基于MBD 的乳腺超声图像肿瘤分割方法

辛元

（四川大学计算机学院，成都610065）

0 引言

超声图像是乳腺异常检测和分类工作中最常用的诊断工具之一。近年来，计算机辅助系统越来越多的应用于超声图像中，帮助放射科医生在检测和诊断过程中提高效率和精度。一般的，应用于超声图像的乳腺癌CAD 系统包括四个阶段：图像预处理、图像分割、特征提取和选择、分类。在这四个阶段中，图像分割将病变区域从背景中区分出来，是下一阶段处理的关键，并且决定着最终的分析质量。包括非常高的斑点噪声、低信噪比和灰度不均匀等问题存在的各种干扰因素，使准确的超声图像分割仍然是乳腺癌CAD 系统面临的难题之一[1]。

众多学者在图像分割方向提出了自己的方法或框架，包括依赖于先验知识的传统算法，如Xian 在2015年提出一种基于乳腺时域频域特征的乳腺超声分割算法[2]，以及依赖于大量数据训练的机器学习方法，如卷积神经网络（CNN）等。然而医学图像的标记是很困难且带有主观色彩的，尤其是由于个体差异性需要综合很多专家的意见[3]，要得到统一且有效的先验知识和大量训练数据是很困难的，由此现有的大部分方法在医学图像复杂的情况下适应性不足。本文借鉴视觉注意力机制，将显著性检测算法和思想引入乳腺超声图像肿瘤分割任务中，避免了先验知识和数据量的限制条件。

显著性检测是机器视觉中的研究方向，由人的视觉特征分割出显著性区域，目的是检测图中人作为主体最为感兴趣的区域。最小障碍物距离[4]是显著性检测中一种非常常用的方法，通过像素点与种子点之间的代价函数衡量像素点与种子点之间的连通性，由此判断该像素点是否为前景。

本文提出了一种基于最小障碍物距离的乳腺超声图像肿瘤分割方法，借助最小障碍物距离显著性检测方法对乳腺超声图像进行处理，实现了乳腺超声图像中肿瘤区域的分割。引入纹理去除算法对超声图像进行预处理，减弱超声图像中噪声和伪影的影响；融合经MBD 计算得到的前景、背景显著图，进一步精确肿瘤范围和边界；最后经后处理得到分割结果。实验结果表明，本文方法在超声图像质量差、干扰严重的情况下能更为精确地将肿瘤区域分割出来；针对肿瘤后方回声减弱造成的联通现象也可以形成较好的边界。

1 MBD显著性检测算法

显著性检测的目标是突出场景中的显著性区域，同时抑制场景中的背景区域，生成一张显著图来表达前景和背景。背景先验和联通先验是显著性检测中非常有效的两种手段，背景先验假设图像边缘大部分是背景区域，联通先验假设背景区域通常与图像边缘相联通[5]。最小障碍物距离（Minimum Barrier Distance，MBD）[4]被广泛应用在衡量联通性中，将图像边缘作为种子点，计算图像每个像素点到种子点的最小障碍物距离，以此得到显著图。像素t 的最小障碍物距离代价函数定义为：

其中π 表示t到种子点的联通路径，I为原始图像，ΠS,t表示t 点到所有种子点的路径集合。同测地线距离[6]相比，MBD 对于像素值波动有着更好的鲁棒性，这一点在噪声严重的超声图像中尤为重要。从公式中也可以看出，为得到精确的MBD 需要对图像进行反复扫描，耗费大量时间，于是Zhang 提出的光栅扫描方法[7]、Huang 提出的水流方法[5]都用于缩短MBD 时间，水流方法相比光栅扫描在精度和速度上取得了更好的效果。结合乳腺超声图像特点可知，以图像边缘作为种子点的方式显然不合适，种子点应与前景相似度越低越好，与背景相似度越高越好。本文在前景、背景区域分开选择种子点，分别计算前景显著图、背景显著图，以此提高分割精度。水流方法更适用于由种子点作为起点向四周辐射的显著性计算方式，由此作为本文显著图的计算方法。

2 基于MBD的乳腺超声图像肿瘤分割方法

本文算法主要分为四个步骤：图像预处理；MBD计算前景、背景显著图；前景、背景显著图融合；后处理。本文算法流程及结果如图1 所示，下面分为四个部分进行详细介绍。

图1 算法流程展示

2.1 预处理

由于超声波在人体内的衰减和散射，超声图像中存在着大量的斑点噪声且组织不均匀有一定的模糊。本文方法采用利用相对全变分从纹理中提取结构的方法[8]达到去噪和平滑的效果。该方法对纹理和结构进行了区分，形成了一种简单有效的基于局部变化的纹理去除方法。该方法公式如下：

p 为当前像素点，R(p)表示p 点邻域，λ是超参数，ε是为防止除零错。

经过预处理后的图像如图1（b）所示，可以看出，经过预处理后，噪声和不均匀的组织都被抹平，组织之间的界限更为明显。肿瘤区域是低回声区域，边缘的细微像素波动也得到了很好的处理。

2.2 MBD计算前景、背景显著图

从前文对MBD 的介绍得知，现有MBD 算法基本以图像边缘点作为种子点，结合超声图像特点可以看出这样是不可行的。超声成像是以皮肤为起点，垂直于皮肤向下的一个横截面，图像宽度取决于设备探头的成像宽度，图像边缘就是组织在图像中的截断位置，所以组织内部和边缘肯定是相连的。肿瘤区域是低回声区域，图像中表现为低灰度区域，由于肿瘤对超声波的吸收和衰减作用导致某些情况下肿瘤后方区域存在回声衰减现象，图像中表现为肿瘤下方存在延伸出来的低灰度区域。综上所述，以图像边缘作为种子点并不合适。本文集中于肿瘤分割步骤，种子点选择采取人工选择的方式，分别在肿瘤内部和外部画出灰度不同的直线，直线上的每个点都作为种子点进行计算。选择前景种子点、背景种子点分别计算前景显著图和背景显著图，从两个方面加强分割效果。采用水流方法[5]计算得到的前景显著图及背景显著图分别如图1（c1）、图1（c2）所示。

2.3 前景、背景显著图融合

显著图中像素点的灰度表示与当前种子点的连通性，所以前景显著图中灰度大的区域表示肿瘤可能区域，背景显著图中灰度小的区域表示肿瘤可能区域。以f 表示前景显著图、b 表示背景显著图、M 表示前景种子点集合、I 表示全图，融合公式如下：

其中λ（0 ≤λ<1）是缩放系数，p∈I，Mnum表示前景种子点数量。由此将前景和背景显著图进行融合，融合结果如图1（d）所示。

2.4 后处理

由上一步结果图可以看出：显著图融合后仍然存在很多待选择区域（如图1（d）中白色区域），目标肿瘤区域中有空洞的存在。后处理的目标是将肿瘤区域在显著图融合结果中选择出来，对选择出来的肿瘤区域空洞进行填充。上文中提到前景种子点是在肿瘤内部的直线，计算前景种子点直线的中点，包含该中点的区域就是肿瘤区域。对选择的肿瘤区域进行形态学膨胀腐蚀操作填充其空洞，得到最终分割图，效果如图1（e）所示。

3 实验与分析

本文算法与FastMBD[7]、测地线距离显著性检测算法[6]（GeoD）、基于乳腺时域频域特征的乳腺超声分割算法[2]（BUSSeg）进行对比，实验评估标准为查准率、查全率、F1，公式如下：

其中，TP（True Positive）：被正确标记的肿瘤区域像素总数；FP（False Positive）：被错误标记的肿瘤区域像素总数；FN（False Negative）：被错误标记的非肿瘤区域像素总数。对比结果如图2。

分割对比图（图2）中可以看出FasMBD 方法以图像边缘作为种子点计算连通性，由于超声图像是一个截面且组织之间的相互连接，导致其显著图出现大面积强显著的结果产生；GeoD 方法采用测地线距离作为连通性代价函数，对超声中存在的严重噪声过于敏感；BUSSeg 方法由于非常强的先验知识存在，对图像质量差带来的特征不明显情况无法处理，对于肿瘤后方回声衰减的区域也无法准确处理。本文方法在乳腺超声图像肿瘤分割任务中能达到更好的效果，尤其是在超声成像效果不佳的情况下，可以更好地区分肿瘤和非肿瘤区域。大片低回声（低灰度）区域中，本方法可以捕捉到其中幅度很小的灰度波动，生成更符合实际情况的肿瘤边界。

图2 实验结果图对比

表1 实验对比评估表

4 结语

本文提出了一种基于最小障碍物距离的乳腺超声图像肿瘤分割方法。该方法从人类的视觉注意力机制出发，能对乳腺超声图像中的肿瘤部分进行准确的分割，且具有较好的适应性。通过引入纹理去除算法，融合前景、背景显著图，经后处理后即使针对质量较差、肿瘤后方衰减严重的超声图像，也具有很好的肿瘤分割效果。