一種新的前列腺超聲圖像分割技術(shù)的制作方法
【專利摘要】本發(fā)明提供一種新的前列腺超聲圖像分割技術(shù)，在直腸超聲檢測（transrectal ultrasound，TRUS）圖像中對前列腺進(jìn)行準(zhǔn)確分割。傳統(tǒng)觀點認(rèn)為，TRUS圖像的斑點會對目標(biāo)分割造成強(qiáng)烈的副作用。與此不同，我們利用斑點的內(nèi)在屬性來簡化分割問題。首先，斑點的大小和方向并非完全隨機(jī)分布，而是服從一定的規(guī)律特性。為了利用斑點的方向特性，我們使用了旋轉(zhuǎn)不變的Gabor特性來提取問題特征；為了利用斑點的大小尺度特性，我們把TRUS圖像分成了許多條狀窄帶，在不同窄帶內(nèi)對圖像像素進(jìn)行不同的處理。最后，我們還考慮了不同像素間的相關(guān)性，并進(jìn)一步通過這一特性使用圖割（graph cut）方法提高了像素分類精度。以此為基礎(chǔ)，我們通過水平集分割模型，最終得到了TRUS 圖像中前列腺的分割結(jié)果。
【專利說明】一種新的前列腺超聲圖像分割技術(shù)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種圖像分割技術(shù)，特別是涉及前列腺超聲圖像分割技術(shù)，屬于計算 機(jī)圖像處理領(lǐng)域。

【背景技術(shù)】
[0002] 在國內(nèi)，已經(jīng)有一些研究組對TRUS圖像的分割進(jìn)行了研究。早在2003年，東南大 學(xué)羅立民教授就提出了一種超聲波多尺度非線性的自適應(yīng)邊界檢測方法。該方法首先對 超聲圖像進(jìn)行多尺度分解，然后用非線性軟閾值法抑制斑點噪聲之后用小波變換重建圖像 最后使用基于"窄條"的線性邊界檢測方法對已經(jīng)降噪的圖像進(jìn)行處理。但由于區(qū)域增長 過程的時間開銷，其計算量較大。北京交通大學(xué)阮秋琦教授提出了一種提出了一種超聲圖 像去噪與邊緣增強(qiáng)算法：可以在去除噪聲的同時，保持重要的邊緣、局部細(xì)節(jié)和超聲回聲亮 條。雖然對抑制噪聲增強(qiáng)邊界有較好的效果，但沒有將其應(yīng)用到對圖像的分割和邊緣檢測 中。由于超聲圖像信噪比低、斑點噪聲強(qiáng)烈，上述單純的圖像增強(qiáng)與邊緣檢測方法難以取得 較好的效果。
[0003] 研究人員致力于結(jié)合圖像特點和領(lǐng)域知識，以期達(dá)到較為理想的分割效果。超聲 圖像的紋理特性是人們在研究中使用的先驗知識之一。人們也嘗試了多種方法來利用該特 征以幫助前列腺自動分割。此外，活動表現(xiàn)模型（ActiveAppearanceModel)具有把紋理 信息嵌入到形狀模型中的特點，也展現(xiàn)出了在TRUS圖像分割中的潛力。此外，局部二值模 式（LocalBinaryPattern)提取紋理特征也廣泛應(yīng)用到了超聲圖像分割中。2010年，哈 爾濱工業(yè)大學(xué)唐降龍教授提出了一種結(jié)合全局概率密度差異與局部灰度擬合的主動輪廓 模型對超聲圖像進(jìn)行分割的方法。該方法分別在原始超聲圖像與預(yù)處理圖像上利用了圖像 的全局和局部信息。在原始圖像上，利用各區(qū)域的灰度分布，并結(jié)合超聲圖像的背景知識對 圖像的全局信息建模。上述方法都取得一定效果，然而它們均沒有很好的利用超聲圖像有 別于自然圖像的一些固有特點，因此在實際應(yīng)用中，其性能都受到一定限制。首先，前列腺 超聲圖像中，斑點噪聲的大小并非一成不變，而是隨著其與超聲探棒間的距離變化而變化。 這一特性并沒有在目前主流的特征提取算法中得到體現(xiàn)并加以利用。其次，超聲圖像中的 斑點還擁有自身的角度，且角度并非隨機(jī)分布，而呈現(xiàn)出一定規(guī)律性，因此，直接使用Gabor 濾波對于進(jìn)行提取是不合適的。Shen等人的方法考慮到了Gabor濾波的旋轉(zhuǎn)變化特性，但 并沒有進(jìn)一步與斑點的旋轉(zhuǎn)結(jié)合起來，因此其性能也受到一定限制。在2006年，Zhan等人 也使用了Gabor濾波，并將其擴(kuò)展到了3D超聲圖像的分割中。
[0004] 另一個重要的先驗知識是前列腺的形狀特性。最初，前列腺的形狀被視為超橢圓， 通過對齊進(jìn)行各種變換，來與目標(biāo)輪廓擬合。英屬哥倫比亞大學(xué)Badiei等人于2006年提 出了一種需要人工初始化，使用超橢圓擬合來尋找前列腺邊緣的方法。該種方法簡單高效， 對一般形狀的前列腺有較好的效果，而對于形變比較嚴(yán)重，形狀不規(guī)則的目標(biāo)，則難以達(dá)到 理想的效果。因此，一種更靈活的統(tǒng)計形狀模型獲得了研究人員較大的關(guān)注，并給出了較 好的分割結(jié)果。然而，大多數(shù)方法假設(shè)前列腺形狀模型服從高斯分布。2007年，南京理工 大學(xué)夏德深教授提出了一種先驗形狀參數(shù)活動輪廓模型。該模型通過引入一種非距離性 的先驗形狀力場，構(gòu)建一種新的能反映先驗形狀的參數(shù)活動輪廓模型，新的先驗形狀活動 輪廓模型避免了。曲線之間距離的計算，減少了模型的復(fù)雜性，同時可以很好的利用分割目 標(biāo)的先驗形狀信息。但是該模型在處理圖像之前依然需要人工定義活動輪廓模型的初始 曲線。飛利浦北美研究院Yang等人于2010年提出了一種新的思路，使用部分活動輪廓模 型（PartialActiveShapeModels)來處理邊界丟失的問題，使用在結(jié)合離散可形變模型 (DiscreteDeformableModel)進(jìn)一步對分割結(jié)果求精。該方法使用未經(jīng)預(yù)處理的圖像， 沒有進(jìn)一步挖掘圖像中蘊(yùn)含的信息(如紋理特性)。此外，該方法對目標(biāo)形狀的建?；谥?成分分析（PrincipalComponentAnalysis),只能去除訓(xùn)練集中不同維度的線性相關(guān)性， 對于現(xiàn)實數(shù)據(jù)存在的普遍相關(guān)相關(guān)性難以徹底去除，故對于并不符合高斯分布的前列腺形 狀難以取得很好的效果。在水平集分割框架下結(jié)合形狀模型的方法也面臨類似的問題。如 Tsai等人在中直接將主成分分析應(yīng)用到向量化的曲面演化隱函數(shù)上，雖然取得了較好的效 果，但是由于向量化的符號距離范數(shù)維度過高，模型的局限性更大。能夠逼近任何分布的非 參數(shù)核密度估計模型也被引入到醫(yī)學(xué)圖像分割領(lǐng)域[36]，但目前這類方法由于沒有很好地 結(jié)合超聲圖像和臨床應(yīng)用本身的領(lǐng)域知識，因此大都需要人工干預(yù)初始化才能達(dá)到要求的 精度，大大限制了其進(jìn)一步應(yīng)用和擴(kuò)展。
[0005]雖然非高斯分布的形狀模型在許多醫(yī)學(xué)圖像分割領(lǐng)域取得了更優(yōu)越的成果；同 時，人們已經(jīng)進(jìn)行了許多研究，來把非高斯形狀先驗嵌入到已經(jīng)被廣泛采用的顯示分割模 型(如活動輪廓模型）和隱式分割模型(如水平集）中去。然而，很少有人專門針對超聲圖 像使用這些非高斯形狀先驗。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術(shù)問題是提供一種新的前列腺超聲圖像分割技術(shù)，在TRUS 圖像具有信噪比（signal-to-noiseratio,SNR)低，對比度低，斑點噪聲強(qiáng)烈，偽影干擾和 同一組織器官灰度分布異構(gòu)性強(qiáng)和不同組織器官灰度分布具有同構(gòu)性等特點的情況下，來 解決TRUS圖像自動分割問題。
[0007] 本發(fā)明的解決方案是：我們提出一個較為全面的分割框架，整合了（1)前列腺形 狀先驗，（2)邊界附近的灰度漸變特性和（3)前列腺斑點紋理特性。傳統(tǒng)觀點認(rèn)為，TRUS圖 像的斑點會對目標(biāo)分割造成強(qiáng)烈的副作用。與此不同，我們利用斑點的內(nèi)在屬性來簡化分 割問題。首先，根據(jù)我們的觀測結(jié)果，斑點的大小和方向并非完全隨機(jī)分布，而是服從一定 的規(guī)律特性，這些斑點不一定有害，甚至可能可以給前列腺分割提供幫助。為了利用斑點的 方向特性，我們使用了旋轉(zhuǎn)不變的Gabor特性來提取問題特征；為了利用斑點的大小尺度 特性，我們把TRUS圖像分成了許多條狀窄帶，在不同窄帶內(nèi)對圖像像素進(jìn)行不同的處理。 最后，我們還考慮了不同像素間的相關(guān)性，并進(jìn)一步通過這一特性使用圖割（graphcut)方 法提高了像素分類精度。以此為基礎(chǔ)，我們通過水平集分割模型，最終得到了TRUS圖像中 前列腺的分割結(jié)果。
[0008] 本發(fā)明為實現(xiàn)上述解決方案，其方法步驟如下所示： 1.特征提取Gabor濾波是對超聲圖像進(jìn)行紋理特征提取的常用方法。Gabor濾波可 以被看作是角度和尺度可調(diào)整的邊緣和線段檢測器，并且可以通過設(shè)置不同的旋轉(zhuǎn)和縮放 參數(shù)來提取不同頻段的局部特征信息。二維的Gabor濾波器方程

【權(quán)利要求】
1. 一種新的前列腺超聲圖像分割技術(shù)，其特征提取和特征分類方法包括以下步驟： 1) 利用旋轉(zhuǎn)不變的Gabor特征提取紋理特征，設(shè)以超聲探針為中心的圓弧，在（x，y)處 的法向方向為〇則可以由下式計算
Owf)其中為超聲探針的中心，函數(shù)aton2:?:-p,為帶符號反正切函數(shù)，其符號根 據(jù)其點所在的四個不同象限決定.通過當(dāng)當(dāng)定義的圓弧法向量，在位置(?.?)處的旋轉(zhuǎn)不變 Gabor特征％可以由下式計算 Fs^(x.y)=Cl-p}FSi_^x：(x,y)+ y} 其中= _/明，^ =f-〗.9 ?注意到為下取整函數(shù),g= _，其中n為總共使用的 旋轉(zhuǎn)參數(shù)個數(shù).最后，旋轉(zhuǎn)不變特征向量F(X，y)即由,AidyW為其元素構(gòu)成. 2) 根據(jù)壓縮感知（CompressiveSensing)中的理論，針對每一個特征向量F和一組我 們預(yù)先獲得的字典D，只要使用字典D對向量F的表示系數(shù)a足夠的稀疏，則找到對F的稀 疏表達(dá)的過程可以通過在原函數(shù)上附加#范數(shù)約束來替代問題本身所提出的#范數(shù)下的最 小化問題，此時，該稀疏表達(dá)問題可以表示為
其中：V拉格朗日乘數(shù)（Lagrangemultiplier).我們使用上述稀疏表達(dá)的表示殘差作 為分類依據(jù)； 3) 獲得殘差策略基于超聲圖像的第二個特征.該特征認(rèn)為，超聲斑點的大小隨著其 與超聲探測中心的距離變化而變化.基于這個特性，我們認(rèn)為只使用一個全局字典作為表 示依據(jù)，并不足以充分涵蓋超聲斑點的豐富紋理特性.為了解決這一問題，我們在超聲圖 像中建立了許多弧形帶狀窄條，在這些窄帶內(nèi)，各自都訓(xùn)練有各自的表示字典.嚴(yán)格的，對 于圖像上感興趣的區(qū)域（RegionOfInterest,R0I)內(nèi)的每一個像素點F，它所屬的窄條可 以通過下式計算
其中i為窄帶的索引，c為探測棒的中心，h為窄帶的帶寬.每一個窄帶內(nèi)，并非訓(xùn)練 集內(nèi)所有的像素都拿來訓(xùn)練字典集，而是只有那些在圖像中前列腺輪廓附近的像素才用 來訓(xùn)練字典.對于第i個窄帶條內(nèi)的像素P，設(shè)它的特征向量Fp，我們可以使用字典矩陣 =痕為Jj對其進(jìn)行稀疏表示，其中氧4和3/分別代表在第i個窄帶中針對前列腺邊界 類，前列腺邊界內(nèi)部類和前列腺邊界外部類三個類訓(xùn)練的字典.依據(jù)這三個字典，像素P的 表示殘差可以由下式計算 1? =IJfp ^UJfc(O)H!, ^{1.2.3} 其中 a=arg +Allfilli yi)是這樣一個函數(shù)，它把a(bǔ)中所有跟k不是一類元素都設(shè)為零。
2. 根據(jù)權(quán)利1所述的一種新的前列腺超聲圖像分割技術(shù)，其實現(xiàn)分類方法包括以下步 驟 1)在獲得表示殘差之后，我們并沒有直接使用具有最小表示殘差的類作為該像素的 類，而是取表示殘差的負(fù)值，并把所有殘差歸一化到[〇，1]區(qū)間作為該像素屬于某一類的 可能性的度量.考慮到相鄰像素具有更高的可能性會屬于同一類，我們使用如下能量函數(shù) 通過圖割（graphcut)來最終實現(xiàn)像素的分類 E= 'p為(?) +Ii 郎y〇 U代表權(quán)重參數(shù),1；為圖像域,Jf為相鄰像素的集合,4?)為像素P屬于k類處罰值，B用來維持相鄰像素間分類的平滑性，其公式為：
)將殘差q規(guī)范到[〇, 1]區(qū)間。
3. 根據(jù)權(quán)利1所述的前列腺超聲圖像分割新技術(shù)，其特征水平集分割模型包括以下步 驟： 1)水平集分割模型基于能量最小化模型，其能量定義為 E-tCft- 其中a為權(quán)重參數(shù)，即為定義的窄帶對比度能量，而Er則是根據(jù)本章中的紋理特征 設(shè)計的紋理能量.這兩部分能量可以被嚴(yán)格地定義為 Ec= -Mn Er = -/I0amk+Hmiis ~h) - ?m(h- 其中Il為圖像域，I為圖像灰度，〇符號距離函數(shù)（SDF).符號,?, 和丨5表示像素分類結(jié) 果，分別為前列腺邊界類，前列腺邊界內(nèi)部類和前列腺邊界外部類.一個像素如果被分類 某一類，則該類對應(yīng)的1設(shè)為1，其它1均被設(shè)為〇.下面三個公式定義了模型邊緣的窄帶， 用于提取信息，幫助分割：
其中h和c為兩個不同的帶寬，且h>c。
4. 根據(jù)權(quán)利1所述的前列腺超聲圖像分割新技術(shù)，其特征能量最小化包括以下步驟： 1)直接使用梯度下降法對能量公式進(jìn)行最小化求解.能量E的梯度為 ▽E(w,p) = - ￡f〇 (#)/ - -aJJ0 ▽#(#)' + _(?)(' 一 0 + 鼕冷(-中)ft-，0)似 (16) 其中三個不同的H( and;f)的梯度可以通過鏈?zhǔn)椒▌t獲得： --(#)=P(# ?JiiI? 5{#(17) 其中5 (?)為狄拉克雷函數(shù)（DiracDeltafunction?符號Il2 € [h，0，c}代表在公 式13,公式14和公式14中使用的上下界，且\〈Il2 .把公式17代入公式16中，我們可以 得到
【文檔編號】G06T7/00GK104504720SQ201510006415
【公開日】2015年4月8日 申請日期:2015年1月7日 優(yōu)先權(quán)日:2015年1月7日
【發(fā)明者】劉怡光, 吳鵬飛, 曹麗萍, 羅以寧, 詹洋 申請人:四川大學(xué)