基于顏色紋理特征的醫學圖像智能分割算法

楊春靜

（大連東軟信息學院智能與電子工程學院， 遼寧 大連 116000）

0 引 言

近幾年，信息化技術的飛速進步，推動了醫學影像技術的進一步發展，多種醫學成像設備應運而成，隨即涌現出大量不同模態［1-2］。 醫學圖像分割可實現對圖像當中的特定組織、器官以及病變區域等關鍵目標的定位，無論是在臨床疾病診斷、術前規劃，還是在術中導航、術后評估中都有著極為廣泛的應用［3］。 以往的圖像分割方法主要依靠手工繪制，現在則是由有經驗的醫生依據圖像中的器官、軟組織、病變等特征，通過圖像的灰度、亮度等信息來實現。盡管這一方法已被廣泛應用于半自動化、智能化、自動化等多個領域，并為其提供了有監督的數據標記。此外，跨專業的醫學影像分割涉及多個專業的醫療影像，且由于其自身的專業知識、影像品質等原因，會造成影像分割結果的偏移［4］。 針對當前醫學領域中圖像分割存在的問題，本文將引入顏色紋理特征技術，展開對醫學圖像智能分割算法的設計研究。

1 LBP 算子的圖像顏色紋理特征提取

本次研究將顏色紋理特征應用到醫學圖像的特征提取當中，顏色紋理特征包含多種屬性，其中對比度能夠充分反映圖像中像素強度的分布情況，對比度的定義為：

其中，Fcon表示醫學圖像統計區域全局對比度，μ4表示4 次矩。 再利用式（2）計算出醫學圖像的方向度：

根據小波變換計算醫學圖像能量值，假設E（x，y） 表示尺度為m的能量，則E（x，y） 的計算公式為：

其中，Gm（x，y） 表示Gabor 變換結果。 通常情況下，使用變換系數的大小和標準差可實現對醫學圖像中某個區域顏色紋理特征的描述，其均值為：

其中，μm表示平均值，MN表示灰度圖像大小。標準差的計算公式為：

本次研究采用LBP 算子完成圖像顏色紋理特征的提取，LBP 算子計算方法如式（6）所示：

其中，ic表示中心像素點恢復值；ip表示相鄰像素點的灰度值；s表示符號函數。 本次研究使用圓形的LBP 特征，設置其采樣點為8 個，當半徑為1、3時候完成LBP 特征的提取。

2 醫學圖像特征像素點加權

在完成其特征提取后，對圖像特征像素點進行加權。 在輸入彩色醫學圖像的過程中，可將N的取值設置為3；在輸入灰度醫學圖像的過程中，可將N的取值設置為1。 將均值漂移矢量也設置為2＋N，在此基礎上對醫學圖像的灰度圖像和彩色圖像進行加權處理［5-7］。 針對醫學圖像中的灰度圖像，對其灰度值進行加權，加權公式為：

其中，Gray表示灰度圖像灰度值加權結果；a、b、c表示權重系數，通常情況下綠色權重系數最大，三者之間關系為a ＞b ＞c；R、G、B表示RGB 值。針對彩色醫學圖像，需要將其轉化為LUV 顏色空間，然后進行加權。 LUV 顏色空間中的L 表示亮度值，U和V表示色度坐標［8］。 在加權過程中，引入相似度理念，通過余弦距離計算2 個方向之間的差異，其公式為：

其中，A和B均表示同一醫學圖像中的2 幅像素點或2 幅不同醫學圖像中的2 個像素點；θ表示余弦。 根據上述公式計算可得出2 個像素點的相似度結果，以此為基礎，對其進行綜合加權，其公式可表示為：

其中，dL.U.V表示綜合加權結果，CL.U.V表示顏色紋理權值。 針對醫學圖像顏色紋理的相似度，可通過高斯核函數對其進行計算。 通常情況下，若存在2 個像素點，且相似度較小，則對應的CL.U.V取值也越小；反之，若存在2 個像素點的相似度較大，則對應的CL.U.V取值也越大。 根據上述運算，實現對醫學圖像特征像素點的加權處理。

3 醫學圖像智能分割

在完成上述醫學圖像特征像素點加權后，對迭代帶寬進行了自適應的選擇。 每個圖像特征點的像素都具有不相同的帶寬，對于高密度地區，可以選擇較窄的帶寬；相反，對于低密度地區，則應選擇較寬的帶寬。 根據上述理論，將固定帶寬定義為h＝h（xi）。 若醫學圖像中樣本點是從一個概率分布函數中取樣而得，則一個非零的概率分布梯度所指的方向是概率分布最大的方向。 所以，一般情況下，沿這個方向分布的樣本點數量會更多。 假設概率密度函數為f（xi），則將每個樣本點的密度估計作為固定帶寬的特征h（xi）。h（xi） 的取值為f（xi） 的倒數平方根，可用式（10）表示：

其中，h0表示初始階段設置的固定帶寬；λ表示常數。 為獲取一個自適應帶寬，在進行上述運算前，需要先完成對λ取值的確定。 本次研究采用均值漂移算法，尋找自適應帶寬的均值。 均值漂移算法是一種連續搜索最大概率的方法［9-10］。 選取一個隨機初始點，并從該初始點出發，沿該初始點的分布規律逐漸變化，直至該初始點的分布規律為零。 在漂移的過程中，平移矢量代表了迭代步的長度，平移矢量的大小與漂移步長的尺寸和該像素點概率密度有關，概率密度越大，則離概率最大的點處的概率越小。 反之，越是密集的區域，步長就越大。 當滿足一定條件的情況下，平概率必然會收斂于某一點處的最大值，采用均值漂移算法尋找自適應帶寬的均值步驟如下：

（1）找出一個對醫學圖像所有像素點都滿足的估計值f（xi）。

（2）對帶寬因子進行定義。 針對每個像素點xi，計算其自適應帶寬。

將自適應帶寬代入到均值漂移算法中進行運算，得到均值漂移矢量結果［9］，其計算公式如下：

其中，M（x，h0） 表示均值偏移矢量；plim 表示概率極限；M（x） 為最大值。

根據自適應帶寬均值漂移矢量結果，對醫學圖像中的各個像素點進行判斷。 將所有取值大于或等于自適應帶寬均值漂移矢量的像素點保留，將所有取值小于自適應帶寬均值漂移矢量的像素點去除，同時在完成賦值后，將醫學圖像區域內像素點較少的區域進行合并，得到醫學圖像分割結果，可表示為：

其中，P（x） 表示分割結果，N表示像素點數量。

至此，完成圖像分割處理。

4 對比實驗

針對上述提出的醫學圖像智能分割算法，將其與另外2 種分割算法應用到相同的實驗環境中，對各算法應用效果進行對比分析。 另外2 種分割算法分別為：基于深度學習的分割算法（對照A組）；基于超像素的分割算法（對照B組）。 將本文提出的基于顏色紋理特征的分割算法設置為實驗組。 將MICCAI 中醫療影像計算及電腦輔助介入研討會所提供的MRI 腦瘤切割數據集作為實驗樣本。 在該數據集中包含收集到的30 例病人的磁共振影像資料，高等級（HG）腫瘤20 例，低級（LG）腫瘤10 例。每個病人的MRI 表現為T1 型、T2 型、T1C 型、FLAIR 型。 另外，該數據集中還包括每個病人的腦部MRI 相應的由專家們親手標記的標記影像（GT）。 數據集影像的解析度以230×230、216×196、160 ×16 居多。 圖1 為數據集中某一患者HG 腫瘤樣本實例。

圖1 醫學腫瘤分割任務圖像Fig. 1 Medical tumor segmentation task image

分別利用3 種分割算法對圖1 醫學腫瘤分割任務圖像進行分割，并將虛線部分作為標準分割依據。完成分割后，得到的3 個分割結果如圖2 所示。

圖2 3 種分割算法應用結果圖Fig. 2 Application results of three segmentation algorithms

圖2 中，（a）的分割結果更接近虛線標準分割，而（b）和（c）的分割結果均與虛線標準分割存在較大出入。 為進一步驗證分割精度，針對30 例精確率進行計算，并針對每10 例醫學圖像分割求取一個平均精確率，計算公式為：

其中，P表示醫學圖像分割精確率；FP表示分割結果為目標區域，但實際為背景區域的像素點個數；TP表示預測結果為目標區域且分割正確區域的像素點個數。 通過上述公式的計算，得出3 種分割算法的分割精確率，記錄得到的結果見表1。

表1 3 種分割算法分割精確率記錄表Tab. 1 Record of segmentation accuracy of three segmentation algorithms

通過分析表1 中的數據能夠得出，實驗組分割算法的分割平均精確率明顯高于另外2 種分割算法，數值均高于95%。 因此，通過上述對比實驗可以證明，本文設計的基于顏色紋理特征的分割算法能夠實現對醫學圖像的精準分割。

5 結束語

醫學圖像分割是一種復雜的影像處理技術，盡管現有的圖像處理技術已經取得了很好的成效，但是，如何精確地從影像中分離出病變的部位及邊緣，依然是一個亟待解決的問題，同時也是亟待開展創新性的研究。 近年來，信息技術在醫學圖像中的應用越來越廣泛，為提高醫學圖像的分類精度提供了一條新的途徑。 然而，現有的醫學圖像分割方法在處理復雜的影像時，仍然存在許多問題，無法滿足臨床需求。 例如，醫學圖像獲取成本昂貴，模態具有多樣性，現有分割算法無法實現通用；在對顏色紋理特征提取時需要依賴大量醫學圖像數據，這一約束條件限制了分割算法的實際臨床應用。 針對上述提出的問題，在今后的研究中還將不斷深入探索解決方案，從而促進分割算法適應性提高，實現在臨床中的廣泛運用。