一種基於模糊C均值和均值漂移的肝臟區域提取方法與流程
2023-05-04 01:54:36
本發明涉及提取超聲圖像中器官區域圖像的方法，具體而言，涉及一種基於模糊C均值和均值漂移的肝臟區域提取方法。
背景技術：
超聲檢查是一種將超聲波應用於人體檢測的技術，它利用人體對超聲波反射的強弱成像，測量生理或組織結構的形態及密度等數據，發現疾病症狀。作為一種常規的身體檢查手段，超聲檢查擁有眾多優點。首先它利用的是超聲波，對人體無傷害，是一種安全的檢查手段。與此相反的是利用各種射線的檢查，對人體有著較大的傷害。其次，超聲檢查的價格便宜，一次檢查的費用通常為幾十元，普通人都可以承受。而CT、磁共振的檢查費用則昂貴得多。另外，超聲近些年的檢測精度得到了較大的提高，比如在腹部檢查方面，超聲已經可以檢查出小肝癌。然而超聲也有其自身的缺陷，比如超聲圖像模糊，容易受到噪聲的影響，導致超聲中病灶的定位比較困難。因此目前超聲常常用於體檢、篩查，而CT、磁共振則用於確症。
肝臟在超聲中有以下特點：內部不均勻，導致肝臟很難提取完整；外部與其他區域相連接，導致將其他器官誤加入進來。現有技術中，有人採用高斯金字塔構造多解析度圖像，從而減少超聲中斑點噪聲的影響。也有人採用各向異性擴散濾波提高超聲圖像的質量，然後使用Chan-Vese活動輪廓分割圖像，但對於肝臟圖像提取來說，一種存在著噪聲大，分割困難，獲取的圖像不精確等問題。中國專利201210131489.7提供了一種基於超聲圖像和三維模型的肝臟體積測量方法，包括以下步驟：利用肝臟圖譜建立三維肝臟模型；獲取肝臟指定切面的超聲圖像，並進行圖像分割獲得超聲圖像中肝臟的邊緣輪廓線；將所述超聲圖像與所述三維肝臟模型配準；以超聲圖像中肝臟的邊緣輪廓線為參考圖像，對三維肝臟模型進行彈性變形；以一組平行等間隔的平面切割變形後的三維肝臟模型，計算所有切斷面的面積之和與相鄰兩個切斷面的間距的乘積，將計算結果作為肝臟的體積，該方法測量方便快速，對人體無任何損害，可反覆測量，但不能有效解決超聲圖像中的噪聲問題。中國專利201510299989.5提供了一種基於快速凸優化算法配準三維CT與超聲肝臟圖像的方法。該基於快速凸優化算法配準三維CT與超聲肝臟圖像的方法包括下述過程：將超聲和CT圖像解析度調整到相同；對超聲和CT圖像的基於剛體變換的粗配準；提取多模態圖像配準的統一特徵信息；計算當前非剛性形變場u(x)下，數據項中的D(u)和D(u)的梯度場對逐步凸優化方法的每一步進行模型求解，得到形變場最優矯正值h(x)，更新形變場，直到h(x)很小；根據求解的非剛性形變場，對超聲圖像變換，與CT圖像配準；該現有技術通過建立合理的模型，設計出快速、精確的三維超聲CT肝臟圖像配準算法，但也未能有效解決超聲圖像中的噪聲問題。
技術實現要素：
為克服現有技術中存在的超聲圖像中肝臟區域噪聲大、與其他區域相連接而導致的難提取完整的問題，本發明提供了一種基於模糊C均值和均值漂移的肝臟區域提取方法。
本發明的技術方案是：一種基於模糊C均值和均值漂移的肝臟區域提取方法，包括如下步驟：
步驟1：預處理，具體的，採用均值漂移(Mean Shift)濾波合併圖像中相鄰且僅有較小區別的區域，從而獲得均勻一致的圖像區域；
步驟2：粗分割，具體的，採用添加鄰域信息的FCM(FCM_S)算法分割圖像，提取肝臟的主體區域；
步驟3：邊緣亮度補償，對步驟2提取的肝臟主體區域中的邊緣區域進行亮度補償；
步驟4：肝臟區域分割，具體的，對步驟3亮度補償後的圖像再次採用FCM_S算法分割圖像。
在一些實施方式中，步驟1中，所述Mean Shift濾波步驟包括：
步驟11：初始化yi，1＝xi，即將特徵yi，1初始化為像素xi的原始特徵，其中，i是像素下標，1表示第一輪循環；
步驟12：根據式(1)計算yi，j+1，式(1)為：
其中，xk是像素的原始特徵，yi，j是j輪迭代的結果，g是核函數，h是核函數的帶寬；
步驟13：當yi，j+1＝yi，j時，獲得最終結果為yi，c。
在一些實施方式中，所述核函數g為高斯核函數。
在一些實施方式中，所述步驟2中FCM_S算法分割圖像方法為：採用FCM_S算法，通過不斷迭代使目標函數最小化的方法得到超聲波肝臟區域圖像中像素的隸屬度的值，然後根據最大隸屬度原則對像素進行劃分，實現圖像的分割。
在一些實施方式中，通過FCM_S算法減小圖像中的噪聲的影響，提取肝臟的大概位置。
在一些實施方式中，所述添加了鄰域相關性信息的FCM_S算法的目標函數為：
式(2)：
其中，Nj表示像素j的鄰域，Nr代表的是鄰域Nj中像素的數目，i是像素類別下標，其中，共有C個類別，j是像素下標，其中，共有N個像素，m是調節模糊隸屬度的權重指數，dij＝||xj-vi||為第j個像素xj與第i個聚類中心vi的灰度差值，dir＝||xr-vi||為像素xr與第i個聚類中心vi的灰度差值，uij是xj相對於vi的模糊隸屬度,α是調節控制鄰域影響的參數。
在一些實施方式中，所述模糊隸屬度是像素歸屬於某個類別的概率，其值屬於[0，1]，對於一個像素，其屬於各個類別的模糊隸屬度之和為1，即式(3)：
在一些實施方式中，求解式(2)在式(3)條件下的極值，具體的，採用拉格朗日乘子法對各個變量求導，得模糊隸屬度uij以及聚類中心vi的迭代公式：
式(4)：
式(5)：
通過式(4)和式(5)的迭代，使目標函數，即式(2)，逐漸趨於最小化，獲得每個像素的隸屬度，從而實現圖像的分割。
在一些實施方式中，所述步驟3亮度補償依據為：邊緣若較亮，則可能擴大了肝臟的區域，而邊緣若較暗，則可能縮小了肝臟區域，具體方法為：擴展步驟2中獲得的肝臟邊緣區域亮區域中暗的部分，及擴展肝臟邊緣區域暗區域中亮的部分。
與現有技術相比，本發明的有益效果是：本發明提供的一種基於模糊C均值和均值漂移的肝臟區域提取方法，使用均值漂移(Mean Shift)濾波合併圖像中相鄰且僅有較小區別的區域，從而獲得均勻一致的圖像區域，並採用添加了鄰域相關性信息的FCM(FCM_S)算法，從多個聚類中提取完整的前景區域，提高抗噪能力，減少誤分類的情況，同時結合了亮度補償機制，減少光照不均勻的影響，從而獲得了比較完整的肝臟區域。
附圖說明
圖1是本發明提供的一種基於模糊C均值和均值漂移的肝臟區域提取方法步驟流程圖；
圖2是未經過均值漂移(Mean Shift)濾波預處理的超聲圖像；
圖3是經過均值漂移(Mean Shift)濾波預處理的超聲圖像；
圖4是通過FCM算法聚類結果的所獲取的圖像示例；
圖5是通過FCM_S算法聚類結果的所獲取的圖像示例；
圖6是經過亮度補償處理所獲取的圖像示例；
圖7是對亮度補償處理後所獲取的圖像再次進行FCM_S算法聚類結果的所獲取的圖像示例。
具體實施方式
以下結合附圖和實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，並不用於限定本發明。
圖1至圖7示意性地顯示了根據本發明披露的一種基於模糊C均值和均值漂移的肝臟區域提取方法。
如圖1所示，本發明披露的一種基於模糊C均值和均值漂移的肝臟區域提取方法，提出的方法結合了採用添加了鄰域相關性信息的FCM(FCM_S)算法和均值漂移(Mean Shift)濾波以及邊緣亮度補償，使用均值漂移(Mean Shift)濾除噪聲區域，使用採用添加了鄰域相關性信息的FCM(FCM_S)算法減少誤分類的情況，使用亮度補償減少光照不均勻的影響。
以下是本發明提出的肝臟區域提取方案：
如圖2所示，初始的超聲圖像，其背景亮度不均勻，容易影響區域的分割，因此，做為本發明的一個發明點，本發明披露的一種基於模糊C均值和均值漂移的肝臟區域提取方法包括步驟1：預處理，採用均值漂移(Mean Shift)濾波合併圖像中相鄰且僅有較小區別的區域，從而獲得均勻一致的圖像區域。
具體的，Mean Shift濾波步驟包括：
步驟11：初始化yi，1＝xi，即將特徵yi，1初始化為像素xi的原始特徵，其中，i是像素下標，1表示第一輪循環；
步驟12：根據式(1)計算yi，j+1，式(1)為：
其中，xk是像素的原始特徵，yi，j是j輪迭代的結果，g是核函數，h是核函數的帶寬；
步驟13：當yi，j+1＝yi，j時，獲得最終結果為yi，c。
如圖3所示，通過步驟1均值漂移(Mean Shift)濾波後的圖像與圖2相比，其亮度趨於一致，圖像更加清晰，便於後續的分隔工作。
本發明披露的一種基於模糊C均值和均值漂移的肝臟區域提取方法還包括步驟2：粗分割，採用採用添加了鄰域相關性信息的FCM(FCM_S)分割圖像，提取肝臟的主體區域，即通過不斷迭代使目標函數最小化的方法得到超聲波肝臟區域圖像中像素的隸屬度的值，然後根據最大隸屬度原則對像素進行劃分，實現圖像的分割，減小圖像中的噪聲的影響，提取肝臟的大概位置。
傳統的FCM算法為：
設圖像I，FCM的目標函數為式(7)：
FCM：
其中，i是像素類別下標，其中，共有C個類別，j是像素下標，其中，共有N個像素，m是調節模糊隸屬度的權重指數，dij＝||xj-vi||為第j個像素xj與第i個聚類中心vi的灰度差值，uij是xj相對於vi的模糊隸屬度。
模糊隸屬度是像素歸屬於某個類別的概率，其值屬於[0，1]，對於一個像素，其屬於各個類別的模糊隸屬度之和為1，即
式(3)：
求解式(7)在式(3)條件下的極值，具體的，採用拉格朗日乘子法對各個變量求導，得模糊隸屬度uij以及聚類中心vi的迭代公式：
式(8)：
式(9)：
通過式(8)和式(9)的迭代，使目標函數，即式(7)，逐漸趨於最小化，獲得每個像素的隸屬度，從而實現圖像的分割。
如圖4所示，上述原始FCM算法的最大問題在於，目標函數沒有包含任何空間信息，導致受噪聲影響很大，只利用像素本身的信息，這帶來的問題是抗噪能力差，由於噪聲一般是獨立存在的，與周圍像素區分明顯，因此算法容易將噪聲單獨形成一個區域，從而使得原本完整的區域中充滿了孔洞。原始FCM的另一個問題是當一個區域的顏色不均勻時，容易將之分成數個區域，增加後期處理的難度。於是，為了解決上述問題，在本發明的此實施方式中，在FCM算法上添加了鄰域相關性信息，得到添加了鄰域相關性信息的FCM算法(FCM_S)的目標函數為：
式(2)：
其中，Nj表示像素j的鄰域，Nr代表的是鄰域Nj中像素的數目，i是像素類別下標，其中，共有C個類別，j是像素下標，其中，共有N個像素，m是調節模糊隸屬度的權重指數，dij＝||xj-vi||為第j個像素xj與第i個聚類中心vi的灰度差值，dir＝||xr-υi||為像素xr與第i個聚類中心vi的灰度差值，uij是xj相對於vi的模糊隸屬度,α是調節控制鄰域影響的參數。
模糊隸屬度是像素歸屬於某個類別的概率，其值屬於[0，1]，對於一個像素，其屬於各個類別的模糊隸屬度之和為1，即
式(3)：
求解式(2)在式(3)條件下的極值，具體的，採用拉格朗日乘子法對各個變量求導，得模糊隸屬度uij以及聚類中心vi的迭代公式：
式(3)：
式(4)：
通過式(3)和式(4)的迭代，使目標函數，即式(2)，逐漸趨於最小化，獲得每個像素的隸屬度，從而實現圖像的分割，減小圖像中的噪聲的影響，提取肝臟的大概位置。
如圖5所示，本發明披露的添加了鄰域相關性信息FCM算法(FCM_S)中，通過在FCM算法上添加了鄰域相關性信息，其得到的圖像與圖4相比，減小圖像中的噪聲的影響，其肝臟區域更加清晰。即便如此，任然存在一些問題，比如：由於FCM分類時只使用亮度信息，而光照不均勻容易產生誤分類情況，因此，此次操作的結果與真實肝臟有較大的差別。因而，本發明披露的上述添加了鄰域相關性信息FCM算法操作是下一步操作的準備工作，目的是提取肝臟的主體區域。
而作為本發明另一分發明點，本發明披露的一種基於模糊C均值和均值漂移的肝臟區域提取方法還包括步驟3：亮度補償，即對步驟2提取的肝臟主體區域中的邊緣區域進行亮度補償。作為優選的，在本發明的此實施方式中，只在上一步獲得的邊緣區域進行亮度補償，即上述步驟2中的FCM算法被用於初次分割，獲得肝臟的大概位置，然後在邊緣區域進行亮度補償。在本發明的此實施方式中，所述步驟3亮度補償的依據為：邊緣若較亮，則可能擴大了肝臟的區域，而邊緣若較暗，則可能縮小了肝臟區域，具體方法為具體方法為：若為亮區域則擴展暗的部分，若為暗區域則擴展亮的部分，這是由於肝臟邊緣若較亮，可能擴大了肝臟的區域，而肝臟邊緣若較暗，則可能縮小了肝臟區域。如圖6所示，通過亮度補償後的圖像，明顯減少了光照不均勻的影響，因此，可避免產生誤分類的現象。
如圖7所示，作為進一步優選的，本發明披露的一種基於模糊C均值和均值漂移的肝臟區域提取方法還包括步驟4：肝臟區域分割，即對步驟3中通過亮度補償後的圖像再次採用FCM_S算法分割圖像。同步驟2，FCM_S算法的目標函數為：
式(2)：
其中，Nj表示像素j的鄰域，Nr代表的是鄰域Nj中像素的數目，i是像素類別下標，其中，共有C個類別，j是像素下標，其中，共有N個像素，m是調節模糊隸屬度的權重指數，dij＝||xj-vi||為第j個像素xj與第i個聚類中心vi的灰度差值，dir＝||xr-vi||為像素xr與第i個聚類中心vi的灰度差值，uij是xj相對於υi的模糊隸屬度,α是調節控制鄰域影響的參數。。
模糊隸屬度是像素歸屬於某個類別的概率，其值屬於[0，1]，對於一個像素，其屬於各個類別的模糊隸屬度之和為1，即
式(3)：
求解式(2)在式(3)條件下的極值，具體的，採用拉格朗日乘子法對各個變量求導，得模糊隸屬度uij以及聚類中心vi的迭代公式：
式(3)：
式(4)：
通過式(3)和式(4)的迭代，使目標函數，即式(2)，逐漸趨於最小化，獲得每個像素的隸屬度，從而實現圖像的分割。
在步驟4中，FCM_S算法分割圖像輸入是亮度補償後的圖像，因此能夠獲得了較好的分割效果，分割後，肝臟通常是佔面積最大的器官，利用這個先驗知識可以提取前景中最大的部分為肝臟。
為了驗證本發明提出的算法，將本發明的方法在超聲圖像上進行了測試。將本發明披露的一種基於模糊C均值和均值漂移的肝臟區域提取方法與原始的FCM以及單獨採用FCM_S進行比較，其中，聚類數目3，α＝1。如圖4、圖5及圖7所示，其中圖4是原始FCM的結果，圖5是FCM_S算法的結果，圖7是本發明披露的一種基於模糊C均值和均值漂移的肝臟區域提取方法的結果，從圖4、圖5及圖7可以看出傳統的FCM的結果比較碎，而FCM_S的結果則完整了一些，本發明提出的方法得到的結果最好。可見本發明提出的一種基於模糊C均值和均值漂移的肝臟區域提取方法能夠提高FCM的分類效果。
為了獲得更準確地比較數據，將實驗中使用的超聲圖像進行了手工分割，提取出完全正確的肝臟部分作為參照對象。然後使用上述算法提取肝臟區域，並與正確的參考結果比較，得到與正確率P＝TP/(TP+FP)、召回率R＝TP/AP，其中TP是分類正確的像素數，FP是分類錯誤的像素數，AP是肝臟區域像素的總數。從表1中可以看出本發明披露的一種基於模糊C均值和均值漂移的肝臟區域提取方法的正確率P和召回率R較FCM和FCM_I算法均有所提高。
表1本發明披露的方法與FCM和FCM_I算法的性能比較
綜上所述，本發明披露的一種基於模糊C均值和均值漂移的肝臟區域提取方法在實驗中獲得較好的提取效果。該方法使用均值漂移(Mean Shift)濾波合併圖像中相鄰且僅有較小區別的區域，從而獲得均勻一致的圖像區域，並採用添加了鄰域相關性信息的FCM(FCM_S)算法，從多個聚類中提取完整的前景區域，提高抗噪能力，減少誤分類的情況，同時結合了亮度補償機制，減少光照不均勻的影響，從而獲得了比較完整的肝臟區域。
上述說明示出並描述了本發明的優選實施例，如前所述，應當理解本發明並非局限於本發明所披露的形式，不應看作是對其他實施例的排除，而可用於各種其他組合、修改和環境，並能夠在本發明所述發明構想範圍內，通過上述教導或相關領域的技術或知識進行改動。而本領域人員所進行的改動和變化不脫離本發明的精神和範圍，則都應在本發明所附權利要求的保護範圍內。