基于MATLAB_GUI的超聲乳腺腫瘤圖像分割平臺(tái)設(shè)計(jì)

范懷玉 馬軍山

摘 ?要： 利用種子區(qū)域增長(zhǎng)對(duì)超聲乳腺腫瘤圖像進(jìn)行分割是一種常用的計(jì)算機(jī)輔助診斷方法。要實(shí)現(xiàn)快速分割，滿足實(shí)時(shí)在線分割圖像的需求，需要解決兩個(gè)關(guān)鍵的步驟：種子點(diǎn)的自動(dòng)快速定位和分割閾值的選擇。本文在Matlab環(huán)境下開(kāi)發(fā)了一個(gè)圖形用戶界面軟件平臺(tái)，為超聲乳腺圖像中病灶的分割提供一種客觀、可重復(fù)、易使用的方法。對(duì)65幅超聲乳腺腫瘤圖像進(jìn)行了實(shí)驗(yàn)驗(yàn)證，結(jié)果表明：該平臺(tái)的分割圖像效果和所用時(shí)間都比手動(dòng)分割效率高，分割所用平均時(shí)間5.55秒。使用者通過(guò)滑塊選擇閾值來(lái)分割圖像，而不必熟悉MATLAB程序來(lái)調(diào)整參數(shù)。

關(guān)鍵詞： 種子區(qū)域增長(zhǎng);計(jì)算機(jī)輔助診斷;圖形用戶界面

中圖分類號(hào)： TP391.41 ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.06.007

本文著錄格式：范懷玉，馬軍山.基于MATLAB_GUI的超聲乳腺腫瘤圖像分割平臺(tái)設(shè)計(jì)[J]. 軟件，2019，40（6）：3033

【Abstract】： Segmentation of breast ultrasound （BUS） tumors using seed region growth is a common method of computer-aided diagnosis. In order to achieve fast segmentation and meet the needs of real-time on-line image segmentation， two key steps need to be solved： automatic fast positioning of seed points and selection of segmentation threshold. In this paper， a graphical user interface（GUI）software platform is developed under the environment of MATLAB， which provides an objective， repeatable and easy-to-use method for lesion segmentation in ultrasound mammography. The method is testified with 65 BUS lesion images. Quantitative results demonstrate that the segmentation effect and time of the platform are more efficient than manual segmentation， and the average time of segmentation is 5.55 seconds. Users select thresholds by sliders to segment images without being familiar with the MATLAB program to adjust parameters.

【Key words】： Seeded region growing; Computer aided diagnosis; Graphical user interface

0 ?引言

乳腺癌已成為世界范圍內(nèi)女性第二大致死病因，并且有超過(guò)8%的女性有患乳腺癌的風(fēng)險(xiǎn)[1]。超聲篩查因非侵入性、無(wú)輻射、易操作、廉價(jià)等優(yōu)點(diǎn)被廣泛應(yīng)用于乳腺癌的早期預(yù)防[2]。對(duì)獲取的超聲乳腺腫瘤圖像中腫瘤的形狀、紋理、邊緣等信息進(jìn)行分析，以便醫(yī)生能夠以此制定更為科學(xué)的診療方案，這也是計(jì)算機(jī)輔助診斷（Computer aided diagnosis：CAD）系統(tǒng)的設(shè)計(jì)初衷。隨著計(jì)算機(jī)計(jì)算效能的飛速提高和各種算法的不斷改進(jìn)，CAD技術(shù)和臨床診療的關(guān)系愈加密切，也成為日益當(dāng)今研究的熱點(diǎn)。一般地，超聲CAD乳腺癌檢測(cè)診斷系統(tǒng)分為四個(gè)階段：圖像預(yù)處理，圖像分割，特征提取與選擇和良惡性辨別。其中，圖像分割是既重要又最為困難的一個(gè)環(huán)節(jié)，只有準(zhǔn)確高效地分割出腫瘤區(qū)域，才能對(duì)其形狀、紋理、邊緣等特征進(jìn)行計(jì)算和提取，進(jìn)而能夠辨別腫瘤的良惡性[3]。然而，噪聲干擾和低對(duì)比度一直是超聲圖像的缺點(diǎn)[4]，給分割帶來(lái)了很大的挑戰(zhàn)。超聲腫瘤圖像的精確分割還需依賴人工干預(yù)，而全自動(dòng)的分割則以犧牲分割的精度為代價(jià)，近年來(lái)許多致力于克服此兩難局面的新研究和新方法不斷涌現(xiàn)，研究人員嘗試?yán)脜^(qū)域增長(zhǎng)的方法來(lái)分割感興趣區(qū)域（region of interest ROI），并取得了不錯(cuò)的結(jié)果[5-7]。

MATLAB 是世界流行的科學(xué)計(jì)算與數(shù)學(xué)應(yīng)用軟件，具有良好的開(kāi)放性和運(yùn)行的可靠性，被廣泛地應(yīng)用于圖像處理、信號(hào)處理、自動(dòng)控制等數(shù)值計(jì)算領(lǐng)域[8]。它還有功能豐富的圖像處理工具箱，可以在MATLAB 平臺(tái)上結(jié)合圖像分割理論對(duì)醫(yī)學(xué)圖像進(jìn)行處理，已成為現(xiàn)代醫(yī)學(xué)領(lǐng)域不可或缺的輔助技術(shù)[9]，醫(yī)學(xué)圖像視覺(jué)效果的提高有助于提高醫(yī)生的確診率。同時(shí)還提供了 GUI （Graphical User Interfaces）開(kāi)發(fā)環(huán)境，用戶通過(guò)一定的方法（如鼠標(biāo)或鍵盤）選擇、激活這些圖形對(duì)象，使計(jì)算機(jī)產(chǎn)生某種動(dòng)作或變化，比如實(shí)現(xiàn)計(jì)算、繪圖等，人機(jī)交互性好。

利用區(qū)域增長(zhǎng)的方法來(lái)分割感興趣區(qū)域，最為關(guān)鍵的是閾值的選擇。閾值過(guò)大，得到的ROI將溢出腫瘤區(qū)域;閾值過(guò)小，ROI邊界不能到達(dá)腫瘤的邊界。不同的圖像因?qū)Ρ榷群蛨D像結(jié)構(gòu)不同也有著不同的閾值。手動(dòng)分割又非常耗時(shí)，無(wú)法滿足實(shí)時(shí)在線分割的需要。本文在 MATLAB 平臺(tái)上設(shè)計(jì)了一個(gè)用滑塊來(lái)選擇閾值的GUI。從分割效果和所用時(shí)間來(lái)看，該GUI能夠達(dá)到理想的效果。

1 ?GUI各模塊介紹及所用方法

根據(jù)分割圖像的需要，將GUI分為四個(gè)功能模塊：圖像讀取、圖像預(yù)處理、定位種子點(diǎn)和區(qū)域增長(zhǎng)分割。如圖1所示。

1.1 ?讀取圖像

該模塊主要實(shí)現(xiàn)3個(gè)功能：函數(shù)imread讀取圖像;為后續(xù)模塊算法的需要，用函數(shù)imresize統(tǒng)一將圖像的大小變?yōu)?12512;函數(shù)im2double 將圖像的灰度值歸一化到[0，1]之間。

1.2 ?圖像預(yù)處理

由于超聲圖像存在噪聲干擾和對(duì)比度低的缺點(diǎn)，在進(jìn)行分割前，需要事先對(duì)圖像進(jìn)行預(yù)處理。這里我們用函數(shù)histeq對(duì)圖像灰度直方圖均衡化，以提高對(duì)比度。采用文獻(xiàn)[10]提出的各向異性擴(kuò)散算法來(lái)降低圖像的乘性噪聲。

1.3 ?定位種子點(diǎn)

根據(jù)超聲腫瘤圖像的結(jié)構(gòu)特點(diǎn)和灰度分布，對(duì)圖像進(jìn)行不同閾值下的四叉樹分解，利用約束條件定位初始目標(biāo)區(qū)域和臨時(shí)種子區(qū)域，當(dāng)臨時(shí)種子區(qū)域在初始目標(biāo)區(qū)域內(nèi)時(shí)，臨時(shí)種子區(qū)域即使要尋找的種子區(qū)域，再對(duì)種子區(qū)域內(nèi)的各點(diǎn)的灰度值進(jìn)行排序，灰度值最小的點(diǎn)被認(rèn)為是種子點(diǎn)。我們?cè)谖墨I(xiàn)[11]中有詳細(xì)的闡述。

1.4 ?區(qū)域增長(zhǎng)分割

種子區(qū)域增長(zhǎng)是從選定的種子點(diǎn)開(kāi)始，事先為種子點(diǎn)與其臨域的點(diǎn)設(shè)定一個(gè)閾值條件，如果滿足條件，則將臨域點(diǎn)視為與種子點(diǎn)相同的點(diǎn)，以此方式不斷地?cái)U(kuò)張種子區(qū)域[12]。超聲乳腺圖像被直方圖均衡化后，圖像的灰度分布被歸一化到[0，1]，根據(jù)最大類間方差法，能求出每幅圖像的最佳閾值。由實(shí)驗(yàn)結(jié)果可以得出，不同圖像的最佳閾值不同，但均處于[0.4，0.6]。這里我們選擇0.5做為初始閾值。在該模塊中增設(shè)一個(gè)滑塊，來(lái)選擇[0，10]之間的值，用選定的值除以初始閾值。不同的圖像有著不同的閾值，可通過(guò)滑塊調(diào)整圖像的分割閾值，已得到理想的分割結(jié)果。同時(shí)，調(diào)用函數(shù)regionprops對(duì)分割出的ROI進(jìn)行形態(tài)特征計(jì)算，得到ROI的面積、周長(zhǎng)、縱橫比、面積與最小包含矩形面積比和離心率等形態(tài)特征，以給予醫(yī)生對(duì)腫瘤良惡性的初始辨別。整個(gè)過(guò)程無(wú)需調(diào)整程序的參數(shù)，只需移動(dòng)滑塊即可實(shí)現(xiàn)分割的目的。不了解MATLAB程序的使用者，也可以實(shí)現(xiàn)人機(jī)交互，拓寬了適用范圍。

2 ?實(shí)驗(yàn)結(jié)果

用65幅超聲乳腺腫瘤圖像（其中包括33幅惡性腫瘤圖像和32幅良性腫瘤圖像）來(lái)檢驗(yàn)所設(shè)計(jì)的GUI平臺(tái)是否有效。所有圖像的處理均通過(guò)軟件MATLAB2010，計(jì)算機(jī)的配置為英特爾處理器2.70 GHz和8G內(nèi)存。

按照先后順序，我們分別得到了圖像讀取、圖像預(yù)處理、定位種子點(diǎn)和區(qū)域增長(zhǎng)分割的結(jié)果，如圖1所示。

在分割圖像時(shí)，選擇0.5作為初始閾值。增設(shè)一個(gè)滑塊，來(lái)選擇[0，10]之間的值，用選定的值除以初始閾值。不同的閾值，會(huì)得到不同的分割結(jié)果，如圖2所示。使用者根據(jù)分割的結(jié)果，調(diào)整滑塊，以得到理想的分割結(jié)果。同時(shí)，調(diào)用函數(shù)regionprops對(duì)分割出的ROI進(jìn)行形態(tài)特征計(jì)算，得到ROI的面積、周長(zhǎng)、縱橫比、面積與最小包含矩形面積比和離心率等形態(tài)學(xué)特征，醫(yī)生可據(jù)此對(duì)腫瘤的良惡性進(jìn)行初始辨別。整個(gè)分割過(guò)程用時(shí)非常少，可以滿足實(shí)時(shí)在線分割的需要。各個(gè)階段所消耗的時(shí)間如表1所示。

3 ?結(jié)論

本文通過(guò)在MATLAB環(huán)境下開(kāi)發(fā)的GUI平臺(tái)，將超聲乳腺腫瘤圖像自動(dòng)分割所需的步驟集成到一個(gè)界面中，操作者無(wú)需MATLAB編程經(jīng)驗(yàn)就可以對(duì)圖像實(shí)現(xiàn)分割，也可重復(fù)操作，人機(jī)交互性強(qiáng)。由于整個(gè)分割過(guò)程耗時(shí)少，比人工手動(dòng)分割效率高近9倍，能夠?qū)崿F(xiàn)實(shí)時(shí)在線分割的需求。另外該GUI給出了分割的ROI的形狀特征，能夠?yàn)獒t(yī)生提供辨別腫瘤良惡性的初始診斷。

參考文獻(xiàn)

[1] Cheng HD， Shan J， Ju W， Guo YH， Zhang L. Automated breast cancer detection and classification using ultrasound images： A survey. Pattern Recog 2010; 43： 299-317.

[2] Drukker K， Giger ML， Horsch K， Kupinski MA， Vyborny CJ， Mendelson EB. Computerized lesion detection on breast

ultrasound. Med Phys 2002;29： 1438-1446.

[3] Shan J， Cheng H D， Wang Y. Completely Automated Segmentation Approach for Breast Ultrasound Images Using Multiple-Domain Features[J]. Ultrasound in medicine & biology， 2012， 38（2）： 262-275.

[4] Chang RF， et al. Improvement in breast tumor discrimination by support vector machines and speckle-emphasis texture analysis. Ultrasound Med Biol 2003;29（5）： 679-86.

[5] Massich J， Meriaudeau F， Elsa Pérez， et al. Lesion Segmentation in Breast Sonography [C]. International Confe?rence on Digital Mammography. Springer-Verlag， 2010.

[6] R Adams， L Bischof. Seeded Region Growing[J]， Pattern Analysis and Machine Intelligence， 1994， 16（6）： 641-647.

[7] SA Hojjatoleslami， J Kittler. Region growing： a new approach， Image Processing[J]， 1998， 7（7）： 1079-1084.

[8] 劉成龍. MATLAB圖像處理[M]. 清華大學(xué)圖版社， 2017.

[9] 李越. MATLAB在醫(yī)學(xué)圖像分割處理中的應(yīng)用[J]. 價(jià)值工程， 2015（28）： 191-194.

[10] Yu Y， Acton ST （2002） Speckle reducing anisotropic diffusion[J]， IEEE Trans Image Process， 11： 1260-1270.

[11] Huaiyu Fan， Junshan Ma， Huaihai Fan， Zhihan Lv （2017） Iterative quadtree decomposition based automatic selection of the seed point for ultrasound breast tumor images. Multimedia Tools and Applications 76： 3505-3517.

[12] R Adams， L Bischof （2002） Seeded region growing. IEEE Transactions on Pattern Analysis and Machine Intelligence16： 641-647.