（计算机应用技术专业论文）数字乳腺X线影像可疑密度自动分割的研究.pdf

山东科技大学硕士学位论文 摘要 摘要 随着医学的发展，人们对肿瘤等恶性疾病早期诊断的要求越来越迫切。例如，在乳 腺肿瘤的研究中，发现借助计算机辅助诊断( c o m p u t e ra i d e dd i a g n o s i s ，c a d ) 可以大 大提高早期诊断率，从而为患者的预防和治疗争取时间，有效降低发病率和死亡率。因 此，以模式识别为核心的c a d 软件系统正在广泛进入医学影像诊断领域，辅助诊断医师 做出更准确、及时地定性诊断。 在c a d 这一复杂的算法系统中，对影像异常密度区域( 病灶) 进行准确、有效的分 割，是最为关键的一个环节，其分割结果直接影响c a d 的最终诊断结论，分割的准确率 和检出率左右着c a d 诊断的真阳性概率( t r u ep o s i t i v ef r a c t i o n ，t p f ) 和假阳性概率 ( f a l s ep o s i t i v ef r a c t i o n ，f p f ) 。现有的c a d 系统中，分割算法多种多样，但大多以 像素级的算法为主。如：阈值算法、区域增长、膨胀等。这些算法有较高的敏感度，但 往往受噪声和正常的结缔组织影响，假阳性检出率也高。本文基于这些问题，提出采用 像素和区域分割结合的两步分割法，结合边缘检测算子和s n a k e 动态轮廓模型 a c m ( a c t i v ec o n t o u rm o d e l ，a c m ) ，针对乳腺影像病灶进行分割尝试，将边缘算子获得 的边界点作为动态轮廓模型的初始轮廓，进行梯度向量场( g r a d i e n tv e c t o rf l o w ，g v f ) 作为外力作用的能量最小化，获得的轮廓作为最终轮廓。以期得至0 较高敏感度，同时降 低假阳性检出率，降低对噪声和正常组织的假分割；使病灶分割轮廓更贴近实际病灶边 缘，获得准确的病灶信息。 目前对c a d 的研究中，多数将评测放在对最后诊断结果的分析上；而在分割阶段， 没有统一的分割评测方法。这使得分割方法无法准确定量评定，各种方法间也不能横向 比较。针对这一问题，本文按照临床诊断将人工分割作为“金标准”的原则，以诊断专 家对影像病灶区的轮廓界定作为病灶真实边缘。将边缘检测算子分割、区域增长分割方 法、结合边缘算子和s n a k e 动态轮廓模型的两步分割法对同一数字乳腺影像库进行实际 分割，对分割结果进行真阳性检出率、假阳性检出率、漏分割率及与人工分割重叠面积 的计算，来对三种自动算法进行横向比较。结果证实两步分割算法真阳性检出效率高、 与人工分割重叠面积大，分割效果好于边缘检测算子和区域增长两种分割方法。 同时，本文尝试将医学影像学中的体模和受试者操作特性解析( r e c e i v e ro p e r a t i n g c h a r a c t e r i s t i ca n a l y s i s ，r o c ) 评测方法引入对分割算法的评价里。由观察者对原始 体模影像和带有分割轮廓体模影像进行五值r o c 试读，记录并分析数据结果，得到分割 山东科技大学硕士学位论文 摘要 算法的r o c 参数和敏感性、特异性等指标。结果证明在带有分割轮廓的提示下，观察者 的识别率和最大信息检出率等参数有较明显提高，识别敏感性和特异性也高于对原始体 模影像的识读，两步算法可提高乳腺c a d 对可疑密度区域( 肿块、钙化) 的识别，帮助 诊断医师提高对乳腺病灶的识别率，减少误诊，是一种可行的乳腺病灶分割方法。 关键词：图像分割，主动轮廓线，计算机辅助诊断，乳腺，r o c 解析 山东科技大学硕士学位论文 a b s t r a c t w i t ht h ed e v e l o p m e n to ft h em e d i c a ls c i e n c e 。p e o p l em a k em o r ea n dm o r e p r e s s i n gd e m a n df o rt h ee a r l ys t a g ed i a g n o s i so fc a n c e r s f o ri n s t a n c e ，i nt h e s t u d yo ft h eb r e a s t sc a n c e r ，p e o p l ef i n dt h a tw i t ht h ea i do fc a d ，t h er a t e o ft h ee a r l ys t a g ed i a g n o s i sc a nb eg r e a t l yr a i s e d a st h er e s u l t ，t h ep a t i e n t s w i l lg e tm o r et i m ef o rp r e c a u t i o n sa n dt r e a t m e n ta n dt h ei n c i d e n c ea n dd e a t hr a t e o ft h i sd i s e a s ew i l ld r o pc o n s i d e r a b l y t h ec a ds o f t w a r es y s t e m ( c e n t e r i n go n p a t t e r nr e c o g n i t i o n ) i sw i d e l ye n t e r i n gt h ef i e l do fr a d i o l o g y ，t h u sa s s i s tt h e d o c t o rt om a k et h ed i a g n o s i sm o r ep r e c i s e l ya n dm o r ep r o m p t l y i nt h ec o m p l i c a t e da l g o r i t h ms y s t e mo fc a d ，t h ep r e c i s ea n de f f e c t i v e s e g m e n t a t i o no fs u s p i c i o u sd e n s i t i e si nx - r a yi m a g e ( f o c u s ) i st h ek e yl i n k t h e r e s u l to ft h es e g m e n t a t i o nd i r e c t l yi n f l u e n c e st h ef i n a lc o n c l u s i o no ft h e d i a g n o s i s a c c u r a t e n e s sa n ds e n s i t i v i t yo ft h es e g m e n t a t i o ni m m e d i a t e l yc o n t r o l t p f a n df p fo fc a dd i a g n o s i s i nt h en o wa v a i l a b l ec a ds y s t e m ，t h e r ee x i s tv a r i o u s a l g o r i t h m sf o rs e g m e n t a t i o n a m o n gt h e m ，t h ea l g o r i t h m so fp i x e ll e v e l ( e g t h r e s h o l d 、r e g i o ng r o w 、e x p a n s i o ne t c ) a r em o s t l ye m p l o y e d t h e s ea l g o r i t h m s p o s s e s sar a t h e rh i g hs e n s i t i v i t y ，b u to dt h eo t h e rh a n d ，t h e yo f t e nm a k em i s t a k e s b e c a u s et h e yt e n dt ob ei n f l u e n c e db yt h en o i s e sa n dt h en o r m a lt i s s u e i nv i e w o ft h e s ei s s u e s ，t h i se s s a ya d v a n c e dat w o s t e p ss e g m e n t a t i o nw h i c hi sc o m b i n e d b yp i x e lw i t hr e g i o ns e g m e n t a t i o n i nt h i sm e t h o d ，t h r o u g hc o m b i n i n ge d g e o p e r a t o ra n da c m ，a t t e m p t i n gt h es e g m e n t a t i o no ff o c a si nm a m m o g r a m ，t a k i n gt h e p o i n t si nc o n t o u rw h i c hi sa c q u i r e db ye d g eo p e r a t o ra st h eo r i g i n a lo u t l i n e ， v i e w i n gt h eg v ff i e l di np r o g r e s sa st h em i n i m u me n e r g yo ft h ee x t e r n a la c t i n g f o r c e ，w et a k et h ea c q u i r e do u t l i n ea st h ef i n a lo n e t h e r e f o r e ，ah i g h e r s e n s i t i v i t yc a nb er e a c h e d ，t h er a t eo fs e g m e n t a t i o no fp f pc a nb er e d u c e d ，a n d t h ef a l s es e g m e n t a t i o no ft h en o i s e sa n dt h en o r m a lt i s s u ed e c r e a s e da tt h es a m e t i m e ：i nt h i sw a y ，t h eo u t l i n eo ft h es e g m e n t a t i o nf o c u sc a nb ep r e s s i n gm o r e c l o s et ot h ea c t u a lt u m o r ，a n dw ec a nr e c e i v et h ea c c u r a t ei n f o r m a t i o na b o u ti t i nt h ea v a i l a b l es t u d yo fc a d ，m o s tp e o p l eo n l ye v a l u a t et h er e s u l to ft h e d i a g n o s i s ，b u tn o tt h es e g m e n t a t i o n i nt h es t a g eo fs e g m e n t a t i o n ，t h e r ei s d o u n i f l e dm e t h o df o rt h ea s s e s s m e n to fs e g m e n t a t i o n i tm a k e sd i f f i c u l tf o ru st o a s s e s st h e s es e g m e n t i n gm e t h o d s ，a n dt om a k ec o n t r a s ta m o n gt h e m t h i se s s a y a t t e m p t st oi n t r o d u c ep h a n t o ma n dr o cc u r v ei nt h er a d i o l o g yi n t ot h ea s s e s s m e n t o fs e g m e n t i n ga l g o r i t h m t h u s ，o nt h eo n eh a n dt h er o cp a r a m e t e ra n dt f po ft h e s e g m e n t i n ga l g o r i t h ma r er e c e i v e d ：o nt h eo t h e rh a n d ，ag o o dd e a lo fd a t aa n d c o n c l u s i o n s8 r eg o tt os u p p o r tt h i sa l g o r i t h m k e y w o r d s ：i m a g es e g m e n t a t i o n ，a c m ，c a d ，m a m m o g r a m ，r o c 声明 本人呈交给山东科技大学的这篇硕士学位论文，除了所列参考文献和世所公 认的文献外，全部是本人在导师指导下的研究成果。该论文资料尚没有呈交于 其它任何学术机关作鉴定。 硕士生签名： 罐辱 日期： 西，z ， a f f i r m 渔t i o n id e c l a r et h a tt h i sd i s s e r t a t i o n ，s u b m i t t e di nf u l f i l l m e n to ft h er e q u i r e m e n t s f o rt h ea w a r do fm a s t e ro fp h i l o s o p h yi ns h a n d o n gu n i v e r s i t yo fs c i e n c ea n d t e c h n o l o g y , i sw h o l l ym yo w nw o r ku n l e s sr e f e r e n c e do fa c k n o w l e d g e - t h e d o c u m e n th a sn o tb e e ns u b m i t t e df o rq u a l i f i c a t i o na ta n yo t h e ra c a d e m i c i n s t i t u t e s i g n a t u r e ： d a t e ： 0 ( 。g 。z ， 山东科技大学硕士学位论文 1绪论 1 1 计算机辅助诊断( c a d ) 及其临床意义 近年来，计算机技术在医学影像学领域内发挥的作用越来越大，已经成为影像诊断 和技术人员不可或缺的技术工具。而且，随着医学的发展，人们已经不满足数字化影像、 电子文档病例、计算机影像管理等简单的信息应用技术；医学影像医师、技师们渴望高 级图像处理、模式识别，乃至人工智能等更加强大的信息科学技术参与到人体影像成像 和诊断这一医学过程中来。从半个世纪前，豪斯菲尔德用纸笔艰难计算着c t 成像的矩阵 公式起，到当今许多著名大学的计算机专家都在为获得和分析使人体内部结构更清晰的 影像而努力，人们始终在对信息技术无比的渴望中发展着医学影像科学。人体复杂的结 构需要由能“信手拈来”浩瀚数字的计算机体现，同时也需要高度的机器智慧来弥补人 主观判断的失误。“计算机辅助诊断”( c o m p u t e ra i d e dd i a g n o s i s ，c a d ) 和诸多高级的 分割技术正是这些需求的体现和满足者。人们对健康的需求，驱使我们用更精确的“眼 睛”扫视人体影像，洞察一切疾病的早期征兆；这一要求产生了c a d ，而c a d 准确特征 提取和判断的要求，又催生更准确的图像分割技术。当这一切与丰富的诊断经验和人的 学习能力相结合时，早期诊断的诉求便得到满足。 1 9 6 6 年，l e d l e y 首次提出“计算机辅助诊断”( c a d ) 并应用于临床放射学。由于 这项技术有较高的临床应用价值，故此后得到了快速发展。2 0 世纪7 0 年代，国外首先 将此技术应用于乳腺疾病诊断，并进行了大量技术、临床应用方面的研究，目前已日臻 成熟和完善。8 0 年代起，美国芝加哥大学又对胸部疾病的c a d 技术进行了大量研究，并 取得了阶段性成果，某些方面已具有临床使用价值。这些研究主要包括数字影像重要解 剖结构的自动分析、示踪及异常病变的定位技术，及在乳腺疾病、肺部疾病检查中的应 用2 m 。 乳腺疾病是妇女的常见疾病，主要有乳腺增生、乳腺癌、乳腺纤维瘤、乳腺囊肿、 乳腺导管扩张症，输入管乳头状瘤等疾病。乳腺癌的发病率在女性癌症中占了首位，并 有不断增加趋势，严重危害妇女的健康，并且近年来男性乳腺癌患者也有不断发现。但 如果乳腺肿瘤在早期被发现，五年存活率可以提高至5 0 ，一些乳腺癌症若发现及时， 是可以治愈的。所以，早期发现、诊断、治疗对治愈癌症、延长生命尤为重要。影像学 检查是乳腺癌诊断的主要手段。但目前对早期乳腺肿瘤的诊断率较低，研究显示，由于 1 坐查型垫奎兰堡主兰些堡奎 一一堕笙 诊断医师受到主、客观因素的影响，他们在诊断过程中的漏诊率高达3 0 ”。为了提高 乳腺癌的诊断率，计算机辅助诊断系统作为诊断医师的“第二观感”( s e c o n do p i n i o n ) 或者“预识别”( p r e r e a d e r ) 手段已应用于影像学检查。 1 2 数字乳腺x 线影像o a d c a d 是利用计算机建立一定的数学模型，对医学影像进行特定的处理以提高诊断准 确性的一种方法。目前，c a d 在乳腺x 线影像中的应用研究，几乎集中于乳腺肿块和微 钙化灶自动检测方面，其重点在算法的探讨上。 早期乳腺肿瘤在乳腺x 线图像上的表现为：乳腺结构畸变、乳腺组织密度增加、肿 块和钙化，其中以肿块影和钙化点为诊断的主要依据。 1 微钙化点细小的颗粒状的成簇的微钙化点是乳腺癌的一个重要的早期x 线影像 上的表现。国外资料表明：占3 0 - 5 0 的乳腺恶性肿瘤伴有微钙化。钙化在乳腺疾病中 出现率迭4 0 以上，直径一般小于0 5 m ，形状不规则，易被致密的乳房组织影像所淹没。 因此，很难检测，存在较高的假阳性率检出率。目前对乳腺x 线影像中微钙化点进行检 测的方法主要包括传统的图像处理技术、基于小波变化的图象特征增强技术、统计学分 割方法、基于a n n 的分类方法和这几种方法的联用。 2 乳腺肿块肿块是乳腺晟常见、最基本的特征，而其对良恶性的判断主要是依据 其大小、形状、密度、边缘状态等等。细小肿块的检测率是提高诊断乳腺癌的重要指标。 目前对乳腺影像中肿块的检测分类方法包括：b a y e s 分类，k n n ，a n n ，线形鉴频分析， 高斯差分滤波，多方向多选择的小波变换等。 3 乳腺肿块和微钙化点的综合检测利用不同的c a d 技术综合检测乳腺肿块和微钙 化点成为提高乳腺癌诊断率的有效工具。现有的研究比较偏重于微钙化点的自动检测， 对肿块影像及其相关征象尚缺乏有效且深入的研究，原因是一些早期乳腺癌的肿块e l , j , ， 或者由于乳腺组织过于致密，其在x 线上常表现为较低的s n r 和复杂的背景结构。基于 小波变换特征提取和有监督a n n 分类等综合集成方法，将对乳腺癌的早期诊断有一定的 帮助。日本松原友子等人基于a n n 分类设计的自我学习的c a d 与诊断医师的诊断结合， 提高了对乳腺肿块、微钙化点和紊乱结构检出的敏感度，分别为7 7 o 、7 5 7 和5 0 7 。 不同的c a d 技术的结合将成为有效的工具：a n n 分类方法，具有很强的学习能力和 容错性，在输入信号被噪声污染的情况下，也能很好的完成分类问题。所以基于a n n 的 综合方法能显著提高诊断医师对乳腺x 线影像诊断的准确率，降级假阳性率，从而提高 综合方法能显著提高诊断医师对乳腺x 线影像诊断的准确率，降级假阳性率，从而提高 2 些垄型垫查堂堡主堂垡丝苎 丝笙 质量及降低观察者的差异。 c a d 方案是一个值得倡导和探索的研究课题：随着c r 、d r 数字成像设备的普及，乳 腺数字x 线影像质量的提高和图像后处理技术的应用，以及动态增强m r i 和m r i 功能成 像的应用，c a d 以及早期诊断技术终将成为今后医学影像学的发展方向之一。目前，c a d 在乳腺疾病的早期诊断中，发挥着越来越大的作用。如2 0 0 4 年，计算机辅助诊断制造商 r 2t e c h n o l o g y 宣布，其产品i m a g ec h e c k e rm a m n o g r a m 计算机辅助诊断( c a d ) 软件系 统获得f d a 认证。i m a g ec h e c k e rm a m m o g r a m 是f d a 批准的首个用于乳腺诊断的c a d 软 件。研究发现，使用该软件系统可显著提高乳腺肿块的检出率( p = o 0 0 3 ) ，减少漏检， 使医生注意潜在的病变危险，将乳腺癌的确诊率提高了2 3 以上”3 。 1 3 乳腺c a d 实现过程 乳腺c a d 的基本处理过程为： ( 1 ) 进行图像预处理：预处理模块主要是增强图像特征，包括增强对比度和去除背景 噪声。常用算法有：在中值选择时加一阈值、s o b l e 滤波、拉氏滤波( 用于肿块增强) 、 局部统计和多尺度分析方法( 增强图像特征) 等。 ( 2 ) 图像分割：通过对可疑区域( 背景区域) 分配( 或自适应选择) 阈值达到分割的 目的。常用方法有：利用模板匹配策略来区分背景和团块肿块；先用阈值粗分图像，然 后对图像进行分辨率分析，最后利用局部光强均值和方差决定分辨力分析的参数值，从 而把肿块与背景分离；改进的马尔科夫场模型分割法，不依赖于肿块的形状，对肿块检 测具有较高的灵敏度。 ( 3 ) 特征优化和特征提取：对分割区域进行特征参数计算，用来做为分类的依据。特 征参数有可识别性、可靠性、独立性、数目少的特点。 常用的特征参数有几何特性、形态学特性、灰度特征及纹理特征等。具体的说有面 积、致密度、边缘平均梯度( 即边缘对比度) 、平均亮度差( 提取的区域与外周部分的亮 度差) 、边缘距离变化( 表现区域边缘的圆对称程度和平滑度) 、光强变化( 表征区域的 光洁度) 等6 个参数：以及用区域边缘的清晰度( 决定肿块的良恶性) 、形状因子( 如紧 密度、傅里叶描述子、肿块轮廓的弦长统计值) 等来区分园状肿块和星状肿块。 ( 4 ) 分类分析和诊断及输出c a d 结果：分类是将图形的特征值利用线形划分、启发式 规则、统计分类、模糊分类和人工神经网络等方法将征象进行分类。并将分类结果标示 生查型苎查堂堡主兰竺丝奎堡笙 输出，提供给诊断医师。如：用决策树和贝叶斯分类法将肿块分为非肿瘤、良性、恶 性三类；应用模糊二值决策树将提取的区域分为正常、可疑等； a n n 常利用两个典 型模型：即反向传播( b a c k p r o p a g a t i o n ) 网络和k o h o n e n 自组织网络进行分类。 ( 5 ) c a d 诊断效果的评价：将放射诊断专家和c a d 的诊断，以及最终病理诊断分别进 行对比，以得出结论。多数学者采用r o c 的综合解析。将放射诊断专家和c a d 的诊断， 以及最终病理诊断分别进行对比，以得出结论。r o c 曲线是真阳性率( t p f ) 与假阳性率 ( f p f ) 之间的二维图像，该曲线可以通过r o c 试验数据绘制而成，利用曲线下的面积转 换为图像的可检测参数，来评价c a d 的诊断效果。如z h i m i nh u o 等人将c a d 诊断结论与 1 2 位放射科医师的诊断结果进行对比，r o c 曲线下的面积( a ：) 从0 9 3 增加到0 9 6 ( p o 0 1 ) 。结论认为c a d 有助于提高放射科医师对乳腺癌良恶性肿块的诊断率。 另外，建立乳腺影像数据库是对乳腺c a d 进行深入研究必不可少的。目前已建立起两个 标准的高分辨率的m i a s 和u c s f l i n l ，前者为每像素8 b i t 的灰度图像，空间分辨率为 每像素0 5 m m 。这对于客观评价不同的检测算法提供了极大的便利条件。 1 4 课题的提出及论文研究内容 国内对乳腺c a d 的研究现在主要集中在肿块和钙化点的图像分割方法上，这是因为 对肿块和钙化点的图像分割是乳腺c a d 中最重要的一环，分割的准确性直接影响最终诊 断结果的真阳性概率。但目前提出的一些方法，如：阈值算法、区域生长、以灰度梯度 等为特征的像素计算法等，均有假阳性高、特异性高等问题，使得乳腺c a d 只对影像学 表征相似的病灶判断结果准确，而对另一些病变，尤其是带有微钙化点的乳腺病变判断 结果错误率高，可重复性较差，同时这些方法的评测中，都出现了检出率高错误率也高 的情况。因此发展出一种高精度、高真阳性概率、有较好的敏感性和特异性的乳腺病灶 分割方法，是乳腺c a d 急需解决的问题。此外各种方法大多分割影像库，计算与人工分 割面积重合率，缺乏对同一标准的检测分析，难以客观的评测分割方法的优劣。且缺乏 对算法的信号检出率、错检率、漏检率等信号检出效能的评价；对信号和噪声的敏感性 特异性分析，现有文献中也未见报道。 针对这些方面，本文进行了分割算法和算法平价的一些研究，主要工作包括： 提出了结合像素级分割和动态轮廓模型分割相结合的两步分割方法，来获得一种满 4 生查型茎查兰堡主兰垡堡奎堕丝 足乳腺c a d 分割要求的方法，并对该方法进行多种病变类型的分割检测，验证分割效果， 力求最终将方法应用于临床。 尝试将医学影像学中的乳腺体模和受试者操作特性解析( r e c e i v e ro p e r a t i n g c h a r a c t e r i s t i ca n a l y s i s ，r o c ) 评测方法引入对分割算法的评价里。利用乳腺体模按 统计学规律分布信号和噪声的特点，进行算法对体模影像的自动分割，得到分割算法的 信号检出率、错检率、漏检率等特性参数，并计算与人工分割面积重合率。然后进行由 观察者对原始体模影像和带有分割轮廓体模影像进行五值r o c 试读，得到r o c 参数和敏 感性、特异性等指标。有助于对分割算法进行更全面的分析评价，利于放射诊断医师对 乳腺c a d 算法进行诊断学角度的比较。 此外，为采用统一分割标准评测分割效果，人工分割在医学影像领域作为“金标准” 已成为自动分割方法的“标尺”，本文将选定的数字乳腺x 线影像库预先进行有经验诊 断医师的手动分割，然后进行两步法的自动分割，比较两次分割面积重叠程度。为进一 步获得分割方法对信号的检出率( 真阳性检出率、假阳性检出率) 及对微小病灶的敏感 程度，尝试进行a l v i m 乳腺专用x 线摄影体模影像的两步法分割，由于体模按照统计学 规律有效的模拟了乳腺最小病灶( 钙化、肿块) 的存在情况，使得就分割结果可以得到 信号检出率。然后就无分割轮廓和有分割轮廓的两张体模影像进行同一观察者的观测者 操作特性曲线( r o c ) 分析，得到观测者在分割轮廓帮助下，对微小病灶的检出率有较 明显提高，错误检出率和漏检率明显改善的数据结果。从而得出：两步分割法在分割面 积和检出率上有较好表现，帮助诊断医师提高诊断效率降低错检率，可用于乳腺早期诊 断及乳腺c a d 分割。 本文共分六章，结构如下： 1 、绪论。本章主要介绍c a d 概念和原理，及其主要作用。 2 、乳腺c a d 分割算法。本章介绍c a d 常用的一些常用分割方法，及课题的提出。 3 、基于微分边缘算子的乳腺影像可疑密度初步分割。本章介绍了本文二步分割法中 的第一步甚于微分边缘算子的乳腺可疑密度区域分割，及分割效果和算法分析。 4 、基于主动轮廓模型的第二步分割。本章介绍了两步分割法的第二步主动轮廓 模型分割，并进行了算法评测。 5 、分割算法评价。该章使用分割体模和r o c 分析两种方法，对本文提出的分割算法 进行了信号检出能力和敏感性、特异性等性能评价。 6 、总结。本章主要对整个方法和实验过程进行总结，并对一些问题进行了讨论。 s 些查型垫查堂堡主兰垡丝苎 堑望 本文来源于山东省教育厅1 9 9 7 年立项课题，“医学影像c a d 的研究”，编号：1 9 9 。 及泰山医学院2 0 0 2 年立项课题“数字乳腺x 线影像c a d 的研究”。两课题主要探讨c a d 在放射学中的具体应用，并对c a d 算法进行深入研究。本文属于“对c a d 分割算法的探 讨”中的部分，承担对分割算法改进和进行评测的研究。 山东科技大学硕士学位论文乳腺c a d 分割算法 2 乳腺c a d 分割算法 2 1 数字乳腺x 线影像c a d 常用算法 在乳腺x 线影像c a d 中，需进行突出细节，抑制噪声，分割边缘，特征提取，识别 等工作，以达到自动检测、识别钙化点和肿块等病灶的目的。常用的钙化点识别方法有： 小波变换：在对乳腺图像的小波分解与重构过程中，改变小波参数可增强图像中r o i 部分，抑制不需要的信号，再设定一些闽值，可达到去噪和自动检测的目的。由于小波 分析的这一特征，因此被广泛应用于乳腺图像的钙化点的检测中。例如：用多分辨力小 波分析( m w a ) 和高斯一马尔科夫随机场( g m r f ) 技术精确的鉴别微小的钙化点。利用小 波分析得出聚集的钙化点的时频特性，来检测、分割微小的单独钙化灶“”嘲。 分形图像建模法：对x 线照片的乳房背景结构分析和建模，通过比较原始图像和模型 图像的差异增强钙化点。 判断树种：利用亮度、紧凑度和统计测度表征候选者，再利用相关系数确定微钙化 点。用一局部阈值法分割成簇的微钙化点“：当局部直方图呈双峰时，选择各值作为阈 值，呈单峰时则该子图将为其邻近的予图内插。利用尺寸、形状和梯度测量来分析分割 的对象以分离出微钙化点。 利用形状因子分类：用紧凑度、力矩、傅里叶描述子等形状因子分类。 利用区域生长算法：当一像素强度落在一个指定范围内，计算强度梯度以判明候选 的像素是否符合均值和方差准则来确定钙化“3 。s h e n 等基于区域增长方法提出了对微钙 化点形状因子的表征方法，并进行了分析和讨论。 实施高斯滤波：用不同权重的高斯算法计算出检测点和邻近点间的差值，若该差值 小于阈值，就不是钙化点。阈值为全局标准差的2 5 3 倍，利用8 结构元素重建微钙化 点的形状。 利用模糊逻辑技术检测微钙化点：利用全局信息( 明亮度) 、局部信息( 不均匀性) 生成一幅模糊图像和一幅增强图像，用曲线探测器消除不相关的乳腺结构，用一迭代阈 值确定微钙化点，最后利用数字形态的方法重建钙化点。 另外，还有专家系统模式分类法、纹理分类法、灰度和二值形状特征分析法、神经 网络分类法等。 s o n g y a n g 等介绍了基于小波变换图像的特征增强、图像特征提取和a n n 分类的微钙 化点自动监测和分类方法。具体作法是，首先对图像进行特征提取，然后利用多元回归 山东科技大学硕士学位论文 乳腺c a d 分割算法 方法中的前进法或后退法进行特征优化，再将优化后的特征矢量作为输入用a n n 进行分 类，对微钙化点进行较精确定位。 b r i j e s h 等介绍了基于模糊神经网络和图像特征提取微钙化点监测方法。他们提取 了熵( e n t r o p y ) 、对比度、均值( a v e r a g e ) 、形状因子、光滑度( s m o o t h n e s s ) 、傅里叶描 述子( f o u r i e rd e s c r i p t i o n s ，f d s ) 和纹理( t e x t u r e ) 等图像特征。然后对这些特征进行 不同的组合，组成了前馈式误差后向传播神经网络的输入矢量。神经网络的输出为0 、1 二值型，分别对应于微钙化点的良性与恶性”3 。 m a r k o p o u l o s 等采用a n n 对乳腺钼靶x 线照片上的微钙化灶的8 个特征指标进行了 详细的分析，8 个指标分别为密度、数目、面积、亮度、平均直径( d i a m e t e ra v e r a g e ) 、 平均间距( d i s t a n c ea v e r a g e ) 、平均接近度( p r o x i m i t ya v e r a g e ) 、平均周边紧凑度 ( a v e r a g ep e r i m e t e rc o m p a c i t y ) 。同时将c a d 与3 位放射学专家得到的诊断进行对比， 用r o c 曲线评价。结果表示3 位放射诊断专家得到的图像可检测指数( d e t e c ta b i l i t y i n d e x ) 分别为0 7 4 6 、0 7 8 5 和0 8 3 5 ，总体平均为0 8 1 ，而c a d 为0 9 3 7 ( p o 0 1 ) 。 结论认为，c a d 在帮助预测微钙化点所表征乳腺肿瘤的良恶性质以及减少良性病灶的活 检率上均有较好的表现。 进行乳腺胂块检测的方法主要有以下几种： r a n g a r a j 等人采用模糊理论与区域生长算法来检测乳腺肿块。w i l l l i a m 等提出了一 种新的基于模型的视觉( m b v ) 算法，用于寻找数字化x 线图像上有关肿块的r o i ，并将 其按良性或恶性分类。该算法包括五个模块：聚焦模块，利用高斯插分滤波将图像 中的r o i 增强；检索模块，采用一系列测试方案来减少图像上非恶性区域：预测模 块，建立在肿块大小、形状、对比度和纹理特征的基础上生成，并利用优化特征技术寻 找最好的用于模式分类的特征；特征提取模块，可从所有的可疑r o i 区内得到所需要 的特征量；匹配模块，用多层感知神经网络将这些区域分类。z h i m i nh u o 等人利用a n n 设计c a d 方案分析了乳腺肿块的特征：毛刺( s p i c u l a t i o n ) 、边缘锐利度( m a r g i n s h a r p n e s s ) 、密度和纹理特征，同时与1 2 位放射科医师的诊断结果进行对比，结果r o c 曲线下的面积( a ：) 从o 9 3 增加到0 9 6 ( p o 0 1 ) 。结论认为c a d 有助于提高放射科医 师对乳腺癌良恶性肿块的诊断率。l i h u al i 等人设计的竞争性分类神经网络 ( c o m d e t i t i v ec l a s s i f i c a t i o nn e u r a ln e t w o r k ，c c n n ) 可以把乳腺肿块检测的假阳性率 降低1 4 。 山东科技大学硕士学位论文 乳腺c a d 分割算法 2 2 图像分割算法 图像分割是指将图像中具有特殊含义的不同区域分开来，这些区域是互相不交叉 的，每一个区域都满足特定区域的一致性。从处理对象角度来讲，分割是在图像矩阵中 确定所关心的目标的定位。显然，只有用这种方法把感兴趣的目标从复杂背景中提取出 来，才有可能进一步对各个目标进行定量分析或识别。从图像分析的处理对象这一角度 来看，可以将图像分割分为两个基本类型，即面向整体区域的整体分割和面向边缘的部 分分割。整体分割是以图像区域为对象的分割方法“”“。部分分割是指以边缘为对象的 分割方法即边缘分割方法，这种方法有时导致不完全的部分分割结果，比如分割结果中 存在间断现象或者得到错误的边缘。 医学图像包括显微图像，x 线摄影机、x 线透视机、c t 、m r 、超声、核素及其它影 像设备所获得的图像。为了对医学图像进行有效的描述，首先必须进行医学图像的分割。 在医学图像处理技术中，图像分割是病变区域提取、特定组织测量及实现三维重建等的 关键技术。医学图像分割方法的研究有两个显著的特点，一是一般要用到医学领域的知 识，如组织的大致形状等；另一个是经常采用的三维分割的方式，这是因为一般的图像 中仅仅具有二维数据，即三维景物通过摄像机或其它成像设备得到的二维投影，而医学 图像中则直接给出了以二维切片形式组织的三维数据，这就为三维分割提供了可能。图 像分割方法是图像分析和图像三维重建的一个经典问题，到目前为止还不存在一个通用 的图像分割方法，也不存在一个规定分割成功的评价标准。 医学图像尤其是乳腺x 线影像分割中的一个重要问题是对分割算法的比较和评价， 其关键在于还没有一个统一的评价分割效果好坏的客观标准。对算法的评价一般做法是 将算法分割与人工分割相比较，以人工分割作为标准。这种评价的问题是人工分割未必 是被分割物的真实轮廓，而真实轮廓往往是不可知的。在乳腺c a d 中，同样常常将计算 机分割同人工分割相比较。但由于人工分割常常是由经验丰富的诊断医师做出的，这些 诊断医师有坚实的解剖和病理学基础，同时具有多年的影像诊断经验，对病灶的分割较 为准确。因此临床上，将他们的分割结果作为“金标准”。 关于乳腺c a d 中引用的图像分割技术，已有相当多的研究结果和方法，各种算法的原 理各不相同，处理效果也不一样。常用的分割方法有： 一、阈值分割 闽值分割就是简单的用一个或几个阈值将乳腺图像直方图分成几类，图像中灰度值 生查型茎查兰堡主兰竺堡苎 墨堕竺垒里坌! ! 竺鲨 在同一个灰度类内的像素属于同一类，总的来讲，可以将阈值分割分为全局阈值分割以 及局部闽值分割。所谓全局阈值分割是利用整幅图像的灰度信息，从整个图像中得到分 割用的阈值，并且根据该闽值对整个图像进行分割，利用得到的这些阈值对图像进行分 割，即一个闽值对应图像中的一个子区域。这种方法也称为适应阈值分割。 阈值分割也可以按照分割得到的结果分为二元阈值分割以及多元阈值分割，在二元 分割中，分割的结果是提取的对象和背景：在多元的分割中，分割的对象为根据不同区 域的特点得到的几个目标对象，这样为了提取每一个区域需要不同的阈值，即所谓的多 阈值分割。 由于阈值分割要求直方图上能得到明显的双峰或多峰，并在谷底选择阈值，这一要 求不易满足。特别对于多病灶区的影像来讲，如何选取合适的阈值是基于阈值分割方法 的困难所在。此外闽值分割中没有用到图像的空间信息和其它信息，分割误差较大。 分析基于阈值分割的指导思想，可以了解这种方法的基本原理如下：若像素的灰度 值大于某个灰度值，则该像素属于某个特定区域，否则该像素属于另外的区域，这种假 设前提在很多情况下并不准确，如噪声较高时。 无论是从何种考察问题的角度出发，基于阈值的图像分割方法具有以下不足：所有 这些方法均依赖图像的灰度信息，很少考虑图像中像素的空间位置关系，对于图像中不 存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像，分割难以得到准确的结 果。 二、边缘检测分割 边缘检测是基于图像不连续性的分割技术。一幅图像的大部分信息存在于不同区域 的边缘上，而且人的视觉系统能在很大程度上利用边缘差异对图像进行分析。由于边缘 是局部信息，所以这类方法均是基于局部信息的技术。边缘检测可以按照处理技术分为 串行边缘检测和并行边缘检测技术。串行边缘检测技术是指：要想确定当前像素点是否 属于欲检测边缘上的一点，取决于先前像素的验证结果；而在并行边缘检测技术中，一 个像素点是否属于检测边缘上的一点取决于当前正在检测的像素点以及该像素点的的 一些相邻像素点，这样该模型可以同时用于图像中的所有像素点，因此称为并行边缘检 测技术。显然串行边缘检测技术在很大程度上受起始点的影响，先前检测像素的结果对 下一像素的判断也有较大影响。另外，并行边缘检测也有许多微分算子，如s o b e l 梯度 算子、r o b e r t s 梯度算子、p r e w i t t 梯度算子、l a p l a c i a n 算予及m a r r 算子( g a u s s l a p l a c e 算子) 等，这些方法对图像中灰度的变化进行检测，对边缘信息敏感，从而得到边缘算 10 坐查型垫查兰堡主兰垡堡苎塾些! 竺坌型墨鎏 子。r o b e r t s 梯度算予有利于对具有陡峭边缘的低噪声图像的分割；l a p l a c i a n 算子具 有各项同性的特点；s o b e l 梯度算子、p r e w i t t 梯度算子等有利于对具有较多噪声且灰 度渐变图像的分割；而m a r r 算子对有较多噪声的图像具有平滑作用，且其边缘检测效 果优于以上几种算子，但m a r r 算子在平滑的同时导致图像对比度下降；而r o b e r t s 梯 度算子、l a p l a c i a n 算子在实旌过程中大大增强了噪声，恶化了信噪比；其他几种算子 涉及方向性，且各向异性；总之，对于灰度变化复杂和细节较丰富图像，以上算子均很 难完全检测出边缘，而且一旦有噪声干扰时，上述算子直接处理效果更不理想。 三、区域分割 基于区域的分割方法是近年来人工智能领域特别是计算机视觉研究中十分关注的 图像分割算法，常见的有区域生长分割方法和区域分裂与合并分割方法，该类方法对有 复杂目标定义的复杂场景的分割或者对自然景物的分割等类似先验知识不足的图像分 割，效果较理想。 区域生长或区域分裂与合并都是利用区域的相似性，即满足区域一致性准则对目标 进行分割。对于区域分裂与合并，首先将输入图像分成满足一致性准则的小的区域，然 后采用循环合并的方法将满足该准则的相似相邻区域进行合并。对于区域分裂，首先将 整幅图像看作一个区域：每次分裂过程中，每个不满足一致性准则的区域被分裂成四个 方形区域，直到每个区域都满足一致性准则为止。对于区域合并，每次区域分裂后进行 区域合并使得任何相邻的两区域都不满足一致性准则。 四、纹理分割 基于纹理的分割方法是图像分割中一个活跃的领域。在纹理图像中区域的均匀性由 区域内纹理的某些特征的一