引用本文

夏平, 施宇, 雷帮军, 龚国强, 胡蓉, 师冬霞.复小波域混合概率图模型的超声医学图像分割.自动化学报, 2021, 47(1): 185-196 doi: 10.16383/j.aas.c180132

Xia Ping, Shi Yu, Lei Bang-Jun, Gong Guo-Qiang, Hu Rong, Shi Dong-Xia. Ultrasound medical image segmentation based on hybrid probabilistic graphical model in complex-wavelet domain. Acta Automatica Sinica, 2021, 47(1): 185-196 doi: 10.16383/j.aas.c180132

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180132

关键词

医学图像分割，复小波分析，混合概率图模型，马尔科夫随机场，迭代条件模式 

摘要

针对存在大量不规则斑点噪声、目标边缘弱化的超声医学图像分割中较难识别目标的问题, 提出了一种复小波域中混合概率图模型的超声医学图像分割算法.采用具有近似平移不变性和良好方向选择性的双树复小波变换(Dual tree-complex wavelet transform, DT-CWT)提取超声医学图像6个方向的高频特征信息; 其次, 为关联目标的弱特征信息并抑制统计独立的高频噪声, 构建了复小波域混合概率图模型; 尺度间"父—子"节点间标记采用贝叶斯网络进行建模, 尺度内邻域间标记采用马尔科夫随机场(Markov random field, MRF)无向图建模, 对复小波域中同尺度的特征系数采用高斯混合模型建模, 尺度内同标记的观测特征采用高斯模型建模; 最后, 用迭代条件模式(Iterated conditional mode, ICM)实现MRF中误分割率最小的能量函数最优解, 获取标记场, 实现超声医学图像分割.实验结果从视觉效果和定量分析两方面验证表明, 本文算法能有效地提取超声图像的弱目标信息, 较好地定位目标区域, 具有较高的分割精度和鲁棒性.

文章导读

医学影像已成为医生临床疾病辅助诊断最重要的手段之一[1-3]; 超声医学影像以其实时显示、对人体无伤害、适合软组织诊断等特点在眼部、心脏、腹部以及人体浅表部位等部位的疾病诊断中广泛应用.超声医学图像分割是医学影像分析的首要前提, 是获取医学影像中病变区域与特定组织、器官信息的一种重要手段, 其目的是从超声影像中分离出医生诊断感兴趣的区域, 对辅助医生临床诊断、定位病变组织、规划手术治疗等方面显示出越来越重要的临床价值[4].

由于超声成像过程中的干涉现象及采集设备电子器件的随机扰动, 使得超声图像存在大量不规则的斑点噪声, 降低了图像中目标与背景区域的对比度, 大大降低了超声图像的分辨率, 使得图像中不同组织间的灰度差异性不明显, 削弱了超声图像质量, 从而影响了医生对病灶的识别, 也增大了医生查出弥散性组织病变的难度.获取超声医学图像中特定组织器官或病变区域定量信息的过程中, 超声医学图像分割是不可或缺的手段[5]; 超声影像的分割除传统分割手段[6]外, 近年来随着统计学理论[7]、模糊集理论[8]、神经网络[9]、多尺度理论[10]的发展与应用出现了很多新的分割算法[11-14].文献[15]针对医学图像分割中区域主动轮廓模型易受目标和背景区域面积比的影响, 且对初始位置敏感的问题, 提出模糊C-均值聚类(Fuzzy C-means, FCM)协作改进CV (Chan-Vese)模型(FCM-CV)的图像分割算法; 该算法通过在CV模型中增加能量权值函数消除面积比的影响后, 用FCM粗分割结果指导设定改进CV模型零水平集的初始位置, 从而提高了图像分割的稳定性和准确性.随着小波技术的发展与应用, 基于小波域马尔科夫随机场(Markov random field, MRF)分割方法的研究十分活跃; 文献[16]提出了小波域中树结构化MRF的图像分割算法, 按照图像分类层次树的结构形式, 该算法在小波域多分辨率中构建了序列MRF模型, 它们相互嵌套, 并通过在小波域的相邻尺度间和同一分辨率内的两个层次上递归运算实现图像的有效分割; 该算法在表示图像结构信息的同时, 较好地描述了图像的非稳态性, 得到较好的分割效果.但小波分析本身缺乏平移不变性, 且只能在水平、垂直、以及$ 45^{\circ} $三个方向建模图像的特征信息, 因而, 基于小波的图像分割在获取目标边缘的连续性不理想, 检测结果存在一定"空洞"现象.相对于小波分析, 双树复小波变换[17]采用两路实离散小波分析实现复小波分析, 改善了小波分析中对平移的敏感性, 并实现了信息的多方向获取, 在一定程度上克服了目标分割的"空洞"问题; 文献[18]利用双树复小波矩形状信息对医学淋巴结进行精确定位, 对已探测的淋巴结进行形状特征提取, 判断其是否为真实的淋巴结; 然后, 应用水平集DRLSE (Distance regularized level set evolution)模型对淋巴结进行轮廓描述, 实现淋巴结完整的分割.

超声医学影像中, 其成像过程所造成的斑点噪声以及相关组织纹理是影响图像分割准确性的重要因素, 结合超声影像的特点, 本文提出了复小波域混合概率图模型的超声医学图像分割方法.利用双树复小波变换(Dual tree-complex wavelet transform, DT-CWT)的多分辨率分析具有的多方向性和近似的平移不变性, 捕捉超声图像的局部弱特征信息[19]; 多分辨率的相邻层间构建的有向图模型确立父—子节点标号相互联系, 构建MRF模型来建立同层复小波系数标号与邻域间的联系; 而噪声是统计独立的, 从而, 通过构建混合概率图模型建立了当前节点的标号与其祖先节点及同层邻域间节点之间联系, 有效地获取超声影像中有用信息, 实现超声影像的可靠分割.

图1 DT-CWT变换及其子带方向

图2 DT-CWT域系数向量结构

图3 DT-CWT域标记场贝叶斯网络模型

本文提出了复小波域多分辨率MRF模型的超声医学图像分割算法.复小波分析中每一分辨率提供了6个方向的高频特征信息, 并具有近似的平移不变性, 适应了图像的非平稳性, 从而能较好地捕捉超声图像弱特征信息; 误分割率最小算法充分考虑复小波域中特征信息的层间、层内信息的相关性, 利用了复小波域中每一尺度内同标号区域的特征信息分布规律, 弥补了空域MRF分割中参数估计复杂、小波域MRF分割中缺乏平移不变性和特征提取方向性差的不足, 得到了更好的分割效果.

理论推导和实验仿真验证了本文方法应用于超声医学图像目标检测的有效性以及实现超声医学图像目标检测所具有良好的检测性能.

未来及目前正着手做的工作包括: 1)本文算法在实现误分割率最小的能量函数最优解的求解中采用ICM算法, 正着手引入图割、置信度传播等算法实现能量最优解, 探讨通过优化求解能量最小化模型, 提高算法的分割效率; 2)探讨其他算法, 如深度学习方法, 应用于细胞、视网膜等医学图像分割; 3)针对肺部CT影像, 在三维测量基础上, 结合本文算法研究检测肺结节的方法预测和分析肺部肿瘤恶性情况, 为临床诊断与治疗提供辅助手段.

作者简介

夏平

三峡大学计算机与信息学院教授.主要研究方向为计算机视觉, 智能信息处理, 概率图模型及其应用.E-mail: pxia@ctgu.edu.cn

施宇

三峡大学计算机与信息学院硕士研究生.主要研究方向为信号与信息处理, 医学图像的目标检测与分割.E-mail: rwxrfs@163.com

龚国强

三峡大学计算机与信息学院副教授.主要研究方向为无线通信, 数字信号处理. E-mail: gonggq_shh@163.com

胡蓉

三峡大学计算机与信息学院硕士研究生.主要研究方向为深度学习, 医学图像的目标检测和分割.E-mail: zhrrongfyqs@163.com

师冬霞

三峡大学计算机与信息学院硕士研究生.主要研究方向为信号与信息处理, 医学图像的目标检测与分割.E-mail: longbinyuankang@163.com

雷帮军

三峡大学计算机与信息学院教授, IEEE高级会员.主要研究方向为图像处理, 三维计算机视觉及智能视频处理.本文通信作者.E-mail: Bangjun.Lei@ieee.org