乳腺腫瘤超聲圖像中感興趣區(qū)域的自動檢測

蘇燕妮 汪源源

(復(fù)旦大學(xué)電子工程系，上海 200433)

乳腺腫瘤超聲圖像中感興趣區(qū)域的自動檢測

蘇燕妮 汪源源*

(復(fù)旦大學(xué)電子工程系，上海 200433)

由于斑點噪聲、偽影以及病灶形狀多變的影響，乳腺腫瘤超聲圖像中腫瘤區(qū)域的自動檢測以及病灶的邊緣提取比較困難，已有的方法主要是由醫(yī)生先手工提取感興趣區(qū)域(ROI)。本研究提出一種乳腺腫瘤超聲圖像中感興趣區(qū)域自動檢測的方法，選用超聲圖像的局部紋理、局部灰度共生矩陣以及位置信息作為特征，采用自組織映射神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，自動識別乳腺腫瘤區(qū)域。對包含168幅乳腺腫瘤超聲圖像的數(shù)據(jù)庫進(jìn)行識別的結(jié)果表明:該方法自動識別ROI的準(zhǔn)確率達(dá)到86.9%，可輔助醫(yī)生提取腫瘤的實際邊緣以及進(jìn)一步診斷。

乳腺腫瘤;超聲圖像;感興趣區(qū)域;自動檢測;自組織映射神經(jīng)網(wǎng)絡(luò)

Abstract:Due to the speckle noise，shadowing artifacts and the variance in shape of sonographic lesions，it is difficult to detect breast tumors and extract lesion boundaries from ultrasound images automatically.Previous breast tumor detection methods have been based on the manual extraction of the region of interest(ROI).In this paper，a computer-aided automatic method was proposed to detect the ROI of breast tumors from ultrasound images.A self-organizing map(SOM)neural network was used for the classification of the area of breast tumor.The ROI could be extracted automatically employing the local texture，the local gray level co-occurrence matrix，and positions as features.Experimental results showed that the method could recognize breast tumors in our 168-image database with an accuracy of 86.9%，which may assist physicians to extract the boundary and make further diagnose.

Key words:breast tumor;ultrasound images;region of interest(ROI);automatic detection;self-organizing map(SOM)neural network

引言

乳腺腫瘤是威脅女性健康的最常見惡性腫瘤之一，早期乳腺癌治療后10年生存率可達(dá)90%以上，因此，早期篩查與診治成為降低乳腺癌死亡率的一個關(guān)鍵因素。早期乳腺腫瘤的影像學(xué)篩查方法包括X線攝片和超聲檢查等。超聲檢查有自己不可替代的優(yōu)點:無創(chuàng)性診斷，無需切片檢查;成像速度快，可以實時成像;對致密性乳腺的敏感性高;檢查價格相對較低。然而乳腺腫瘤超聲圖像對比度低、噪聲大，腫瘤結(jié)構(gòu)復(fù)雜且存在偽影，使得腫瘤的自動分割成為一個難題。已有的自動分割方法針對整幅乳腺超聲圖像利用改進(jìn)的分水嶺算法得到一個初步分割［1］，再用活動輪廓模型細(xì)化所得到的初始邊緣［2］。由于基于整幅圖像進(jìn)行初始邊緣的提取，因此過程較為耗時，且當(dāng)圖像存在偽影或者多個與腫瘤相似的區(qū)域時，較難自動確定實際腫瘤所在位置。為了更準(zhǔn)確的診斷，目前的研究多采用半自動的計算機(jī)輔助診斷方法，即先由醫(yī)生人工選定乳腺超聲圖像中的感興趣區(qū)域(region ofinterest，ROI)，再由計算機(jī)進(jìn)行進(jìn)一步的邊緣提取、乳腺腫瘤良惡性分類等［3］。

為發(fā)展一種全自動的超聲圖像乳腺腫瘤分割方法，本研究提出了一種自動檢測乳腺腫瘤超聲圖像中感興趣區(qū)域的方法。該方法通過提取超聲圖像的紋理等特征，并基于神經(jīng)網(wǎng)絡(luò)中自組織映射(self-organizing map，SOM)分類器進(jìn)行分類，實現(xiàn)乳腺腫瘤超聲圖像ROI的自動提取，進(jìn)一步可提取腫瘤的邊緣。

1 原理與方法

所用方法的流程圖如圖1虛線框以外部分所示。先對超聲圖像特征進(jìn)行形態(tài)學(xué)濾波，去除原圖四周標(biāo)注的文字、圖標(biāo)等信息，得到反映乳腺信息的超聲子圖;并進(jìn)行去噪、對比度增強(qiáng)等處理，使得圖像特征更為顯著。接著，對預(yù)處理后的圖像進(jìn)行特征提取和選擇，最終選定9個特征，輸入SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，從分類的結(jié)果中即可提取出乳腺腫瘤超聲圖像的ROI。此外，為檢測所提取ROI的精準(zhǔn)性，進(jìn)一步用改進(jìn)的水平集算法繼續(xù)提取腫瘤邊緣，并與基于醫(yī)生手工提取的ROI得到的邊緣結(jié)果進(jìn)行比較，如圖1虛線框內(nèi)所示。

圖1 乳腺腫瘤超聲圖像中感興趣區(qū)域的自動檢測Fig.1 Block diagram of automatic detection of the ROI from breast tumor sonography

1.1 圖像預(yù)處理

儀器采集的乳腺腫瘤超聲圖像的四周，包含儀器自身所標(biāo)注的文字、圖標(biāo)等相關(guān)信息，如圖2(a)所示。為便于后續(xù)步驟中ROI的提取，先針對圖像特征，進(jìn)行形態(tài)學(xué)濾波，提取出包含有效信息的超聲子圖。該步驟采用自定義的形態(tài)學(xué)掩模進(jìn)行濾波，例如對于該子圖實際左側(cè)邊緣的檢測，選用掩模mask_left:

該掩模灰度的變化，表現(xiàn)為從左到右的階梯形遞增。采用這樣的形態(tài)學(xué)掩模進(jìn)行濾波，則在原乳腺超聲圖像左側(cè)邊緣處，得到的結(jié)果最大。取出濾波結(jié)果的最大值，再進(jìn)行進(jìn)一步的篩選可以得到超聲子圖的左側(cè)邊緣。其右側(cè)、上側(cè)、下側(cè)邊緣也采用相應(yīng)的形態(tài)學(xué)掩模進(jìn)行濾波后獲得。作為例子，對圖2(a)所示的圖像進(jìn)行該形態(tài)學(xué)濾波后，得到的結(jié)果如圖2(b)所示，四周由超聲儀所標(biāo)注的相關(guān)文字和圖標(biāo)等信息均被刪除，以便于ROI的提取。

圖2 乳腺腫瘤超聲圖像預(yù)處理的結(jié)果。(a)原圖;(b)對(a)進(jìn)行形態(tài)學(xué)濾波的結(jié)果;(c)對(b)進(jìn)行各向異性濾波去噪的結(jié)果;(d)對(c)進(jìn)行對比度增強(qiáng)的結(jié)果Fig.2 The result of preprocessing on breast tumor sonography.(a)original image;(b)the result of morphological filtering of(a);(c)the result of speckle reduction for(b)with anisotropic diffusion;(d)the result of contrast enhancement of(c)

對于提取到的乳腺腫瘤超聲子圖，對其進(jìn)行降噪處理，并進(jìn)行灰度對比度的增強(qiáng)。這里采用了各向異性擴(kuò)散(speckle reducing anisotropic diffusion，SRAD)的方法進(jìn)行降噪［4］。各向異性擴(kuò)散較之于其它降噪方法，具有如下優(yōu)勢:降噪具有方向性，即不是簡單地抑制在邊緣附近區(qū)域的平滑，而是在阻止垂直于邊緣方向平滑的同時，加強(qiáng)平行于邊緣方向的平滑;濾波是一種擴(kuò)散過程，通過設(shè)計適當(dāng)?shù)臄U(kuò)散系數(shù)，不僅能夠去除噪聲，而且可以增強(qiáng)有用的邊緣信息;不需要預(yù)先設(shè)定濾波器窗口，克服了自適應(yīng)中值濾波中濾波結(jié)果對窗口尺寸和形狀敏感的缺點;不需要估計斑點噪聲的功率。因此，各向異性擴(kuò)散十分適用于超聲圖像降噪，在去除超聲圖像噪聲的同時，保持甚至增強(qiáng)邊緣信息。

以圖2(b)為例，通過各向異性擴(kuò)散進(jìn)行降噪的結(jié)果如圖2(c)所示，進(jìn)一步對比度增強(qiáng)的結(jié)果如圖2(d)所示，使得后續(xù)特征提取時ROI的特征更有代表性。

1.2 特征提取

觀察可知，待提取的ROI與非感興趣的背景區(qū)域，在圖像灰度、紋理等諸多方面表現(xiàn)出明顯差異:ROI表現(xiàn)為該區(qū)域圖像灰度較暗，內(nèi)部紋理較背景區(qū)域更為平滑等特點，并有其一定的自身規(guī)律，由此本文提出了一系列的灰度、紋理特征來描述兩者的差異。對于上述預(yù)處理得到的去噪、增強(qiáng)后的圖像，將圖像分成子塊，提取每塊的特征進(jìn)行分類，確定每一塊是屬于ROI或是非ROI的背景區(qū)域，再將屬于 ROI的子塊進(jìn)行形態(tài)學(xué)合并，即可實現(xiàn)整個ROI的提取。分塊處理不但能大大減少計算量，并且可以實現(xiàn)局部區(qū)域信息的提取。

選取的特征主要包括三類:基本紋理特征、灰度共生矩陣特征、位置信息。

1.2.1 基本紋理特征

先對每個子塊提取由灰度直方圖計算出的與灰度有關(guān)的統(tǒng)計量:灰度均值、標(biāo)準(zhǔn)差、平滑度、三階矩、一致性、熵［5］。

令z代表圖像灰度級的隨機(jī)變量，同時令p(zi)為對應(yīng)區(qū)域中灰度的像素分布(i=0，1，…，L-1)，其中L是可區(qū)分的灰度級數(shù)，則關(guān)于z的均值的第n階矩為:其中m是z的均值(平均灰度值)。6個紋理特征依次為:

(1)灰度均值m，表示一幅圖像或區(qū)域的平均灰度值。

(2)標(biāo)準(zhǔn)差σ，表征紋理粗糙程度，即二階矩μ2(z)的平方根。

(3)平滑度R，表征紋理平滑程度

(4)三階矩μ3，表征直方圖的偏斜程度。若直方圖是對稱的，則度量值為零;若度量值為正值，則直方圖向右偏斜;若度量值為負(fù)值，則直方圖向左偏斜。

(5)一致性U，反映圖像灰度分布均勻程度和紋理粗細(xì)度。當(dāng)某區(qū)域灰度值相等時，該度量值最大并從此處開始減小。表示為

1.2.2 灰度共生矩陣紋理特征

灰度共生矩陣用兩個位置的像素的聯(lián)合概率密度來定義，不僅可以反映亮度的分布特性，也可反映具有同樣亮度或接近亮度的像素之間的位置分布特性，是有關(guān)圖像亮度變化的二階統(tǒng)計特征，也是定義一組紋理特征的基礎(chǔ)。因此，相比基本紋理特征，灰度共生矩陣還能反映出圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，是分析圖像的局部模式和它們排列規(guī)則的基礎(chǔ)。

設(shè)預(yù)處理后得到的圖像為f(x，y)，尺寸為M×N，灰度級別為Ng，則滿足一定空間關(guān)系的灰度共生矩陣為

其中#(x)表示集合x中的元素個數(shù)，顯然P為Ng×Ng的矩陣，若(x1，y1)與(x2，y2)間距離為d，兩者與坐標(biāo)橫軸的夾角為θ，則可得到各種間距及角度的灰度共生矩陣 P(i，j，d，θ)，其中位于(i，j)的元素 p(i，j)的值表示一個灰度為i而另一個灰度為j的兩個相距為d的像素對出現(xiàn)的概率。

可以從共生矩陣導(dǎo)出一系列反應(yīng)矩陣狀況的參數(shù)，以更直觀地描述紋理狀況，常見的包括:能量、對比度、相關(guān)度、熵、同質(zhì)性/逆差矩、中值、協(xié)方差等［6］。選取有代表性的三個特征:對比度、相關(guān)度、能量，依次為

(1)對比度(con)反映圖像清晰度和紋理溝紋深淺的程度?；叶炔罴磳Ρ榷却蟮南袼貙υ蕉?，該值越大，此時灰度共生矩陣中遠(yuǎn)離對角線的元素值也越大，表示為

(6)熵(ent)，是隨機(jī)性度量，也是圖像信息度的量度。當(dāng)圖像灰度分布具有最大的隨機(jī)性時，此值最大，且其變化與一致性量度是反向的，表示為

(2)相關(guān)度(cor)度量空間灰度共生矩陣元素在行或列方向上的相似程度，反映了圖像中局部灰度相關(guān)性。當(dāng)矩陣元素值均勻相等時，相關(guān)度就大;相反，如果矩陣像元值相差很大則相關(guān)度小，表示為

式中，μx和 σx分別為的均值、均方差;μy、σy分別為的

1.2.3 位置特征

對預(yù)處理的結(jié)果進(jìn)行分塊后，每一個子塊在分塊后圖像中對應(yīng)一個坐標(biāo)(x，y)，即為所選用的位置信息。

視覺系統(tǒng)中，位置的近鄰性對于其他特征的相似度也有一定的影響，圖像中距離很遠(yuǎn)的兩個子塊，即使其他特征很相似，但屬于同一類目標(biāo)的可能性也不大，這里引入位置作為特征之一，并乘以權(quán)重ωpos以限制其影響程度。由于該特征僅用以輔助區(qū)分較遠(yuǎn)的目標(biāo)，因此ωpos可以取得較小，一般在0.01～0.1之間，研究中選為0.05。

由于上述11個特征之間存在相關(guān)性，為避免特征冗余導(dǎo)致的維數(shù)災(zāi)難，需要選擇最有效的特征用于分類。在乳腺腫瘤超聲圖像中，采用已提取的ROI及非ROI的背景區(qū)域作為訓(xùn)練集，提取上述11個特征進(jìn)行比較，利用特征選擇的經(jīng)典方法主元分析法(principle component analysis，PCA)，選出類間距較大的9個具有代表性的特征用于分類，依次為:4個基本紋理特征(灰度均值、標(biāo)準(zhǔn)差、一致性、熵)、3個灰度共生矩陣特征(對比度、相關(guān)度、能量)、2個位置特征。選取這9個特征從一定程度上消除了特征間的相關(guān)性，并有效描述了ROI與背景區(qū)域的不同，其中基本紋理特征中取灰度均值小、標(biāo)準(zhǔn)差小、一致性大、熵小的;灰度共生矩陣中取對比度小、相關(guān)度大、能量小的;位置分布中取位于原圖中間的，作為感興趣的腫瘤區(qū)域。

1.3 基于特征分類的ROI提取

選擇特征之后，對每一個子塊(x，y)計算其上述9個特征并歸一化，即將所有特征的取值除以它們中的最大值，使得所有特征的取值在0到1之間。其中，位置信息歸一化到［0，1］之間后，乘以權(quán)重系數(shù)ωpos。每個子塊的特征組成一個9維的向量，將其輸入分類器進(jìn)行分類，以提取乳腺腫瘤超聲圖像的ROI。

分類步驟采用的是自組織特征映射神經(jīng)網(wǎng)絡(luò)(self-organizing feature map neural network，SOMNN)。它是Kohonen根據(jù)神經(jīng)系統(tǒng)的特性提出均值、均方差。

(3)能量(e)即灰度共生矩陣元素值的平方和，反映了圖像灰度分布均勻程度和紋理粗細(xì)度，紋理越粗能量越大，表示為的［7-8］人工神經(jīng)網(wǎng)絡(luò)模型。SOM采用無監(jiān)督學(xué)習(xí)的算法來分類輸入向量，以實現(xiàn)非線性地將高維空間的特征映射到低維的神經(jīng)陣列，同時在低維空間內(nèi)保持高維特征空間內(nèi)的拓?fù)渚嚯x。此處選用SOM分類器而不是傳統(tǒng)的k-means分類器，原因在于:當(dāng)初始條件選擇適當(dāng)時，k-means方法可得到與SOM相似的分類結(jié)果。但是k-means算法受初始條件的影響很大，若初始聚類中心選擇不當(dāng)，則分類結(jié)果遠(yuǎn)不如SOM分類器。

采用SOM可以把目標(biāo)子塊分成n類。本研究中，輸入向量為圖像分塊后每個子塊對應(yīng)的特征向量，輸出層的 n取2，即將這些子塊分為兩類:ROI和非ROI的背景區(qū)域。

由于存在噪聲，分類后的二值圖像中存在一些不連續(xù)的孤立點，利用形態(tài)學(xué)方法去除這些孤立點的影響。并且由于原超聲圖像存在多處偽影以及與腫瘤相似的組織區(qū)域，因此根據(jù)ROI的大小以及其在乳腺腫瘤超聲圖像中的分布位置等特點，對于分類結(jié)果作進(jìn)一步的形態(tài)學(xué)篩選，即可提取出最后的 ROI［9］。

1.4 邊緣提取驗證ROI提取的精準(zhǔn)性

為檢測所提取 ROI的精準(zhǔn)性，在 ROI提取后，繼續(xù)提取腫瘤邊緣，與醫(yī)生手工提取ROI后提取的邊緣相比較，通過邊緣檢測結(jié)果來間接評價ROI提取的性能。乳腺腫瘤的邊緣提取，是腫瘤良惡性分類(包括腫瘤形態(tài)特征和紋理特征的提取)的基礎(chǔ)。由于超聲圖像成像質(zhì)量較差，本研究選用改進(jìn)的變分水平集法進(jìn)行邊緣提取［10］，該算法在 Chan-Vese(CV)模型基礎(chǔ)上進(jìn)行改進(jìn)，提出一種基于區(qū)域的新的水平集圖像分割算法——局部調(diào)整動態(tài)輪廓模型(local-fitting active contours，LFAC，又稱 CVLF 算法［11］)。該方法通過引入局部調(diào)整項以加強(qiáng)圖像局部信息，優(yōu)勢在于當(dāng) ROI確定時，無須任何人機(jī)交互以及預(yù)處理即可實現(xiàn)乳腺腫瘤的邊緣快速、準(zhǔn)確的提取。實驗證明，該算法適用于具有區(qū)域非同質(zhì)性的超聲圖像的分割，可有效實現(xiàn)超聲圖像乳腺腫瘤邊緣的提取。

2 實驗結(jié)果及討論

采用的乳腺腫瘤超聲圖像庫，由復(fù)旦大學(xué)附屬華山醫(yī)院超聲科采用超聲儀HDI-300采集，超聲探頭的頻率為12 MHz。該庫有168幅圖像，均為病患圖像，其中包括良性腫瘤和惡性腫瘤。算法流程如圖1所示，整個過程中各步驟的處理結(jié)果如圖3所示。

圖3 整個流程的處理結(jié)果示意。(a)原圖;(b)對(a)進(jìn)行形態(tài)學(xué)濾波的結(jié)果;(c)對(b)進(jìn)行各向異性濾波去噪以及對比度增強(qiáng)的結(jié)果;(d)對(c)采用SOM分類的結(jié)果;(e)ROI;(f)對ROI進(jìn)行邊緣提取的結(jié)果Fig.3 One result of the algorithm.(a)original image;(b)the result of morphological filtering of(a);(c)the result of speckle reduction with anisotropic diffusion and contrast enhancement for(b);(d)the result of SOMclassification;(e)the extracted ROI;(f)the result of boundary extraction

2.1 乳腺腫瘤超聲圖像預(yù)處理

經(jīng)不同途徑獲得的乳腺腫瘤超聲圖像中，乳腺超聲子圖在原圖中分布的位置及尺寸均不統(tǒng)一，無法采用已有的一些預(yù)處理方法。本方法能夠去除四周標(biāo)注信息，保留反映乳腺腫瘤的超聲子圖部分，對于庫中的168幅圖進(jìn)行預(yù)處理的準(zhǔn)確率為100%，因此該預(yù)處理方法相對于以往的研究結(jié)果具有更好的普適性。

對于去除四周標(biāo)注的文字、圖標(biāo)等信息后的圖像，利用各向異性擴(kuò)散進(jìn)行去噪并進(jìn)行對比度增強(qiáng)處理，使得后續(xù)提取特征時，感興趣區(qū)域的特征更有代表性。以圖3(a)為例，預(yù)處理的結(jié)果如圖3(c)所示。

2.2 特征提取、SOM分類以及ROI的提取

對于庫中的任一幅圖像，按上述預(yù)處理、分塊，求出每個子塊對應(yīng)的9維的特征向量，輸入SOM將其分為2類。

本研究分別嘗試了將原圖分為32像素×32像素、16像素×16像素、8像素×8像素、4像素×4像素的子塊，并進(jìn)行特征提取及分類。結(jié)果發(fā)現(xiàn)，子塊過大容易導(dǎo)致粗分割，往往不能將 ROI和非 ROI區(qū)域分開.;而子塊過小會導(dǎo)致每塊所包含的信息過于局限，容易出現(xiàn)過分割，且計算代價大。測試結(jié)果表明，子塊采用8像素×8像素的大小時，效果相對最優(yōu)。

采用8像素×8像素子塊，對于整個庫中168幅圖完成上述處理后，將自動提取的ROI與醫(yī)生手動標(biāo)注的ROI區(qū)域作比較，結(jié)果如表1所示。168幅中，ROI提取成功的共135例，占80.4%，ROI提取失敗的，即提取出的ROI不包括醫(yī)生手工提取的標(biāo)準(zhǔn)參考區(qū)域的有33例，占19.6%。ROI提取成功的所有例子中，有79.3%是ROI大小適中、與醫(yī)生手工提取結(jié)果相符合;剩下的20.7%是ROI大于但是包含醫(yī)生手工提取ROI的。對于采用8像素×8像素子塊提取ROI失敗的圖像，將原圖分為16像素×16像素的子塊進(jìn)一步分析，33例中有11例提取成功，可以將提取成功的百分比提高到86.9%。

表1 ROI提取結(jié)果Tab.1 The results of ROI extraction

若欲實現(xiàn)特征提取窗口尺寸的自適應(yīng)選取，根據(jù)本文的實驗結(jié)果，可先以原圖寬度的1/80為窗口邊長，對由此提取 ROI失敗的案例，再將窗口的邊長取為原圖寬度的1/40、1/20等進(jìn)一步分析，直到ROI提取正確率不再提高為止。此處，不能直接由原圖得出最適宜的子塊尺寸，原因在于本研究的目的為自動識別超聲圖像中乳腺腫瘤區(qū)域，對于不同病患的任意一幅乳腺腫瘤超聲圖像，腫瘤大小各異，無法預(yù)先得知其腫瘤區(qū)域的準(zhǔn)確尺寸。為避免特征提取窗口尺寸過大或過小帶來的粗分割或過分割的問題，需要如上的分析以得到最適宜的窗口大小。

由于乳腺腫瘤超聲圖像具有斑點噪聲、偽影、邊緣缺失、亮度不均等特點，使得傳統(tǒng)各種感興趣區(qū)域提取算法在該領(lǐng)域的應(yīng)用存在一定的困難，本研究的算法對于 ROI的自動識別可在一定程度上解決上述因素的影響。

圖4為乳腺腫瘤超聲圖像ROI自動檢測及邊緣提取的結(jié)果，原圖中有較強(qiáng)噪聲及多處偽影，但本方法仍能得到正確的 ROI，從而正確提取腫瘤邊緣。

對于ROI成功提取 (即，ROI大小適中且恰與參考符合)的圖例，本研究取分類結(jié)果中屬于 ROI區(qū)域的像素的外切矩形作為CVLF邊緣分割的圖像輸入，為了進(jìn)一步體現(xiàn)本算法的優(yōu)勢，將所提取到的ROI區(qū)域與醫(yī)生手工提取的參考標(biāo)準(zhǔn)(同樣以矩形框形式給出)進(jìn)行比較。可知，在完全包含腫瘤區(qū)域的情況下，ROI面積越小，說明其更精確的指向圖像中腫瘤所在區(qū)域，且邊緣分割時計算量越小。對圖4中的四個例子，比較兩種方法所得ROI面積的大小，計算本研究提取所得的ROI與醫(yī)生提取出作為標(biāo)準(zhǔn)參考的 ROI的面積之比，結(jié)果如表2所示。

圖4 乳腺腫瘤超聲圖像ROI自動檢測及邊緣提取的結(jié)果。(a)庫中原始超聲圖像;(b)對(a)預(yù)處理的結(jié)果;(c)基于本算法得到的ROI采用CVLF算法得到的邊緣提取結(jié)果;(d)基于醫(yī)生手工提取的ROI采用CVLF算法得到的邊緣提取結(jié)果Fig.4 The ROI of breast tumor sonogrphy and their automatic boundary extraction.(a)the original images;(b)the preprocessing of(a);(c)boundary extraction using the CVLF algorithm in the ROI extracted by the proposed method;(d)boundary extraction using the CVLF algorithm in the ROI extracted manually

由圖4(c)和圖4(d)的對比還可發(fā)現(xiàn)，由于本方法提取的ROI面積更小，能夠更精確地指向腫瘤所在，因此邊緣提取時不容易受周圍噪聲或偽影的影響而導(dǎo)致錯誤，從而能夠得到更為準(zhǔn)確的結(jié)果。

表2 ROI自動檢測結(jié)果精準(zhǔn)性度量Tab.2 The measurement of precision of the result of ROI automatically extraction

3 結(jié)論

本研究提出的乳腺腫瘤超聲圖像中感興趣區(qū)域的自動檢測方法，通過提取超聲圖像的紋理以及像素點位置信息等特征，利用神經(jīng)網(wǎng)絡(luò)中自組織映射分類器進(jìn)行分類，得到其中的感興趣區(qū)域，即乳腺腫瘤所在處。結(jié)果表明:方法對圖像庫中168幅圖像的感興趣區(qū)域自動檢測準(zhǔn)確率為86.9%。此方法能夠大大提高整個乳腺腫瘤診斷的自動化程度，降低了醫(yī)生的工作量，并提高檢測的準(zhǔn)確性。但針對少數(shù)質(zhì)量過差或偽影、干擾十分嚴(yán)重的超聲圖像，ROI的自動檢測結(jié)果仍存在一定偏差，有待進(jìn)一步的改進(jìn)。

［1］Huang Yulen，Chen Darren.Watershed segmentation for breast tumor in 2-d sonography ［J］.Ultrasound in Medicine and Biology，2004，30(5):625-632.

［2］Huang Yulen，Chen Darren.Automatic contouring for breast tumors in 2-D sonography［A］.In:Proceedings of the 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference［C］.Shanghai，2005.3225-3228.

［3］Chen Darren，Hsiao Yihsuan.Computer-aided diagnosis in breast ultrasound ［J］.Journal of Ultrasound in Medicine，2008，16(1):46-56.

［4］Yu Yongjian，Acton ST.Speckle reducing anisotropic diffusion［J］.IEEE Transaction on Image Processing，2002，11(11):1260-1270.

［5］岡薩雷斯.數(shù)字圖像處理:Matlab版［M］.北京:電子工業(yè)出版社，2006.

［6］Baraldi A，Parmiggiani F.An investigation of the textural characteristic associated with gray level cooccurrence matrix statistical parameters［J］.IEEE Transactions on Geoscience and Remote Sensing，1995，33(2):293-304.

［7］Kohonen T.Self-organization and associative memory［M］.New York:Springer-Verlag，1989.

［8］Kohonen T.Self-organizing maps［M］.New York:Springer-Verlag，1997.

［9］Haralick RM，Shapiro LG.Computer and robot vision［M］.Boston:Addison-Wesley，1992:28-48.

［10］Li Chunming，Kao Chiu-Yen，Gore JC，et al.Minimization of region-scalable fitting energy for image segmentation［J］.IEEE Transaction on Image Processing，2008，17(10):1940-1949.

［11］楊曉霜，汪源源，王涌，等.基于改進(jìn)變分水平集法提取超聲圖像乳腺腫瘤邊緣［J］.航天醫(yī)學(xué)與醫(yī)學(xué)工程，2008，21(6):500-504.

Automatic Detection of the Region of Interest from Breast Tumor Ultrasound Images

SU Yan-NiWANG Yuan-Yuan*
(Department of Electronic Engineering，F(xiàn)udan University，Shanghai 200433)

R318.08

A

0258-8021(2010)02-0178-07

10.3969/j.issn.0258-8021.2010.02.004

2009-09-03，

2009-11-10

國家重點基礎(chǔ)研究規(guī)劃基金項目(2005CB724303);國家自然科學(xué)基金資助項目(10974035);上海市重點學(xué)科建設(shè)項目(B112)

*通訊作者。 E-mail:yywang@fudan.edu.cn