局部信息,利用特征距离进行匹配像素的查找,即

(5)

通过最小特征距离找到当前点的匹配点,并计算其位移为

(6)

4 实验

4.1 实验设置

本文所依赖实验平台为MATLAB R2015b,Intel Core i5 CPU,12 GB RAM.实验所用的前列腺超声图像长500像素、宽 490像素,分辨率为96 dpi.训练集为已经勾勒出前列腺边界的25幅超声图像,超声图像中前列腺的形状信息由医生手工勾画得出.待分割前列腺超声图像为36幅.

4.2 客观度量

本文采用平均绝对距离(MAD)和戴斯相似性系数(DSC)两种客观评价参数对分割结果进行定量评估.平均绝对距离是指利用算法获取的轮廓与医生勾勒的边界对应的点像素的平均距离.表1列举了本文算法分割6个病人前列腺超声图像的结果与手动分割结果之间的平均绝对距离.从表中的数据可以看出,整体的分割精确度较高,平均误差为1.559 6 mm,算法的分割结果与手动分割结果的差异很小.

表1 本文算法与主动形状模型算法的比较

戴斯相似系数的计算公式为

(7)

式中,Ss表示基于本文算法得到的轮廓线所包含的面积;Sd表示医生标记点所包含的面积.实验数据为6个病人的超声图像.表1中列举了6个病人前列腺分割的平均戴斯相似系数.从中可以看出,使用ASM算法对前列腺超声图像进行分割，所得结果均比较好,整体的分割精确度较高,戴斯相似系数的平均值最高为93.88%.同时,对算法的时间复杂度进行了比较.直接使用ASM的算法平均耗时2.37 s,使用聚类表示图的算法平均时间为3.81 s,相比于直接使用ASM算法时间增加了1.44 s,时间增加主要是因为生成聚类表示图的耗时,包括提取Gabor特征耗时0.7 s、提取LBP特征耗时0.6 s以及k均值算法耗时0.2 s.虽然耗时略有增加,但在整体算法耗时在临床上仍然可以接受.

表2对本文算法与现有的其他4种算法的重合率和轮廓误差进行了比较.从表中可以看出,本文算法区域重合率最高,可以达到(97.5±2.0)%;轮廓误差最小,仅为(0.34±0.23) mm.结果表明,本文提出的算法在分割精度方面具有明显优势.

(a) 病人1，初始轮廓

(d) 病人2，初始轮廓

(g) 病人3，初始轮廓

表2 本文算法与其他现有算法的比较

5 结论

1) 本文针对前列腺超声图像,提出了一种基于改进主动形状模型的前列腺超声图像分割算法.该算法通过提取超声图像的Gabor特征和LBP特征,利用k均值算法得到超声图像的聚类表示图,在聚类表示图上应用ASM得到前列腺的轮廓信息.

2) 实验结果表明,本文算法可以准确地定位前列腺靶区轮廓.与医生手动标记的靶区边界相比,平均绝对距离的精度可以达到1.559 6 mm,戴斯相似度系数可达93.88%.

3) 与现有算法相比,本文算法在精度方面具有明显优势.下一步的研究工作为将算法进一步扩展到超声图像中形状不规则的组织(如子宫肌瘤等)的轮廓提取.

References)

[1] Amer Cancer Soc. Cancer facts and figures 2016 [EB/OL]. (2017-01-31). http://www.cancer.org.

[2] Noble J A, Boukerroui D. Ultrasound image segmentation: A survey [J].IEEETransactionsonMedicalImaging, 2006,25(8): 987-1010. DOI:10.1109/tmi.2006.877092.

[3] Xie J, Jiang Y, Tsui H. Segmentation of kidney from ultrasound images based on texture and shape priors [J].IEEETransactionsonMedicalImaging, 2005,24(1): 45-57.

[4] Shen D, Zhan Y, Davatzikos C. Segmentation of prostate boundaries from ultrasound images using statistical shape model [J].IEEETransactionsonMedicalImaging, 2003,22(4): 539-551. DOI:10.1109/TMI.2003.809057.

[5] Gong L, Pathak S D, Haynor D R, et al. Parametric shape modeling using deformable superellipses for prostate segmentation [J].IEEETransactionsonMedicalImaging, 2004,23(3): 340-349. DOI:10.1109/tmi.2004.824237.

[6] Zhan Y, Shen D. Deformable segmentation of 3-D ultrasound prostate images using statistical texture matching method [J].IEEETransactionsonMedicalImaging, 2006,25(3): 256-272. DOI:10.1109/TMI.2005.862744.

[7] Michailovich O, Adam D. A high-resolution technique for ultrasound harmonic imaging using sparse representations in Gabor frames [J].IEEETransactionsonMedicalImaging, 2002,21(12): 1490-1503. DOI:10.1109/TMI.2002.806570.

[8] Ojala T, Pietikainen M, Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2002,24(7): 971-987. DOI:10.1109/tpami.2002.1017623.

[9] van Ginneken B, Frangi A F, Staal J J, et al. Active shape model segmentation with optimal features[J].IEEETransactionsonMedicalImaging, 2002,21(8): 924-933. DOI:10.1109/TMI.2002.803121.

[10] Cootes T F, Taylor C J, Cooper D H, et al. Training models of shape from sets of examples [C]//BritishMachineVisionConference. London, England, 1992: 9-18. DOI:10.5244/c.6.2.

[11] Cootes T F, Cootes C J. Active shape model search using local grey-level models: A quantitative evaluation [C]//BritishMachineVisionConference. London, England, 1993: 639-648.

[12] Ladak H M, Mao F, Wang Y, et al. Prostate boundary segmentation from 2D ultrasound images [J].MedicalPhysics, 2003,27(8): 1648-1659. DOI: 10.1118/1.1286722.

[13] Cosío F A. Automatic initialization of an active shape model of the prostate [J].MedicalImageAnalysis, 2008,12(4): 469-483. DOI:10.1016/j.media.2008.02.001.

[14] Yan P, Xu S, Turkbey B, et al. Discrete deformable model guided by partial active shape model for TRUS image segmentation[J].TransactionsonBiomedicalEngineering, 2010,57(5): 1158-1166. DOI:10.1109/TBME.2009.2037491.

[15] Ghose S, Oliver A, Mitra J, et al. A supervised learning framework of statistical shape and probability priors for automatic prostate segmentation in ultrasound images [J].MedicalImageAnalysis, 2013,17(6): 587-600. DOI:10.1016/j.media.2013.04.001.

Prostateultrasoundimagesegmentationalgorithmbasedonimprovedactiveshapemodel

Bi Hui1Yang Guanyu1,2,3Tang Hui1 2,3Shu Huazhong1,2,3

(1School of Computer Science and Engineering, Southeast University, Nanjing 210096, China) (2Key Laboratory of Computer Network and Information Integration of Ministry of Education, Southeast University, Nanjing 211189, China) (3Centre de Recherche en Information Biomédicale Sino-Francais, Southeast University, Nanjing 210096, China)

TP391

A

1001-0505(2017)05-0879-05

2017-01-09.

毕卉(1985—),女,博士生;舒华忠(联系人),男,博士,教授,博士生导师,shu.list@seu.edu.cn.

国家自然科学基金资助项目(31571001, 61201344, 61271312, 61401085, 81530060)、江苏省自然科学基金资助项目(BK2012329, BK2012743, BK20150647, DZXX-031, BY2014127-11).

毕卉，杨冠羽，唐慧，等.基于改进主动形状模型的前列腺超声图像分割算法[J].东南大学学报(自然科学版),2017,47(5):879-883.

10.3969/j.issn.1001-0505.2017.05.007.

10.3969/j.issn.1001-0505.2017.05.007