乳腺癌是现代女性最常见的恶性肿瘤之一，严重威胁着女性患者的身心健康。乳腺动态增强核磁共振成像（Dynamic contrast enhanced magnetic resonance imaging， DCE-MRI）是一种以病变区和正常组织中的微血管系统为生理基础的无辐射磁共振功能成像技术，是进行乳腺癌诊断的主要影像手段。在DCE-MRI图像上，乳腺癌灶表现为肿块型或非肿块型。由于乳腺癌灶大多沿腺体分布，导致非肿块型乳腺癌灶的形态极其不规则，肿瘤区域边界模糊且对比度低，对乳腺癌灶的准确分割带来了极大困难。为了精确分割DCE-MRI图像中的乳腺癌灶，本文提出一种结合MRF能量和模糊速度函数的活动轮廓模型的乳腺癌灶分割方法。

首先，构建结合MRF能量和后验概率的活动轮廓模型区域项。由于DCE-MRI图像主要反映乳腺腺体供血变化情况，癌灶组织通常以肿块形式散布于正常腺体中，在图像上表现出空间聚类特性.MRF能量在增强目标区域与背景对比度的同时，也考虑像素间的空间相关性。这一特点符合乳腺癌灶在DCE-MRI图像中的空间分布情况。进而计算 MRF 能量图中像素点的后验概率，从而构建模型的区域项。

图1 乳腺癌灶的MRF能量和后验概率

图1是乳腺图像的MRF能量分布和对应的后验概率分布图，从图1(b)可以看出，由于乳腺正常腺体和乳腺癌灶具有相似的灰度值，很难从灰度图区分正常腺体和癌灶区域。图1(c)的MRF能量分布图可区分出正常腺体和癌灶，但癌灶区域还存在亮度不均匀的问题。图1(d)是后验概率图,其中癌灶区域明显增强。

然后，构建基于模糊速度函数的活动轮廓模型边缘检测项。结合Gabor纹理特征、DCE-MRI时域特征和灰度特征，计算图像像素的模糊隶属度并构建模糊速度函数，将其作为边界停止函数定义模型的边缘检测项。

图2 模糊速度函数

图2显示了AB段模糊速度函数的变化趋势，可明显看到在边界A和B处模糊速度函数约等于零。

最后利用临床数据验证本文所提出的方法的有效性。肿块型乳腺癌和非肿块型的分割结果如图3、图4所示，所提出方法对乳腺癌灶的分割结果更接近于医生手动分割的结果。

图3 肿块形乳腺癌分割结果

图4 非肿块型乳腺癌分割结果

为了进一步验证算法性能，继续选择了50例乳腺癌临床样本，分别用真阳性率（RTP）、假阳性率（RFP）、相似度（DS）的平均值作为评价指标。结果如表1所示。在指标中，所提出方法DS的均值为0.8996，说明分割结果与医生手动分割结果最相似。

表1 50个临床样本分割结果