一種基于振蕩網絡的醫學圖像分割方法

2023-07-13 06:24:01 1

專利名稱：一種基于振蕩網絡的醫學圖像分割方法
技術領域：
本發明屬於圖象信息處理技術領域，涉及的是醫學圖像分割方法，特 別是一種基于振蕩網絡的圖像分割方法。
技術背景圖像分割是計算機圖像處理的一個基礎問題，是許多後繼圖像分析任 務的第一步處理，特別是對於圖像識別和描述、圖像的可視化和基於目標 的圖像壓縮都高度依賴於分割結果。圖像分割是有圖像處理進到圖像分析 的關鍵步驟，也是一種基本的計算機視覺技術，這是因為圖像分割、目標 的分離、特徵的提取和參數的測量將原始的圖像轉化成更抽象、更緊湊的 形式，使得更高層的分析和理解成為可能。通常，分割問題包括將給定圖像中相似的塊分割成一個區，相鄰的分 割塊是不相似的。另一個角度說，分割也可被認為是像素的標記處理，屬 於同一個區域像素標上相同的號， 一直以來，人們致力於分割方法的研究， 提出了許多分割技術。但是，圖像分割仍然是圖像處理中的一大瓶頸。現有的圖像分割方法主要包括一、基於區域的圖像分割常見的基於區域的圖像分割方法有閾值分割，區域生長與分裂合併和 聚類分割。(1)閾值分割閾值化分割方法是圖像分割中最簡單也是最常 用的一種圖像分割方法。這種方法基於對灰度圖像的一種假設目標或背 景的相鄰像素間的灰度值是相似的，而不同目標或背景的像素在灰度上有 差異，反映在直方圖上，不同目標和背景對應不同的峰，選取的閾值應位 於兩個峰之間的谷處。如果圖像中具有多類目標，則直方圖將呈現多峰特 性，相鄰兩峰之間的谷即為多閾值分割的門限值。閾值分割的優點是簡單， 對於直方圖峰谷特性明顯的圖像具有較好的分割效果。缺點是對於圖像中 不存在明顯灰度差異(直方圖為寬谷或單峰)或各物體的灰度範圍有較大 重疊時難以得到準確的分割結果。另外，閾值法對於光照不均勻的圖像難 以用統一的門限進行分割。(2)區域生長和分裂合併區域生長和分裂合
並是兩種典型的串行區域分割方法，其特點是將分割過程分解為多個有序 的步驟，其中後續的步驟要根據前面步驟的結果進行判斷而確定。區域生 長的基本思想是，將具有相似性質的像素集中起來構成區域，需要先選取 一個種子點，然後依次將種子像素周圍的相似像素合併到種子像素所在的 區域。區域生長方法的優點是計算簡單，特別適合於分割小的結構，缺點 是需要人工交互以獲得種子點，同時對噪聲也比較敏感。為克服這些缺點，有提出一種同倫的(Homot叩ic)區域生長方法，以保證初始區域和最終抽 取區域的拓撲結構相同。另外，模糊連接度理論與區域生長相結合也是一 個較好的研究方向。在區域合併方法中，輸入圖像往往先被分為多個相似 的區域，然後類似的區域根據某種準則迭代的進行合併。在區域分裂技術 中，整個圖像先被看成一個區域，然後區域不斷被分裂為四個矩形區域， 直到每個區域內部都是相似的；在區域的分裂合併方法中，先從整幅圖像 進行分裂，然後將相鄰的區域進行合併。分裂合併方法不需要預先指定種 子點，但分裂可能會使分割區域的邊界被破壞。(3)聚類分割分類是模 式識別領域中一種基本的統計分析方法。分類的目的是利用已知的訓練樣 本集在圖像的特徵空間找到決策分類點、線或面以實現對圖像的劃分。用 分類器進行分割是一種有監督的統計方法，需要手工得到樣本集，作為對 新圖像進行自動分類的參考。聚類方法不需要訓練集，但是需要有一個初 始分割提供初始參數，初始參數對最終分類結果影響較大。另外，聚類也 沒有考慮空間關聯信息，對噪聲和灰度不均勻較敏感。 二、基於邊緣的圖像分割基於邊緣的分割方法主要是基於區域邊界的像素灰度值變化往往比較 劇烈，首先檢測圖像中的邊緣點，再按一定策略連接成輪廓，從而構成分 割區域。最簡單的邊緣檢測方法是並行微分算子法，它利用一階或二階導 數來檢測邊緣。近年來還出現了基於局部圖像函數的方法、多尺度方法、 基於反應-擴散方程的方法，以及基於邊界曲線擬合的方法、主動輪廓方法 等。基於邊緣的圖像分割方法難點在於邊緣檢測時的抗噪性和檢測精度的 矛盾。若提高檢測精度，則噪聲產生的偽邊緣會導致不合理的輪廓；若提 高抗噪性，則會產生輪廓漏檢和位置偏差。為此，人們提出各種多尺度邊 緣檢測方法，根據實際問題設計多尺度邊緣信息的結合方案，以較好地兼 顧抗噪性和檢測精度。三、邊緣與區域相結合的圖像分割邊緣檢測能夠獲得灰度值的局部變化強度，而區域分割能夠檢測特徵 的相似性與均勻性。邊緣與區域組合分割的主要思想是結合二者的優點， 通過邊緣點的限制，避免區域的過分割；同時，通過區域分割補充漏檢的邊緣，使輪廓更加完整。有文獻提出使用融合策略對邊緣與區域信息進行 結合。也有引入一種遊戲策略，將基於邊界和基於區域的方法分別作為遊 戲的參與者，每個參與者設法讓對方脫離噪聲和局部極小的影響，同時逼 近正確的邊界。有提出將區域和邊界信息統一在一個框架中描述，將分割 結果看成區域、梯度和曲率的最大匹配形式。還有的提出的區域競爭方法 是另一個具有代表性的結合邊界與區域信息的方法，也取得了較好的結果。 發明內容本發明的目的在於針對現有技術的不足，提出一種可以較好的滿足醫 學圖像分割要求，且分割效果優於現有的圖像分割方法、時間複雜度和空 間複雜度低的醫學圖像分割方法。為了實現以上目的，本發明方法主要包括以下步驟-1、建立振蕩網絡，具體包括(1)建立一個振子單元，該單元的輸 入是圖像象素灰度值力，輸出是該振子興奮單元的狀態力，輸入和輸出之 間的關係為formula see original document page 6(3);二氛一z) (4) 其中力是振子興奮單元的狀態，力是振子抑制單元的狀態，力是圖像象素灰度值(即外界刺激)，A是振子具有的勢能，A超過設定的閾值^P時， 就會發生狀態躍遷。&是與相鄰振子和全局抑制單元的耦合係數。^和《, 是靜態連接權重和動態連接權重。W為勢能鄰域，^為擴充鄰域。A只有 兩個狀態"1"和"0" ， "0"代表背景點，"1"代表目標點。(2)確定振蕩網絡的參數，勢能鄰域W值為24個像素鄰域，擴充鄰 域值為4個像素鄰域。通常將的值設為M的2/3左右。/>,=;1(1一;7,)7/
靜態連接權重7^設置為一個永久性權重為二 1/ A V A - A /人A， A為兩個像索對應的灰度值。 動態連接權重l設置為一個自適應的權重Hnge(I)二( W腿一 W ) (1/W腿)n + W ， Pl， P2為兩個像索對應的 灰度值，/為當前像素灰度值，//a3x為圖像中最大灰度值，/LJ為 設定的一個最大、最小權值範圍，n值為l， 2或3。將所有的像素狀態A標記為0，並將當前的標籤值設為1。 (3)根據圖像大小^X見將^^OV個振子互相耦合，再與全局抑制單元輸出耦合，該振蕩網絡就建立完成。2、在網絡內搜索尋找振蕩發起點，具體方法是如果在某像素的勢能 鄰域U)內，"發起點相似像素"的數目超過預設的閾值，則該像素為一 個發起點，做標記。確定"發起點相似像素"的方法將像素間的灰度值差和連接權值(L) 相比較，如灰度差值小於連接權值，則兩個像素相似，反之則不相似。3、由發起點開始振蕩，向周邊鄰域進行迭代擴充。對每一個發起點， 在其擴充鄰域(W)內尋找未被歸入發起點的"擴充點相似像素"，標記為 與發起點一樣的標籤值作為擴充點，再以該擴充點進行振蕩，繼續向周邊 擴充，直到在網絡內搜索結束。確定"擴充點相似像素"的方法將像素間的灰度值差和連接權值(l)相比較，如灰度差值小於連接權值，則兩個像素相似，反之則不相似。4、振蕩發生結束後，以有無標記為根據分割出"目標"和"背景"，分割完成。與現存的諸多圖像分割方法相比，本發明方法利用人類視覺皮層的有 持續的、依賴於激勵的振蕩，在空間分離的神經元群之間觀察到了同步的 行為。即作為視覺特徵檢測子的細胞通過它們的激勵相關而綁定在一起。 把該網絡應用到醫學圖像分割中，即採用類似於視覺神經元的分割機制去 更好的提取出醫學圖像中"目標"和"背景"的區別，完成分割操作。且 現有的多種圖像分割方法中，基於邊緣跟蹤的方法可以只處理目標對象邊 緣附近的像素而得到邊緣，因此有較小的時間複雜度，但缺點是難以得到 閉合的區域。基於區域生長的方法能夠掌握圖像的大局結構，在輪廓提取 上有較好的效果，但是需要處理目標對像的所有元素，因此時間複雜度和
空間複雜度都比較大。由於帶噪圖像具有噪聲大、邊緣模糊等特點，往往 需要採用區域檢測才能得到較好的效果。在本方法中綜合了圖像分割中基 於邊緣跟蹤的方法和基於區域生長方法的優點，在獲得和區域生長方法相 同結果的前提下，大大降低了時間複雜度和空間複雜度，其魯棒性和分割速 度大大提高，將在實際應用中有廣闊的發展前景。


圖1為本發明中振蕩網絡的結構示意圖； 圖2為圖1中振子的基本結構示意圖。
具體實施方式
本發明的核心思想是採用類似於視覺皮層中神經元對視覺特徵的振蕩 活動出發，建立一振蕩網絡，並應用到醫學圖像分割中，更好的區分出"目 標"和"背景"，且在滿足分割精度的前提下大大降低了時間複雜度和空 間複雜度，有重要的實用推廣價值。下面結合附圖詳細描述本發明基于振蕩網絡的醫學圖像分割方法本發明方法主要包括4個步驟(1)建立振蕩網絡。(2)在網絡內搜索尋找振蕩發起點。(3)由發起點開始振蕩，向周邊鄰域進行迭代擴充。 (4)振蕩發生結束後，以有無標記為根據分割出"目標"和"背景"，分 割完成。下面逐一對各步驟進行說明。步驟一建立振蕩網絡。振蕩網絡是利用人類視覺皮層的有持續的、依賴於激勵的振蕩，頻率約為40Hz，在空間分離的神經元群之間觀察到了同步的行為。這為較早些的 一個理論提供了支持，即作為視覺特徵檢測子的細胞通過它們的激勵相關 而綁定在一起，在此理論基礎上建立一個振蕩網絡。在過去研究中用到的振蕩網絡，用一個單相變量表示一次振蕩事件。當 其用於圖像分割時，其作用有限。這些網絡中的振蕩是被預先建立起來而非 依賴於激勵。更重要的是，這些系統依賴全互連的網絡結構來獲得同步，而 這將導致錯誤的分類和空間(拓撲)信息的丟失。由於有依賴於激勵的振蕩 和通過局部連接而得到的快速、大範圍的同步，本文提出的振蕩網絡能夠 克服這些不足。本網絡採用用一種全局抑制的機理獲得快速的異步。該振 蕩網絡中振子的基本結構如圖2。它是由一個興奮單元x和一個抑制單元7所組成的反饋循環，從義到y的連接為興奮型連接，而從7到義的連接 為抑制型連接。/代表外部輸入，5"代表與網絡其餘部分的耦合，當/持續 施加給X的時候,該反饋循環就產生了振蕩。整個網絡的結構如圖1所示。各個振子與其鄰域(4、 8或24)內的其它振子通過興奮耦合而相互連接， 所有的振子1都與全局抑制單元2相連。在振蕩網絡中，每個振子的活動，在網絡中用i表示其活動由以下的幾個方程決定formula see original document page 9 (1 a)formula see original document page 9lb)formula see original document page 9(2)formula see original document page 9 (3)formula see original document page 9 (4)力是振子興奮單元的狀態，力是振子抑制單元的狀態，力是外界刺激，A是振子具有的勢能，勢能越大超過閾值時，就會發生狀態躍遷。它的 值是由耦合的勢能鄰域的值所決定的。s是與相鄰振子和全局抑制單元的耦合係數。rA和^是靜態連接權重和動態連接權重。用到圖像分割中做了一定的簡化處理。4 =1， z,只有兩個狀態"1"和"0" ; "0"代表背景點，"l"代表目標點。力帶入對應點像素的值。勢能鄰域大小為l擴充鄰域大小為1將所有的像素狀態A標記為0，並將當前的標籤值設為1。根據圖像大小wx見將wxw個振子互相耦合，再與全局抑制單元輸出耦合，該振蕩網絡就建立完成。歩驟二在網絡內搜索尋找振蕩發起點。在網絡內搜索尋找振蕩發起點，具體方法是對每一個標記為0的像 素，如果在其勢能鄰域(AO內，"發起點相似像素"的數目超過預設的閾 值，則該像素為一個發起點，做標記。確定"發起點相似像素"的方法 將像素間的灰度值差和連接權值(4)相比較，如灰度差值小於連接權值， 則兩個像素相似，反之則不相似。在尋找發起點時，連接權值(D是確定該網絡拓撲結構的永久性權 值。通常採用一個較簡單的權值計算式^ 二 1/ a A _ A /入A，
化為兩個像索對應的灰度值。步驟三由發起點開始振蕩，向周邊鄰域進行迭代擴充。對每一個發起點，在其擴充鄰域(7\0內尋找未被歸入發起點的"擴充 點相似像素"，標記為與發起點一樣的標籤值作為擴充點，再以該擴充點進 行振蕩，繼續向周邊擴充，直到在網絡內搜索結束。這個過程就是一個振 蕩發起點振蕩後，引起鄰域內其他點的振蕩，振蕩一旦超過其閾值，就會 發生狀態躍遷，其他點和原發起點產生振蕩同步的過程。確定"擴充點相似像素"的方法將像素間的灰度值差和連接權值(l) 相比較，如灰度差值小於連接權值，則兩個像素相似，反之則不相似。實際編程實現中，2、3兩個步驟常放在一起完成，即每找到一個發起點 就對其進行擴充。這裡需要注意兩點1) 在尋找發起點的過程中所用到的勢能鄰域與擴充過程所用到的擴 充鄰域是不同的。前者表明鄰域內"相似像素"超過特定閾值的像素 即可成為發起點，是一個靜態的概念;而後者規定了每次在多大範圍內進行 擴充，是一個動態的過程。2) "相似"的定義。在尋找發起點和擴充時都需要用到"相似"的概 念，但這兩個階段的"相似"既有聯繫又有區別。相同之處在於，兩者都是通過將像素間的灰度值差和它們之間的連接權值相比較而判斷是否"相似":灰度差值小於連接權值，兩個像素(振子)相似，反之則不相似。區別在於， 在尋找發起點時，連接權是確定該網絡拓撲結構的永久性權值，而擴充階段，在判斷兩個像素是否"相似"時，採用一種動態(自適應)權值方案 兩個像素若且唯若lPi — p2 I 〈Range (Max (p" p》)時相似。其中 Range(I)二 ( W咖一W邁,J (1/W艦)n + W (5) A， A為兩個像索對應的灰度值，I為當前像素灰度值，Iniax為圖像中最大 灰度值，[W_， VU]為用戶選取的一個最大、最小權值範圍，n值為l， 2或3， 分別表示(5)式可以是線性式、平方式或立方式。算法中需要用戶設置6個參數，即某個作為發起點的振子的勢能鄰域A， 擴充鄰域N2，閾值9p ，" ， Wmin和W^。通過對同一參數設置不同的值並比 較所得的相應結果，發現對於超聲圖像:在一定範圍內，K越大，意味著產 生一個發起點所需比較的範圍越大，從而將使最終所得的區域數目減少，同 時也在一定程度上減小了非目標像素(如噪聲)被誤分割為目標像素的可
能性。實驗表明，如果開始分割時將N1設為較大的值，則結果所得的區域較少。N2的取值對分割所得結果的影響與N,相似，即若N2較大，則分割後所 得的區域數目較少，反之則較多。這是由於N2取值越大時，意味著每個發 起點在擴充過程中，覆蓋的範圍也就越大，從而在一定程度上抑制了一些細 小區域的產生。為防止產生泛漫現象，即目標擴散到無關的區域，開始時N2 取得較小。在本發明所採用的自適應閾值方法中，隨著"的增大，由(5)式可見將 對不同像素灰度所呈現的自適應權值會有較大的變化，這意味著較亮的像 素具有相對較大的分類範圍。如果像素越亮它代表的結構越令人感興趣的 話(通常多數醫學圖像都是這樣)，那麼"的這一特性正是我們所需要的。根 據實驗，通常將ep的值設為^的2/ 3左右。因為圖像中的噪聲多為孤立點(組)，N;和9p越大，則在這些點中越難以產生發起點，所以一定程度上N;和ep有去噪的作用。在一定範圍內，隨w,的增大，所得分割區域的數目減少，這使得分割所得圖像的完整性更好，不致因區域劃分太細而顯得支離破碎。而增大w^ ，可以起到減少分割後區域數目，消除噪聲、抑制斑紋的效果。但過大的WU和W^的取值由(5) 式可見將會使Range函數值變大，從而使不該合併的區域進行合併而造成上 述的泛漫問題；反之過小的W^和W^取值將會使Range函數值變小，從而 限制區域的擴充，嚴重時可造成應該合併的區域無法合併的過分割現象。 步驟四背景生成。將所有那些在二、三兩步完成後標記仍為0的像素歸為背景，其他 部分為目標。
權利要求
1、一種基于振蕩網絡的醫學圖像分割方法，其特徵在於該方法具體步驟包括(1)建立振蕩網絡，具體包括①建立一個振子單元，該單元的輸入是圖像象素灰度值Ii，輸出是該振子興奮單元的狀態xi，表示為
全文摘要
本發明涉及的是醫學圖像分割方法。現有方法存在對於光照不均勻的圖像難以用統一的門限進行分割、對噪聲和灰度不均勻較敏感等問題。本發明方法具體步驟包括(1)建立振蕩網絡、(2)在網絡內搜索尋找振蕩發起點、(3)由發起點開始振蕩，向周邊鄰域進行迭代擴充、(4)振蕩發生結束後，以有無標記為根據分割出「目標」和「背景」。在本方法中綜合了圖像分割中基於邊緣跟蹤的方法和基於區域生長方法的優點，在獲得和區域生長方法相同結果的前提下，大大降低了時間複雜度和空間複雜度，其魯棒性和分割速度大大提高，將在實際應用中有廣闊的發展前景。
文檔編號G06N3/00GK101101668SQ20071007001
公開日2008年1月9日 申請日期2007年7月13日 優先權日2007年7月13日
發明者軼 李, 範影樂 申請人:杭州電子科技大學