高鳴，衛(wèi)元元，張博，王芳

（1.漯河市中心醫(yī)院（漯河市醫(yī)專一附院）超聲科，河南漯河462000；2.漯河市中心醫(yī)院（漯河市醫(yī)專一附院）CT室，河南漯河462000；3.漯河市中心醫(yī)院（漯河市醫(yī)專一附院）一分院內(nèi)科，河南 漯河462000；4.河南理工大學(xué)， 河南焦作 454150）

1 引 言

隨著醫(yī)學(xué)圖像處理技術(shù)的發(fā)展，采用超聲圖像檢測(cè)方法進(jìn)行病理診斷成為醫(yī)學(xué)診斷的重要手段，在進(jìn)行腫塊識(shí)別過(guò)程中，采用超聲圖像識(shí)別是重要的檢測(cè)手段，結(jié)合三維數(shù)字圖像處理技術(shù)進(jìn)行超聲腫塊圖像分析，構(gòu)建超聲腫塊圖像的檢測(cè)和區(qū)域分割模型，實(shí)現(xiàn)超聲腫塊醫(yī)學(xué)圖像分析，能提高對(duì)超聲腫塊的醫(yī)學(xué)病理診斷和檢測(cè)識(shí)別能力，研究人體超聲腫塊圖像區(qū)域分割技術(shù)具有重要的實(shí)踐價(jià)值[1]。

對(duì)超聲腫塊的區(qū)域分割是建立在對(duì)超聲圖像的掃描和模板特征匹配基礎(chǔ)上，結(jié)合超聲腫塊圖像的區(qū)域檢測(cè)和特征定位技術(shù)進(jìn)行圖像的檢測(cè)和識(shí)別[2]，傳統(tǒng)方法中，對(duì)超聲腫塊圖像的區(qū)域分割和特征檢測(cè)方法主要采用分塊區(qū)域檢測(cè)方法、HAT小波檢測(cè)方法和Harris角點(diǎn)檢測(cè)方法，結(jié)合超聲回波檢測(cè)方法進(jìn)行腫塊的邊緣輪廓檢測(cè)和定位，提取超聲腫塊的邊緣特征量，實(shí)現(xiàn)超聲腫塊圖像檢測(cè)[3]，文獻(xiàn)[4]中提出一種基于邊緣像素灰度特征分解的多分辨率超聲腫塊圖像閾值分割方法，將圖像分割為特征點(diǎn)分辨力較高的塊向量，實(shí)現(xiàn)超聲腫塊的奇異特征點(diǎn)的準(zhǔn)確定位識(shí)別，但該方法的計(jì)算復(fù)雜度較高，區(qū)域分割的自適應(yīng)性較差。文獻(xiàn)[5]中采用一種基于小波尺度分解的超聲腫塊區(qū)域分割方法，對(duì)采集的圖像采用小波尺度分解方法進(jìn)行濾波處理，提取超聲腫塊圖像的邊緣輪廓特征，實(shí)現(xiàn)圖像分割，但該方法的抗干擾性較差。

針對(duì)上述問(wèn)題，本研究提出一種基于BP-遺傳算法優(yōu)化的超聲腫塊區(qū)域分割技術(shù)。首先采用超聲成像技術(shù)進(jìn)行腫塊圖像采集，然后構(gòu)建超聲腫塊區(qū)域檢測(cè)模型，采用自適應(yīng)模板特征匹配方法進(jìn)行圖像融合處理，提取超聲腫塊區(qū)域圖像的超像素特征量，進(jìn)行圖像的邊緣輪廓特征檢測(cè)和腫塊區(qū)域定位，采用BP-遺傳算法進(jìn)行圖像區(qū)域分割的過(guò)程控制，實(shí)現(xiàn)圖像分割算法改進(jìn)。最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了本研究方法在提高超聲腫塊區(qū)域分割能力方面的優(yōu)越性能。

2 圖像采集和濾波預(yù)處理

2.1 超聲腫塊圖像采集

為了實(shí)現(xiàn)超聲腫塊區(qū)域分割，首先采用超聲成像技術(shù)采集醫(yī)學(xué)圖像，設(shè)圖像采集的陣元的個(gè)數(shù)為L(zhǎng)，采用合成聚焦波束形成處理方法進(jìn)行超聲腫塊圖像融合處理[6]，給出超聲腫塊圖像的先驗(yàn)信息，采用壓縮感知信號(hào)重構(gòu)方法，得到原始圖像的邊緣像素特征量Wi：

設(shè) ｛w1，w2，...，wdi｝表示超聲腫塊圖像的邊緣灰度像素集，對(duì)合成聚焦超聲成像處理后的圖像像素值進(jìn)行特征排序，得到超聲圖像的像素值大小關(guān)系為｛λ1≥λ2≥...≥λdi｝，根據(jù)非均勻采樣方法進(jìn)行超聲圖像的區(qū)域像素級(jí)重構(gòu)[7]，在灰度鄰域范圍內(nèi)，得到模擬隨機(jī)采樣的輸出像素值，采用低像素值重構(gòu)方法進(jìn)行特征匹配，得到di個(gè)超聲成像的特征值，其中表示超聲腫塊圖像的灰度二值分量，di表示三維腫塊圖像的灰度差異值，結(jié)合超聲波束的主瓣寬度的特征匹配方法，用W =｛w1，w2，...，wdi｝表示在仿射不變區(qū)域Wi內(nèi)的超聲腫塊圖像的主瓣向量集，采用便攜式B超成像算法，得到圖像采集輸出：

其中：X（k）為陣元間隔數(shù)，exp（j2πkn/N）為超聲探頭實(shí)時(shí)跟蹤的尺度系數(shù)。通過(guò)位置信息的自適應(yīng)調(diào)節(jié)，得到超聲腫塊圖像的定位幀為：

根據(jù)超聲腫塊圖像的仿射不變矩，令I(lǐng)x為一個(gè)單樣本超聲腫塊圖像的灰度像素序列，其中x=P，N，通過(guò)自適應(yīng)特征分解，得到圖像的活動(dòng)輪廓，可獲取二維超聲圖像平面與三維表面模型之間的統(tǒng)計(jì)特征量，根據(jù)模板匹配方法，進(jìn)行圖像增強(qiáng)處理，提高超聲腫塊圖像的信息表達(dá)能力[8]。

2.2 超聲腫塊圖像濾波檢測(cè)

對(duì)采集的超聲腫塊圖像進(jìn)行塊區(qū)域模板匹配處理，構(gòu)建超聲腫塊區(qū)域檢測(cè)模型[9]，提取圖像的邊緣輪廓特征，超聲腫塊圖像的邊緣輪廓銳化模板輸出表達(dá)式為：

其中Q為超聲腫塊圖像分塊權(quán)重，W為超聲成像平面的局部區(qū)域輪廓特征。構(gòu)造超聲腫塊圖像中三維表面模型間的融合協(xié)方差矩陣為：

通過(guò)2D/3D配準(zhǔn)融合方法進(jìn)行超聲腫塊圖像的尺度分解[10]，獲得圖像的三維視圖窗口信息特征量為：

其中，U是N×N的訓(xùn)練樣本集矩陣，V是一個(gè)2×2的最佳空間變換矩陣，S是一個(gè)N×2的局部信息子空間矩陣，基于點(diǎn)的切平面的法向量變換關(guān)系，得到超聲腫塊圖像的平移向量分布矩陣為：

其中，f（z）是超聲腫塊圖像的幾何特征不變向量，*為卷積運(yùn)算。在三維視圖窗口中顯示超聲圖像，得到超聲腫塊圖像的邊緣輪廓特征提取輸出為：

采用小波降噪方法進(jìn)行超聲腫塊圖像的區(qū)域像素特征塊分割和降噪處理，結(jié)合角點(diǎn)檢測(cè)方法進(jìn)行奇異點(diǎn)檢測(cè)，提高了對(duì)超聲腫塊圖像的病因點(diǎn)的快速搜索和定位能力[12]。

3 圖像區(qū)域分割優(yōu)化

3.1 邊緣輪廓特征提取

構(gòu)建超聲腫塊區(qū)域檢測(cè)模型，采用自適應(yīng)模板特征匹配方法進(jìn)行圖像融合處理，提取超聲腫塊區(qū)域圖像的超像素特征量，采用模板匹配方法進(jìn)行圖像的分塊融合[13]，得到超聲腫塊圖像的特征分解方程為：

式中，R表示成像的側(cè)向分辨率。在超聲腫塊圖像分析中，對(duì)采集的超聲腫塊圖像進(jìn)行自適應(yīng)特征分解，在對(duì)超聲腫塊圖像的像素特征采集中，構(gòu)造如下坐標(biāo)系：

其中，η表示合成聚焦波束形成的模板匹配值，φ表示超聲腫塊圖像病變特征點(diǎn)的偏移值。

采用尺度分解和模板匹配方法對(duì)超聲腫塊圖像進(jìn)行閾值分割，根據(jù)像素特征差異度匹配方法實(shí)現(xiàn)超聲腫塊圖像的關(guān)聯(lián)相似度分解，以顯著性特征點(diǎn)為中心進(jìn)行區(qū)域重構(gòu)[14]，得到超聲腫塊圖像區(qū)域分割值為：

其中，λ1，λ2，ν，μ是超聲腫塊圖像中病斑特征點(diǎn)狀態(tài)系數(shù)，表示圖像的邊緣像素集，Kσ為超聲波束的主瓣寬度，采用閾值分割方法進(jìn)行超聲腫塊圖像的區(qū)域像素特征塊分割，以顯著性特征點(diǎn)為中心，進(jìn)行超聲腫塊圖像的區(qū)域重構(gòu)，得到超聲腫塊圖像的邊緣像素點(diǎn)輸出：

式中，IG表示超聲腫塊圖像序列的稀疏解和表示多分辨率超聲腫塊的梯度值和像素差異值。

3.2 BP-遺傳算法控制及區(qū)域分割輸出

采用BP-遺傳聯(lián)合分割法，進(jìn)行腫塊圖像的區(qū)域分割，提取三維腫塊圖像的關(guān)聯(lián)規(guī)則集，使用動(dòng)態(tài)包圍輪廓分解方法進(jìn)行超聲腫塊圖像的塊分割，結(jié)合特征匹配方法實(shí)現(xiàn)對(duì)超聲腫塊圖像的動(dòng)態(tài)特征點(diǎn)重構(gòu)和識(shí)別，得到超聲腫塊圖像采集輸出的像素集為：

上式中：

構(gòu)建超聲腫塊圖像的活動(dòng)輪廓模型，對(duì)圖像進(jìn)行閾值降噪，采用種子點(diǎn)匹配方法，在8鄰域像素特征空間內(nèi)把圖像劃分成3×3的像素塊，獲取超聲腫塊圖像邊緣像素信息，利用BP神經(jīng)網(wǎng)絡(luò)分類方法進(jìn)行特征分類，結(jié)合遺傳進(jìn)化算法[15]，得到腫塊區(qū)域分割的優(yōu)化解用J2（Wi）表示：

上式中：

根據(jù)超聲腫塊圖像的像素采樣值，結(jié)合模板匹配方法，將圖像分成t塊，在x軸和y軸上進(jìn)行超聲腫塊的區(qū)域分割和特征分離，表示為：

其中，Mi及MT經(jīng)過(guò)旋轉(zhuǎn)變換Wi后的特征子空間分量，根據(jù)BP-遺傳算法聯(lián)合尋優(yōu)控制，實(shí)現(xiàn)對(duì)超聲腫塊圖像的區(qū)域分割，提高對(duì)超聲腫塊的特征識(shí)別和重構(gòu)能力。

4 仿真實(shí)驗(yàn)分析

在Matlab 7中進(jìn)行仿真分析，實(shí)現(xiàn)超聲腫塊的區(qū)域分割和特征提取，對(duì)超聲圖像采集的陣元個(gè)數(shù)N=64，超聲成像系統(tǒng)的聚焦深度分別為30、40 mm，超聲聲速為540 m/s，均勻采樣率為M×N=200×500，分辨率為640×480，超聲探頭實(shí)時(shí)跟蹤的平滑參數(shù)為1.45，超聲腫塊圖像的銳化曲率參數(shù)為1.55，搜索迭代次數(shù)為K=50，三維表面模型的滑動(dòng)匹配系數(shù)為1.34，超聲腫塊圖像閾值分割的尺度為2，三維重構(gòu)的面板參數(shù)為β=2.8，超像素的近鄰點(diǎn)的分割尺度為a=0.56，超聲腫塊圖像的像素采樣的模板匹配的大小為50×50。根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行超聲腫塊的區(qū)域分割仿真設(shè)計(jì)，得到測(cè)試圖像見圖1。

圖1 測(cè)試圖像Fig 1 Test image

以圖1的測(cè)試圖像為輸入，進(jìn)行超聲腫塊區(qū)域分割，得到分割結(jié)果見圖2。

圖2 超聲腫塊區(qū)域分割Fig 2 Ultrasonic mass area segmentation

根據(jù)區(qū)域分割結(jié)果，提取超聲腫塊區(qū)域圖像的超像素特征量，根據(jù)像素特征差異度匹配方法進(jìn)行超聲腫塊圖像的關(guān)聯(lián)相似度分解，實(shí)現(xiàn)超聲腫塊定位檢測(cè)和三維重構(gòu)，得到結(jié)果見圖3。

圖3 超聲腫塊定位檢測(cè)和三維重構(gòu)Fig 3 Localization detection and three-dimensional reconstruction of ultrasonic masses

由圖3可知，采用本研究方法進(jìn)行超聲腫塊區(qū)域分割的精度較高，圖像特征匹配性能較好，腫塊區(qū)域的辨識(shí)度較高。測(cè)試不同方法進(jìn)行超聲腫塊區(qū)域分割后的檢測(cè)性能，得到對(duì)比結(jié)果見表1。分析可知，本研究方法進(jìn)行超聲腫塊區(qū)域分割和檢測(cè)的精度較高。

表1 超聲腫塊區(qū)域分割精度對(duì)比Table 1 Accuracy comparison of ultrasound mass segmentation

5 結(jié)語(yǔ)

結(jié)合三維數(shù)字圖像處理技術(shù)進(jìn)行超聲腫塊圖像分析，構(gòu)建超聲腫塊圖像的檢測(cè)和區(qū)域分割模型，實(shí)現(xiàn)超聲腫塊醫(yī)學(xué)圖像分析，本研究提出一種基于BP-遺傳算法優(yōu)化的超聲腫塊區(qū)域分割技術(shù)。采用超聲成像技術(shù)進(jìn)行腫塊圖像采集，構(gòu)建超聲腫塊區(qū)域檢測(cè)模型，采用自適應(yīng)模板特征匹配方法進(jìn)行超聲腫塊圖像融合處理，根據(jù)像素特征差異度匹配方法實(shí)現(xiàn)超聲腫塊圖像的關(guān)聯(lián)相似度分解，采用BP-遺傳算法進(jìn)行圖像區(qū)域分割的自適應(yīng)學(xué)習(xí)，實(shí)現(xiàn)超聲腫塊圖像的高分辨辨識(shí)和分割。研究得知，采用該方法進(jìn)行超聲腫塊區(qū)域分割的精度較高，圖像特征匹配性能較好，腫塊區(qū)域的辨識(shí)度較高，具有一定的醫(yī)學(xué)實(shí)用價(jià)值。