基于匹配追蹤算法的乳腺X影像的壓縮感知重構(gòu)

摘 要 大規(guī)模乳腺普查產(chǎn)生海量的乳腺X影像數(shù)據(jù)，為了數(shù)據(jù)存儲(chǔ)和傳輸需要對(duì)乳腺X影像進(jìn)行高質(zhì)量高效率的壓縮。在保證重構(gòu)圖像絕不影響診斷結(jié)果的前提下，本文提出基于多級(jí)感興趣區(qū)域（Region of InterestROI） 和壓縮感知技術(shù)采集數(shù)據(jù)對(duì)乳腺X影像進(jìn)行高效的壓縮，并利用全變差算法精確重構(gòu)原始影像。

【關(guān)鍵詞】感興趣區(qū)域 壓縮感知 全變差重構(gòu)算法

乳腺X影像技術(shù)是目前診斷乳腺病變的最有效的檢測(cè)工具，為乳腺癌患者早期醫(yī)治提供精準(zhǔn)的診斷，從而有效的降低患者的死亡率。為了能提供精確的信息，乳腺X影的分辨率和像素深度都很高，如國(guó)際標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)DDSM上的C_0018_1.LEFT_CC影像分辨率為2656×4664像素，單點(diǎn)像素深度為16比特，在沒(méi)有壓縮的時(shí)大小為17.7M，大量的影像組成海量的數(shù)據(jù)在存儲(chǔ)、傳輸上對(duì)計(jì)算機(jī)和網(wǎng)絡(luò)要求太高，對(duì)乳腺X影像進(jìn)行高效、高質(zhì)量的壓縮是解決海量數(shù)據(jù)的最經(jīng)濟(jì)有效的方法。

壓縮傳感技術(shù)是當(dāng)前熱門的信號(hào)采集技術(shù)，在信號(hào)稀疏的前提下能夠以很低的采樣率采樣到能夠精確重構(gòu)的采集信號(hào)。本文采用壓縮感知技術(shù)對(duì)乳腺X影像進(jìn)行壓縮采樣，并用全變差范數(shù)進(jìn)行重構(gòu)，取得顯著效果。

1 壓縮感知技術(shù)介紹

壓縮感知概念最早由Emmanuel Candès和Donoho提出，它是一個(gè)全新的信號(hào)采集技術(shù)，在信號(hào)稀疏和可壓縮的前提下，壓縮感知技術(shù)能以遠(yuǎn)小于香農(nóng)采樣定理要求的采樣頻率對(duì)信號(hào)進(jìn)行采樣且證明能夠精確的重構(gòu)出原始信號(hào)。

設(shè)一維信號(hào)向量x∈RN，如果||x0||=K?? N，則稱x是K稀疏的，設(shè)測(cè)量矩陣Φ∈RM×N （M??N），測(cè)量值y∈RM是信號(hào)x在Φ上的投影：

（5）判斷循環(huán)迭代次數(shù)是否達(dá)到預(yù)先設(shè)定數(shù)值和當(dāng)前的重構(gòu)誤差是否小于預(yù)先設(shè)定的值，如果滿足條件之一則停止迭代，否則返回步驟（2）繼續(xù)上述循環(huán)。

3 乳腺X光片的感知壓縮和重構(gòu)

3.1 多級(jí)感興趣區(qū)域的壓縮思想

圖像壓縮質(zhì)量的評(píng)價(jià)指標(biāo)主要有均方誤差（MSE）、峰值信噪比（PSNR） 、信噪比（SNR），這些指標(biāo)無(wú)差別的對(duì)待對(duì)圖像中的每個(gè)像素點(diǎn)或局部圖像塊，但人眼對(duì)圖像質(zhì)量的評(píng)價(jià)是有選擇性的，同樣，醫(yī)生對(duì)醫(yī)學(xué)圖像的判讀更是具有選擇性的，即醫(yī)學(xué)圖像中不同的區(qū)域?yàn)獒t(yī)生提供的判讀信息重要程度是不一樣的。因此最小化壓縮圖像對(duì)醫(yī)生判讀的影響為目標(biāo)，根據(jù)信息重要程度進(jìn)行不同精度的壓縮，這就是基于感興趣區(qū)域（ROI）的壓縮思想。

3.2 基于多級(jí)感興趣區(qū)域壓縮感知的乳腺x光片壓縮

本文壓縮思想是首先對(duì)乳腺圖像進(jìn)行分塊，將為醫(yī)生提供重要診斷信息的塊稱為感興趣區(qū)域，感興趣區(qū)域的提取分為人工提取和自動(dòng)提取，隨著計(jì)算機(jī)輔助診斷系統(tǒng)的迅速發(fā)展，在感興趣區(qū)域的自動(dòng)提取算法取得了很大的進(jìn)展，根據(jù)文獻(xiàn)[14-15]提到的級(jí)聯(lián)思想把圖像塊分為多級(jí)感興趣區(qū)域，然后為不同的感興趣區(qū)域采用不同的采樣頻率進(jìn)行壓縮感知測(cè)量。圖1就是本文采用級(jí)聯(lián)的方法提取多級(jí)感興趣區(qū)域并采樣的流程圖。算法3利用多級(jí)感興趣區(qū)域?qū)φ麄€(gè)乳腺圖像采樣的過(guò)程。

算法3（多級(jí)感興趣區(qū)域感知測(cè)量算法）：

（1）對(duì)乳腺圖片分為T個(gè)圖像子塊：B1，B2，……，BT；

（2）i=1；

（3）k=1；

（4）當(dāng)k>n時(shí)轉(zhuǎn)（7）；

（5）計(jì)算分類器k所需要的特征；

（6）通過(guò)分類器k進(jìn)行判斷，若為負(fù)樣本轉(zhuǎn)（7），若為正樣本k=k+1并轉(zhuǎn)（5）；

（7）對(duì)Bi圖像塊采用頻率k-1進(jìn)行感知測(cè)量。

（8）i=i+1，若i>T結(jié)束，否則轉(zhuǎn)（4）。

3.3 基于全變差的乳腺x光片重構(gòu)

本文利用全變差重構(gòu)算法對(duì)乳腺圖像重構(gòu)，首先，獲取壓縮過(guò)程中保存的壓縮圖像的基本信息，然后，對(duì)每一塊乳腺圖像利用全變差重構(gòu)算法進(jìn)行重構(gòu)，最后，把所有重構(gòu)的圖像塊組合成整個(gè)乳腺圖像。

算法4（乳腺圖片的全變差重構(gòu)算法）：

（1）獲取整個(gè)乳腺圖像的、行列分塊數(shù)量和分塊大??；

（2）獲取每一塊乳腺圖像的采樣頻率和采樣數(shù)據(jù)并用算法2重構(gòu)乳腺圖像塊；

（3）利用乳腺圖像的分塊方式和所有重構(gòu)的乳腺圖像塊重建整個(gè)圖像。

4 實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)采樣國(guó)際標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)（Digital Database for Screening Mammography ，DDSM）的數(shù)據(jù)，DDSM數(shù)據(jù)庫(kù)中每個(gè)病例有4張乳腺影像，其中良性870例，惡性914例。表1給出了本文算法在影像上的壓縮效果，圖2是乳腺X影像C_0002_1.LEFT_CC的部分區(qū)域壓縮效果圖，從效果圖可以看到當(dāng)壓縮率為0.2時(shí)本文算法就能很好的恢復(fù)原始圖像。

5 結(jié)論

本文采用壓縮感知技術(shù)和多級(jí)感興趣區(qū)域的壓縮思想，以醫(yī)生的診斷為目標(biāo)對(duì)乳腺X光片進(jìn)行壓縮，在乳腺圖片重構(gòu)中采用全變差重構(gòu)模型。本文壓縮方法在實(shí)驗(yàn)中取得了很好的效果，當(dāng)壓縮比很高時(shí)，壓縮后的圖像對(duì)診斷也不會(huì)有影響。

參考文獻(xiàn)

[1]DORSIC，KOPANSD.Mammography interpretation：the B I-RADSmethod [J].American Family Physician， 1997，55（05）：1548-1550.

[2]American Cancer Society.Cancer fact and figures 2003.American Cancer Society，Atlanta，GA，2003.

[3]陳孔艷，王小冬.基于兩級(jí)感興趣區(qū)域的乳腺X影像壓縮[J].南京工程學(xué)院學(xué)報(bào)，2010（02）：50-53.

[4]Qaisar S，Bilal R M，Iqbal W，Naureen M， Sungyoung L.Compressive sensing： from theory to applications，a survey.Journal of Communications and Networks，2013，15（05）：443-456.

[5]Baraniuk R G，Cevher V，Duarte M F，Hegde C.Model-based compressive sensing.IEEE Transactions on Information Theory，2010，56（04）：1982-2001.

[6]HolgerRauhut，Karin Schnass，Pierre Vandergheynst.Compressed Sensing and Redundant Dictionaries.IEEE TRANSACTIONS ON INFORMATION THEORY， 2008，54（05）：2210-2219.

[7]Michal Aharon，Michael Elad，Alfred Bruckstein.K-SVD：An Algorithm for Designing.OvercompleteDictionaries for Sparse Representation.IEEE TRANSACTIONS ON SIGNAL PROCESSING，2006，54（11）：4311-4322.

[8]Qiangqiang Yuan，Li Yan，Jiancheng Li，Liangpei Zhang.Remote sensing image super-resolution via regional spatially adaptive total variation model.IEEE Geoscience and Remote Sensing Symposium，2014，3073-3076.

[9]Tae-Jung Kwon，Jonathan Li，Alexander Wong.ETVOS：An Enhanced Total Variation Optimization Segmentation Approach for SAR Sea-Ice Image Segmentation.IEEE Transactions on Geoscience and Remote Sensing，2013，51（02）：925-934.

[10]AnkitKudeshia，Aditya K. Jagannatham.Optimal Viterbi Based Total Variation Sequence Detection （TVSD） For Robust Image/Video Decoding In Wireless Sensor Networks.IEEE Signal Processing Letters，2014，21（06）：722-726.

[11]Bhangale T，Desai U B，Sharma U.An

unsupervised scheme for detection of microcalcifications on mammograms[C]//Image Processing， 2000.Proceedings.2000 International Conference on.IEEE，2000：184-187 vol.1.

[12]Ju C Y，Jin W S，Park D S.Comparing

Study for Detecting Microcalcifications in Digital Mammogram Using Wavelets.[M]//Intelligent Data Engineering and Automated Learning-IDEAL 2004.Springer Berlin Heidelberg，2004：409-415.

[13]Soltanian-Zadeh H，Rafiee-Rad F，Siamak P D.Comparison of multiwavelet，wavelet，Haralick，and shape features for microcalcification classification in mammograms[J].Pattern Recognition，2004，37（10）：1973-1986.

[14]王小冬，陳松燦.一種新穎的乳腺X線影像中鈣化點(diǎn)檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2008（27）：213-215.

[15]賈新華，王哲，，陳松燦.X線乳腺圖像中微鈣化檢測(cè)的快速排除無(wú)病變區(qū)域法[J].南京航空航天大學(xué)學(xué)報(bào)（英文版）， 2006，23（01）：52-58.

作者單位

南京工程學(xué)院計(jì)算機(jī)工程學(xué)院 江蘇省南京市211167