一种乳腺肿块超声图像超声区域分离方法技术

本发明专利技术公开了一种乳腺肿块超声图像超声区域分离方法，包括以下步骤，1.1.对于一幅乳腺肿块超声图像I，利用金字塔均值漂移算法对其进行滤波，得到滤波后的图像I

A method for ultrasonic region separation of breast masses

The invention discloses an ultrasonic region separation method of breast mass ultrasonic image, which comprises the following steps: 1.1. For a breast mass ultrasonic image I, filter it with pyramid mean shift algorithm to get the filtered image I

【技术实现步骤摘要】
一种乳腺肿块超声图像超声区域分离方法
本专利技术属于图像处理
，特别涉及一种医学超声图像自动分割方法，是一种乳腺肿块超声图像超声区域分离方法。
技术介绍
乳腺肿块是妇女最常见的疾病之一，目前最有效的检测与诊断方式是乳腺X线摄影。但由于乳腺X线摄影的特异度较低，导致了大量不必要的活检，不仅给患者带来痛苦，而且增加了成本。另外，乳腺X线摄影产生的电离辐射也会给患者和医生带来健康风险。超声影像具有低成本、无侵性、实时性等特点，已成为乳腺肿块检测的重要手段之一。但乳腺超声图像具有低对比度、斑点噪声以及与组织相关的纹理结构，会给医生的诊断带来一定的困难；且不同的医生之间存在对乳腺超声的理解和诊断方面的差异。因此，乳腺超声的计算机辅助诊断系统具有很大的意义。有研究表明，乳腺超声计算机辅助诊断系统的输出结果可以为医生在乳腺肿块检测、定征和诊断决策时提供一种参考。图像分割是乳腺超声计算机辅助诊断系统的重要环节。近几十年来，国内外在乳腺超声图像分割方面已经提出许多方法，包括阈值分割、区域生长、基于模型的方法(包括活动轮廓模型，水平集，马尔科夫随机场等)、基于图论的方法(包括图割，归一化割等)、基于机器学习的方法、基于聚类的方法(包括K均值，模糊C均值等)。这些方法存在一些主要缺点：(1)多数方法需要手工交互，诸如手工选择种子点或初始轮廓；(2)多数方法对斑点噪声敏感，且由于超声图像对比度低，具有与组织相关的纹理，故准确分割较为困难；(3)多数方法算法复杂度高，处理时间长，难以满足临床要求。准确、快速、自动化分割是图像分割的目标。但分割的准确性、效率以及自动化水平也是相互矛盾的。近些年来，也有一些乳腺超声图像自动分割方法相继被提出，这些方法一般思路为：(1)通过某种手段自动找到肿块区域的种子点或者找到能够将肿块涵括在内的感兴趣区域；(2)利用种子点或者感兴趣区域内的某一点作为区域生长算法的种子点，进行区域生长粗分割；(3)将粗分割得到的边界作为活动轮廓模型的初始轮廓，进行活动轮廓模型精分割。但这些方法存在以下问题：(1)自动查找种子点或感兴趣区域的算法往往鲁棒性不高，仅对部分图像有效，影响了自动分割的准确性；(2)算法复杂度高，处理费时，难以达到临床上对自动分割的速度要求。分水岭算法是图像分割中应用较广的一种快速分割方法，但由于超声图像的固有特性，在淹没过程会产生过多的区域，会导致分割较慢并且准确性低的问题。
技术实现思路
本专利技术旨在提出一种乳腺肿块超声图像的准确、快速、自动化分离方法。本专利技术将分水岭算法与均值漂移算法结合在一起，并进行了改进。首先采用金字塔均值漂移算法对乳腺超声图像进行滤波，大幅提高了图像的同质性，使其更加平滑，再使用分水岭算法对滤波后的图像进行分割处理，从而能够大量减少生成的区域个数，提高了分割的速度和精度。分水岭分割得到的结果图像中包含了若干区域，每个区域内部的灰度相同，但各区域之间灰度不同。此外，本专利技术还结合了临床医生的经验知识，即乳腺肿块一般位于图像的中部或上部且乳腺肿块内部平均回声强度较低，提取分水岭分割结果图像中特定感兴趣区域内的最小灰度，作为目标肿块区域的灰度，再遍历整个分水岭分割结果图像，将灰度等于最小灰度的像素赋为前景，否则赋为背景，即得到最终的肿块分割结果图像。具体
技术实现思路
如下：本专利技术的一种乳腺肿块超声图像超声区域分离方法包括以下步骤：1.1.对于一幅乳腺肿块超声图像I，利用金字塔均值漂移算法对其进行滤波，得到滤波后的图像If；所述的金字塔均值漂移算法包括如下步骤：(a).对乳腺肿块超声图像I进行最高层数L的高斯金字塔分解，L≥2，得到L层图像I1,…,IL，图像IL为金字塔的底层；(b).对第L层图像IL进行均值漂移滤波，得到结果图像(IL)ms；(c).使用拉普拉斯金字塔将第L层的均值漂移滤波结果图像(IL)ms向上采样得到第L-1层图像I'L-1，再对I'L-1进行均值漂移滤波，得到(IL-1)ms；(d).重复步骤(c)，直到得到第1层均值漂移滤波结果图像(I1)ns，即金字塔均值漂移滤波后的图像If；1.2.利用分水岭算法对图像If进行分割，得到分割后的图像Is,该步骤包括：1.2.1输入图像If，定义起始变量i＝1，i表示圆盘型结构元素Bi的半径，I＝2表示将梯度图像初始划分为2个等级；1.2.2利用矢量梯度方法计算图像If的梯度图像g；1.2.3对梯度图像g进行开重建运算，得到第一次修正后的梯度图像grec(1)；1.2.4对梯度图像grec(1)进行标准分水岭变换，统计分割后的区域数目为Num(1)；1.2.5自适应梯度重建，得到修正后的梯度图像gm，包括以下步骤：(a)i加1，圆盘型结构元素Bi为尺寸(2i+1)×(2i+1)的圆形结构，对grec(i-1)进行开重建，得到修正后的梯度图像grec(i)；(b)修正梯度图像gm＝Σi＝1Igrec(i)×BW(g,T,i),其中，二值化运算T＝max(g)-min(g)l表示梯度等级间隔；(c)若i≤l，返回步骤(a)，否则进入下一步；(6)对gm进行标准分水岭变换，得到分割后的结果为L2，统计分割后的区域数目为Num(l)；(7)判断分割后的区域数目变化，如果Num(I)＝Num(I-1)，则输出最终的分割结果L2；否则，加1，返回步骤1.2.5。1.3.计算Is中特定感兴趣区域内的最小灰度minGray；1.4.遍历Is，对于灰度等于minGray的像素，将其灰度赋为前景，即为目标肿块区域，否则赋为背景，得到最终的肿块分割结果二值图像。进一步的步骤1.1中，还可以采用自适应多尺度形态学滤波，其包括以下步骤：(a)选取结构元素与尺度多尺度结构元素定义为:nb＝b⊕b⊕b..⊕b；其中:n为尺度参数；⊕为形态学膨胀运算，即大尺度结构元素，是由基本元素b膨胀而来的；(b)单尺度下滤波设f(x，y)为输入图像，Fi(x，y)为输出图像，bi(x，y)为结构元素(1≤i≤3)，则形态学开运算与闭运算分别为形态学开运算:f(x，y)·bi(x，y)＝(f(x，y)Θbi(x，y))⊕bi(x，y)；形态学闭运算:f(x，y)·bi(x，y)＝(f(x，y)⊕bi(x，y))Θbi(x，y)；其中，⊕和Θ分别表示形态学膨胀和腐蚀运算；形态学开闭运算滤波结果为：Fi(x，y)＝(f(x，y)·bi(x，y))·bi(x，y)；(c)多尺度自适应滤波结果设F(x，y)为各尺度下形态滤波得到的图像加权合成，Fi(x，y)为各尺度下滤波后的图像，βi为不同尺度结构元素的权值，则多尺度形态学滤波结果为自适应权值βi的选取方法为:设b1、b2、b3可填入图像f(x，y)的次数分别为α1、α2、α3，则它们对应的自适应权重值为：可填入次数α1、α2、α本文档来自技高网...

【技术保护点】
1.一种乳腺肿块超声图像超声区域分离方法，其特征在于包括以下步骤：/n1.1.对于一幅乳腺肿块超声图像I，利用金字塔均值漂移算法对其进行滤波，得到滤波后的图像I

【技术特征摘要】
1.一种乳腺肿块超声图像超声区域分离方法，其特征在于包括以下步骤：
1.1.对于一幅乳腺肿块超声图像I，利用金字塔均值漂移算法对其进行滤波，得到滤波后的图像If；所述的金字塔均值漂移算法包括如下步骤：
(a).对乳腺肿块超声图像I进行最高层数L的高斯金字塔分解，L≥2，得到L层图像I1,…,IL，图像IL为金字塔的底层；
(b).对第L层图像IL进行均值漂移滤波，得到结果图像(IL)ms；
(c).使用拉普拉斯金字塔将第L层的均值漂移滤波结果图像(IL)ms向上采样得到第L-1层图像I'L-1，再对I'L-1进行均值漂移滤波，得到(IL-1)ms；
(d).重复步骤(c)，直到得到第1层均值漂移滤波结果图像(I1)ns，即金字塔均值漂移滤波后的图像If；
1.2.利用分水岭算法对图像If进行分割，得到分割后的图像Is,该步骤包括：
1.2.1输入图像If，定义起始变量i＝1，i表示圆盘型结构元素Bi的半径，I＝2表示将梯度图像初始划分为2个等级；
1.2.2利用矢量梯度方法计算图像If的梯度图像g；
1.2.3对梯度图像g进行开重建运算，得到第一次修正后的梯度图像grec(1)；
1.2.4对梯度图像grec(1)进行标准分水岭变换，统计分割后的区域数目为Num(1)；
1.2.5自适应梯度重建，得到修正后的梯度图像gm，包括以下步骤：
(a)i加1，圆盘型结构元素Bi为尺寸(2i+1)×(2i+1)的圆形结构，对grec(i-1)进行开重建，得到修正后的梯度图像grec(i)；
(b)修正梯度图像gm＝Σi＝1Igrec(i)×BW(g,T,i),
其中，二值化运算
T＝max(g)-min(g)l表示梯度等级间隔；
(c)若i≤l，返回步骤(a)，否则进入下一步；
(6)对gm进行标准分水岭变换，得到分割后的结果为L2，统计分割后的区域数目为Num(l)；
(7)判断分割后的区域数目变化，如果Num(I)＝Num(I-1)，则输出最终的分割结果L2；否则，加1，返回步骤1.2.5。
1.3.计算Is中特定感兴趣区域内的最小灰度minGray；
1.4.遍历Is，对于灰度等于minGray的像素，将其灰度赋为前景，即为目标肿块区域，否则赋为背景，得到最终的肿块分割结果二值图像。


2.根据权利要求1所述的一种乳腺肿块超声图像超声区域分离方法，其特征在于：步骤1.1中，还可以采用自适应多尺度形态学滤波，其包括以下步骤：
(a)选取结构元素与尺度
多尺度结构元素定义为:nb＝b⊕b⊕b..⊕b；其中:n为尺度参数；⊕为形态学膨胀运算，即大尺度结构元素，是由基本元素b膨胀而来的；
(b)单尺度下滤波

【专利技术属性】
技术研发人员：赵旭东，
申请(专利权)人：赵旭东，
类型：发明
国别省市：黑龙;23