一种基于可变Snake模型的肝脏超声病灶图像分割方法

黄 伟，卢桂馥

一种基于可变Snake模型的肝脏超声病灶图像分割方法

*黄 伟，卢桂馥

(安徽工程大学计算机与信息学院，安徽，芜湖 241000)

Snake模型（活动轮廓模型）大量应用于各种医学图像的分割，用于对超声图像病灶的分割和识别，可以大大提高临床诊断和决策的效率。针对NBGVF模型对弱边界处理效果差，分割运算量大，对初始轮廓不能自适应生成等不足，提出一种基于能量函数和颜色特征的初始轮廓提取方法，结合病灶区域颜色空间特征和医生先验信息，利用能量函数构建可变的Snake初始轮廓完成逼近，对图像中病灶位置进行有效的提取。实验结果表明，改进的方法提高了病灶分割和临床决策效率。

Snake模型；超声图像；分割

0 引言

近年来，针对特定医学图像（CT、MRI等）的分割以及识别已成为研究和应用热点，由于独特的无损性和实时性，超声图像在临床诊断和辅助决策中被广泛使用，为临床诊断和决策提供了直观、量化的参考。对于超声图像的分割结果将直接影响到后续对病灶的识别和确定[1]，如何充分利用超声图像中的信息对其进行有效的分割一直是医学图像处理中值得深入研究的课题。

针对于医学超声图像的分割，目前国内外都有广泛研究，主要方法包括基于模糊聚类的方法、基于数学形态学的方法和基于特定理论工具的方法。结合特定理论工具完成分割是目前的主流方法[2]，例如活动轮廓模型（Active Contour Model）、动态规划法和水平集方法。动态规划模型基本思想是首先在原始图像上人工选择一些特定的点作为初始点和终止点，并对原始图像进行变换得到初始代价阵，然后由初始代价阵和给定的初始点计算累积代价阵，最后从终止点方向反向跟踪到初始点，从而获得所需的边缘轮廓线。该算法运算量较大，而且依赖初始点和终止点。目前，活动轮廓模型在图像分割领域取得了长足的发展。虽然国内外研究者基于活动轮廓模型，结合超声图像的分割提出了许多实现思想和算法，也取得了一定的分割效果，但是国内外研究主要还存在如下问题：（a）合适的分割区域特征空间的选取。因为虽有多种颜色空间用于图像处理，但由于哪一种都无法替代其他的颜色空间而适用于所有特定图像处理，故如何选择最佳的特征区域是必须解决的难题。（b）目前尚无统一的分割方法，现有方法均针对于特定图像和应用场合，如何融合图像信息来整体考虑进而找到通用的分割方法值得深入研究。（c）目前尚无客观通用分割结果评价标准。

目前对于外力的研究是活动轮廓模型研究和实现的一个重要方面，传统Snake模型基于基本图像梯度，特征提取范围小，不能收敛于凹陷区域。围绕上述不足，学者Xu和Prince提出了借助梯度矢量流（GVF）场作为新的外力描述[3]，使得在弱边界及区域凹陷位置的轮廓分割效果得到显著提高，同时针对GVF模型的不足，法向梯度矢量流NBGVF（Normally Baised Gradient Vector Flow）模型结合插值过程对其改进[4]，利用有效的插值算子大大提高了运算效率。在此基础上结合切线和法线方向的扩散过程，有学者提出了目前更灵活的广义法向有偏梯度矢量流GNBGVF（Generalized Normally Baised Gradient Vector Flow）模型[5]，有效提高了弱边界的检出率和轮廓的分割效果。本文围绕肝脏超声图像中的病灶区域，利用NBGVF外力场模型并加以改进，结合能量函数和病灶区域的先验颜色特征信息，构建可变的外力场模型建立初始轮廓模型，通过活动轮廓模型方法的处理完成病灶的分割，一定程度上弥补了初始轮廓不能自适应变化的不足，并减少了对正常边界的过度分割，取得了较好的处理效果。

1 基于可变Snake模型的超声图像病灶区域分割改进方法

1.1 基于Snake模型的超声图像分割

1.2 构建改进外力场和能量函数提取病灶图像初始轮廓

本文围绕腹部肝脏超声图象完成分割。由于超声图象含有大量的组织和病灶信息，目前病灶区域初始轮廓区域边缘形状都可类似约束为圆形，部分包含模糊的凹陷不连续边界，因此可利用这些特征信息丰富的轮廓加以提取，同时在边缘提取中利用这些信息。为了检测出病灶边缘信息，首先必须寻找出初始轮廓，为了确定轮廓像素点，本方法基于病灶先验特征信息构造能量函数模拟初始边缘，根据不同病灶并结合能量函数的灵活性对NBGVF模型进行改进，使得初始轮廓是动态可变的，这样提高了活动轮廓模型的灵活性。在总能量函数表达中，对外部能量定义为:

E(ext)=-|Edge(denoise(I(x(i)，y(i))))| (1)

f( i,j )是否为一个局部同质区域的中心，一般用一个3×3 卷积模板来确定像素P(X,Y)是否是局部同质区域即病灶的中心，对于轮廓较大的病灶区域可适当扩大卷积模板以适应复杂的扩散过程。构造模板如下：

将超声图像Q与模板W作卷积，结果如下:

如果像素P(m,n)是一个区域中心，那么卷积结果就是一个具有负的标量部分及零矢量部分的四元数。综上所述，利用能量函数方法就把超声病灶图像边缘提取问题转换成寻找是否是区域中心点的问题，从上述算法过程可以看出，算法实现简单。

基于NBGVF模型的方法虽然大大简化了实际问题，算法简单，但对卷积结果会造成病灶图像边缘信息和凹陷位置的漏检，而且单纯利用偏梯度矢量流描述来实现算法，会存在提取的边缘信息不完整和漏检的缺点。针对这样的情况，本文算法提出的改进点在于以能量函数为基础，围绕切线方向和法线方向的外力场扩散过程，用改进的多方向上的模板算子结合病灶区域颜色先验信息对病灶轮廓图像进行检测，以获得比较好的轮廓效果。

2.3 改进算法

本文基于NBGVF模型，提出一种基于能量函数构建的动态Snake轮廓逼近算法，以腹部肝脏病灶超声图像作为分割研究的对象，通过对分割中初始轮廓自动选取以及活动轮廓模型算法中能量函数建立问题的研究，提出一种有效的分割方法，满足实际分割和识别的要求。考虑到超声图像的质量和特点，对于源超声序列图像采用中值滤波法去噪，同时引入了能量函数项，有利于后续对正常组织和病灶的区分。对于病灶区域，采用基于颜色特征和先验信息来构造梯度分量外力场。由于建立了初始边界，可克服在分割较弱边缘时出现的弱边界遗漏，在保持初始边界的同时也弥补了梯度矢量流的不足，具体分割过程描述如下：

Step1 经中值滤波预处理后读入源图像序列；

Step2 用一个3×3 卷积模板W来判断像素是否在局部同质区域，同时构建能量函数找出不在相同区域的像素；若病灶区域边界较大或相对比较完整，可采用较大的卷积模板，如5×5和7×7模板；

Step3 利用②中得到的卷积结果作为病灶初始边界Edge(W)；

Step4 应用传统的Snake算法并在NBGVF外力场模型的基础上进行改进，使用八方向上的法向和切向分量进行迭代，迭代结果作为算法模型中初始轮廓的外力表达；

Step5 利用改进模型对初始边界曲线完成最终算法，提取出病灶图像的边缘。

本文改进算法对每个区域内的动点执行以下处理过程:

1) 找到当前点p(i,j) 邻域内梯度矢量流的极值，并分别赋值给M最大值和N最小值。

2) 计算当前点邻域内各像素点的能量函数，并直接在外力场中表达。

3) 在当前点p(i,j)邻近区域内找到初始轮廓的像素点集合并加以迭代。

4) 能量函数完成迭代，重复上述过程。

2 实验结果与分析

本文依托的平台环境是某大型医院超声影像信息系统(UIS)的超声图像工作站，算法测试环境采用Delphi7.0，超声图像由SIMENS临床系统产生。选取其中两幅腹部超声序列图像，对比本文算法和NBGVF方法的分割效果，实验结果及分析如下：

如图所示，图1和图4分别为两幅不同的腹部彩色超声图像。图2和图5分别为直接应用NBGVF Snake模型进行病灶分割提取的算法执行结果。图3和图6是采用本文中的改进方法进行病灶分割提取的算法执行结果。

图1 腹部超声序列图像1

图2 NBGVF Snake分割结果1

图3 本文改进算法分割结果1

图4 腹部超声序列图像2

图5 NBGVF Snake分割结果2

图6 本文改进算法分割结果2

针对NBGVF Snake方法和本文算法的分割结果，我们结合手工分割结果并采用平均绝对距离MAD（Mean Absolute Distance）[8]来分析和衡量病灶区域轮廓的提取效果，以对应的序列图像来分析，设手工分割结果为W，应用NBGVF Snake方法和本文改进算法的分割结果分别为P和Q，则有

其中W={w1，w2，…，wk}表示手工分割轮廓上的点，P={p1，p2，…，pn}， Q={q1，q2，…，qn}分别表达的是NBGVF Snake算法和本文算法分割轮廓上的点。为了对病灶轮廓图像进行整体形状约束，在(4)式和(5)式中分别表达了轮廓点的平均最小距离d(p,W)=min||p-w||，

对于Q，有d(q,W)=||q-w||，针对于两幅序列图像，使用NBGVF Snake方法分割后轮廓平均MAD值为0.97像素和1.29像素，采用本文方法分割后平均MAD值为0.85像素和1.25像素，轮廓点的平均距离均小于前者，更接近于真实的手工分割轮廓，在一定程度上有效提高了轮廓提取的效果。

同时，从实验结果图中可以看出，图2中虽然大致提取出腹部中心区域病灶轮廓，但存在很多病灶区域与非病灶区域的模糊连接，提取的病灶轮廓边界不明显，同时分割出的相邻几个较大正常组织轮廓不连续；图3是对图1使用本文算法得出的结果，由于结合先验信息，并利用了病灶区域颜色空间的特征构造了初始轮廓的能量函数，因此取得了比较好的分割效果，结果较图3更加完整明确，特别是病灶连接处的边界细节在一定程度上可为后续病灶识别提供精准的依据，且间隙处的细节轮廓也被提取出来。虽然算法有迭代过程，但取得了比原有方法更好的效果，但对特定组织的病灶还需要结合更多信息完成轮廓确定。图5是NBGVF Snake模型直接应用到第二幅序列图像的结果。从分割结果可以看出，初始边缘提取效果较差，很多区域的边界出现了粘连，对噪声敏感，不能满足后续识别的要求，边界无法进行后续的逼近，两处病灶区域轮廓也没有被完整区分出来，特别是病灶区域内部边缘模糊，出现了弱边界。图6则是利用文中的改进方法得出的结果，分割效果显著提高，将正常区域和可能的病灶区域分割开，由于使用了用能量函数构建的初始轮廓，结合了病灶区颜色特征以及医生的先验判断，较好地完成了病灶区域的定位和分割，但在轮廓边缘连接处的提取效果上有待改进。综上所述，本文改进方法是有效的，较之传统的NBGVF模型取得了更好的处理效果，但在实时性处理和抗噪方面还有待进一步深入研究。

[1] Heath M, Sarkar S, Sanocki T, et al. Comparison of edge detectors: a methodology and initial study[C]//Computer Vision and Pattern Recognition, 1996. Proceedings CVPR'96, 1996 IEEE Computer Society Conference on. IEEE, 1996: 143-148.

[2] Pei S C, Cheng C M. Color image processing by using binary quaternion-moment-preserving thresholding technique[J]. Image Processing, IEEE Transactions on, 1999, 8(5): 614-628.

[3] Xu C, Prince J L. Snakes, shapes, and gradient vector flow[J]. Image Processing， IEEE Transactions on,1998,7(3): 359-369.

[4] Jifeng N,Chengke W,Shigang L,et al. NGVF: An improved external force field for active contour model[J]. Pattern Recognition Letters,2007,28(1): 58-63.

[5] 王宇，刘磊.带法向有偏梯度矢量流的活动轮廓模型图像分割方法[J].IEEE 信号处理,2010,17(10):875-878.

[6] Kass M, Witkin A, Terzopoulos D. Snakes: Active contour models[J]. International journal of computer vision, 1988, 1(4): 321-331.

[7] 王斌,李洁,高新波.一种基于边缘与区域信息的先验水平集图像分割方法[J].计算机学报,2012,35(5):1068- 1069.

[8] Wang Yuan-Quan,Jia Yun-De.A novel approach for segmentation of cardiac magnetic resonance images[J]. Chinese Journal of Computers,2007,30(1):129-136.

LIVER FOCUS ULTRA SOUND IMAGE SEGMENTATION METHOD BASED ON ACTIVE SNAKE MODEL

*HUANG Wei, LU Gui-fu

(College of Computer and Information, Anhui Polytechnical University, Wuhu, Anhui 241000, China)

Recently, we focus more about special medical image segmentation and detection. The segmentation on Ultrasound image focus plays an important role in deciding. Snake model is widely used in the medical image segmentation. The model has been constantly improved and developed. We describe the Snake model on color liver ultrasoune image. Furthermore, the method is proposed that we use energy function and color information to detect the initial edge with the help of space detail and experience of doctor. Finally, the modified GVF Model is also used. The result shows that the algorithm is effective and simple.

Snake model; ultrasound image; segmentation

TP391

A

10.3969/j.issn.1674-8085.2014.04.011

1674-8085(2014)04-0048-05

2014-02-09；

2014-03-11

*黄 伟(1981-)，男，浙江余姚人，讲师，硕士，主要从事图像分割与识别以及医学图像分析研究(E-mail：yfworld@163.com);

卢桂馥(1972-)，男，浙江金华人，副教授，博士，主要从事图像处理与模式识别研究(E-mail：luguifu_jsj@163.com).