基于MATLAB_GUI的超聲乳腺腫瘤圖像分割平臺設計

范懷玉 馬軍山

摘 ?要： 利用種子區域增長對超聲乳腺腫瘤圖像進行分割是一種常用的計算機輔助診斷方法。要實現快速分割，滿足實時在線分割圖像的需求，需要解決兩個關鍵的步驟：種子點的自動快速定位和分割閾值的選擇。本文在Matlab環境下開發了一個圖形用戶界面軟件平臺，為超聲乳腺圖像中病灶的分割提供一種客觀、可重復、易使用的方法。對65幅超聲乳腺腫瘤圖像進行了實驗驗證，結果表明：該平臺的分割圖像效果和所用時間都比手動分割效率高，分割所用平均時間5.55秒。使用者通過滑塊選擇閾值來分割圖像，而不必熟悉MATLAB程序來調整參數。

關鍵詞： 種子區域增長;計算機輔助診斷;圖形用戶界面

中圖分類號： TP391.41 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.06.007

本文著錄格式：范懷玉，馬軍山.基于MATLAB_GUI的超聲乳腺腫瘤圖像分割平臺設計[J]. 軟件，2019，40（6）：3033

【Abstract】： Segmentation of breast ultrasound （BUS） tumors using seed region growth is a common method of computer-aided diagnosis. In order to achieve fast segmentation and meet the needs of real-time on-line image segmentation， two key steps need to be solved： automatic fast positioning of seed points and selection of segmentation threshold. In this paper， a graphical user interface（GUI）software platform is developed under the environment of MATLAB， which provides an objective， repeatable and easy-to-use method for lesion segmentation in ultrasound mammography. The method is testified with 65 BUS lesion images. Quantitative results demonstrate that the segmentation effect and time of the platform are more efficient than manual segmentation， and the average time of segmentation is 5.55 seconds. Users select thresholds by sliders to segment images without being familiar with the MATLAB program to adjust parameters.

【Key words】： Seeded region growing; Computer aided diagnosis; Graphical user interface

0 ?引言

乳腺癌已成為世界范圍內女性第二大致死病因，并且有超過8%的女性有患乳腺癌的風險[1]。超聲篩查因非侵入性、無輻射、易操作、廉價等優點被廣泛應用于乳腺癌的早期預防[2]。對獲取的超聲乳腺腫瘤圖像中腫瘤的形狀、紋理、邊緣等信息進行分析，以便醫生能夠以此制定更為科學的診療方案，這也是計算機輔助診斷（Computer aided diagnosis：CAD）系統的設計初衷。隨著計算機計算效能的飛速提高和各種算法的不斷改進，CAD技術和臨床診療的關系愈加密切，也成為日益當今研究的熱點。一般地，超聲CAD乳腺癌檢測診斷系統分為四個階段：圖像預處理，圖像分割，特征提取與選擇和良惡性辨別。其中，圖像分割是既重要又最為困難的一個環節，只有準確高效地分割出腫瘤區域，才能對其形狀、紋理、邊緣等特征進行計算和提取，進而能夠辨別腫瘤的良惡性[3]。然而，噪聲干擾和低對比度一直是超聲圖像的缺點[4]，給分割帶來了很大的挑戰。超聲腫瘤圖像的精確分割還需依賴人工干預，而全自動的分割則以犧牲分割的精度為代價，近年來許多致力于克服此兩難局面的新研究和新方法不斷涌現，研究人員嘗試利用區域增長的方法來分割感興趣區域（region of interest ROI），并取得了不錯的結果[5-7]。

MATLAB 是世界流行的科學計算與數學應用軟件，具有良好的開放性和運行的可靠性，被廣泛地應用于圖像處理、信號處理、自動控制等數值計算領域[8]。它還有功能豐富的圖像處理工具箱，可以在MATLAB 平臺上結合圖像分割理論對醫學圖像進行處理，已成為現代醫學領域不可或缺的輔助技術[9]，醫學圖像視覺效果的提高有助于提高醫生的確診率。同時還提供了 GUI （Graphical User Interfaces）開發環境，用戶通過一定的方法（如鼠標或鍵盤）選擇、激活這些圖形對象，使計算機產生某種動作或變化，比如實現計算、繪圖等，人機交互性好。

利用區域增長的方法來分割感興趣區域，最為關鍵的是閾值的選擇。閾值過大，得到的ROI將溢出腫瘤區域;閾值過小，ROI邊界不能到達腫瘤的邊界。不同的圖像因對比度和圖像結構不同也有著不同的閾值。手動分割又非常耗時，無法滿足實時在線分割的需要。本文在 MATLAB 平臺上設計了一個用滑塊來選擇閾值的GUI。從分割效果和所用時間來看，該GUI能夠達到理想的效果。

1 ?GUI各模塊介紹及所用方法

根據分割圖像的需要，將GUI分為四個功能模塊：圖像讀取、圖像預處理、定位種子點和區域增長分割。如圖1所示。

1.1 ?讀取圖像

該模塊主要實現3個功能：函數imread讀取圖像;為后續模塊算法的需要，用函數imresize統一將圖像的大小變為512512;函數im2double 將圖像的灰度值歸一化到[0，1]之間。

1.2 ?圖像預處理

由于超聲圖像存在噪聲干擾和對比度低的缺點，在進行分割前，需要事先對圖像進行預處理。這里我們用函數histeq對圖像灰度直方圖均衡化，以提高對比度。采用文獻[10]提出的各向異性擴散算法來降低圖像的乘性噪聲。

1.3 ?定位種子點

根據超聲腫瘤圖像的結構特點和灰度分布，對圖像進行不同閾值下的四叉樹分解，利用約束條件定位初始目標區域和臨時種子區域，當臨時種子區域在初始目標區域內時，臨時種子區域即使要尋找的種子區域，再對種子區域內的各點的灰度值進行排序，灰度值最小的點被認為是種子點。我們在文獻[11]中有詳細的闡述。

1.4 ?區域增長分割

種子區域增長是從選定的種子點開始，事先為種子點與其臨域的點設定一個閾值條件，如果滿足條件，則將臨域點視為與種子點相同的點，以此方式不斷地擴張種子區域[12]。超聲乳腺圖像被直方圖均衡化后，圖像的灰度分布被歸一化到[0，1]，根據最大類間方差法，能求出每幅圖像的最佳閾值。由實驗結果可以得出，不同圖像的最佳閾值不同，但均處于[0.4，0.6]。這里我們選擇0.5做為初始閾值。在該模塊中增設一個滑塊，來選擇[0，10]之間的值，用選定的值除以初始閾值。不同的圖像有著不同的閾值，可通過滑塊調整圖像的分割閾值，已得到理想的分割結果。同時，調用函數regionprops對分割出的ROI進行形態特征計算，得到ROI的面積、周長、縱橫比、面積與最小包含矩形面積比和離心率等形態特征，以給予醫生對腫瘤良惡性的初始辨別。整個過程無需調整程序的參數，只需移動滑塊即可實現分割的目的。不了解MATLAB程序的使用者，也可以實現人機交互，拓寬了適用范圍。

2 ?實驗結果

用65幅超聲乳腺腫瘤圖像（其中包括33幅惡性腫瘤圖像和32幅良性腫瘤圖像）來檢驗所設計的GUI平臺是否有效。所有圖像的處理均通過軟件MATLAB2010，計算機的配置為英特爾處理器2.70 GHz和8G內存。

按照先后順序，我們分別得到了圖像讀取、圖像預處理、定位種子點和區域增長分割的結果，如圖1所示。

在分割圖像時，選擇0.5作為初始閾值。增設一個滑塊，來選擇[0，10]之間的值，用選定的值除以初始閾值。不同的閾值，會得到不同的分割結果，如圖2所示。使用者根據分割的結果，調整滑塊，以得到理想的分割結果。同時，調用函數regionprops對分割出的ROI進行形態特征計算，得到ROI的面積、周長、縱橫比、面積與最小包含矩形面積比和離心率等形態學特征，醫生可據此對腫瘤的良惡性進行初始辨別。整個分割過程用時非常少，可以滿足實時在線分割的需要。各個階段所消耗的時間如表1所示。

3 ?結論

本文通過在MATLAB環境下開發的GUI平臺，將超聲乳腺腫瘤圖像自動分割所需的步驟集成到一個界面中，操作者無需MATLAB編程經驗就可以對圖像實現分割，也可重復操作，人機交互性強。由于整個分割過程耗時少，比人工手動分割效率高近9倍，能夠實現實時在線分割的需求。另外該GUI給出了分割的ROI的形狀特征，能夠為醫生提供辨別腫瘤良惡性的初始診斷。

參考文獻

[1] Cheng HD， Shan J， Ju W， Guo YH， Zhang L. Automated breast cancer detection and classification using ultrasound images： A survey. Pattern Recog 2010; 43： 299-317.

[2] Drukker K， Giger ML， Horsch K， Kupinski MA， Vyborny CJ， Mendelson EB. Computerized lesion detection on breast

ultrasound. Med Phys 2002;29： 1438-1446.

[3] Shan J， Cheng H D， Wang Y. Completely Automated Segmentation Approach for Breast Ultrasound Images Using Multiple-Domain Features[J]. Ultrasound in medicine & biology， 2012， 38（2）： 262-275.

[4] Chang RF， et al. Improvement in breast tumor discrimination by support vector machines and speckle-emphasis texture analysis. Ultrasound Med Biol 2003;29（5）： 679-86.

[5] Massich J， Meriaudeau F， Elsa Pérez， et al. Lesion Segmentation in Breast Sonography [C]. International Confe?rence on Digital Mammography. Springer-Verlag， 2010.

[6] R Adams， L Bischof. Seeded Region Growing[J]， Pattern Analysis and Machine Intelligence， 1994， 16（6）： 641-647.

[7] SA Hojjatoleslami， J Kittler. Region growing： a new approach， Image Processing[J]， 1998， 7（7）： 1079-1084.

[8] 劉成龍. MATLAB圖像處理[M]. 清華大學圖版社， 2017.

[9] 李越. MATLAB在醫學圖像分割處理中的應用[J]. 價值工程， 2015（28）： 191-194.

[10] Yu Y， Acton ST （2002） Speckle reducing anisotropic diffusion[J]， IEEE Trans Image Process， 11： 1260-1270.

[11] Huaiyu Fan， Junshan Ma， Huaihai Fan， Zhihan Lv （2017） Iterative quadtree decomposition based automatic selection of the seed point for ultrasound breast tumor images. Multimedia Tools and Applications 76： 3505-3517.

[12] R Adams， L Bischof （2002） Seeded region growing. IEEE Transactions on Pattern Analysis and Machine Intelligence16： 641-647.