基于颜色纹理特征的医学图像智能分割算法

杨春静

（大连东软信息学院智能与电子工程学院， 辽宁 大连 116000）

0 引 言

近几年，信息化技术的飞速进步，推动了医学影像技术的进一步发展，多种医学成像设备应运而成，随即涌现出大量不同模态［1-2］。 医学图像分割可实现对图像当中的特定组织、器官以及病变区域等关键目标的定位，无论是在临床疾病诊断、术前规划，还是在术中导航、术后评估中都有着极为广泛的应用［3］。 以往的图像分割方法主要依靠手工绘制，现在则是由有经验的医生依据图像中的器官、软组织、病变等特征，通过图像的灰度、亮度等信息来实现。尽管这一方法已被广泛应用于半自动化、智能化、自动化等多个领域，并为其提供了有监督的数据标记。此外，跨专业的医学影像分割涉及多个专业的医疗影像，且由于其自身的专业知识、影像品质等原因，会造成影像分割结果的偏移［4］。 针对当前医学领域中图像分割存在的问题，本文将引入颜色纹理特征技术，展开对医学图像智能分割算法的设计研究。

1 LBP 算子的图像颜色纹理特征提取

本次研究将颜色纹理特征应用到医学图像的特征提取当中，颜色纹理特征包含多种属性，其中对比度能够充分反映图像中像素强度的分布情况，对比度的定义为：

其中，Fcon表示医学图像统计区域全局对比度，μ4表示4 次矩。 再利用式（2）计算出医学图像的方向度：

根据小波变换计算医学图像能量值，假设E（x，y） 表示尺度为m的能量，则E（x，y） 的计算公式为：

其中，Gm（x，y） 表示Gabor 变换结果。 通常情况下，使用变换系数的大小和标准差可实现对医学图像中某个区域颜色纹理特征的描述，其均值为：

其中，μm表示平均值，MN表示灰度图像大小。标准差的计算公式为：

本次研究采用LBP 算子完成图像颜色纹理特征的提取，LBP 算子计算方法如式（6）所示：

其中，ic表示中心像素点恢复值；ip表示相邻像素点的灰度值；s表示符号函数。 本次研究使用圆形的LBP 特征，设置其采样点为8 个，当半径为1、3时候完成LBP 特征的提取。

2 医学图像特征像素点加权

在完成其特征提取后，对图像特征像素点进行加权。 在输入彩色医学图像的过程中，可将N的取值设置为3；在输入灰度医学图像的过程中，可将N的取值设置为1。 将均值漂移矢量也设置为2＋N，在此基础上对医学图像的灰度图像和彩色图像进行加权处理［5-7］。 针对医学图像中的灰度图像，对其灰度值进行加权，加权公式为：

其中，Gray表示灰度图像灰度值加权结果；a、b、c表示权重系数，通常情况下绿色权重系数最大，三者之间关系为a ＞b ＞c；R、G、B表示RGB 值。针对彩色医学图像，需要将其转化为LUV 颜色空间，然后进行加权。 LUV 颜色空间中的L 表示亮度值，U和V表示色度坐标［8］。 在加权过程中，引入相似度理念，通过余弦距离计算2 个方向之间的差异，其公式为：

其中，A和B均表示同一医学图像中的2 幅像素点或2 幅不同医学图像中的2 个像素点；θ表示余弦。 根据上述公式计算可得出2 个像素点的相似度结果，以此为基础，对其进行综合加权，其公式可表示为：

其中，dL.U.V表示综合加权结果，CL.U.V表示颜色纹理权值。 针对医学图像颜色纹理的相似度，可通过高斯核函数对其进行计算。 通常情况下，若存在2 个像素点，且相似度较小，则对应的CL.U.V取值也越小；反之，若存在2 个像素点的相似度较大，则对应的CL.U.V取值也越大。 根据上述运算，实现对医学图像特征像素点的加权处理。

3 医学图像智能分割

在完成上述医学图像特征像素点加权后，对迭代带宽进行了自适应的选择。 每个图像特征点的像素都具有不相同的带宽，对于高密度地区，可以选择较窄的带宽；相反，对于低密度地区，则应选择较宽的带宽。 根据上述理论，将固定带宽定义为h＝h（xi）。 若医学图像中样本点是从一个概率分布函数中取样而得，则一个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，一般情况下，沿这个方向分布的样本点数量会更多。 假设概率密度函数为f（xi），则将每个样本点的密度估计作为固定带宽的特征h（xi）。h（xi） 的取值为f（xi） 的倒数平方根，可用式（10）表示：

其中，h0表示初始阶段设置的固定带宽；λ表示常数。 为获取一个自适应带宽，在进行上述运算前，需要先完成对λ取值的确定。 本次研究采用均值漂移算法，寻找自适应带宽的均值。 均值漂移算法是一种连续搜索最大概率的方法［9-10］。 选取一个随机初始点，并从该初始点出发，沿该初始点的分布规律逐渐变化，直至该初始点的分布规律为零。 在漂移的过程中，平移矢量代表了迭代步的长度，平移矢量的大小与漂移步长的尺寸和该像素点概率密度有关，概率密度越大，则离概率最大的点处的概率越小。 反之，越是密集的区域，步长就越大。 当满足一定条件的情况下，平概率必然会收敛于某一点处的最大值，采用均值漂移算法寻找自适应带宽的均值步骤如下：

（1）找出一个对医学图像所有像素点都满足的估计值f（xi）。

（2）对带宽因子进行定义。 针对每个像素点xi，计算其自适应带宽。

将自适应带宽代入到均值漂移算法中进行运算，得到均值漂移矢量结果［9］，其计算公式如下：

其中，M（x，h0） 表示均值偏移矢量；plim 表示概率极限；M（x） 为最大值。

根据自适应带宽均值漂移矢量结果，对医学图像中的各个像素点进行判断。 将所有取值大于或等于自适应带宽均值漂移矢量的像素点保留，将所有取值小于自适应带宽均值漂移矢量的像素点去除，同时在完成赋值后，将医学图像区域内像素点较少的区域进行合并，得到医学图像分割结果，可表示为：

其中，P（x） 表示分割结果，N表示像素点数量。

至此，完成图像分割处理。

4 对比实验

针对上述提出的医学图像智能分割算法，将其与另外2 种分割算法应用到相同的实验环境中，对各算法应用效果进行对比分析。 另外2 种分割算法分别为：基于深度学习的分割算法（对照A组）；基于超像素的分割算法（对照B组）。 将本文提出的基于颜色纹理特征的分割算法设置为实验组。 将MICCAI 中医疗影像计算及电脑辅助介入研讨会所提供的MRI 脑瘤切割数据集作为实验样本。 在该数据集中包含收集到的30 例病人的磁共振影像资料，高等级（HG）肿瘤20 例，低级（LG）肿瘤10 例。每个病人的MRI 表现为T1 型、T2 型、T1C 型、FLAIR 型。 另外，该数据集中还包括每个病人的脑部MRI 相应的由专家们亲手标记的标记影像（GT）。 数据集影像的解析度以230×230、216×196、160 ×16 居多。 图1 为数据集中某一患者HG 肿瘤样本实例。

图1 医学肿瘤分割任务图像Fig. 1 Medical tumor segmentation task image

分别利用3 种分割算法对图1 医学肿瘤分割任务图像进行分割，并将虚线部分作为标准分割依据。完成分割后，得到的3 个分割结果如图2 所示。

图2 3 种分割算法应用结果图Fig. 2 Application results of three segmentation algorithms

图2 中，（a）的分割结果更接近虚线标准分割，而（b）和（c）的分割结果均与虚线标准分割存在较大出入。 为进一步验证分割精度，针对30 例精确率进行计算，并针对每10 例医学图像分割求取一个平均精确率，计算公式为：

其中，P表示医学图像分割精确率；FP表示分割结果为目标区域，但实际为背景区域的像素点个数；TP表示预测结果为目标区域且分割正确区域的像素点个数。 通过上述公式的计算，得出3 种分割算法的分割精确率，记录得到的结果见表1。

表1 3 种分割算法分割精确率记录表Tab. 1 Record of segmentation accuracy of three segmentation algorithms

通过分析表1 中的数据能够得出，实验组分割算法的分割平均精确率明显高于另外2 种分割算法，数值均高于95%。 因此，通过上述对比实验可以证明，本文设计的基于颜色纹理特征的分割算法能够实现对医学图像的精准分割。

5 结束语

医学图像分割是一种复杂的影像处理技术，尽管现有的图像处理技术已经取得了很好的成效，但是，如何精确地从影像中分离出病变的部位及边缘，依然是一个亟待解决的问题，同时也是亟待开展创新性的研究。 近年来，信息技术在医学图像中的应用越来越广泛，为提高医学图像的分类精度提供了一条新的途径。 然而，现有的医学图像分割方法在处理复杂的影像时，仍然存在许多问题，无法满足临床需求。 例如，医学图像获取成本昂贵，模态具有多样性，现有分割算法无法实现通用；在对颜色纹理特征提取时需要依赖大量医学图像数据，这一约束条件限制了分割算法的实际临床应用。 针对上述提出的问题，在今后的研究中还将不断深入探索解决方案，从而促进分割算法适应性提高，实现在临床中的广泛运用。