醫(yī)學(xué)超聲分割技術(shù)發(fā)展探究

醫(yī)學(xué)超聲分割技術(shù)發(fā)展探究

1傳統(tǒng)圖像處理領(lǐng)域中的醫(yī)學(xué)超聲圖像分割

與其它圖像分割一樣,傳統(tǒng)的醫(yī)學(xué)超聲圖像分割從整體上可分為兩大類,即基于邊緣檢測(cè)的方法和基于區(qū)域生長(zhǎng)的方法。基于邊緣檢測(cè)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(zhǎng)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(duì)偶,相輔相成,在實(shí)際應(yīng)用中往往需要結(jié)合起來運(yùn)用以獲得更好的分割效果。

1·1基于邊緣檢測(cè)的方法

基于邊緣檢測(cè)的分割方法是通過檢測(cè)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(diǎn)的判定是基于所檢測(cè)點(diǎn)的本身和它的一些鄰點(diǎn),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(dāng)然,針對(duì)不同的超聲圖像,還有許多其它不同的算子、手段來檢測(cè)出這些邊緣點(diǎn)。例如,Fan等人[2]利用非線性小波閾值法對(duì)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(jìn)行了檢測(cè),Aarnink等人[3]利用非線性Laplace濾波器實(shí)現(xiàn)了對(duì)前列腺超聲圖像的自動(dòng)分割。一個(gè)好的邊緣檢測(cè)算子不僅具有微分特性以獲得灰度變化信息,它還應(yīng)該能夠根據(jù)需要適合任何尺度下的邊緣檢測(cè),因?yàn)閳D像中的灰度是以不同尺度發(fā)生變化的。通過實(shí)驗(yàn)發(fā)現(xiàn),邊緣檢測(cè)方法獲得的邊緣信息往往會(huì)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(diǎn)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(cè)分割方法對(duì)噪聲較大的圖像還會(huì)產(chǎn)生較多的偽邊緣,為去除噪聲提出了較高的要求。這個(gè)問題在醫(yī)學(xué)超聲圖像分割中顯得尤為突出。

1·2基于區(qū)域生長(zhǎng)的方法

基于區(qū)域生長(zhǎng)的方法是依據(jù)區(qū)域內(nèi)部的均勻性實(shí)現(xiàn)圖像的分割,主要包括基于分裂和合并的技術(shù)及基于隨機(jī)場(chǎng)的技術(shù)?；诜至押秃喜⒓夹g(shù)的區(qū)域生長(zhǎng)法主要分為三種,即合并、分裂及合并-分裂相結(jié)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(jié)果,只要當(dāng)前的分割結(jié)果不能保證足夠的均勻性,就將其分裂成四個(gè)方形區(qū)域。合并-分裂相結(jié)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(jìn)行分裂。這幾種方法對(duì)圖像的質(zhì)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(duì)于醫(yī)學(xué)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(jié)合,所以這樣的參考文獻(xiàn)[4]也很少?；陔S機(jī)場(chǎng)技術(shù)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(jī)場(chǎng)隨機(jī)場(chǎng)等對(duì)圖像進(jìn)行建模,結(jié)合一些概率論知識(shí)和模擬退火等優(yōu)化方法對(duì)圖像進(jìn)行分割[5]。這種方法有時(shí)易產(chǎn)生誤分類,對(duì)紋理邊界難以分割,所以在超聲圖像分割中的應(yīng)用有待進(jìn)一步的研究。

1·3其它分割技術(shù)

圖像分割是一具有豐富內(nèi)涵的領(lǐng)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(jìn)其它學(xué)科的知識(shí)來對(duì)圖像分割進(jìn)行嘗試,如建立在積分幾何、隨機(jī)理論、模糊理論和時(shí)頻分析等基礎(chǔ)上的數(shù)學(xué)形態(tài)學(xué)法、神經(jīng)網(wǎng)絡(luò)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(gè)重要分支,醫(yī)學(xué)超聲圖像分割的研究幾乎涵蓋了所有這些分割技術(shù),但效果往往難以令人滿意,目前也難以在臨床應(yīng)用中加以推廣、應(yīng)用。

2形變模型醫(yī)學(xué)超聲圖像分割

為解決上述傳統(tǒng)圖像分割技術(shù)中存在的問題,近十年來,研究者們對(duì)基于形變模型的圖像分割算法進(jìn)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(dòng)態(tài)規(guī)劃模型、活動(dòng)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(dòng)態(tài)規(guī)劃模型的醫(yī)學(xué)超聲圖像分割動(dòng)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(diǎn)作為初始點(diǎn)和終止點(diǎn),并對(duì)原始圖像進(jìn)行一定的變換得到初始代價(jià)陣,其中目標(biāo)邊緣部分對(duì)應(yīng)位置的代價(jià)較低,而其它區(qū)域的代價(jià)較高,然后由初始代價(jià)陣和給定的初始點(diǎn)計(jì)算出累積代價(jià)陣,最后從終止點(diǎn)方向反向跟蹤至初始點(diǎn),從而獲得所需的邊緣輪廓線。文獻(xiàn)[6,7]中利用DP算法對(duì)不同的醫(yī)學(xué)超聲圖像進(jìn)行分割并得到了不錯(cuò)的分割結(jié)果。本文也對(duì)這一算法在醫(yī)學(xué)超聲圖像的分割做了一定的實(shí)驗(yàn),結(jié)果如圖1所示。通過實(shí)驗(yàn)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(yùn)算量較大:主要是累積代價(jià)陣的計(jì)算需要較多的時(shí)間,是運(yùn)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(jià)槽,這就會(huì)對(duì)本算法造成干擾,從而難以得到正確的結(jié)果;③初始點(diǎn)和終止點(diǎn)的選擇對(duì)結(jié)果有著不可忽視的影響,這一點(diǎn)可從圖1~中不同初始點(diǎn)和終止點(diǎn)所形成的不同分割結(jié)果可以看出。

2·2基于活動(dòng)輪廓模型的醫(yī)學(xué)超聲圖像分割

活動(dòng)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(yīng)用于數(shù)字圖像分析和計(jì)算機(jī)視覺等領(lǐng)域。活動(dòng)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(duì)s的一階導(dǎo)數(shù)和二階導(dǎo)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(zhì)特征,如邊緣等。對(duì)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(biāo)準(zhǔn)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(dòng)輪廓線的運(yùn)動(dòng)過程就是尋找能量函數(shù)最小點(diǎn)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(qū)使下產(chǎn)生形變,直到到達(dá)目標(biāo)的邊緣。近年來的大量研究表明,主動(dòng)輪廓線模型具有良好的提取和跟蹤特定區(qū)域內(nèi)目標(biāo)輪廓的能力,因此非常適用于醫(yī)學(xué)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(dòng)輪廓模型,對(duì)醫(yī)學(xué)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(dòng)輪廓線模型[15],對(duì)軟組織中的腫瘤超聲圖像的分割作了一些嘗試,并達(dá)到了一定的效果。從大量的參考文獻(xiàn)和自己的初步試驗(yàn)可以看出,活動(dòng)邊緣檢測(cè)算法不僅能夠保證所檢測(cè)邊緣線的連續(xù)性和閉合性,而且較動(dòng)態(tài)規(guī)劃算法的運(yùn)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(dú)到的優(yōu)勢(shì)。但是活動(dòng)邊緣檢測(cè)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(diǎn)較多,且需要在實(shí)際目標(biāo)邊緣附近,否則難以搜索到目標(biāo)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(dǎo)致無法收斂到要求的邊緣;③對(duì)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(dòng)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(gè)非常關(guān)鍵的問題,若解決了這個(gè)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(xué)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(xué)超聲圖像分割

水平集是幾何形變模型在圖像分析和計(jì)算機(jī)視覺研究中應(yīng)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(shè)定運(yùn)動(dòng)曲線為X=[X,Y],其中s為任意參數(shù),t為時(shí)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(jìn)化可用偏微分方程表示為Xt=VN式中V為擴(kuò)展速度。為解該偏微分方程,引入水平集的概念。設(shè)水平集函數(shù)為,而且運(yùn)動(dòng)曲線X由其零值集合表示,即[X,t]=0。對(duì)其求導(dǎo)得t+Δ·Xt=0式中Δ為的梯度。假設(shè)在曲線內(nèi)部為負(fù),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(guān)系便構(gòu)成了用水平集方法解決曲線進(jìn)化理論的基礎(chǔ)。水平集模型的圖像分割方法在醫(yī)學(xué)圖像分割中得到了廣泛的應(yīng)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(gè)方面。其一為醫(yī)學(xué)超聲圖像噪聲太大,運(yùn)動(dòng)速度難以設(shè)定;其二為終止條件難以給定。所以,水平集模型在醫(yī)學(xué)超聲圖像分割中的應(yīng)用還有待進(jìn)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(shù)對(duì)醫(yī)學(xué)超聲圖像的分割效果,然后對(duì)近年來迅速發(fā)展起來的幾種圖像分割技術(shù)在醫(yī)學(xué)超聲圖像分割中的應(yīng)用作了一定的嘗試、比較和評(píng)價(jià)。通過這些分析可以看出,單純應(yīng)用傳統(tǒng)的圖像分割技術(shù)對(duì)醫(yī)學(xué)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(shù)雖然能對(duì)醫(yī)學(xué)超聲圖像分割獲得不錯(cuò)的效果,但其中仍有許多