基于主动轮廓模型的超声图像分割中获取初始轮廓的方法

摘要

本发明公开了一种基于主动轮廓模型的超声图像分割中获取初始轮廓的方法，包含以下步骤：训练超声图像肿瘤区域的纹理特征，并与标准椭圆经验值、待测超声图像中肿瘤先验大小一起构成一个标准向量；对待测超声图像进行预处理；对图像进行动态阈值分割；提取动态阈值分割结果中产生的所有闭合轮廓，形成相应子图像；计算各个子图像的纹理特征24个、椭圆拟合结果参数1个以及子图像闭合轮廓内部像素个数，并用这26个数据构成一个向量；计算所得向量与肿瘤区域训练所得的标准向量的距离，确定距离最小的向量对应子图像中的闭合轮廓即为所分割超声图像中肿瘤的轮廓。本发明方法克服了超声图像多噪声、边界模糊的问题，初始轮廓准确率高。

说明书

技术领域

本发明涉及一种基于主动轮廓的超声图像分割中获取初始轮廓的方法，属于 超声图像处理领域。

背景技术

随着高强度聚焦超声的出现，非侵入式治疗肿瘤应用的越来越广泛，该治疗 系统在临床中有着很大的优势如不开刀，不留疤痕，无创或微创伤，可以实时检 测治疗，不受肿瘤大小限制，总费用低等。这些优势都决定高强度聚焦超声治疗 系统有着很大的发展应用前景。而高强度聚焦超声治疗系统中最关键的就是对病 人肿瘤进行实时导航。导航过程需要对实时超声图像中的肿瘤进行定位。将传统 的手动定位方式改变为自动定位，将对该治疗系统的治疗效率和治疗准确性带来 非常大的帮助。

超声图像分割是在肿瘤检测、诊断和治疗中被广泛应用，其分割的准确性 直接关系到肿瘤的定位。经过长期的深入研究，已经提出的超声图像分割方法有 基于区域的、基于边界的和基于统计信息的，不同类型的分割方法具有不同的分 割特点。主动轮廓模型（Active Contour Model），又被称为Snake，是由Andrew  Blake教授提出的一种目标轮廓描述方法，主要应用于基于形状的目标分割。该 模型的优越之处在于它对于范围广泛的一系列视觉问题给出了统一的解决方法, 在最近的十多年中,它已经被越来越多的研究者成功地应用于计算机视觉的许多 领域，如边缘提取，图像分割和分类，运动跟踪，三维重建，立体视觉匹配等。

但是该模型需要初始轮廓，如果手动获取初始轮廓再进行收敛，即费时费力， 又不够精确。因此设计自动获取初始轮廓的方法是非常必要的。

发明内容

本发明所要解决的技术问题在于提供一种基于主动轮廓模型的超声图像分 割中获取初始轮廓的方法。该方法操作简单可靠、速度快，由该方法获取的超声 图像肿瘤初始轮廓准确性也很高。

本发明的一种超声图像分割中自动提取肿瘤初始轮廓的方法，包含以下步 骤：

（1）选取60幅以上已有的超声图像组成训练集，所述已有的超声图像含有 与待分割超声图像相同的肿瘤，用灰度级共生矩阵从训练集中每幅超声图像中提 取肿瘤区域的24个纹理特征，利用数学线性回归中的的最小距离法得到24个纹 理特征的标准值，并与标准椭圆经验值、待测超声图像中肿瘤先验大小一起构成 一个标准向量A₀；

（2）对待分割超声图像进行各向异性扩散和直方图均衡的预处理；

（3）对（2）所得图像进行动态阈值分割，并提取动态阈值分割结果中产生 的所有闭合轮廓，每个闭合轮廓形成一个相应子图像；

（4）利用灰度级共生矩阵提取各个子图像的24个纹理特征，计算椭圆拟合 结果参数以及子图像闭合轮廓内部像素个数，并用这26个数据构成一个向量A₁；

（5）计算每一个子图像所得向量A₁与肿瘤区域训练所得的标准向量A₀的 距离D，使得D最小的向量A₁所对应子图像中的闭合轮廓为待分割超声图像中 肿瘤的初始轮廓。

步骤（1）中，标准椭圆经验值确定为0.7。

上述24个纹理特征包括图像0°、45°、90°、135°四个方向上的对比度、 能量、相关性、逆差矩、熵以及非相似度各六个特征。

要使得初始轮廓的获取更加准确，在确定标准向量A₀的过程中，需要用到 可靠地数学手段。比如训练过程中超声肿瘤图像有60幅，每一幅图像都要求得 一个纹理特征向量A_i，那么如何处理这60个向量以得到一个标准向量A₀是需 要认真考虑的。结合后面利用A₀来确定肿瘤区域时候所用的方法：计算从各个 子图像中提取出的特征向量A₁与A₀的距离，那么此时也可用距离这个参考来获 取标准向量A₀。具体执行方法是数学中的线性回归，即将某个纹理特征所拥有 的60个特征值对应到坐标系中，然后求出坐标系中一个数据，使得这60个值到 该数据所在直线的距离之和最短，那么这个数据就是该纹理特征的标准值，依次 可以求出这24个纹理特征分别对应的标准值，这些标准值与标准椭圆数据、待 测超声图像中肿瘤先验大小一起构成一个标准向量A₀。

其中待测超声图像中肿瘤先验大小由超声检测时，医生或者专家直接标注出 肿瘤区域长短轴，单位一般为毫米，然后根据超声图像中实际长度与像素比例， 例如每毫米4个像素，可以计算得到肿瘤区域的先验大小。

上述每个子图像只能包含一个闭合轮廓。

上述计算距离D所用的方法是χ²距离公式求得:

$D_{x^2}\left(\mathrm{1,0}\right)=\frac{1}{2}{\Sigma }_{k=0}^{25}\frac{{[A_1\left(k\right)-A_0\left(k\right)]}^2}{A_1\left(k\right)+A_0\left(k\right)}$

A₀(k)和A₁(k)分别表示向量A₀和A₁中第k个参数，k取0～25之间的整数。

本发明的有益之处在于：

（1）改变了传统手动获取初始轮廓的笨拙之处。

（2）初始轮廓获取方法简单、快速，适用于活动轮廓模型

（3）所得的初始轮廓清晰准确，作为之后的活动轮廓用于收敛具有高效精确 的优点，大大提高了超声图像分割的效率和准确性。

附图说明

图1为本发明所述自动轮廓获取方法的流程图。

图2为本发明实例1的一幅肝肿瘤图像初始轮廓结果图。图2（a）为肝脏肿瘤 超声图像原始图；图2（b）为原图像经过各向异性扩散和直方图均衡以后的预 处理结果；图2（c）为预处理图像动态阈值分割结果；图2（d）为获取的初始 轮廓结果。

图3为本发明实例2的两幅子宫肌瘤超声图像初始轮廓结果图，及其结果作为主 动轮廓模型的初始轮廓，经过GGVF力场驱动下的收敛之后得到最终肿瘤边界 的结果图。

具体实施方式

以下通过一些具体实施方式来更详细的说明本发明，但本发明并不限定于这 些实施例。

实施例1：

经过对60幅已有肝脏肿瘤超声图像进行训练得到肝肿瘤超声图像的标准特 征向量A₀。即首先对每一幅图像利用灰度共生矩阵计算出它的24个纹理特征值， 那么会得到60组含有24个元素的特征向量，对这所有特征向量进行数学线性回 归方法处理，得到一个标准特征向量，即通过寻找一个到该组特征向量的平均距 离最短的向量A，该向量A中对应的各个纹理特征值就是我们需要获得的标准 值。然后将该特征向量A添加标准椭圆拟合数据0.7以及待测超声图像中由超声 检测过程中医生标记出的肿瘤区域长短轴计算得到的肝肿瘤先验大小两个元素， 那么就得到了一个含有26个元素的标准特征向量A₀。

图2（a）为待分割肝肿瘤超声图像I，图2（b）为将原图像进行各向异性 扩散和直方图均衡处理以后所得的预处理结果；图2（c）为对图2（b）中所得 图像进行动态阈值分割的结果，并提取动态阈值分割结果中产生的所有闭合轮 廓，形成相应子图像；利用灰度级共生矩阵计算各个子图像的纹理特征24个， 计算每个子图像椭圆拟合结果参数以及子图像闭合轮廓内部像素个数，并用这 26个数据构成一个特征向量A₁；利用χ²距离公式计算每一个子图像所得向量A₁与肿瘤区域训练所得的标准向量A₀的距离D，确定使得D最小的向量A₁对应子 图像中的闭合轮廓为待分割超声图像中肿瘤的初始轮廓，图2（d）中所示即为 获取的初始轮廓结果。

实施例2：

经过对60幅已有子宫肌瘤超声图像进行训练得到子宫肌瘤超声图像的标准 特征向量A₀。即首先对每一幅图像利用灰度共生矩阵计算出它的24个纹理特征 值，那么会得到60组含有24个元素的特征向量，对这所有特征向量进行数学线 性回归方法处理，得到一个标准特征向量，即通过寻找一个到该组特征向量的平 均距离最短的向量A，该向量A中对应的各个纹理特征值就是我们需要获得的 标准值。然后将该特征向量A添加标准椭圆拟合数据0.7以及待测超声图像中由 超声检测过程中医生标记出的肿瘤区域长短轴计算得到的的子宫肌瘤先验大小 两个元素，那么就得到了一个含有26个元素的标准特征向量A₀。

图3（a1）为待分割子宫肌瘤超声图像I₁，图3（b1）为将原图像进行各向 异性扩散和直方图均衡处理以后所得的预处理结果；图3（c1）为对图3（b1） 中所得图像进行动态阈值分割的结果，并提取动态阈值分割结果中产生的所有闭 合轮廓，形成相应子图像；利用灰度级共生矩阵计算各个子图像的纹理特征24 个，计算每个子图像椭圆拟合结果参数以及子图像闭合轮廓内部像素个数，并用 这26个数据构成一个特征向量A₁；利用χ²距离公式计算每一个子图像所得向量 A₁与肿瘤区域训练所得的标准向量A₀的距离D，确定使得D最小的向量A₁对应 子图像中的闭合轮廓为待分割超声图像中肿瘤的初始轮廓，图3（d1）中所示即 为获取的初始轮廓结果。图3（e1）则是将图3（d1）中所得的初始轮廓作为主 动轮廓模型的初始轮廓，然后经过GGVF外力场进行收敛所得的最终子宫肌瘤边 界结果图。

图3（a2）为待分割子宫肌瘤超声图像I₂，图3（b2）为将原图像进行各向 异性扩散和直方图均衡处理以后所得的预处理结果；图3（c2）为对图3（b2） 中所得图像进行动态阈值分割的结果，并提取动态阈值分割结果中产生的所有闭 合轮廓，形成相应子图像；利用灰度级共生矩阵计算各个子图像的纹理特征24 个，计算每个子图像椭圆拟合结果参数以及子图像闭合轮廓内部像素个数，并用 这26个数据构成一个特征向量A₁；利用χ²距离公式计算每一个子图像所得向量 A₁与肿瘤区域训练所得的标准向量A₀的距离D，确定使得D最小的向量A₁对应 子图像中的闭合轮廓为待分割超声图像中肿瘤的初始轮廓，图3（d2）中所示即 为获取的初始轮廓结果。图3（e2）则是将图3（d2）中所得的初始轮廓作为主 动轮廓模型的初始轮廓，然后经过GGVF外力场进行收敛所得的最终子宫肌瘤边 界结果图。

实施实例中初始轮廓的提取没有需要实施者手动提供初始轮廓，这很明显减 轻了实施者的工作量，提高了超声图像分割的效率。