论文部分内容阅读
摘要：目的：对自适应水平集方法乳腺超声肿块分割进行分析。方法：根据本院160例乳腺患者的资料进行分析。结果：水平集方法已经逐渐成为图像分割领域的一个主要的研究点，并且在对图像分割问题进行处理的时候表现出较为良好的性能。结论：水平集方法仍处于飞速发展的阶段，它的理论以及应用方面的研究都需进一步深入以及完善，本文对超声成像固有的噪声大、伪影斑点多、对比度低等特点，具体阐述了自适应水平集方法乳腺超声肿块分割。
关键词：自适应水平集方法；乳腺超声；肿块分割
Abstract： Objective： to adaptive level set method for ultrasonic breast segmentation are analyzed. Methods： according to the data of breast patients in our hospital before analysis. Results： the level set method has become a major point of research in the field of image segmentation， and at the time of processing the image segmentation problem show a relatively good performance. Conclusion： the level set method is still in the stage of rapid development， his theory and application research needs to be further deepen and perfect， in this paper， the ultrasonic imaging of inherent noise， and low contrast artifact spots more features， detailed elaborated the adaptive level set method for ultrasonic breast segmentation.
KeyWords：adaptive level set method； breast ultrasound； breast mass segmentation
在乳腺癌的患者之中，较为常见的症状就是乳腺肿块。如何在X光片之中检测出乳腺肿块，就当前而言，已经逐渐成为在计算机的辅助之下进行乳腺癌检测的一个关键性问题。在乳腺X光图像之中的肿块能够直接将乳腺癌反映出来，在计算机的辅助系统之中，区分乳腺肿块良恶性的第一步就是有效地提取肿块区域，提取肿块的区域的准确性直接关系到患者诊断的可靠性。因为患者乳腺的组织成分例如血管、结缔组织、脂肪组织以及腺体的密度较为接近，使得乳腺X光片的质量在很大程度上受到影响。
1一般方法 初始轮廓范围的确定
据患者乳腺超声图像的肿块病灶位置的性质显示，自动的固定设置取初始的轮廓。这主要是因为，超声解剖主要分成四个主要区域： 表皮层以及皮下区域主要包括脂肪与腺体层、淋巴管、腺体后的区域。大部分的肿瘤所生长的位置主要在腺体层，就是图1之中的两条白色平行线之内的范围，在这个范围之上区域就是表皮层以及皮下区域，之下是腺体后的区域，仅有个别的恶性肿瘤会浸润到这两个部分。初始轮廓均都由人工设置的，将病灶或者病灶主要的部分包括在其中。
乳腺良恶性肿瘤在超声图像之中具有较为显著的形态学区别。在临床医学诊断上显示，边界的主要表现是鉴别良、恶性肿瘤最重要的超声征象，图像分割算法能够利用的重要信息主要体现在边界形态上。因为边界浸润的不规则以及钙化点的分割干扰，进而导致曲线演化收敛的速度逐渐减慢，迭代的次数逐渐增加，这两项数据均可为鉴别良恶性肿瘤提供一定重要的依据。
2 CV 模型和相关改进方案
活动轮廓模型是一种较为常用的边缘提取算法，它主要采用参数方程进行控制初始曲线的动态形变以及位移，直到到达目标的边界之处停止，进而实现图像的分割。发展活动轮廓模型，水平集方法是一种较为新颖的求解几何曲线演化的方法。因为水平集函数在演化的过程之中可以灵活处理曲线的拓扑结构的变化，适合分割具有不规则属性的形状复杂的目标； 泛函的表达式可以用较为稳定的数值方式实现，计算的效率较高； 分割的结果主要是闭合光滑的高精度曲线，进而后续的分析识别方法提供了便利。
3 实验结果及讨论
为了对本文所使用的方法进行验证，用160例患者的所包含肿块的乳腺超声所谓图像作为研究的样本组进行分割实验，样本的内容均都来自于某大学的附属医院乳腺外科的临床教学影像的资源，并遵循一定的临床医学实验数据的使用原则。将本文的方法和文献的RCV模型以及文献的LBF 模型进行对照试验，这三种方法均都采用一样的初始轮廓。本文的方法常用参数的设置： λ1 =λ2 = 1，时间步长Δt = 0. 01 s，γ = 1，高斯核的函数Gε之中ε = 3。就是定量的评价分割质量，一般情况之下的做法就是使用较为专业的医师手工分割的结果作为标准，将算法分割滞后得到的结果与之前所进行的像素级进行比较。需要一位专业的医师对测试的图片进行手动的分割，校对之后的分割结果主要作为标准轮廓。图2 ～ 4 分别显示就同一样本来说的三种自动分割算法的处理结果以及手工分割的结果比较分析。
从图2（ a） 、图3（ a） 、图4（ a） 可看到，不管是周围区域还是肿块内部灰度分布都不均匀，而且都有大量伪影干扰。 （ 图2（ b） 、图3（ b） 、图4（ b） ） 的RCV 模型，存在较多冗余轮廓，即使能够大致分割出肿块轮廓，但也会常常把伪影区当成病灶，并且分割肿块边缘细节时也存在一定偏差。 （ 图2（ c） 、图3（ c） 、图4（ c） ） LBF模型，因为局部作用力强的原因导致，曲线轮廓向梯度大的地方移动，而且速度很快，导致轮廓在局部极小值处多次陷入停顿。自适应能量水平集的乳腺超声肿块病灶分割方法，由于局部信息项和全局信息项，在轮廓演化的不同阶段权重发生相应变化，交替占主导作用，与RCV 和LBF 模型相比，自适应能量水平集的乳腺超声肿块病灶分割方法对于伪影干扰的处理较好，在边界细节方面和最终轮廓线的形状方面更为准确，用肉眼看最为接近真实轮廓。除此之外，自适应能量水平集的乳腺超声肿块病灶分割方法在初始轮廓变化的情况下，迭代次数没有明显变化，而当目标偏移与初始轮廓加大时， LBF和RCV模型的迭代次数都有所增加。 计算上述四项指标的平均值通过样本组来计算，结果从表1中可以看到，RCV 模型处理样本，平均假阴性率较低（ 6.37%），平均假阳性率很高（27.15%），而平均真阳性率较高（ 93.57%），这就表明它能较少遗漏病灶组织。LBF 方法处理样本，它的平均假阴性率较高（ 12.53%） ，但是假阳性率相对较低，原因是它容易受到局部极值的干扰，收敛到位于目标内部的地方，在临床指导中，这意味着可能会“错过”部分病灶组织，也会对诊断产生不利的导向。自适应能量水平集的乳腺超声肿块病灶分割方法处理样本的平均真阳性率与RCV模型和LBF 模型相比，都高于他们，而且平均假阴性率和平均假阳性率两个指标都表现很好，平均误差最小。
自适应能量水平集的乳腺超声肿块病灶分割方法还有另一个优点，就是收敛速度较快，从表2可以看出三种模型的耗时。由于自适应能量水平集的乳腺超声肿块病灶分割方法引入了全局信息项，并且可以自适应调整局部信息和全部信息，提高能量泛函的收敛速度，尽管在可变权重系数和计算全局能量时增加了时间，但与RCV 模型相比总体运行时间有明显减少； 与LBF 模型相比，样本组在分割实验时平均用时相对较高，过早地停顿到了局部极值点，是LBF 模型能够较快停止的一个原因。专业医师试用后表明，自适应能量水平集的乳腺超声肿块病灶分割方法能够达到实时要求。
4结束语
本文通过提出一种融合局部和全局图像信息的自适应能量的水平集的乳腺超声肿块病灶的分割方法，从轮廓的内外部灰度的概率分布函数的计算可以得到全局信息，而局部信息主要是像素点作为中心的小邻域的梯度变化，在能量泛函的演化过程之中，局部信息项以及全局信息项的权重系数实时变化的调整。通过实验结果可以看出，自适应能量的水平集的乳腺超声肿块病灶的分割方法，可以较好地对噪声大、灰度变化不够均匀、对比度较低等进行处理，乳腺超声图像的肿块病灶分割问题，与LBF 模型、RCV 模型相比较，自适应能量的水平集的乳腺超声肿块病灶的分割方法对于病灶边缘细节以及分割准确性方面的处理效果更好，临床的实用性较强，分割速度较快。在临床中区别良性和恶性肿瘤通常利用血流分布进行，良性肿瘤通常表现为，内部少量分布规则的血流，周边血流，以及无穿支血管； 而恶性肿瘤多为血供丰富，显示穿支血管，分布紊乱，但合并坏死、小乳癌或者是硬化明显的恶性肿瘤内部无或少许血流； 炎性病灶常出现类似于恶性肿瘤的超声表现。
参考文献：
[1] SIEGEL R，NAISHADHAM D，JEMAL A.Cancer statistics，2012[J]. CA： a Cancer Journal for Clinicians，2012，62（ 1） ： 10-29.
[2] HIGGINS M J，BASELGA J.Targeted therapies in breast cancer[J].Journal of Clinical Investigation，2011，121（ 10） ： 3797-3803.
[3] KASS M，WITKIN A，TERZOPOULOS D. Snakes： active contourmodels[J]. International Journal of Computer Vision，1988，1（ 4） ： 321-331.
关键词：自适应水平集方法；乳腺超声；肿块分割
Abstract： Objective： to adaptive level set method for ultrasonic breast segmentation are analyzed. Methods： according to the data of breast patients in our hospital before analysis. Results： the level set method has become a major point of research in the field of image segmentation， and at the time of processing the image segmentation problem show a relatively good performance. Conclusion： the level set method is still in the stage of rapid development， his theory and application research needs to be further deepen and perfect， in this paper， the ultrasonic imaging of inherent noise， and low contrast artifact spots more features， detailed elaborated the adaptive level set method for ultrasonic breast segmentation.
KeyWords：adaptive level set method； breast ultrasound； breast mass segmentation
在乳腺癌的患者之中，较为常见的症状就是乳腺肿块。如何在X光片之中检测出乳腺肿块，就当前而言，已经逐渐成为在计算机的辅助之下进行乳腺癌检测的一个关键性问题。在乳腺X光图像之中的肿块能够直接将乳腺癌反映出来，在计算机的辅助系统之中，区分乳腺肿块良恶性的第一步就是有效地提取肿块区域，提取肿块的区域的准确性直接关系到患者诊断的可靠性。因为患者乳腺的组织成分例如血管、结缔组织、脂肪组织以及腺体的密度较为接近，使得乳腺X光片的质量在很大程度上受到影响。
1一般方法 初始轮廓范围的确定
据患者乳腺超声图像的肿块病灶位置的性质显示，自动的固定设置取初始的轮廓。这主要是因为，超声解剖主要分成四个主要区域： 表皮层以及皮下区域主要包括脂肪与腺体层、淋巴管、腺体后的区域。大部分的肿瘤所生长的位置主要在腺体层，就是图1之中的两条白色平行线之内的范围，在这个范围之上区域就是表皮层以及皮下区域，之下是腺体后的区域，仅有个别的恶性肿瘤会浸润到这两个部分。初始轮廓均都由人工设置的，将病灶或者病灶主要的部分包括在其中。
乳腺良恶性肿瘤在超声图像之中具有较为显著的形态学区别。在临床医学诊断上显示，边界的主要表现是鉴别良、恶性肿瘤最重要的超声征象，图像分割算法能够利用的重要信息主要体现在边界形态上。因为边界浸润的不规则以及钙化点的分割干扰，进而导致曲线演化收敛的速度逐渐减慢，迭代的次数逐渐增加，这两项数据均可为鉴别良恶性肿瘤提供一定重要的依据。
2 CV 模型和相关改进方案
活动轮廓模型是一种较为常用的边缘提取算法，它主要采用参数方程进行控制初始曲线的动态形变以及位移，直到到达目标的边界之处停止，进而实现图像的分割。发展活动轮廓模型，水平集方法是一种较为新颖的求解几何曲线演化的方法。因为水平集函数在演化的过程之中可以灵活处理曲线的拓扑结构的变化，适合分割具有不规则属性的形状复杂的目标； 泛函的表达式可以用较为稳定的数值方式实现，计算的效率较高； 分割的结果主要是闭合光滑的高精度曲线，进而后续的分析识别方法提供了便利。
3 实验结果及讨论
为了对本文所使用的方法进行验证，用160例患者的所包含肿块的乳腺超声所谓图像作为研究的样本组进行分割实验，样本的内容均都来自于某大学的附属医院乳腺外科的临床教学影像的资源，并遵循一定的临床医学实验数据的使用原则。将本文的方法和文献的RCV模型以及文献的LBF 模型进行对照试验，这三种方法均都采用一样的初始轮廓。本文的方法常用参数的设置： λ1 =λ2 = 1，时间步长Δt = 0. 01 s，γ = 1，高斯核的函数Gε之中ε = 3。就是定量的评价分割质量，一般情况之下的做法就是使用较为专业的医师手工分割的结果作为标准，将算法分割滞后得到的结果与之前所进行的像素级进行比较。需要一位专业的医师对测试的图片进行手动的分割，校对之后的分割结果主要作为标准轮廓。图2 ～ 4 分别显示就同一样本来说的三种自动分割算法的处理结果以及手工分割的结果比较分析。
从图2（ a） 、图3（ a） 、图4（ a） 可看到，不管是周围区域还是肿块内部灰度分布都不均匀，而且都有大量伪影干扰。 （ 图2（ b） 、图3（ b） 、图4（ b） ） 的RCV 模型，存在较多冗余轮廓，即使能够大致分割出肿块轮廓，但也会常常把伪影区当成病灶，并且分割肿块边缘细节时也存在一定偏差。 （ 图2（ c） 、图3（ c） 、图4（ c） ） LBF模型，因为局部作用力强的原因导致，曲线轮廓向梯度大的地方移动，而且速度很快，导致轮廓在局部极小值处多次陷入停顿。自适应能量水平集的乳腺超声肿块病灶分割方法，由于局部信息项和全局信息项，在轮廓演化的不同阶段权重发生相应变化，交替占主导作用，与RCV 和LBF 模型相比，自适应能量水平集的乳腺超声肿块病灶分割方法对于伪影干扰的处理较好，在边界细节方面和最终轮廓线的形状方面更为准确，用肉眼看最为接近真实轮廓。除此之外，自适应能量水平集的乳腺超声肿块病灶分割方法在初始轮廓变化的情况下，迭代次数没有明显变化，而当目标偏移与初始轮廓加大时， LBF和RCV模型的迭代次数都有所增加。 计算上述四项指标的平均值通过样本组来计算，结果从表1中可以看到，RCV 模型处理样本，平均假阴性率较低（ 6.37%），平均假阳性率很高（27.15%），而平均真阳性率较高（ 93.57%），这就表明它能较少遗漏病灶组织。LBF 方法处理样本，它的平均假阴性率较高（ 12.53%） ，但是假阳性率相对较低，原因是它容易受到局部极值的干扰，收敛到位于目标内部的地方，在临床指导中，这意味着可能会“错过”部分病灶组织，也会对诊断产生不利的导向。自适应能量水平集的乳腺超声肿块病灶分割方法处理样本的平均真阳性率与RCV模型和LBF 模型相比，都高于他们，而且平均假阴性率和平均假阳性率两个指标都表现很好，平均误差最小。
自适应能量水平集的乳腺超声肿块病灶分割方法还有另一个优点，就是收敛速度较快，从表2可以看出三种模型的耗时。由于自适应能量水平集的乳腺超声肿块病灶分割方法引入了全局信息项，并且可以自适应调整局部信息和全部信息，提高能量泛函的收敛速度，尽管在可变权重系数和计算全局能量时增加了时间，但与RCV 模型相比总体运行时间有明显减少； 与LBF 模型相比，样本组在分割实验时平均用时相对较高，过早地停顿到了局部极值点，是LBF 模型能够较快停止的一个原因。专业医师试用后表明，自适应能量水平集的乳腺超声肿块病灶分割方法能够达到实时要求。
4结束语
本文通过提出一种融合局部和全局图像信息的自适应能量的水平集的乳腺超声肿块病灶的分割方法，从轮廓的内外部灰度的概率分布函数的计算可以得到全局信息，而局部信息主要是像素点作为中心的小邻域的梯度变化，在能量泛函的演化过程之中，局部信息项以及全局信息项的权重系数实时变化的调整。通过实验结果可以看出，自适应能量的水平集的乳腺超声肿块病灶的分割方法，可以较好地对噪声大、灰度变化不够均匀、对比度较低等进行处理，乳腺超声图像的肿块病灶分割问题，与LBF 模型、RCV 模型相比较，自适应能量的水平集的乳腺超声肿块病灶的分割方法对于病灶边缘细节以及分割准确性方面的处理效果更好，临床的实用性较强，分割速度较快。在临床中区别良性和恶性肿瘤通常利用血流分布进行，良性肿瘤通常表现为，内部少量分布规则的血流，周边血流，以及无穿支血管； 而恶性肿瘤多为血供丰富，显示穿支血管，分布紊乱，但合并坏死、小乳癌或者是硬化明显的恶性肿瘤内部无或少许血流； 炎性病灶常出现类似于恶性肿瘤的超声表现。
参考文献：
[1] SIEGEL R，NAISHADHAM D，JEMAL A.Cancer statistics，2012[J]. CA： a Cancer Journal for Clinicians，2012，62（ 1） ： 10-29.
[2] HIGGINS M J，BASELGA J.Targeted therapies in breast cancer[J].Journal of Clinical Investigation，2011，121（ 10） ： 3797-3803.
[3] KASS M，WITKIN A，TERZOPOULOS D. Snakes： active contourmodels[J]. International Journal of Computer Vision，1988，1（ 4） ： 321-331.