一种基于能量约束的区域增长超声图像自动分割方法
【技术领域】
[0001] 本发明涉及超声图像处理的技术领域，特别涉及一种基于能量约束的区域增长超 声图像自动分割方法。
【背景技术】
[0002] 在超声计算机辅助诊断系统中，需要首先实现的是从超声图像复杂的背景中提取 出占位性病变区域，才能进一步对病灶进行分析、监控和治疗，图像分割就是实现这一功能 的关键步骤。而目前关于超声图像占位性病变区域自动分割的研宄极少，大多研宄直接跳 过这些步骤，依靠手工勾勒边缘，耗时耗力，远没有达到计算机辅助诊断的要求。因此有效 的超声图像自动分割技术不仅对于后期处理及诊断具有重要意义，而且可以提高超声计算 机辅助诊断系统自动化程度。
[0003] 由于超声图像具有大量斑点噪声和低对比度的特点，将病灶的边缘或者轮廓分 割出来仍然是一个巨大的挑战。活动轮廓模型（ACM)也叫snake方法由Kass等[Kass M, Witkin A, Terzopoulos D, "Snakes:Active contour models"，International journal of computer vision, pp. 321-331, 1988]提出，它利用最小化能量函数模型使初始轮廓不 断收敛到目标轮廓，目前广泛运用在乳癌、心脏、颈动脉等超声图像分割中。但这种方法需 要提供一个尽可能靠近目标物体边缘的初始轮廓，受超声图像成像原理的限制，很难自动 地提供这样的一个轮廓，往往需要人工画出，导致自动化程度受限。
[0004] 此外，基于区域增长的分割方法也被运用在超声图像方面。如Huang等人[Huang Q H, Lee S Y, Liu L Z, et al. ''Arobust graph-based segmentation method for breast tumors in ultrasound images,'iJItrasonicsjZOhpp· 266-275, 2012]对有效率的基于 图论的分割算法（Effective Graph-based，EGB)进行改进，提出了稳健的基于图论的方法 (Robust-graph-based method，RGB)，该方法将区域增长与区域融合相结合对超声图像进 行过分割，实现对乳癌超声图像的分割。但是，这种方法需要设置两个关键的参数，如果参 数设置不当可能会出现过分割或欠分割的情况。此外，常用的聚类分割方法，如K-均值聚 类算法（K-means)、模糊C均值算法（FCM)等也可以将图像分成几个区域。但是，这些都是 半自动的方法，需要人工指定哪个区域是病灶区域。
[0005] 目前我国在该领域相关专利有：基于主动轮廓模型的超声图像分割中获取初始轮 廓的方法（专利号201410141568. 5)。该方法在包含肿瘤的ROI区域图像中，采用广义梯 度矢量流（generalized gradient vector flow，GGVF) Snake模型进行肝脏肿瘤的自动分 害1|，分割的初始轮廓采用线性判别分析（Linear Discriminant Analysis, LDA)分类算法获 得，可以取得较好的分割效果。但该方法事先需要对肿瘤和非肿瘤区域进行有监督的训练 才能获得初始轮廓。
[0006] 综上所述，现有的超声图像分割算法大多需要人工参与，自动化程度不高。
【发明内容】
[0007] 为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于能量约束 的区域增长超声图像自动分割方法，得到的分割结果精确，分割过程无需人工参与，真正实 现了全自动超声图像分割，有利于后续诸如病灶区域特征提取等处理。
[0008] 本发明的目的通过以下技术方案实现：
[0009] -种基于能量约束的区域增长超声图像自动分割方法，包括以下步骤：
[0010] (1)对原始超声图像进行预处理，生成超像素；
[0011] (2)对预处理后的超声图像进行种子点自动选取，具体为：
[0012] (2-1)用一个22维的特征向量yv表示超像素 v，v e V(V为图像的超像素集合）， 7^{1^，1'_(1，1'_11}，其中，1'_&为超像素的平均亮度、1'_(1为超像素的亮度方差、1'_1 1为超 像素的亮度分布；T_a为一维向量，T_d为一维向量，T_h为20维向量；
[0013] (2-2)构造背景字典：选择图像边缘四周的超像素作为背景候选超像素，并将背 景候选超像素中亮度最大的10%和最小的10%超像素去掉，余下的背景候选超像素作为 背景超像素，以背景超像素的特征y b作为列向量组合成背景字典矩阵D，即D = [y bl，yb2，… ，ybm]，m为背景超像素个数；
[0014] (2-3)利用步骤（2-2)中得到的背景字典进行稀疏重建，得到显著图；
[0015] (2-4)选择种子点：利用大津法（OTSU)对步骤（2-3)中得到的显著图进行二值 化，将最大的连续区域作为感兴趣区域，该感兴趣区域的重心超像素则为种子点；
[0016] (3)利用步骤⑵中得到的种子点作为区域增长的起点，在能量函数下进行约束 增长，达到约束条件则停止增长得到最终分割结果，具体为：
[0017] (3-1)以整幅图像中的每个超像素作为节点将图像表示为无向图G= (V;E)，V表 示节点集合，即超像素集合，E表示边集合，若两个超像素相邻则边存在，否则不存在边，每 条边E)都有一个非负权值w( Vi，Vp来表示超像素间的联系，如下式所示：
[0018]
[0019] w(Vi, Vj)表示边权值，Vp Vj分别为图像中的任意超像素点，I (V D、I (Vj)分别表示 超像素 Vi、'的平均亮度，i，j e [0, N)，N表示图像中所包含超像素的总数；
[0020] 将图像的超像素点分为3部分，融合区域R的超像素与融合区域相连的邻近区 域L的超像素 V1以及背景区域B的超像素 V b;
[0021] (3-2)点差异度、内部差异度与边缘对比度的定义
[0022] 点差异度Node_diff (V1):表示邻近区域L中的节点V1与融合区域R的差异度，计 算公式如下
[0024] 其中，elr为连接超像素 V p Vr的边，w(e lr)为边值；
[0025] 内部差异度Int_dif :表示融合区域R内所有节点的差异程度，计算公式如下，
[0027] MST (R ;E)代表融合区域R的最小生成树，e表不属于最小生成树的一条边，w(e) 为边e的权值；
[0028] 边缘对比度Edge_dif :表示邻近区域L中的所有节点与融合区域R的差异度的平 均值，
[0030] 其中，k表示邻近区域L中节点的个数，V1表示邻近区域L中的任意节点；
[0031] (3-3)能量函数的定义
[0032] 所述能量函数定义如下：
[0033] Energy = Eint+Eext
[0034] 其中，Eint为内部能量，具体计算公式为：
[0036] 其中，C是融合区域的节点个数，pal是正常数；
[0037] Erait为外部能量，具体计算公式为：
[0038] Eext= Int_dif_pa2*Edge_dif
[0039] 其中，pa2是正常数；
[0040] (3-4)区域增长过程
[0041] 区域增长过程是不断地将邻近区域L中差异度Node_diff (V1)较小的超像素加入 到融合区域中，当能量函数的值到达极小值时，融合区域停止生长，具体步骤如下：
[0042] (3-4-1)初始化：以种子点超像素 Vs作为当前融合区域R，与种子点邻近的所有超 像素为邻近区域L，对L中的节点按照差异度Node_diff (V1)由小到大排序，并计算能量函 数Energy的值，设置游标index = 1，内部差异度Int_dif = 0 ;
[0043] (3-4-2)用R'、L'、Energy'对上面的R、L、Energy进行备份，以便融合失