一种提取超声图像中肝脏区域的方法与流程
本发明涉及提取超声图像中器官区域图像的方法，具体而言，涉及一种提取超声图像中肝脏区域的方法。
背景技术：
超声检查是一种将超声应用于人体检测的技术，它利用人体对超声波反射的强弱成像，测量生理或组织结构的形态及密度等数据，发现疾病症状。作为一种常规的身体检查手段，超声拥有众多优点。首先它利用的是超声波，对人体无伤害，是一种安全的检查手段。与此相反的是利用各种射线的检查，对人体有着较大的伤害。其次，超声检查的价格便宜，一次检查的费用通常为几十元，普通人都可以承受。而CT、磁共振的检查费用则昂贵得多。另外，超声近些年的检测精度得到了较大的提高，比如在腹部检查方面，超声已经可以检查出小肝癌。然而超声也有其自身的缺陷，比如超声图像模糊，容易受到噪声的影响，导致超声中病灶的定位比较困难。因此目前超声常常用于体检、筛查，而CT、磁共振则用于确症。
肝脏在超声中有以下特点：内部不均匀，导致肝脏很难提取完整；外部与其他区域相连接，导致将其他器官误加入进来。现有技术中，有人采用高斯金字塔构造多分辨率图像，从而减少超声中斑点噪声的影响。也有人采用各向异性扩散滤波提高超声图像的质量，然后使用Chan-Vese活动轮廓分割图像，但对于肝脏图像提取来说，一种存在着噪声大，分割困难，获取的图像不精确等问题。中国专利201210131489.7提供了一种基于超声图像和三维模型的肝脏体积测量方法，包括以下步骤：利用肝脏图谱建立三维肝脏模型；获取肝脏指定切面的超声图像，并进行图像分割获得超声图像中肝脏的边缘轮廓线；将所述超声图像与所述三维肝脏模型配准；以超声图像中肝脏的边缘轮廓线为参考图像，对三维肝脏模型进行弹性变形；以一组平行等间隔的平面切割变形后的三维肝脏模型，计算所有切断面的面积之和与相邻两个切断面的间距的乘积，将计算结果作为肝脏的体积，该方法测量方便快速，对人体无任何损害，可反复测量，但不能有效解决超声图像中的噪声问题。中国专利201510299989.5提供了一种基于快速凸优化算法配准三维CT与超声肝脏图像的方法。该基于快速凸优化算法配准三维CT与超声肝脏图像的方法包括下述过程：将超声和CT图像分辨率调整到相同；对超声和CT图像的基于刚体变换的粗配准；提取多模态图像配准的统一特征信息；计算当前非刚性形变场u(x)下，数据项中的D(u)和D(u)的梯度场对逐步凸优化方法的每一步进行模型求解，得到形变场最优矫正值h(x)，更新形变场，直到h(x)很小；根据求解的非刚性形变场，对超声图像变换，与CT图像配准；该现有技术通过建立合理的模型，设计出快速、精确的三维超声CT肝脏图像配准算法，但也未能有效解决超声图像中的噪声问题。
技术实现要素：
为克服现有技术中存在的超声图像中肝脏区域噪声大、与其他区域相连接而导致的难提取完整的问题，本发明提供了一种提取超声图像中肝脏区域的方法。本发明的技术方案是：一种提取超声图像中肝脏区域的方法，包括如下步骤：
步骤1：预处理，具体的，处理图像中的光照不均匀的情况，使图像中的肝脏区域的亮度趋于一致；
步骤2：利用FCM_I算法分割图像，具体的，利用添加了邻域相关性信息及先验形状信息的FCM_I算法减小图像中的噪声及完成图像分割；
步骤3：获得前景和背景的分割，具体的，根据FCM_I算法分类结果及灰度信息，获得图像的前景区域和背景区域；
步骤4：获取超声图像中的肝脏区域，具体的，根据肝脏中器官的分布和形状，获得完整肝脏区域的图像。
在一些实施方式中，还包括步骤5：采用活动轮廓算法进一步优化提取肝脏区域的边缘。
在一些实施方式中，所述步骤1中，处理光照不均匀得方法为：
式(1)：I(x，y)＝I(x，y)-min(NI(x，y))，
其中，I(x，y)是图像的一个像素，NI(x，y)是I(x，y)的邻域，通过式(1)预处理后的图像变暗，但是整体的亮度趋于一致。
在一些实施方式中，所述步骤2中分割图像的方法为：采用FCM算法，通过不断迭代使目标函数最小化的方法得到超声波肝脏区域图像中像素的隶属度的值，然后根据最大隶属度原则对像素进行划分，实现图像的分割，并通过添加邻域相关性信息及先验形状信息减小图像中的噪声。
在一些实施方式中，所述步骤2中添加了邻域相关性信息的FCM_I算法的目标函数为：
式(2)FCM_I：
其中，Nj表示像素j的邻域，Nr代表的是邻域Nj中像素的数目，i是像素类别下标，其中，共有C个类别，j是像素下标，其中，共有N个像素，m是调节模糊隶属度的权重指数，dij＝||xj-vi||为第j个像素xj与第i个聚类中心vi的灰度差值，dir＝||xr-vi||为像素xr与第i个聚类中心vi的灰度差值，uij是xj相对于vi的模糊隶属度，αij是调节控制邻域影响的参数。
在一些实施方式中，所述模糊隶属度是像素归属于某个类别的概率，其值属于[0，1]，对于一个像素，其属于各个类别的模糊隶属度之和为1，即式(3)：
在一些实施方式中，求解式(2)在式(3)条件下的极值，具体的，采用拉格朗日乘子法对各个变量求导，得模糊隶属度uij以及聚类中心vi的迭代公式：
式(4)：
式(5)：
通过式(4)和式(5)的迭代，使目标函数，即式(2)，逐渐趋于最小化，获得每个像素的隶属度，从而实现图像的分割。
在一些实施方式中，在采用添加了邻域相关性信息的FCM_I算法中，添加先验形状信息限制，具体的，限制肝脏的轮廓区域为Rg，限制背景区域为Rb，另外还设有过渡区域Ri，其中，Rg＝Ix＞p1，Rb＝Ix＜p2，式中，Ix为图像，过渡区Ri为Ix中除了Rg和Rb的区域。
在一些实施方式中，采用式(6)：
添加先验形状信息，其中，α1、α2和α3是三个不同的参数，且α1＜α2＜α3。
与现有技术相比，本发明的有益效果是：本发明提出的算法在实验中获得较好的提取效果。该方法利用肝脏在超声图像中形状的先验信息，提高了可能出现肝脏区域前景像素的联系，并降低了该区域背景间的联系，从而使得提取的区域更完整。除此之外，算法还结合了亮度不均匀背景的预处理，以及从多个聚类中提取完整的前景区域的操作，从而获得了比较完整的肝脏区域。
附图说明
图1是本发明提供的一种提取超声图像中肝脏区域的方法步骤流程图；
图2是未经过预处理的超声肝脏区域图像；
图3是经过预处理的超声肝脏区域图像；
图4是先验信息获取的肝脏区域、背景区域和过渡区域；
图5是本发明提供的一种提取超声图像中肝脏区域的方法中分别通过FCM算法聚类结果的所获取的图像示例；
图6是本发明提供的一种提取超声图像中肝脏区域的方法中分别通过FCM_S算法聚类结果的所获取的图像示例；
图7是本发明提供的一种提取超声图像中肝脏区域的方法中分别通过FCM_I算法聚类结果的所获取的图像示例。
具体实施方式
以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
图1至图7示意性地显示了根据本发明披露的一种提取超声图像中肝脏区域的方法。
如图1所示，本发明披露的一种提取超声图像中肝脏区域的方法，利用FCM算法，利用先验知识控制分类区域的联系。然而FCM仅仅是一个聚类算法，因此需要配合其他预处理和后处理才能够完成提取肝脏区域的任务。以下是本发明提出的肝脏区域提取方案。
步骤1：预处理，具体的，处理图像中的光照不均匀的情况，使图像中的肝脏区域的亮度趋于一致。超声图像不仅噪声大，且受到亮度不均匀的影响，如图2所示，背景亮度暗的区域很容易被误判为背景。本发明处理光照不均匀得方法是通过：式(1)：I(x，y)＝I(x，y)-min(NI(x，y))处埋图像中的光照不均匀的情况，其中，I(x，y)是图像的一个像素，NI(x，y)是I(x，y)的邻域，经过预处埋后的图像如图3所示，虽然肝脏区域变暗了，但是整体的亮度趋于一致，更利用肝脏区域的提取。
步骤2：利用FCM_I算法分割图像，具体的，利用添加了邻域相关性信息及先验形状信息的FCM算法减小图像中的噪声及完成图像分割。在本发明的此实施方式中，步骤2中分隔图像的方法实际为：采用FCM算法，通过不断迭代使目标函数最小化的方法得到超声波肝脏区域图像中像素的隶属度的值，然后根据最大隶属度原则对像素进行划分，实现图像的分割，并通过添加邻域相关性信息及先验形状信息减小图像中的噪声。
传统的，设图像I，FCM的目标函数为：式(7)：FCM：其中，i是像素类别下标，其中，共有C个类别，j是像素下标，其中，共有N个像素，m是调节模糊隶属度的权重指数，dij＝||xj-vi||为第j个像素xj与第i个聚类中心vi的灰度差值，uij是xj相对于vi的模糊隶属度。
模糊隶属度是像素归属于某个类别的概率，其值属于[0，1]，对于一个像素，其属于各个类别的模糊隶属度之和为1，即
式(3)：
求解式(7)在式(3)条件下的极值，具体的，采用拉格朗日乘子法对各个变量求导，得模糊隶属度uij以及聚类中心vi的迭代公式：
式(8)：
式(9)：
通过式(8)和式(9)的迭代，使目标函数，即式(7)，逐渐趋于最小化，获得每个像素的隶属度，从而实现图像的分割。
原始FCM算法的最大问题在于，目标函数没有包含任何空间信息，导致受噪声影响很大。只利用像素本身的信息，这带来的问题是抗噪能力差，由于噪声一般是独立存在的，与周围像素区分明显，因此算法容易将噪声单独形成一个区域，从而使得原本完整的区域中充满了孔洞。原始FCM的另一个问题是当一个区域的颜色不均匀时，容易将之分成数个区域，增加后期处理的难度。于是，作本发明的一个发明点，在本发明的此实施方式中，在FCM算法上添加了邻域相关性信息，得到添加了邻域相关性信息的FCM算法的目标函数为：
式(2)FCM_I：
其中，Nj表示像素j的邻域，Nr代表的是邻域Nj中像素的数目，i是像素类别下标，其中，共有C个类别，j是像素下标，其中，共有N个像素，m是调节模糊隶属度的权重指数，dij＝||xj-vi||为第j个像素xj与第i个聚类中心vi的灰度差值，dir＝||xr-vi||为像素xr与第i个聚类中心vi的灰度差值，uij是xj相对于vi的模糊隶属度，αij是调节控制邻域影响的参数。
模糊隶属度是像素归属于某个类别的概率，其值属于[0，1]，对于一个像素，其属于各个类别的模糊隶属度之和为1，即
式(3)：
求解式(2)在式(3)条件下的极值，具体的，采用拉格朗日乘子法对各个变量求导，得模糊隶属度uij以及聚类中心vi的迭代公式：
式(3)：
式(4)：
通过式(3)和式(4)的迭代，使目标函数，即式(2)，逐渐趋于最小化，获得每个像素的隶属度，从而实现图像的分割。
添加了邻域相关性的FCM_I算法能够有效增加抗噪能力，但是该方法添加的是全局一致的项，并非整个区域都需要，因此作本发明的另一个发明点，在本发明的此实施方式中，在FCM_I算法中添加先验形状信息，即添加限制，具体的，区域内的联系，和区域外的联系并不一致。添加的限制根据不同对象确定，本发明在肝脏提取中的限制为一个肝脏的轮廓区域Rg，而限制背景区域为Rb，另考虑到每一幅图像中的肝脏区域均有所不同，在肝脏区域和背景区域外还增加了过渡区Ri，其中，Rg＝Ix＞p1，Rb＝Ix＜p2，式中，Ix为图像，过渡区Ri为Ix中除了Rg和Rb的区域。为了确定肝脏区域，让医生将多幅超声图像中的肝脏区域勾画出来，并叠加投票。得票多的区域被认为是肝脏区域，得票少或者没有得票的区域为背景，其他的是过渡区域。
作为优选的，区域Rg内注重前景的联系，需要加强前景区域对周围的影响，即当vi为前景中心时，利用较小的α值，增加表达式(2)后半部分的比重。另一方面，区域Rg内减少背景的联系，即当vi为背景中心时，利用较大的α值，减少表达式(2)后半部分的比重。由于表达式迭代趋于极小值，因此，使用本文定义的α值，可以使Rg中的提取的肝脏区域更完整。
图4显示了肝脏先验信息的提取过程。其中(a)是手工提取的肝脏区域，(b)是(a)二值化的结果，(c)是将(b)中的图叠加后的结果。图4(c)中的图即为Ix。
作为优选的，采用式(6)：
添加先验形状信息，其中，α1、α2和α3是三个不同的参数，且α1＜α2＜α3。
本发明步骤2中，由于添加了先验信息及邻域相关性信息，使获得的肝脏区域比较完整。
步骤3：获得前景和背景的大致分割。具体的，根据FCM_I算法的分类结果以及灰度信息，得到的前景和背景区域。
步骤4：获取超声图像中的肝脏区域。具体的，在腹部超声图像中肝脏通常是最大的器官，利用这一先验知识，根据肝脏中器官的分布和形状，获得完整肝脏区域的图像。
作为优选的，还包括步骤5：采用活动轮廓算法进一步优化提取肝脏区域的边缘。
为了验证本发明提出的算法，将本发明的方法在超声图像上进行了测试。如图5至图7所示，图像均有较大的噪声，并且出现了亮度不均匀的情况。算法与原始的FCM以及FCM_S进行比较。聚类数目3，FCM_S中的α＝1，本发明提出算法的预处理邻域大小为5×5，参数α1＝4，α2＝1，α3＝0.1。图5至图7是三种FCM算法聚类结果的示例，其中图5是原始FCM的结果，图6是FCM_S的结果，图7是FCM_I算法的结果，从图5至图7可以看出FCM的结果比较碎，而FCM_S的结果则完整了一些，本发明提出的FCM_I算法的结果最好。可见本发明提出的约束方法能够提高FCM的分类效果。
为了获得更准确地比较数据，将实验中使用的超声图像进行了人工分割，提取出完全正确的肝脏部分作为参照对象。然后使用上述算法提取肝脏区域，并与正确的参考结果比较，得到与正确率P＝TP/(TP+FP)、召回率R＝TP/AP，其中TP是分类正确的像素数，FP是分类错误的像素数，AP是肝脏区域像素的总数。从表1中可以看出FCM_I算法的正确率P和召回率R较FCM和FCM_I算法均有所提高。
表1 三种FCM的性能比较
本发明披露的一种提取超声图像中肝脏区域的方法在实验中获得较好的提取效果。该方法利用肝脏在超声图像中形状的先验信息，提高了可能出现肝脏区域前景像素的联系，并降低了该区域背景间的联系，从而使得提取的区域更完整。除此之外，算法还结合了亮度不均匀背景的预处理，以及从多个聚类中提取完整的前景区域的操作，从而获得了比较完整的肝脏区域。
上述说明示出并描述了本发明的优选实施例，如前所述，应当理解本发明并非局限于本发明所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本发明所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！