醫(yī)學超聲分割技術發(fā)展探究

醫(yī)學超聲分割技術發(fā)展探究

1傳統(tǒng)圖像處理領域中的醫(yī)學超聲圖像分割

與其它圖像分割一樣,傳統(tǒng)的醫(yī)學超聲圖像分割從整體上可分為兩大類,即基于邊緣檢測的方法和基于區(qū)域生長的方法?；谶吘墮z測的方法首先檢出圖像中局部特性的不連續(xù)性或突變性,再將它們連成邊界,這些邊界把圖像分成不同的區(qū)域;基于區(qū)域生長的方法是將象素按照某種特征歸于不同的區(qū)域,而相鄰區(qū)域具有不同的均勻性。因此這兩類方法互為對偶,相輔相成,在實際應用中往往需要結合起來運用以獲得更好的分割效果。

1·1基于邊緣檢測的方法

基于邊緣檢測的分割方法是通過檢測相鄰象素特征值的突變性來獲得不同區(qū)域之間的邊緣。邊緣點的判定是基于所檢測點的本身和它的一些鄰點,主要包括局部微分算子,如Roberts梯度算子,So-bel梯度算子和Canny算子等,當然,針對不同的超聲圖像,還有許多其它不同的算子、手段來檢測出這些邊緣點。例如,Fan等人[2]利用非線性小波閾值法對植入式超聲圖像中的腔內(nèi)膜—內(nèi)壁和外膜等形成的邊界進行了檢測,Aarnink等人[3]利用非線性Laplace濾波器實現(xiàn)了對前列腺超聲圖像的自動分割。一個好的邊緣檢測算子不僅具有微分特性以獲得灰度變化信息,它還應該能夠根據(jù)需要適合任何尺度下的邊緣檢測,因為圖像中的灰度是以不同尺度發(fā)生變化的。通過實驗發(fā)現(xiàn),邊緣檢測方法獲得的邊緣信息往往會因這些信息不夠突出而產(chǎn)生間隙,不能形成包圍物體的封閉曲線,這就要求根據(jù)這些離散的邊緣點采用一定的跟蹤、連接算法勾勒出有意義的物體邊界。另外,邊緣檢測分割方法對噪聲較大的圖像還會產(chǎn)生較多的偽邊緣,為去除噪聲提出了較高的要求。這個問題在醫(yī)學超聲圖像分割中顯得尤為突出。

1·2基于區(qū)域生長的方法

基于區(qū)域生長的方法是依據(jù)區(qū)域內(nèi)部的均勻性實現(xiàn)圖像的分割,主要包括基于分裂和合并的技術及基于隨機場的技術?；诜至押秃喜⒓夹g的區(qū)域生長法主要分為三種,即合并、分裂及合并-分裂相結合。合并的方法是,圖像首先被分成許多小的基本區(qū)域,然后根據(jù)特定的均勻性判據(jù)而合并,形成大的區(qū)域。分裂的方法是將整幅圖像作為原始分割結果,只要當前的分割結果不能保證足夠的均勻性,就將其分裂成四個方形區(qū)域。合并-分裂相結合的方法是將相鄰且具有相似特征的區(qū)域合并,而將具有明顯不均勻特征的區(qū)域進行分裂。這幾種方法對圖像的質量,特別是同一物體內(nèi)部的灰度均勻性要求較高,否則很容易出現(xiàn)過度合并和過度分裂。對于醫(yī)學超聲圖像,很少有人使用這種方法,即使使用也常與其它方法相結合,所以這樣的參考文獻[4]也很少?；陔S機場技術的圖像分割方法是利用空間區(qū)域相互作用模型如Markov隨機場隨機場等對圖像進行建模,結合一些概率論知識和模擬退火等優(yōu)化方法對圖像進行分割[5]。這種方法有時易產(chǎn)生誤分類,對紋理邊界難以分割,所以在超聲圖像分割中的應用有待進一步的研究。

1·3其它分割技術

圖像分割是一具有豐富內(nèi)涵的領域,多年來眾多的研究人員不僅從以上幾方面研究圖像分割,而且還積極引進其它學科的知識來對圖像分割進行嘗試,如建立在積分幾何、隨機理論、模糊理論和時頻分析等基礎上的數(shù)學形態(tài)學法、神經(jīng)網(wǎng)絡法、模糊聚類法、小波變換法等,并取得了一定的研究成果[8]。作為圖像分割的一個重要分支,醫(yī)學超聲圖像分割的研究幾乎涵蓋了所有這些分割技術,但效果往往難以令人滿意,目前也難以在臨床應用中加以推廣、應用。

2形變模型醫(yī)學超聲圖像分割

為解決上述傳統(tǒng)圖像分割技術中存在的問題,近十年來,研究者們對基于形變模型的圖像分割算法進行了廣泛的研究和使用,并取得了許多令人鼓舞的成果。下面將分別就動態(tài)規(guī)劃模型、活動輪廓模型和水平集模型的超聲圖像分割方法作一些討論。

2·1基于動態(tài)規(guī)劃模型的醫(yī)學超聲圖像分割動態(tài)規(guī)劃算法的基本思想是:首先在原始圖像上人工選擇一些特定的點作為初始點和終止點,并對原始圖像進行一定的變換得到初始代價陣,其中目標邊緣部分對應位置的代價較低,而其它區(qū)域的代價較高,然后由初始代價陣和給定的初始點計算出累積代價陣,最后從終止點方向反向跟蹤至初始點,從而獲得所需的邊緣輪廓線。文獻[6,7]中利用DP算法對不同的醫(yī)學超聲圖像進行分割并得到了不錯的分割結果。本文也對這一算法在醫(yī)學超聲圖像的分割做了一定的實驗,結果如圖1所示。通過實驗我們發(fā)現(xiàn)該算法不僅能夠獲得全局最優(yōu)解,而且具有一定的抗干擾能力,但是仍然存在著以下幾方面的問題:①運算量較大:主要是累積代價陣的計算需要較多的時間,是運算“瓶頸”;②容易誤入“歧途”:超聲圖像由于本身固有的物理特性,噪聲較大,所以存在著較多的偽邊緣,在代階陣中表現(xiàn)為條紋狀的低代價槽,這就會對本算法造成干擾,從而難以得到正確的結果;③初始點和終止點的選擇對結果有著不可忽視的影響,這一點可從圖1~中不同初始點和終止點所形成的不同分割結果可以看出。

2·2基于活動輪廓模型的醫(yī)學超聲圖像分割

活動輪廓線模型,又稱Snake模型,自Kass等人[8]于1987年提出以來,已廣泛應用于數(shù)字圖像分析和計算機視覺等領域。活動輪廓線可以表示為定義在s∈[0,1]上的參數(shù)曲線:X=[x,y],及其能量函數(shù)ESnake=∫10)+Eext))ds式中Eint)=12|2+β|X″|2)為內(nèi)部能量函數(shù),其中α、β為控制參數(shù),分別控制參數(shù)曲線的彈性和剛性,X′和X″分別為X對s的一階導數(shù)和二階導數(shù)。Eext)為外部能量函數(shù),它由圖像能量函數(shù)或其與其它能量函數(shù)組成:Eext)=Eimage)+Econstrain)。Eimage)反映了圖像的某些本質特征,如邊緣等。對于灰度圖像I,一般采用以下幾種外部能量函數(shù):E1image)=±Δ·I)E2image)=±IE3image)=-|ΔI|2E4image)=-|Δ·I)|2其中Gσ為標準差為σ的二維高斯函數(shù),Δ為梯度算子。由上述幾種圖像能量函數(shù)可以看出,圖像邊緣處的能量最小。

主動輪廓線的運動過程就是尋找能量函數(shù)最小點的過程,從人工定義的初始位置開始,在使能量函數(shù)遞減的算法的驅使下產(chǎn)生形變,直到到達目標的邊緣。近年來的大量研究表明,主動輪廓線模型具有良好的提取和跟蹤特定區(qū)域內(nèi)目標輪廓的能力,因此非常適用于醫(yī)學圖像如CT、MRI和超聲圖像的處理,以獲取特定器官及組織的輪廓。Yoshida等人[9-15]基于一定的活動輪廓模型,對醫(yī)學超聲圖像分割作了較為深入的研究。本文基于梯度矢量流主動輪廓線模型[15],對軟組織中的腫瘤超聲圖像的分割作了一些嘗試,并達到了一定的效果。從大量的參考文獻和自己的初步試驗可以看出,活動邊緣檢測算法不僅能夠保證所檢測邊緣線的連續(xù)性和閉合性,而且較動態(tài)規(guī)劃算法的運算量小得多。

另外,該算法在序列圖像跟蹤分割算法中有著獨到的優(yōu)勢。但是活動邊緣檢測及其各類“變種”算法仍存在著以下一些問題:①要給的初始點較多,且需要在實際目標邊緣附近,否則難以搜索到目標邊緣;②本算法所求得的是局部最優(yōu)解,而非全局最優(yōu)解,受偽邊緣及噪聲的影響較大,容易陷入局部最小解,或產(chǎn)生振蕩,從而導致無法收斂到要求的邊緣;③對B超圖像的邊緣特征信息,即圖像能量函數(shù)難以給出,這也是包括動態(tài)規(guī)劃算法和常規(guī)分割算法在內(nèi)的各種圖像分割算法都有的一個非常關鍵的問題,若解決了這個問題,其它許多問題都能夠得以很好地解決。所以圖像能量函數(shù)一直是醫(yī)學超聲圖像分割的重要內(nèi)容。

2·3基于水平集模型的醫(yī)學超聲圖像分割

水平集是幾何形變模型在圖像分析和計算機視覺研究中應用較多的一種模型。目前圖像分割中的水平集模型一般是根據(jù)Osher等人[14]建立的模型而建立起來的。設定運動曲線為X=[X,Y],其中s為任意參數(shù),t為時間,用N表示曲線的單位法向量,κ表示曲率。曲線沿其法向量的進化可用偏微分方程表示為Xt=VN式中V為擴展速度。為解該偏微分方程,引入水平集的概念。設水平集函數(shù)為,而且運動曲線X由其零值集合表示,即[X,t]=0。對其求導得t+Δ·Xt=0式中Δ為的梯度。假設在曲線內(nèi)部為負,外部為正,則曲線的單位法向量為N=-Δ|Δ|由式和式,我們可重寫式t=V|Δ|其中,零值集表示的曲線上的曲率為κ=Δ·Δ|Δ|=xx2y-2xyxy+yy2x3/2式和式之間的關系便構成了用水平集方法解決曲線進化理論的基礎。水平集模型的圖像分割方法在醫(yī)學圖像分割中得到了廣泛的應用,但是用于超聲圖像的分割還很少[16-17]。究其原因,可能有兩個方面。其一為醫(yī)學超聲圖像噪聲太大,運動速度難以設定;其二為終止條件難以給定。所以,水平集模型在醫(yī)學超聲圖像分割中的應用還有待進一步深入研究。

3討論和展望

本文首先闡述了用傳統(tǒng)圖像分割技術對醫(yī)學超聲圖像的分割效果,然后對近年來迅速發(fā)展起來的幾種圖像分割技術在醫(yī)學超聲圖像分割中的應用作了一定的嘗試、比較和評價。通過這些分析可以看出,單純應用傳統(tǒng)的圖像分割技術對醫(yī)學超聲圖像分割,往往難以獲得滿意的效果,而近年來迅速發(fā)展起來的形變模型分割技術雖然能對醫(yī)學超聲圖像分割獲得不錯的效果,但其中仍有許多