880 东南大学学报 ( 自然科学版 ) 第 47 卷的治疗方式, 可以提高治愈率. 高强度聚焦超声 (highintensityfocusedultrasound,hifu) 技术是一种无创的治疗手段, 通过瞬间升温凝固细胞的细胞蛋白消融靶区细胞, 且对靶点周围组织不产生损伤. 利用 HIFU

Size: px

Start display at page:

Download "880 东南大学学报 ( 自然科学版 ) 第 47 卷的治疗方式, 可以提高治愈率. 高强度聚焦超声 (highintensityfocusedultrasound,hifu) 技术是一种无创的治疗手段, 通过瞬间升温凝固细胞的细胞蛋白消融靶区细胞, 且对靶点周围组织不产生损伤. 利用 HIFU"

纵菊僪
5 years ago
Views:

1 第 47 卷第 5 期 2017 年 9 月东南大学学报 ( 自然科学版 ) JOURNALOFSOUTHEASTUNIVERSITY(NaturalScienceEdition) Vol.47 No.5 Sept.2017 DOI: /j.isn 基于改进主动形状模型的前列腺超声图像分割算法毕 1 卉杨冠羽唐慧舒华忠 ( 1 东南大学计算机科学与工程学院, 南京 ) ( 2 东南大学计算机网络和信息集成教育部重点实验室, 南京 ) ( 3 东南大学中法生物医学信息研究中心, 南京 ) 摘要 : 为了提高前列腺超声图像的分割精度, 提出了一种基于改进主动形状模型的前列腺超声图像分割算法. 首先, 提取前列腺超声图像的特征集合, 该特征集合由 Gabor 纹理特征和局部二值模式 (LBP) 特征组成. 然后, 通过利用 k 均值算法对提取的特征集合进行聚类分析, 得到超声图像的聚类表示图. 最后, 在聚类表示图上应用 ASM 获取超声图像中前列腺的形状信息. 结果表明, 该算法可以准确地定位前列腺边界信息, 与医生手动标记的前列腺轮廓相比, 平均绝对距离仅为 mm, 戴斯相似度系数最高可达 93.88%. 利用超声图像的聚类表示图可以获得更加精确的前列腺轮廓信息, 可用于海扶高聚焦超声 (HIFU) 手术中的精准导航. 关键词 : 超声图像分割 ;Gabor 特征 ; 局部二值模式 ;k 均值算法 ; 主动形状模型中图分类号 :TP391 文献标志码 :A 文章编号 : (2017) Prostateultrasoundimagesegmentationalgorithm basedonimprovedactiveshapemodel BiHui 1 YangGuanyu TangHui 12,3 ShuHuazhong ( 1 SchoolofComputerScienceandEngineering,SoutheastUniversity,Nanjing210096,China) ( 2 KeyLaboratoryofComputerNetworkandInformationIntegrationofMinistryofEducation,SoutheastUniversity,Nanjing211189,China) ( 3 CentredeRechercheenInformationBiomédicaleSino Francais,SoutheastUniversity,Nanjing210096,China) Abstract:Toimprovethesegmentationaccuracyofprostateultrasoundimages,aprostateultrasound imagesegmentationalgorithmbasedontheimprovedactiveshapemodel(asm)isproposed.first, theprostateultrasoundimagefeaturesetconsisingthegaborfeaturesandthelocalbinarypatern (LBP)featuresisextracted.Then,theclusteranalysisofthefeaturesetiscariedoutbyusingthe k meansalgorithm toobtaintheclusteringrepresentationoftheultrasoundimage.finaly,basedon theclusteringrepresentation,theshapeinformationoftheprostateisobtainedbyasm.theresults showthattheproposedalgorithmcanpreciselylocatetheprostatecontour.comparedwiththedoctor delineationoftheprostate,themeanabsolutedistance(mad)isonly1.56mm.thehighestdice similaritycoeficient(dsc)reaches93.88%.thesegmentationbasedontheclusteringrepresenta tionoftheultrasoundimagecanachievemoreaccuracyresultsandcanbeappliedonprecisionnavi gationofhighintensityfocusultrasound(hifu)clinicaloperation. Keywords:ultrasoundimagesegmentation;Gaborfeatures;localbinarypatern;k meansalgo rithm;activeshapemodel 前列腺癌是位居美国和欧洲男性的第二大死因 [1]. 临床数据表明, 在前列腺癌的前期采取有效收稿日期 : 作者简介 : 毕卉 (1985 ), 女, 博士生 ; 舒华忠 ( 联系人 ), 男, 博士, 教授, 博士生导师,shu.list@seu.edu.cn. 基金项目 : 国家自然科学基金资助项目 ( , , , , ) 江苏省自然科学基金资助项目 (BK ,BK ,BK ,DZXX 031,BY ). 引用本文 : 毕卉, 杨冠羽, 唐慧, 等. 基于改进主动形状模型的前列腺超声图像分割算法 [J]. 东南大学学报 ( 自然科学版 ),2017,47(5): DOI: /j.isn

880 东南大学学报 ( 自然科学版 ) 第 47 卷的治疗方式, 可以提高治愈率. 高强度聚焦超声 (highintensityfocusedultrasound,hifu) 技术是一种无创的治疗手段, 通过瞬间升温凝固细胞的细胞蛋白消融靶区细胞, 且对靶点周围组织不产生损伤. 利用 HIFU 技术进行治疗不需要开刀, 大大减轻了病人的痛苦, 被越来越多地应用在癌症的治疗中.

2 880 东南大学学报 ( 自然科学版 ) 第 47 卷的治疗方式, 可以提高治愈率. 高强度聚焦超声 (highintensityfocusedultrasound,hifu) 技术是一种无创的治疗手段, 通过瞬间升温凝固细胞的细胞蛋白消融靶区细胞, 且对靶点周围组织不产生损伤. 利用 HIFU 技术进行治疗不需要开刀, 大大减轻了病人的痛苦, 被越来越多地应用在癌症的治疗中. 随着 HIFU 技术的广泛应用, 如何在超声图像中精准定位靶区成为了 HIFU 治疗过程中亟待解决的问题 [2]. 然而, 超声图像的成像原理导致获取的图像含有大量的散斑噪声, 图像的分辨率比较低, 靶区精确定位的难度比较大. 利用简单的图像分割方法无法得到精确的靶区定位, 需要结合超声图像自身的信息才能获取准确的靶区分割效果. 超声图像分割算法中比较常用的信息包括图像的纹理信息组织的先验信息等 [3] [4].Shen 等考虑到 Gabor 纹理特征具有旋转不变性的优点, 提出了一种基于 Gabor [5] 特征的前列腺超声图像分割.Gong 等将前列腺的先验形状作为约束, 提出了基于超椭圆的可形变模型, 实现了前列腺靶区的准确定位. 为了获取更加精准的靶区信息, 本文将前列腺超声图像的纹理特征与组织的形状先验信息相结合, 提出了一种基于改进主动形状模型 (ASM) 的前列腺超声图像分割算法, 用于实现对前列腺超声图像的分割和边界提取. 1 算法流程本文算法的主要流程如下 : 1 提取超声图像中的 Gabor 纹理特征和局部二值模式 (localbinarypatern,lbp) 特征, 通过使用 k 均值算法对特征进行聚类分析, 得到超声的聚类表示图. 2 使用改进的 ASM 获取前列腺轮廓的定位信息. 改进的 ASM 在算法迭代的过程中, 利用像素点的特征距离进行匹配像素点的查找. 特征由当前点像素特征和邻域像素的特征组合而成, 以期提高匹配像素查找的精度. 2 聚类表示图 Gabor 纹理特征符合人类视觉, 且具有旋转不变性, 常用来表示超声图像的纹理特征 [67].Gabor 纹理利用二维 Gabor 滤波器进行提取, 滤波器的定义为 h(x,y)=exp ( ) [ ] x 2 + y2 σ 2 x σ 2 y exp[i(2πux+φ)] (1) 式中, 函数 h(x,y) 表示 Gabor 特征 ;σ x 和 σ y 分别为沿 x 轴和 y 轴的高斯窗口的空间常数 ;u 为沿 x 轴方向的尺度 ;φ 为沿 x 轴方向的相位. 通过调整 u 和 φ, 便可得到不同尺度不同方向的 Gabor 滤波器, 利用这些滤波器, 便可提取图像在不同方向不同尺度的纹理信息. LBP 是一种描述图像局部纹理特征的算子, 具有旋转不变性和灰度不变性的优点, 常用于表征形状规则的特征. 由于前列腺呈规则椭圆状, 同时提取图像的 Gabor 特征和 LBP 特征, 不仅可以丰富获得的超声图像的纹理信息, 而且可以对前列腺的形状信息进行描述. 超声图像的聚类表示图利用 k 均值算法进行聚类分析得到. 首先, 提取超声图像 72 维 Gabor 纹理特征 (6 个尺度 12 个方向 )F Gabor 和 59 维 LBP 的等价模式特征 F [89] LBP, 组成一个 131 维的特征 F, 且 F={F Gabor,F LBP }. 然后, 使用 k 均值算法对特征集合进行聚类分析, 获得原始超声图像的聚类表示图 ( 见图 1). 与原始超声图像相比, 聚类表示图可以有效地抑制散斑噪声, 提高图像的对比度. (a) 原始超声图 (b) 聚类表示图图 1 超声图像的聚类表示 3 改进的主动形状模型主动形状模型是利用点集合对物体形状轮廓进行描述的算法.ASM 的步骤如下 :1 提取训练集图像中已标记目标形状的先验信息 ;2 对待分割的图像进行特征点匹配, 得到待分割图像中的目标位置和形状信息 [1011]. 采用矢量 α={p 1,p 2,,p N } 对形状轮廓进行描述, 其中,p i 表示轮廓上第 i 个描述点的坐标, 且 i {1,2,,N}.ASM 的数学表达式为 α j = α+p 珔 s b j {1,2,,L} (2) 式中,α j 为 1 维向量, 表示训练集中第 j 个已标记形状, 向量维度为标记点的个数 N;L 表示已标记的形状总个数 ; α 珔表示描述平均形状矢量 ;P s 表示由协方差矩阵的特征向量组成的矩阵 ;b 表示形状

3 第 5 期毕卉, 等 : 基于改进主动形状模型的前列腺超声图像分割算法 881 的形变参数. 采用迭代方法对待分割图像中的目标进行形状提取. 首先, 计算位移向量 X={X 1,X 2,,X N }, 其中 X i 表示第 i 个描述点的位移量. 根据 X 可以得到轮廓线上像素点移动的位移向量 x, 从而得到第 n 次更新的形状参数 b n 为 b n =(P s ) T x+b (3) 根据式 (2) 可以得到更新的形状信息为 α n = α+p 珔 s b n (4) 当算法收敛时,α n 即为目标的边界. ASM 在规则形状的目标提取中有着广泛的应用. 由于前列腺呈规则椭圆形,ASM 在前列腺超声图像的分割取得了不错的效果 [11]. 然而, 由于超声图像含有的散斑噪声, 导致前列腺的边界比较模糊, 直接使用 ASM 对超声进行分割时, 往往会出现边界偏移形状形变较大的情况. 尤其是传统的 ASM 在计算 X 时, 仅利用像素之间的灰度相似度进行匹配像素的寻找, 而没有考虑当前像素的邻域信息, 容易导致匹配像素的查找产生误差 [11]. 为了解决以上问题, 本文提出了一种改进的主动形状模型, 在查找匹配像素时根据特征距离方法, 考虑第 i 个描述点的局部信息, 利用特征距离进行匹配像素的查找, 即 p t i=min m D F m -F c (5) 式中,p t i 表示第 t 次迭代时第 i 个描述点的位置 ;D 表示第 i-1 个点和第 i+1 个点连线的法线方向 ; m 表示法线方向上的点 ;F m 表示法线方向上像素点的特征 ;F c 表示当前轮廓线上像素点的特征. 通过最小特征距离找到当前点的匹配点, 并计算其位移为 X i =p t i-p t-1 i (6) 式中,p t-1 i 表示第 t-1 次迭代时第 i 个描述点的位置, 即当前描述点的位置. 根据式 (6), 依次求出 {X 1,X 2,,X N }, 即可得到 X. 按照参考文献 [10] 中的方法求出 x, 代入式 (2) 和 (3), 算法收敛时, 即可获得待分割图像中目标的形状信息. 4 实验 4.1 实验设置本文所依赖实验平台为 MATLAB R2015b, IntelCorei5CPU,12GBRAM. 实验所用的前列腺超声图像长 500 像素宽 490 像素, 分辨率为 96 dpi. 训练集为已经勾勒出前列腺边界的 25 幅超声图像, 超声图像中前列腺的形状信息由医生手工勾画得出. 待分割前列腺超声图像为 36 幅. 在获取到的超声图像的聚类表示图上应用 ASM 模型进行前列腺轮廓勾勒 [1011]. 首先, 对训练集获取的 25 个形状进行 Procrustes 刚体配准, 获得初始轮廓 α, 珔即测试超声图像中的初始轮廓 ; 然后, 对待分割的超声图像应用改进的 ASM 模型进行前列腺轮廓定位. 图 2 分别列举了 3 个病人前列腺超声图像的分割和轮廓勾勒结果. 图中红线为应用 ASM 算法获取的前列腺轮廓, 绿色点为医生手工标记的前列腺的边界点. 4.2 客观度量本文采用平均绝对距离 (MAD) 和戴斯相似性系数 (DSC) 两种客观评价参数对分割结果进行定量评估. 平均绝对距离是指利用算法获取的轮廓与医生勾勒的边界对应的点像素的平均距离. 表 1 列举了本文算法分割 6 个病人前列腺超声图像的结果与手动分割结果之间的平均绝对距离. 从表中的数据可以看出, 整体的分割精确度较高, 平均误差为 mm, 算法的分割结果与手动分割结果的差异很小. 算法表 1 本文算法与主动形状模型算法的比较戴斯相似系数 /% 平均绝对距离 /mm 平均每幅图像分割耗时 /s 主动形状模型本文算法戴斯相似系数的计算公式为 V= 2 S s S d (7) S s + S d 式中,S s 表示基于本文算法得到的轮廓线所包含的面积 ;S d 表示医生标记点所包含的面积. 实验数据为 6 个病人的超声图像. 表 1 中列举了 6 个病人前列腺分割的平均戴斯相似系数. 从中可以看出, 使用 ASM 算法对前列腺超声图像进行分割, 所得结果均比较好, 整体的分割精确度较高, 戴斯相似系数的平均值最高为 93.88%. 同时, 对算法的时间复杂度进行了比较. 直接使用 ASM 的算法平均耗时 2.37s, 使用聚类表示图的算法平均时间为 3.81s, 相比于直接使用 ASM 算法时间增加了 1.44s, 时间增加主要是因为生成聚类表示图的耗时, 包括提取 Gabor 特征耗时 0.7s 提取 LBP 特征耗时 0.6s 以及 k 均值算法耗时 0.2s. 虽然耗时略有增加, 但在整体算法耗时在临床上仍然可以接受. 表 2 对本文算法与现有的其他 4 种算法的重合率和轮廓误差进行了比较. 从表中可以看出, 本

882 东南大学学报 ( 自然科学版 ) 第 47 卷 (a) 病人 1, 初始轮廓 (b) 病人 1, 第 6 次迭代得到的轮廓 (c) 病人 1, 算法收敛时的轮廓 (d) 病人 2, 初始轮廓

2 利用本文算法得到的前列腺轮廓文算法区域重合率最高, 可以达到 (97.5± 2.0)%; 轮廓误差最小, 仅为 (0.34±0.23)mm. 结果表明, 本文提出的算法在分割精度方面具有明显优势.

67 660 文献 [14] 2.10±1.02 0.3 文献 [15] 95±3.0 1.26±0.6 6.7 本文算法 97.5±2.0 0.34±0.23 3.

该算法通过提取超声图像的 Gabor 特征和 LBP 特征, 利用 k 均值算法得到超声图像的聚类表示图, 在聚类表示图上应用 ASM 得到前列腺的轮廓信息.

3) 与现有算法相比, 本文算法在精度方面具有明显优势. 下一步的研究工作为将算法进一步扩展到超声图像中形状不规则的组织 ( 如子宫肌瘤等 ) 的轮廓提取.

4 882 东南大学学报 ( 自然科学版 ) 第 47 卷 (a) 病人 1, 初始轮廓 (b) 病人 1, 第 6 次迭代得到的轮廓 (c) 病人 1, 算法收敛时的轮廓 (d) 病人 2, 初始轮廓 (e) 病人 2, 第 6 次迭代得到的轮廓 (f) 病人 2, 算法收敛时的轮廓 (g) 病人 3, 初始轮廓 (h) 病人 3, 第 6 次迭代得到的轮廓 (i) 病人 3, 算法收敛时的轮廓图 2 利用本文算法得到的前列腺轮廓文算法区域重合率最高, 可以达到 (97.5± 2.0)%; 轮廓误差最小, 仅为 (0.34±0.23)mm. 结果表明, 本文提出的算法在分割精度方面具有明显优势. 表 2 本文算法与其他现有算法的比较算法重合率 /% 轮廓误差 /mm 文献 [12] 90.1± ±1.8 平均每幅图像分割耗时 /s 文献 [13] 1.65± 文献 [14] 2.10± 文献 [15] 95± ± 本文算法 97.5± ± 结论 1) 本文针对前列腺超声图像, 提出了一种基于改进主动形状模型的前列腺超声图像分割算法. 该算法通过提取超声图像的 Gabor 特征和 LBP 特征, 利用 k 均值算法得到超声图像的聚类表示图, 在聚类表示图上应用 ASM 得到前列腺的轮廓信息. 2) 实验结果表明, 本文算法可以准确地定位前列腺靶区轮廓. 与医生手动标记的靶区边界相比, 平均绝对距离的精度可以达到 mm, 戴斯相似度系数可达 93.88%. 3) 与现有算法相比, 本文算法在精度方面具有明显优势. 下一步的研究工作为将算法进一步扩展到超声图像中形状不规则的组织 ( 如子宫肌瘤等 ) 的轮廓提取. 参考文献 (References) [1] AmerCancerSoc.Cancerfactsandfigures2016[EB/ OL].( ).htp:// [2]NobleJA,BoukerouiD.Ultrasoundimagesegmenta tion:asurvey[j].ieeetransactionsonmedicalim aging,2006,25(8): DOI: /tmi.

5 第 5 期毕卉, 等 : 基于改进主动形状模型的前列腺超声图像分割算法 [3] XieJ,JiangY,TsuiH.Segmentationofkidneyfrom ultrasoundimagesbased on textureand shapepriors [J].IEEETransactionsonMedicalImaging,2005,24 (1): [4]ShenD,ZhanY,DavatzikosC.Segmentationofpros tateboundariesfrom ultrasoundimagesusingstatistical shapemodel[j].ieeetransactionsonmedicalima ging,2003,22(4): DOI: /TMI [5] GongL,PathakSD,HaynorD R,etal.Parametric shapemodelingusingdeformablesuperelipsesforpros tatesegmentation[j].ieeetransactionsonmedical Imaging,2004,23(3): DOI: /tmi [6]ZhanY,ShenD.Deformablesegmentationof3 D ul trasoundprostateimagesusingstatisticaltexturematc hingmethod[j].ieeetransactionsonmedicalima ging,2006,25(3): DOI: /TMI [7]MichailovichO,Adam D.A high resolutiontechnique forultrasoundharmonicimagingusingsparserepresenta tionsingaborframes[j].ieeetransactionsonmedi calimaging,2002,21(12): DOI: /TMI [8] OjalaT,PietikainenM,MaenpaaT.Multiresolution gray scaleand rotation invarianttextureclasification withlocalbinarypaterns[j].ieee Transactionson PaternAnalysisandMachineInteligence,2002,24 (7): DOI: /tpami [9] vanginnekenb,frangia F,StaalJJ,etal.Active shapemodelsegmentationwithoptimalfeatures[j]. IEEETransactionsonMedicalImaging,2002,21(8): DOI: /TMI [10] CootesTF,TaylorCJ,CooperDH,etal.Training modelsofshapefrom setsofexamples[c]//british MachineVisionConference.London,England,1992: 9 18.DOI: /c.6.2. [11]CootesTF,CootesCJ.Activeshapemodelsearchu singlocalgrey levelmodels:aquantitativeevaluation [C]//BritishMachineVisionConference.London, England,1993: [12]LadakHM,MaoF,WangY,etal.Prostatebounda rysegmentationfrom2dultrasoundimages[j].med icalphysics,2003,27(8): DOI: / [13] CosíoFA.Automaticinitializationofanactiveshape modeloftheprostate[j].medicalimageanalysis, 2008,12(4): DOI: /j.media [14] YanP,XuS,TurkbeyB,etal.Discretedeformable modelguidedbypartialactiveshapemodelfortrus imagesegmentation[j].transactionsonbiomedical Engineering,2010,57(5): DOI: /TBME [15]GhoseS,OliverA,MitraJ,etal.Asupervisedlearn ingframeworkofstatisticalshapeandprobabilitypriors forautomaticprostatesegmentationinultrasoundima ges[j].medicalimageanalysis,2013,17(6): DOI: /j.media

标题

第 35 卷第期西南大学学报 ( 自然科学版 ) 3 年月 Vol.35 No. JouralofSouthwestUiversity (NaturalScieceEditio) Feb. 3 文章编号 :673 9868(3) 69 4 一类积分型 Meyer-KiḡZeler-Bzier 算子的点态逼近赵晓娣, 孙渭滨宁夏大学数学计算机学院, 银川 75 摘要 : 应用一阶 DitziaṉTotik