周婷婷， 王宏志

(長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長(zhǎng)春 130012)

基于小波分析和遺傳算法的乳腺X線圖像分割

周婷婷， 王宏志*

(長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長(zhǎng)春 130012)

首先運(yùn)用維納濾波對(duì)X線圖像進(jìn)行處理，可以有效地去除圖像中的偽影和噪音。其次，利用多尺度小波對(duì)圖像進(jìn)行增強(qiáng)，有利于分割過(guò)程中取得更好的效果。最后，用小波變換對(duì)圖像直方圖進(jìn)行處理，并根據(jù)遺傳算法對(duì)圖像中的疑似腫塊進(jìn)行分割。實(shí)驗(yàn)表明,該算法能更加快速、清晰地分割出腫塊。

小波變換; 遺傳算法; X線圖像; 圖像分割

0 引 言

乳腺癌是是危害中老年婦女健康的主要惡性腫瘤之一，乳腺癌的防治關(guān)鍵在于早發(fā)現(xiàn)、早診斷[1]。目前臨床上早期探測(cè)乳腺癌最敏感的方法是X線攝影，它也是乳腺癌早期預(yù)防的重要工具[2]。X線圖像分割被認(rèn)為是識(shí)別良惡性的第一步，也是重要的一步。由于X線圖像分割是乳腺癌診斷的重要步驟，故對(duì)其分割效果有更加迫切的需求。

近年來(lái)對(duì)于乳腺X線圖像分割的研究國(guó)內(nèi)外都有很大的發(fā)展。Guliato[3]等提出了基于多邊形輪廓的腫塊分割方法，有效保留了腫塊的邊緣細(xì)節(jié)特征，有助于乳腺癌的診斷；Eltonsy[4]等提出了同軸形態(tài)學(xué)模型的X線圖像檢測(cè)分割方法，在灰度分層后的圖像中查找同軸關(guān)系來(lái)尋找病變；Chen[5]等提出了基于小波系數(shù)的圖像閾值算法；Chang[6]等提出了一種基于貝葉斯理論的條件概率熵(CPE)閾值技術(shù)，把遺傳算法應(yīng)用到CPE中，以確定閾值。Yen[7]等提出了多閾值的新標(biāo)準(zhǔn)，稱為自動(dòng)閾值標(biāo)準(zhǔn)(Automatic Thresholding Criterion， ATC)，此算法解決了分割灰度圖像的閾值數(shù)量不能自動(dòng)確定的問(wèn)題。

基于以上方法，文中提出一種基于小波分析及遺傳算法的乳腺X線圖像分割。對(duì)圖像進(jìn)行維納濾波，對(duì)處理后的圖像用多尺度小波進(jìn)行圖像增強(qiáng)，再運(yùn)用小波及遺傳算法對(duì)其分割。

1 預(yù)處理

乳腺X線圖像在獲取的過(guò)程中，由于設(shè)備及本人自身各種原因?qū)е聢D像中包含的偽影及噪聲較多，因此需運(yùn)用維納濾波對(duì)其進(jìn)行去噪處理。同時(shí)，因?yàn)槿ピ牒蟮膱D像腫塊與背景對(duì)比度低，邊緣不清晰，故用多尺度小波進(jìn)行圖像增強(qiáng)。如圖1所示。

圖1 圖像預(yù)處理

2 圖像分割

對(duì)于乳腺X線分割，文中提出了一種基于小波變換和遺傳算法的分割方法。使用小波變換對(duì)圖像進(jìn)行處理，加快遺傳算法的收斂速度，同時(shí)利用遺傳算法確定最佳的閾值數(shù)量和閾值。

2.1小波變換

文中運(yùn)用的是小波變換中的二進(jìn)制小波。二進(jìn)制小波在連續(xù)小波和離散小波之間，只對(duì)尺度參量進(jìn)行了離散化而在時(shí)間域的平移量保持連續(xù)變換，因此具有平移不變性和時(shí)移共變性，同時(shí)其優(yōu)越性還有信號(hào)奇異性檢測(cè)和圖像多尺度邊緣檢測(cè)等。利用二進(jìn)制小波變換將圖像的直方圖分解為不同層次的小波系數(shù)，同時(shí)減少直方圖的長(zhǎng)度，可以進(jìn)一步提高遺傳算法的收斂速度。

2.2遺傳算法

遺傳算法(Genetic Algorithms， GA)[8]是一類借鑒生物界的進(jìn)化規(guī)律適者生存、優(yōu)勝劣汰遺傳機(jī)制演化而來(lái)的隨機(jī)化搜索算法，由J.H.Holland教授于1975年提出。文中提出一種基于遺傳算法的快速多閾值技術(shù)來(lái)確定適當(dāng)閾值數(shù)量，以及適當(dāng)?shù)拈撝?。所提出的遺傳算法采用了一個(gè)新的染色體字符串表示形式，它結(jié)合了基于變換的小波技術(shù)，以減少時(shí)間的計(jì)算。此方法可以被認(rèn)為是類似于由Kim[9]等提出的多級(jí)閾值化方法，不同的是所提出的遺傳算法是用于尋找最佳閾值的。使用遺傳算法比傳統(tǒng)的搜索技術(shù)有許多優(yōu)點(diǎn)，特別是基于遺傳算法的方法是全局搜索能力的技術(shù)，可以防止把局部最優(yōu)解認(rèn)為是全局最優(yōu)解；另一個(gè)優(yōu)點(diǎn)是，基于遺傳算法的方法可以通過(guò)并行實(shí)現(xiàn)變得更快。

由小波變換后的直方圖生成初始種群，在種群中保存一個(gè)最合適獨(dú)立位置的字符串A，運(yùn)用相鄰值的方法以提高A的合格值[10]，再通過(guò)執(zhí)行選擇、交叉和變異的操作來(lái)產(chǎn)生下一個(gè)種群A*，比較A*和A，如果A*比A有更好的適應(yīng)值，那么A*代替A，否則重新開始，繼續(xù)擴(kuò)展最佳閾值，完善擴(kuò)大閾值，進(jìn)而完成乳腺X線圖像分割。

3 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)從一個(gè)包括160例患者640張X線圖像(即80例良性腫瘤和80例惡性腫瘤)的數(shù)據(jù)庫(kù)中隨機(jī)抽取圖像進(jìn)行仿真，取得了滿意的效果。文中使用了兩個(gè)乳房的4張X線圖像，分別如圖2和圖3所示。 圖2(a)和(b)是左側(cè)乳房的頭尾位、軸位(Cranio-caudal, CC)圖像和內(nèi)外斜位、側(cè)斜位(Medio-lateral Oblique, MLO)圖像，具有惡性病變。圖3(a)和(b)是具有良性病變的左側(cè)乳房的CC和MLO圖像。

圖2 惡性腫瘤CC和MLO

圖3 良性腫瘤CC和MLO

應(yīng)用文中方法對(duì)以上4張X線圖像進(jìn)行預(yù)處理，再把處理后的圖像進(jìn)行分割，分別如圖4和圖5所示。

圖4 文中算法惡性腫瘤CC和MLO分割結(jié)果

圖5 文中算法良性腫瘤CC和MLO分割結(jié)果

由圖4和圖5可以看出，文中算法能夠更加快速、清晰、有效地分割出腫塊。

4 結(jié) 語(yǔ)

乳腺X線圖像分割是乳腺癌診斷中重要的一步，受到越來(lái)越多人的關(guān)注。針對(duì)乳腺X線圖像的醫(yī)學(xué)圖像分割，給出了一個(gè)從圖像預(yù)處理到小波變換減少直方圖長(zhǎng)度，再到遺傳算法分割的較為完整的乳腺X線圖像分割方法，能夠較為清晰、準(zhǔn)確地分割出圖像中的腫塊，但是此方法目前只適用于實(shí)驗(yàn)室研究，所以，下一步是增加對(duì)此方法的應(yīng)用調(diào)試，爭(zhēng)取早日應(yīng)用到臨床實(shí)踐中。

[1] 吳相穎.基于 Graph Cuts 算法的乳腺 X 線圖像腫塊分割方法研究[D]:[碩士學(xué)位論文].杭州：杭州電子科技大學(xué),2012.

[2] 歐陽(yáng)成,丁輝,王廣志.乳腺 X 線圖像腫塊分割[J].北京生物醫(yī)學(xué)工程,2007,26(3):237-240.

[3] Guliato D, Rangayyan R M, Carvalho J D, et al. Polygonal modeling of contours of breast tumors with the preservation of spicules[J]. Biomedical Engineering, IEEE Transactions on,2008,55(1):14-20.

[4] Eltonsy N H, Tourassi G D, Elmaghraby A S. A concentric morphology model for the detection of masses in mammography[J]. Medical Imaging, IEEE Transactions on,2007,26(6):880-889.

[5] Chang Y, Yan H. An effective multilevel thresholding approach using conditional probability entropy and genetic algorithm[C]//Selected papers from the 2002 Pan-Sydney workshop on Visualisation-Volume 22. Australian Computer Society, Inc.,2003:17-20.

[6] Yen J C, Chang F J, Chang S. A new criterion for automatic multilevel thresholding[J]. Image Processing, IEEE Transactions on,1995,4(3):370-378.

[7] Chen G Y, Bui T D. Multiwavelets denoising using neighboring coefficients [J]. Signal Processing Letters, IEEE,2003,10(7):211-214.

[8] Holland J H. Adaptation in natural and artificial systems: An introductory analysis with applications to biology, control, and artificial intelligence[M]. [S.l.]:U Michigan Press,1975.

[9] Kim B G, Shim J I, Park D J. Fast image segmentation based on multi-resolution analysis and wavelets [J]. Pattern Recognition Letters,2003,24(16):2995-3006.

[10] Yin P Y. A fast scheme for optimal thresholding using genetic algorithms [J]. Signal Processing,1999,72(2):85-95.

Image segmentation of breast X-ray based on wavelet analysis and genetic algorithm

ZHOU Ting-ting, WANG Hong-zhi*

(School of Computer Science & Engineering, Changchun University of Technology, Changchun 130012， China)

Wiener filter is used first to process X-ray images to effectively remove image artifacts and noises. Then the images are enhanced with Multi-scale wavelet for image segmentation. Wavelet transform is applied to deal the image histogram and then genetic algorithm is introduced to segment the suspected masses. Experimental results show that the algorithm can quickly identify the masses.

wavelet transform； genetic algorithm； X-ray； image segmentation.

2014-07-20

吉林省教育廳“十二五”計(jì)劃基金資助項(xiàng)目(2013136)

周婷婷(1989-)，女，漢族，吉林遼源人，長(zhǎng)春工業(yè)大學(xué)碩士研究生，主要從事圖像處理與機(jī)器視覺方向研究,E-mail:zhoutingtingsha@126.com. *聯(lián)系人：王宏志(1961-)，男，漢族，黑龍江牡丹江人，長(zhǎng)春工業(yè)大學(xué)教授，博士，主要從事數(shù)字信號(hào)處理方向研究,E-mail:wanghongzhi@mail.ccut.edu.cn.

TP 317.4

A

1674-1374(2014)05-0487-03