基于核磁共振圖像的乳腺腫瘤分割方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種乳腺腫瘤分割方法，包括構(gòu)造乳腺組織核磁共振圖像的分類(lèi)與偏移場(chǎng)矯正的耦合框架的步驟，對(duì)乳房區(qū)域以及周邊區(qū)域進(jìn)行增強(qiáng)的步驟，以及結(jié)合形狀先驗(yàn)對(duì)乳房腫瘤圖像進(jìn)行分割的步驟。本發(fā)明將偏移場(chǎng)信息融入到分類(lèi)模型中將二者歸納為統(tǒng)一框架，通過(guò)快速能量極小化方法同時(shí)求解乳腺核磁共振圖像分類(lèi)以及矯正偏移場(chǎng)，使得兩者在模型演化過(guò)程中相互利用對(duì)方的信息最終實(shí)現(xiàn)二者的準(zhǔn)確求解；并對(duì)血管以及腫瘤的形狀進(jìn)行分析，抓住二者在形狀上的差異，利用特征值以及特征向量等參數(shù)建立形狀先驗(yàn)，構(gòu)造基于形狀的水平集驅(qū)動(dòng)力并將其與基于局部信息的水平集方法相結(jié)合，使得水平集在演化時(shí)克服管狀結(jié)構(gòu)的干擾只捕獲乳腺腫瘤區(qū)域。
【專(zhuān)利說(shuō)明】基于核磁共振圖像的乳腺腫瘤分割方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像分割【技術(shù)領(lǐng)域】，尤其是涉及一種基于核磁共振圖像的乳腺腫瘤組 織的提取和分割方法。

【背景技術(shù)】
[0002] 乳腺癌是女性排名第一的常見(jiàn)惡性腫瘤，全球每年有超過(guò)10000名女性死于該疾 病。2010年，美國(guó)有近207090個(gè)新的乳腺癌患者，而到2011年該項(xiàng)統(tǒng)計(jì)數(shù)據(jù)增長(zhǎng)到230480 例，占女性新發(fā)占女性新發(fā)惡性腫瘤的30%，排名女性惡性腫瘤發(fā)病率第一位。在我國(guó)，北 京、上海、天津等大城市的統(tǒng)計(jì)顯示乳腺癌同樣是我國(guó)女性最常見(jiàn)的惡性腫瘤，且發(fā)病率呈 逐年上升趨勢(shì)。乳腺癌的癥狀多種多樣，常見(jiàn)的有：乳腺腫塊，乳腺疼痛，乳頭溢液、糜爛或 皮膚凹陷，腋窩淋巴結(jié)腫大等。其中，乳腺腫瘤是最常見(jiàn)的癥狀，約90%的患者是以該癥狀 進(jìn)行就診的。乳腺腫瘤分為良性腫瘤和惡性腫瘤。其中，乳腺良性腫瘤中較多見(jiàn)的有腺纖 維瘤和管內(nèi)或囊內(nèi)乳頭狀瘤，而乳腺惡性腫瘤有癌、肉瘤及癌肉瘤等。為了對(duì)癥下藥，需要 對(duì)乳腺腫瘤進(jìn)行定性的分析和診斷。
[0003] 目前乳腺鑰靶、B超以及核磁共振是檢測(cè)乳腺腫瘤最常用的三種成像方式。其中， 核磁檢查是軟組織分辨率最高的影像檢查手段，與鑰靶和B超相比核磁共振圖像可以更好 地顯示腫瘤形態(tài)和血液動(dòng)力學(xué)的特征，大大提高了乳腺癌的診斷率，發(fā)現(xiàn)乳腺腫瘤的敏感 性高達(dá)94%?100%，特異性為71 %，且能發(fā)現(xiàn)X線片上不能發(fā)現(xiàn)的小腫瘤，尤其對(duì)致密型 乳腺及乳腺癌術(shù)前分期都有優(yōu)勢(shì)。乳腺核磁共振成像在檢測(cè)重度危險(xiǎn)病人和階段病人都起 到非常重要的作用。
[0004] 為了給臨床和放射科醫(yī)生提供有效的乳腺腫瘤的形狀特征以及體積等信息以幫 助醫(yī)生制定治療計(jì)劃，需要將乳腺腫瘤區(qū)域從核磁共振圖像中分割出來(lái)。目前，對(duì)乳腺核磁 共振圖像進(jìn)行分析主要依賴(lài)專(zhuān)家手工分割與借助計(jì)算機(jī)輔助分割。手工分割可以較精確地 得到圖像中乳腺腫瘤區(qū)域，但手動(dòng)分割需要較強(qiáng)的先驗(yàn)知識(shí)，并且需要消耗大量時(shí)間。為了 解決該問(wèn)題，很多專(zhuān)家致力于構(gòu)造乳腺腫瘤的自動(dòng)化分割方法，希望通過(guò)計(jì)算機(jī)輔助診斷 的方式將醫(yī)生從海量的醫(yī)學(xué)數(shù)據(jù)的分割中解放出來(lái)。但是，受成像設(shè)備的限制以及呼吸導(dǎo) 致的運(yùn)動(dòng)偽影，臨床采集的乳腺核磁共振圖像的灰度分布非常不均勻，此外乳腺腫瘤區(qū)域 的灰度與乳房中的血管以及肋骨的灰度非常接近，因此傳統(tǒng)的基于圖像灰度的分割方法無(wú) 法正確檢測(cè)出乳腺腫瘤區(qū)域。因此，設(shè)計(jì)出一種快速且準(zhǔn)確的乳腺腫瘤的自動(dòng)化分割方法 顯得非常重要。
[0005] 醫(yī)學(xué)圖像的自動(dòng)化分割是進(jìn)行計(jì)算機(jī)圖像分析的關(guān)鍵，是制約醫(yī)學(xué)圖像處理中其 他相關(guān)技術(shù)發(fā)展與應(yīng)用的瓶頸，也是醫(yī)學(xué)圖像理解的基礎(chǔ)。醫(yī)學(xué)圖像分割在生物醫(yī)學(xué)研究、 臨床診斷、病理分析等方面具有重要的意義。近幾十年來(lái)，許多研究人員在醫(yī)學(xué)圖像分割 領(lǐng)域做了大量的研究工作，提出了很多有效的分割算法。其中，統(tǒng)計(jì)學(xué)理論、模糊集理論、 神經(jīng)網(wǎng)絡(luò)、形態(tài)學(xué)方法、小波理論等已經(jīng)在醫(yī)學(xué)圖像分割中受到了廣泛的關(guān)注和應(yīng)用。此 夕卜，近期涌現(xiàn)出的遺傳算法、尺度空間、多分辨率方法、圖論以及非線性擴(kuò)散方程等新方法 也不斷的背應(yīng)用于醫(yī)學(xué)圖像分割的領(lǐng)域中。
[0006] 根據(jù)醫(yī)學(xué)圖像分析任務(wù)的要求，可將分割分為基于區(qū)域的分割和基于邊界的分 割兩類(lèi)。基于區(qū)域的分割是對(duì)一幅圖像按其特征相似性劃分為若干有意義的區(qū)域。該類(lèi) 方法可以進(jìn)一步的分為基于閾值的分割方法，基于區(qū)域生長(zhǎng)和分裂合并的方法，基于聚 類(lèi)的方法，基于隨機(jī)場(chǎng)的方法等。基于邊界的分割是將圖像中感興趣的區(qū)域（Region of Interesting，R0I)分離出來(lái)，提取其邊界，為R0I進(jìn)行準(zhǔn)確定位。該類(lèi)方法主要有基于曲面 擬合的方法，基于邊界曲線擬合的方法，基于反應(yīng)-擴(kuò)散方程的方法，串行邊界查找，基于 形變模型的方法等。
[0007] 由于輔助臨床醫(yī)療的需要，如何提高圖像分割模型的速度、精度是個(gè)重點(diǎn)、難點(diǎn)問(wèn) 題。乳腺腫瘤的分割主要存在如下三個(gè)難點(diǎn)問(wèn)題：1)乳房核磁共振圖像受偏移場(chǎng)的影響非 常嚴(yán)重，圖像灰度分布非常不均勻；2)圖像中除了含有乳房部分還包括肋骨、胸腔等非乳 房部分，且這兩個(gè)部分并沒(méi)有非常明顯的邊界；3)在乳房區(qū)域內(nèi)乳腺腫瘤的灰度與血管的 灰度非常接近，很難從灰度上區(qū)分這兩個(gè)區(qū)域。由于這幾個(gè)難點(diǎn)問(wèn)題，上述提到的醫(yī)學(xué)圖像 分割方法都無(wú)法直接應(yīng)用于乳腺腫瘤的分割中。因而設(shè)計(jì)一種完全自動(dòng)化的分割方法精確 的將乳腺腫瘤從核磁共振圖像中提取出來(lái)具有較大的挑戰(zhàn)性。
[0008] 對(duì)于核磁共振圖像分割而言偏移場(chǎng)現(xiàn)象的影響最為明顯。由于偏移場(chǎng)往往比較光 滑，許多學(xué)者在此基礎(chǔ)上提出基于多項(xiàng)式的模型，基于離散正余弦變換的模型以及基于薄 板樣條的模型等。這些方法的精確度由自由度確定，隨著自由度的增加，導(dǎo)致計(jì)算復(fù)雜度的 增加，且易陷入局部最優(yōu)。還有一些模型假設(shè)在圖像由有限個(gè)同質(zhì)區(qū)域構(gòu)成，利用這個(gè)性質(zhì) 將聚類(lèi)模型引入到偏移場(chǎng)的計(jì)算中。Wells等人提出一種基于最大似然估計(jì)的方法，然而該 方法需要知道每個(gè)類(lèi)別的具體信息；目前還出現(xiàn)了基于聚類(lèi)的方法，該類(lèi)方法往往依賴(lài)初 始值的選取且易陷入局部極值，當(dāng)偏移場(chǎng)較強(qiáng)時(shí)該類(lèi)方法往往不能得到較好的結(jié)果。
[0009] 檢測(cè)乳腺腫瘤時(shí)，一些非乳房區(qū)域的部位例如胸腔，肺以及心臟等區(qū)域會(huì)影響腫 瘤檢測(cè)的速度和精度，因此需要在乳腺腫瘤檢測(cè)之前將乳房部位作為感興趣區(qū)域分割出 來(lái)，去除其他非感興趣區(qū)域。由于心臟和肺部的運(yùn)動(dòng)，乳房區(qū)域與其他區(qū)域的邊界非常模 糊，使得感興趣區(qū)域的提取存在困難。Hayton等人基于數(shù)學(xué)形態(tài)學(xué)方法和圖搜索方法提出 一種乳房區(qū)域的分割方法，但該方法非常耗時(shí)，且無(wú)法處理病人的胸腔不是非常平坦時(shí)的 情況。Twellmann等人將中值濾波、灰度閾值法以及形態(tài)學(xué)方法相結(jié)合用以分割乳房區(qū)域。 但由于核磁共振圖像的灰度不均勻，該方法的灰度閾值部分無(wú)法正確的將乳房區(qū)域與非感 興趣區(qū)域分離開(kāi)。Ertas等人利用細(xì)胞神經(jīng)網(wǎng)絡(luò)方法代替形態(tài)學(xué)操作可以有效的將乳房區(qū) 域分割出來(lái)。但該方法是一個(gè)迭代算法，需要根據(jù)不同的情況設(shè)置迭代中止條件。
[0010] 為了測(cè)量腫瘤的形狀、體積以及亮度等特征，需將乳腺腫瘤從乳房部位分割出來(lái)。 全局閾值法是一個(gè)常用的圖像分割方法，該方法基于全局灰度信息。該方法可以將灰度值 高于正常部位的灰度值的乳腺腫瘤區(qū)域分割出來(lái)。但某些乳腺腫瘤的灰度值經(jīng)常與其他部 位疊加，因此該方法不適用于乳腺腫瘤的分割。Li等人提出了局部自適應(yīng)閾值方法，與全局 閾值法相比局部閾值法的分割方法更加準(zhǔn)確，但分割出的目標(biāo)邊界都不光滑影響后續(xù)的腫 瘤性質(zhì)分析。Szekely等人用馬爾科夫隨機(jī)場(chǎng)將粗分割結(jié)果進(jìn)一步提煉，再結(jié)合半徑梯度索 引法，直方圖方法以及二值化方法將乳腺腫瘤從乳房區(qū)域中分割出來(lái)，該方法得到的目標(biāo) 邊界比較準(zhǔn)確但實(shí)現(xiàn)過(guò)程比較復(fù)雜。Zheng等人提出了自適應(yīng)的拓?fù)鋮^(qū)域增長(zhǎng)方法定義腫 瘤區(qū)域的初始邊界，并應(yīng)用主動(dòng)輪廓模型方法捕獲目標(biāo)邊界。Petrick等人使用高斯濾波的 拉普拉斯變化以及密度權(quán)重對(duì)比增強(qiáng)法分割乳腺腫瘤。密度權(quán)重對(duì)比增強(qiáng)方法可以增強(qiáng)圖 像中的結(jié)構(gòu)信息使得基于邊緣檢測(cè)的方法更好的捕獲目標(biāo)邊界。Zou等人使用梯度向量流 (GVF)方法分割乳腺腫瘤，但初始曲線的自適應(yīng)選擇仍有待研究。
[0011] 綜上所述，由于乳房核磁共振圖像灰度不均勻，非乳房區(qū)域?qū)θ橄倌[瘤的自動(dòng)分 割影響較大以及乳腺腫瘤的灰度與血管灰度非常接近等問(wèn)題導(dǎo)致自動(dòng)的從核磁共振圖像 中分割出乳腺腫瘤顯得非常困難。


【發(fā)明內(nèi)容】

[0012] 為解決上述問(wèn)題，本發(fā)明公開(kāi)了一種乳腺腫瘤分割方法，將偏移場(chǎng)信息融入到分 類(lèi)模型中將二者歸納為統(tǒng)一框架，通過(guò)快速能量極小化方法同時(shí)求解乳腺核磁共振圖像分 類(lèi)以及矯正偏移場(chǎng)，使得兩者在模型演化過(guò)程中相互利用對(duì)方的信息最終實(shí)現(xiàn)二者的準(zhǔn)確 求解；并對(duì)血管以及腫瘤的形狀進(jìn)行分析，抓住二者在形狀上的差異，利用特征值以及特征 向量等參數(shù)建立形狀先驗(yàn)，構(gòu)造基于形狀的水平集驅(qū)動(dòng)力并將其與基于局部信息的水平集 方法相結(jié)合，使得水平集在演化時(shí)克服管狀結(jié)構(gòu)的干擾只捕獲乳腺腫瘤區(qū)域。
[0013] 為了達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：
[0014] 一種基于核磁共振圖像的乳腺腫瘤分割方法，包括如下步驟：
[0015] 步驟1，構(gòu)造乳腺組織核磁共振圖像的分類(lèi)與偏移場(chǎng)矯正的耦合框架：
[0016] 步驟1. 1，對(duì)乳房核磁共振的灰度分布進(jìn)行分析，確定乳腺核磁共振圖像的類(lèi)別個(gè) 數(shù)；
[0017] 步驟1. 2,增加保證偏移場(chǎng)光滑的約束項(xiàng)，結(jié)合多相位的水平集方法構(gòu)造乳房核磁 共振圖像的分類(lèi)與偏移場(chǎng)矯正的耦合模型：
[0018]

【權(quán)利要求】
1. 基于核磁共振圖像的乳腺腫瘤分割方法，其特征在于，包括如下步驟： 步驟1，構(gòu)造乳腺組織核磁共振圖像的分類(lèi)與偏移場(chǎng)矯正的耦合框架： 步驟1.1，對(duì)乳房核磁共振的灰度分布進(jìn)行分析，確定乳腺核磁共振圖像的類(lèi)別個(gè)數(shù)； 步驟1. 2,增加保證偏移場(chǎng)光滑的約束項(xiàng)，結(jié)合多相位的水平集方法構(gòu)造乳房核磁共振 圖像的分類(lèi)與偏移場(chǎng)矯正的耦合模型：
其中第一項(xiàng)是數(shù)據(jù)擬合項(xiàng)，該項(xiàng)包括灰度信息I(X)、偏移場(chǎng)信息b(X)以及類(lèi)別信息Ui(X),而第二項(xiàng)是空間約束項(xiàng)； 步驟1. 3,應(yīng)用快速的能量最小化方法求解圖像分類(lèi)和偏移場(chǎng)； 步驟2,利用圖像邊緣增強(qiáng)的方法對(duì)乳房區(qū)域以及周邊區(qū)域進(jìn)行增強(qiáng)，區(qū)分乳房區(qū)域和 非乳房區(qū)域，提取乳房區(qū)域； 步驟3,結(jié)合形狀先驗(yàn)對(duì)乳房腫瘤圖像進(jìn)行分割： 步驟3.1，構(gòu)造初始曲線； 步驟3. 2,根據(jù)形狀統(tǒng)計(jì)的方法構(gòu)造管狀以及塊狀結(jié)構(gòu)的先驗(yàn)信息； 步驟3. 3,將形狀先驗(yàn)信息融入基于局部信息的水平集方法進(jìn)行圖像的分割。
2. 根據(jù)權(quán)利要求1所述的基于核磁共振圖像的乳腺腫瘤分割方法，其特征在于，所述 步驟 I. 1包括如下步驟： Step1:統(tǒng)計(jì)圖像的直方圖并進(jìn)行高斯平滑，得到平滑后的直方圖H; Step2:對(duì)平滑后的直方圖進(jìn)行初始波峰檢測(cè)，若Hi >Hh且Hi >Hi+1則為波峰，否則 為非波峰；
Step3:去除小波峰和相鄰波峰，設(shè)定閾值T1，若波峰高度小于閾值時(shí)，從集合中去除 該波峰；
當(dāng)兩個(gè)波峰之間的寬度小于閾值T2時(shí)，將兩個(gè)波峰合并，去除較小的波峰，最終得到波 峰的集合P; Step4:根據(jù)波峰集合，確定波峰的數(shù)量，以此作為圖像的類(lèi)別個(gè)數(shù)，波峰對(duì)應(yīng)的灰度 值則為各個(gè)類(lèi)別的初始中心； Step5 :用融入偏移場(chǎng)信息與類(lèi)別的均值信息（b(X)Ci)表示每個(gè)類(lèi)別。
3. 根據(jù)權(quán)利要求1或2所述的基于核磁共振圖像的乳腺腫瘤分割方法，其特征在于： 所述步驟1. 2的耦合模型中第一項(xiàng)中的偏移場(chǎng)信息b建模為一組光滑的基函數(shù)的線性組 合： b=wTg 其中，W=O1,O2,…，〇n)T是參數(shù)，g= (gl,g2,…，gn)T是基函數(shù)。
4. 根據(jù)權(quán)利要求1所述的基于核磁共振圖像的乳腺腫瘤分割方法，其特征在于：所述 步驟 3. 2包括如下步驟： Step1:用高斯濾波器求解每個(gè)點(diǎn)的Hessian矩陣； Step2:求解Hessian矩陣的特征值入丨，入2; Step3:根據(jù)局部結(jié)構(gòu)特征與Hessian矩陣特征值的關(guān)系定義如下管狀結(jié)構(gòu)先驗(yàn)：
其中，Rb= 0，(：是自定義參數(shù)，
'根據(jù)多尺度的概念，最終的先驗(yàn) 公式表示如下：
當(dāng)Vtj(X)接近1時(shí)，當(dāng)前點(diǎn)X的結(jié)構(gòu)是管狀結(jié)構(gòu)，反之是塊狀結(jié)構(gòu)。
5. 根據(jù)權(quán)利要求1所述的基于核磁共振圖像的乳腺腫瘤分割方法，其特征在于，所述 步驟3. 3中在模型中增加形狀先驗(yàn)，具體能量泛函如下：
其中，M1O(y)) =H〇 (y))，M2O(y)) =l-H〇 (y))，H是Heaviside函數(shù)， 對(duì)圖像中所有點(diǎn)x，其局部高斯概率的形式如下：
而Pr1 (I(x))和pr2 (I(x))分別表示非管狀結(jié)構(gòu)和管狀結(jié)構(gòu)的先驗(yàn)： Pr1(Kx)) =P(XG^non-vessel) =I-V0(x) ,pr2(I(x) ) =P(xG^vessei) =V0(x). 能量泛函公式的極小化可通過(guò)梯度下降法求解：
其中，
》通過(guò)交替迭 代上述三個(gè)公式即可得到最終的腫瘤分割結(jié)果。
【文檔編號(hào)】G06T7/00GK104268873SQ201410500096
【公開(kāi)日】2015年1月7日 申請(qǐng)日期:2014年9月25日 優(yōu)先權(quán)日:2014年9月25日
【發(fā)明者】顧升華, 詹天明, 鄭鈺輝, 陳允杰, 羅君 申請(qǐng)人:南京信息工程大學(xué)