[發(fā)明專利]基于相位信息的超聲圖像病灶分割技術(shù)

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 201210086050.7
• 申請(qǐng)日: 2012-03-28
• 公開（公告）號(hào): CN102663749A
• 公開（公告）日: 2012-09-12
• 發(fā)明（設(shè)計(jì)）人: 沈民奮;張瓊;孫麗莎;方若宇;廖承福
• 申請(qǐng)（專利權(quán)）人: 汕頭大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00
• 代理公司: 廣州三環(huán)專利代理有限公司 44202
• 代理人: 溫旭

技術(shù)領(lǐng)域

本發(fā)明屬生物醫(yī)學(xué)信號(hào)處理領(lǐng)域，具體涉及超聲圖像病灶自動(dòng)提取方法。

背景技術(shù)

圖像分割就是把圖像中具有特殊涵義的不同區(qū)域分隔開來(lái)，這些區(qū)域使互不相交的每一個(gè)區(qū)域都滿足特定區(qū)域的一致性。它是圖像處理與圖像分析中的一個(gè)經(jīng)典問題。目前針對(duì)各種具體問題已經(jīng)提出了許多不同的圖像分割算法，對(duì)圖像分割的效果也有很好的分析結(jié)論。但是由于圖像分割問題所面向領(lǐng)域的特殊性，至今尚未得到圓滿的、具有普適性的解決方法。

同樣，醫(yī)學(xué)超聲圖像的分割也一直以來(lái)是一個(gè)非常棘手的問題，因?yàn)槠涔逃械陌唿c(diǎn)噪聲使圖像變得模糊不清，加之圖像本身灰度較暗、對(duì)比度較差，從而使分割難度進(jìn)一步加大。回顧近幾年，國(guó)內(nèi)外相繼提出了許多超聲圖像的分割技術(shù)，如活動(dòng)輪廓模型方法，神經(jīng)網(wǎng)絡(luò)方法，支持向量機(jī)方法以及小波變換方法等。這其中絕大部分是基于圖像灰度信息的分割技術(shù)。

傳統(tǒng)的活動(dòng)輪廓模型分為參數(shù)活動(dòng)輪廓模型與幾何活動(dòng)輪廓模型。參數(shù)活動(dòng)輪廓模型主要以Kass等人提出的snake模型為代表，由于snake模型存在一些缺陷，比如初始輪廓必須是封閉的曲線，而且須設(shè)在目標(biāo)邊緣附近，曲線捕捉范圍較小。針對(duì)snake模型的缺點(diǎn)，Chenyang?Xu?等人于1997年提出了GVF模型即梯度向量流模型，對(duì)snake模型進(jìn)行了改進(jìn)，從而增大了曲線的捕捉范圍和逼近能力。之后不斷有人提出針對(duì)snake模型的改進(jìn)方法，但這些方法都不能改變參數(shù)活動(dòng)輪廓模型的固有缺陷，即幾何拓?fù)渥兓芰Σ睢?/p>

相比于參數(shù)活動(dòng)輪廓模型，幾何活動(dòng)輪廓模型具有較強(qiáng)的幾何拓?fù)渥兓芰Γ⑶矣?jì)算穩(wěn)定，分割精度高。由于該模型的良好特性，近幾年來(lái)，在圖像分割領(lǐng)域得到了廣泛的應(yīng)用。幾何活動(dòng)輪廓模型是建立在曲線進(jìn)化理論和水平集思想的基礎(chǔ)之上的。在幾何活動(dòng)輪廓模型中，曲線的移動(dòng)僅僅在幾何尺度下進(jìn)行，所以輪廓的演變過程與參數(shù)化無(wú)關(guān)。活動(dòng)曲線的進(jìn)化利用高維函數(shù)的水平截集來(lái)間接表示，因此曲線在拓?fù)鋵W(xué)上的變化可以自然而然的得到。在幾何活動(dòng)輪廓模型分割方法中，廣泛采用如下邊緣檢測(cè)算子

其中，表示原始圖像，表示標(biāo)準(zhǔn)差為的高斯核函數(shù)。該算子對(duì)一般的灰度圖像邊緣的檢測(cè)效果較好，但它的一個(gè)致命缺陷是受圖像的對(duì)比度以及亮度的影響較大，對(duì)于一幅對(duì)比度較低或者亮度較暗的圖像來(lái)說，檢測(cè)出的邊緣效果并不理想。尤其對(duì)于超聲圖像這種特殊圖像，由于其本身具有斑點(diǎn)噪聲以及圖像比較暗的特點(diǎn)，邊緣檢測(cè)器g則檢測(cè)不到對(duì)比度較差的邊緣或者一些細(xì)節(jié)紋理。而我們知道，圖像分割的實(shí)質(zhì)可以歸結(jié)到對(duì)圖像的邊緣檢測(cè)上來(lái)。因此邊緣檢測(cè)算子的好壞直接影響到圖像的最終分割效果理想與否。所以，針對(duì)目前的圖像分割技術(shù)現(xiàn)狀，我們迫切需要在超聲圖像的分割中引入一種性能較佳的邊緣檢測(cè)算子來(lái)克服傳統(tǒng)邊緣檢測(cè)方法的不足，從而達(dá)到理想的分割效果。

發(fā)明內(nèi)容

本發(fā)明目的是針對(duì)上述分割技術(shù)存在的缺陷，提供一種超聲圖像乳腺腫瘤自動(dòng)提取方法。

本發(fā)明可以實(shí)現(xiàn)無(wú)人工干預(yù)的超聲圖像病灶邊緣提取，不僅能快速地提取出腫瘤病灶區(qū)域，而且大大提高了準(zhǔn)確性。

本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，具體分以下步驟進(jìn)行：

（1）選取目標(biāo)圖像：用戶利用鼠標(biāo)剪裁包括有待處理的病灶的方框圖像；

（2）初始化零水平集：在裁剪后得到的圖像上病灶的周圍用鼠標(biāo)人工初始化零水平集曲線，作為初始曲線輪廓；

（3）利用在模型基礎(chǔ)上改進(jìn)的模型對(duì)超聲圖像病灶進(jìn)行自動(dòng)分割：

3a?計(jì)算基于相位一致性的邊緣檢測(cè)算子

其中，為圖像的相位一致性函數(shù)，計(jì)算公式如下

式中，表示方向，表示小波變換尺度，為各個(gè)方向上的權(quán)值，為變換幅度，表示相位偏差，為閾值，可以根據(jù)具體情況來(lái)設(shè)定；其中可由如下兩個(gè)表達(dá)式計(jì)算得到

上式中表示裁剪后得到的原圖像，和分別表示變換尺度為的偶對(duì)稱小波和奇對(duì)稱小波，是由原圖像經(jīng)過小波變換得到；

3b求取迭代方程：將新的邊緣檢測(cè)算子代入新的模型當(dāng)中，得到如下方程

式中，是正參數(shù)，為水平集曲線，為相位向量，表示梯度，表示旋度；

將上述方程離散化得到如下的迭代方程：

式中的表示迭代的時(shí)間步長(zhǎng)，的取值應(yīng)適中，時(shí)表示被初始化的零水平集曲線；

3c?模型更新：將上述方程進(jìn)行迭代計(jì)算，從而更新水平集曲線，使得曲線不斷逼近病灶的邊緣，直到曲線的能量達(dá)到最小化為止；

3d繪制迭代之后得到的零水平集曲線，從而得到最終的病灶分割結(jié)果。