基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法技术

本发明专利技术提供了一种基于边缘和统计特征的水平集医学超声图像区域轮廓自动提取方法，本发明专利技术针对医学超声图像对比度低、信噪比小的特点，设计了一种基于边缘和统计特征的水平集区域轮廓提取方法。该方法分三个步骤：第一步，区域轮廓粗提取，完成图像取反、自适应高斯函数背景抑制、运用ｏｔｓｕ图像自动阈值算法把图像转化为二值图像、图像去脂肪干扰操作、封闭区域轮廓提取工作；第二步采用一种选择性各向异性医学超声图像平滑算法，对原始图像进行预处理；第三步是基于边缘和统计特征的水平集图像区域轮廓精确提取。实验结果表明本发明专利技术方法和已有方法相比，能够获得更准确的分割结果。

【技术实现步骤摘要】

本专利技术涉及医学超声图像处理领域，尤其涉及一种医学超声图像的区域轮廓提取方法。(二)
技术介绍
医学超声图像作为重要的医学影像形式之一，在临床诊断和医学研究中发挥着重要作用。 在临床中，超声图像诊断中感兴趣区域的形态学特征及其面积或体积都是重要的诊断信息， 而这些信息的计算依赖于区域的轮廓。因此，提取区域轮廓是医学超声图像诊断的关键环节。 然而，由于超声信号衰减、散斑、阴影、信号泄露以及由于图像获取的方向性导致的边缘遗 失等缺陷造成图像中各组织间的边界模糊不清，从而使医生对超声图像中感兴趣区域轮廓辨 识比较困难，同时，医生手工绘制感兴趣区域轮廓既繁琐又存在主观性，因此研究具有高质 量的轮廓自动提取方法具有重要意义。图像的区域轮廓提取与图像分割密不可分，图像分割就是把图像分成若干有特定意义的 区域的处理技术，即根据图像的某些特性把图像分成若干性质不同的区域，在每个区域内部 有相同或相近的特性，而相邻区域的特性不相同。根据像素特性在目标区域内部性质一致性 和区域间边界上的不连续性，常用的医学超声图像分割采用基于边缘检测的图像分割方法和 基于区域特征的图像分割方法(J. Alison Noble， Djamal Boukerroui. Ultrasound Image Segmentation: A Survey. IEEE Trans, on Medical Imaging. 2006, 25:987-1010)。基于 边缘检测的分割方法主要是寻找感兴趣区域的封闭边界， 一般都采用各种微分算子来实现， 如Roberts算子、Sobel算子、Laplace算子等各种梯度算子以及小波变换等，由于微分运算 受噪声影响较大，所以此类方法对超声图像进行分割时质量不是很高；基于区域特征的图像 分割方法是将整体图像分割成若干互补重叠的小区域，使各区域内像素的某种相似性大于区 域之间的相似性，此类分割方法包括阈值法、区域生长法、Watershed算法、EM算法、数学 形态学方法以及统计特征方法等，此类方法在进行处理过程中，对所有像素都进行运算，往 往将边缘模糊，因此不利于边缘的有效提取。近年来在传统的像素特征分割的基础上，也提出了基于形变模型的分割方法，包括Snakes 模型、优化模型、几何与统计特征模型、物理模型、随机场模型等(M. Alemdn， P. Alem化， L Alvarez. Semiautomatic Snake-based Segmentation of Solid Breast Nodules on Ultrasonography. Lectures Notes in Computer Science (EuroCast 2005)， 2005， 3634:467-472)，以及利用水平集在解决曲线演化问题上的有效数值方法来实现图像的分割 与轮廓提取的方法(Yu-Len Huang, Yu-Ru Jiang, Dar-Ren Chen. Level Set Contouring forBreast Tumor in Sonography. Journal of Digital Imaging. 2007, 20(3):238-247)等， 但是分割效果仍然不够好。总之，对于超声图像区域轮廓的自动提取，已有方法的质量都不高，无法满足目前医学 诊断的实际需要。
技术实现思路
本专利技术的目的在于提供一种在传统图像分割方法的基础上，发挥水平集在曲线演化数值 解法方面的优势，能够得到高质量的超声图像区域轮廓提取结果的基于边缘和统计特征的水 平集医学超声图像区域轮廓提取方法。本专利技术的目的是这样实现的它包括三部分(l)基于原始图像的区域轮廓粗提取；(2) 基于原始图像的超声图像预处理；(3)结合部分(1)和部分(2)的基于边缘和统计特征的水平集图像区域轮廓提取。图像区域轮廓粗提取、图像预处理、图像区域轮廓精提取，图像 区域轮廓粗提取根据感兴趣选定区域(如肿瘤等)在超声图像中的特点，采用图像取反、高 斯函数背景抑制、二值化、形态学开运算去干扰、无需初始化水平集方法提取轮廓等提収区域的粗轮廓，作为后续轮廓精提取算法的初始值；图像预处理采用一种选择性各向异性医学 超声图像平滑算法；图像区域轮廓精提取，采用边缘和统计特征相结合的水平集区域轮廓自 动提取方法。(1)第一部分区域轮廓粗提取。 区域轮廓粗提取的目的是为后面轮廓精细提取做初始化，它分为以下五个步骤1) 图像取反在超声图像中，诸如心室、乳腺肿瘤等感兴趣区域(即选定区域)大都呈现无回声或低 回声性特性。图像取反的冃的是为了这些区域呈现高亮度，而周围的组织变成低亮度，为下 一步做准备。取反公式如下A(/，力二255-A(/，7') (1)式中"/分别是图像中某像素点的横坐标和纵坐标，m， //2分别是转换前和转换后的图像。2) 自适应高斯凼数背景抑制自适应抑制函数的作用是使位于图像中心的感兴趣区域呈现高亮度，远离中心的像素处 于低亮度甚至为零。所谓自适应是指抑制函数窗口宽度根据感兴趣区域的大小自动调节。本专利技术设计了一种基于高斯函数的自适应抑制函数，函数表达式如下式1 a r —i a(2)式中p为图像中某点像素的坐标，々是图像的中心坐标，K=^2、 cr 分别是图像x、 y轴方向的方差，且 二w/4， ^,=A/4，其中w、 /z分别是图像的宽度和高度。 经过自适应高斯抑制后，图像肿瘤等感兴趣区域就会比周围组织亮度高。3) 运用otsu图像自动阈值算法把图像转化为二值图像oLsu算法是一种经典的图像阈值自动选择算法，该算法通过穷举方法求取下式的最大值 (即最大类间方差)，从而确定图像的阈值《(0 = M (0 2 (0 (,) - "2 Wf (3) 式中A(O、w2(f)是图像被阈值,分为两类时的概率，Wl(/)、 "20)分别是两类的均值。 采用otsu自动阈值方法算出图像的阈值，从而把图像变为二值图像。4) 图像去脂肪、其他物质干扰等操作在从整幅超声图像剪切感兴趣区域时，不可避免的会在感兴趣区域轮廓周围附带有脂肪 或其它组织的图像。这些组织属于弱回声组织，在医学超声图像屮亮度较低，经过图像取反 操作后，这些组织的图像就会呈现高亮度，虽然经过自适应高斯抑制操作后其亮度会有所降低，然而经otsu自适应阈值操作后，其中一部分还是有可能保留了下来。为了防止这些组织亮点的干扰，采用形态学开运算的方法去掉这些亮点，即考虑到超声图像分辨率，对那些面 积小亍一定像素数的亮点，都作为干扰去掉。5) 封闭区域轮廓提取采用一种无需初始化水平集方法来提取轮廓，能得到一个封闭的感兴趣区域轮廓，其演 变方程为<formula>formula see original document page 7</formula>(4)式中J/v为散度算子，V为梯度算子，c (^为狄拉克函数，参数义为正的权重常数， 1g = ~^-^ ' *为巻积运算，标准差为ct的高斯函数G。(;c) = (2;kt)—1/2exp(+| /4cr)。l + IVG^ *//|该水平集方法克服了传统水平集在演变过程中需不断的初始化水平集函数的本文档来自技高网...

【技术保护点】
一种基于边缘和统计特征的水平集医学超声图像区域轮廓自动提取方法，其特征在于：该方法分三个步骤：图像区域轮廓粗提取、超声图像预处理、图像区域轮廓精提取，图像区域轮廓粗提取根据原始图像选定区域在超声图像中的特点，采用图像取反、高斯函数背景抑制、二值化、形态学开运算去干扰、无需初始化水平集方法提取轮廓等提取区域的粗轮廓，作为后续轮廓精提取算法的初始值；图像预处理采用一种选择性各向异性医学超声图像平滑算法；图像区域轮廓精提取，采用边缘和统计特征相结合的水平集区域轮廓自动提取方法。

【技术特征摘要】

【专利技术属性】
技术研发人员：沈毅，马立勇，李晓峰，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：93[中国|哈尔滨]