基于MATLAB_GUI的超声乳腺肿瘤图像分割平台设计

范怀玉 马军山

摘  要： 利用种子区域增长对超声乳腺肿瘤图像进行分割是一种常用的计算机辅助诊断方法。要实现快速分割，满足实时在线分割图像的需求，需要解决两个关键的步骤：种子点的自动快速定位和分割阈值的选择。本文在Matlab环境下开发了一个图形用户界面软件平台，为超声乳腺图像中病灶的分割提供一种客观、可重复、易使用的方法。对65幅超声乳腺肿瘤图像进行了实验验证，结果表明：该平台的分割图像效果和所用时间都比手动分割效率高，分割所用平均时间5.55秒。使用者通过滑块选择阈值来分割图像，而不必熟悉MATLAB程序来调整参数。

关键词： 种子区域增长;计算机辅助诊断;图形用户界面

中图分类号： TP391.41    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2019.06.007

本文著录格式：范怀玉，马军山.基于MATLAB_GUI的超声乳腺肿瘤图像分割平台设计[J]. 软件，2019，40（6）：3033

【Abstract】： Segmentation of breast ultrasound （BUS） tumors using seed region growth is a common method of computer-aided diagnosis. In order to achieve fast segmentation and meet the needs of real-time on-line image segmentation， two key steps need to be solved： automatic fast positioning of seed points and selection of segmentation threshold. In this paper， a graphical user interface（GUI）software platform is developed under the environment of MATLAB， which provides an objective， repeatable and easy-to-use method for lesion segmentation in ultrasound mammography. The method is testified with 65 BUS lesion images. Quantitative results demonstrate that the segmentation effect and time of the platform are more efficient than manual segmentation， and the average time of segmentation is 5.55 seconds. Users select thresholds by sliders to segment images without being familiar with the MATLAB program to adjust parameters.

【Key words】： Seeded region growing; Computer aided diagnosis; Graphical user interface

0  引言

乳腺癌已成为世界范围内女性第二大致死病因，并且有超过8%的女性有患乳腺癌的风险[1]。超声筛查因非侵入性、无辐射、易操作、廉价等优点被广泛应用于乳腺癌的早期预防[2]。对获取的超聲乳腺肿瘤图像中肿瘤的形状、纹理、边缘等信息进行分析，以便医生能够以此制定更为科学的诊疗方案，这也是计算机辅助诊断（Computer aided diagnosis：CAD）系统的设计初衷。随着计算机计算效能的飞速提高和各种算法的不断改进，CAD技术和临床诊疗的关系愈加密切，也成为日益当今研究的热点。一般地，超声CAD乳腺癌检测诊断系统分为四个阶段：图像预处理，图像分割，特征提取与选择和良恶性辨别。其中，图像分割是既重要又最为困难的一个环节，只有准确高效地分割出肿瘤区域，才能对其形状、纹理、边缘等特征进行计算和提取，进而能够辨别肿瘤的良恶性[3]。然而，噪声干扰和低对比度一直是超声图像的缺点[4]，给分割带来了很大的挑战。超声肿瘤图像的精确分割还需依赖人工干预，而全自动的分割则以牺牲分割的精度为代价，近年来许多致力于克服此两难局面的新研究和新方法不断涌现，研究人员尝试利用区域增长的方法来分割感兴趣区域（region of interest ROI），并取得了不错的结果[5-7]。

MATLAB 是世界流行的科学计算与数学应用软件，具有良好的开放性和运行的可靠性，被广泛地应用于图像处理、信号处理、自动控制等数值计算领域[8]。它还有功能丰富的图像处理工具箱，可以在MATLAB 平台上结合图像分割理论对医学图像进行处理，已成为现代医学领域不可或缺的辅助技术[9]，医学图像视觉效果的提高有助于提高医生的确诊率。同时还提供了 GUI （Graphical User Interfaces）开发环境，用户通过一定的方法（如鼠标或键盘）选择、激活这些图形对象，使计算机产生某种动作或变化，比如实现计算、绘图等，人机交互性好。

利用区域增长的方法来分割感兴趣区域，最为关键的是阈值的选择。阈值过大，得到的ROI将溢出肿瘤区域;阈值过小，ROI边界不能到达肿瘤的边界。不同的图像因对比度和图像结构不同也有着不同的阈值。手动分割又非常耗时，无法满足实时在线分割的需要。本文在 MATLAB 平台上设计了一个用滑块来选择阈值的GUI。从分割效果和所用时间来看，该GUI能够达到理想的效果。

1  GUI各模块介绍及所用方法

根据分割图像的需要，将GUI分为四个功能模块：图像读取、图像预处理、定位种子点和区域增长分割。如图1所示。

1.1  读取图像

该模块主要实现3个功能：函数imread读取图像;为后续模块算法的需要，用函数imresize统一将图像的大小变为512512;函数im2double 将图像的灰度值归一化到[0，1]之间。

1.2  图像预处理

由于超声图像存在噪声干扰和对比度低的缺点，在进行分割前，需要事先对图像进行预处理。这里我们用函数histeq对图像灰度直方图均衡化，以提高对比度。采用文献[10]提出的各向异性扩散算法来降低图像的乘性噪声。

1.3  定位种子点

根据超声肿瘤图像的结构特点和灰度分布，对图像进行不同阈值下的四叉树分解，利用约束条件定位初始目标区域和临时种子区域，当临时种子区域在初始目标区域内时，临时种子区域即使要寻找的种子区域，再对种子区域内的各点的灰度值进行排序，灰度值最小的点被认为是种子点。我们在文献[11]中有详细的阐述。

1.4  区域增长分割

种子区域增长是从选定的种子点开始，事先为种子点与其临域的点设定一个阈值条件，如果满足条件，则将临域点视为与种子点相同的点，以此方式不断地扩张种子区域[12]。超声乳腺图像被直方图均衡化后，图像的灰度分布被归一化到[0，1]，根据最大类间方差法，能求出每幅图像的最佳阈值。由实验结果可以得出，不同图像的最佳阈值不同，但均处于[0.4，0.6]。这里我们选择0.5做为初始阈值。在该模块中增设一个滑块，来选择[0，10]之间的值，用选定的值除以初始阈值。不同的图像有着不同的阈值，可通过滑块调整图像的分割阈值，已得到理想的分割结果。同时，调用函数regionprops对分割出的ROI进行形态特征计算，得到ROI的面积、周长、纵横比、面积与最小包含矩形面积比和离心率等形态特征，以给予医生对肿瘤良恶性的初始辨别。整个过程无需调整程序的参数，只需移动滑块即可实现分割的目的。不了解MATLAB程序的使用者，也可以实现人机交互，拓宽了适用范围。

2  实验结果

用65幅超声乳腺肿瘤图像（其中包括33幅恶性肿瘤图像和32幅良性肿瘤图像）来检验所设计的GUI平台是否有效。所有图像的处理均通过软件MATLAB2010，计算机的配置为英特尔处理器2.70 GHz和8G内存。

按照先后顺序，我们分别得到了图像读取、图像预处理、定位种子点和区域增长分割的结果，如图1所示。

在分割图像时，选择0.5作为初始阈值。增设一个滑块，来选择[0，10]之间的值，用选定的值除以初始阈值。不同的阈值，会得到不同的分割结果，如图2所示。使用者根据分割的结果，调整滑块，以得到理想的分割结果。同时，调用函数regionprops对分割出的ROI进行形态特征计算，得到ROI的面积、周长、纵横比、面积与最小包含矩形面积比和离心率等形态学特征，医生可据此对肿瘤的良恶性进行初始辨别。整个分割过程用时非常少，可以满足实时在线分割的需要。各个阶段所消耗的时间如表1所示。

3  结论

本文通过在MATLAB环境下开发的GUI平台，将超声乳腺肿瘤图像自动分割所需的步骤集成到一个界面中，操作者无需MATLAB编程经验就可以对图像实现分割，也可重复操作，人机交互性强。由于整个分割过程耗时少，比人工手动分割效率高近9倍，能够实现实时在线分割的需求。另外该GUI给出了分割的ROI的形状特征，能够为医生提供辨别肿瘤良恶性的初始诊断。

参考文献

[1] Cheng HD， Shan J， Ju W， Guo YH， Zhang L. Automated breast cancer detection and classification using ultrasound images： A survey. Pattern Recog 2010; 43： 299-317.

[2] Drukker K， Giger ML， Horsch K， Kupinski MA， Vyborny CJ， Mendelson EB. Computerized lesion detection on breast

ultrasound. Med Phys 2002;29： 1438-1446.

[3] Shan J， Cheng H D， Wang Y. Completely Automated Segmentation Approach for Breast Ultrasound Images Using Multiple-Domain Features[J]. Ultrasound in medicine & biology， 2012， 38（2）： 262-275.

[4] Chang RF， et al. Improvement in breast tumor discrimination by support vector machines and speckle-emphasis texture analysis. Ultrasound Med Biol 2003;29（5）： 679-86.

[5] Massich J， Meriaudeau F， Elsa Pérez， et al. Lesion Segmentation in Breast Sonography [C]. International Confe?rence on Digital Mammography. Springer-Verlag， 2010.

[6] R Adams， L Bischof. Seeded Region Growing[J]， Pattern Analysis and Machine Intelligence， 1994， 16（6）： 641-647.

[7] SA Hojjatoleslami， J Kittler. Region growing： a new approach， Image Processing[J]， 1998， 7（7）： 1079-1084.

[8] 劉成龙. MATLAB图像处理[M]. 清华大学图版社， 2017.

[9] 李越. MATLAB在医学图像分割处理中的应用[J]. 价值工程， 2015（28）： 191-194.

[10] Yu Y， Acton ST （2002） Speckle reducing anisotropic diffusion[J]， IEEE Trans Image Process， 11： 1260-1270.

[11] Huaiyu Fan， Junshan Ma， Huaihai Fan， Zhihan Lv （2017） Iterative quadtree decomposition based automatic selection of the seed point for ultrasound breast tumor images. Multimedia Tools and Applications 76： 3505-3517.

[12] R Adams， L Bischof （2002） Seeded region growing. IEEE Transactions on Pattern Analysis and Machine Intelligence16： 641-647.