[发明专利]一种基于均值漂移和分水岭的乳腺超声图像自动分割方法

说明书

技术领域

本发明属于图像处理技术领域，特别涉及一种医学超声图像自动分割方法，是均值漂移和分水岭算法用于乳腺肿瘤超声图像自动分割的改造技术。

背景技术

乳腺癌是妇女最常见的恶性肿瘤之一，目前最有效的检测与诊断方式是乳腺X线摄影。但由于乳腺X线摄影的特异度较低，导致了大量不必要的活检，不仅给患者带来痛苦，而且增加了成本。另外，乳腺X线摄影产生的电离辐射也会给患者和医生带来健康风险。超声影像具有低成本、无侵性、实时性等特点，已成为乳腺肿瘤检测的重要手段之一。但乳腺超声图像具有低对比度、斑点噪声以及与组织相关的纹理结构，会给医生的诊断带来一定的困难；且不同的医生之间存在对乳腺超声的理解和诊断方面的差异。因此，乳腺超声的计算机辅助诊断系统具有很大的意义。有研究表明，乳腺超声计算机辅助诊断系统的输出结果可以为医生在乳腺肿瘤检测、定征和诊断决策时提供一种参考。

图像分割是乳腺超声计算机辅助诊断系统的重要环节。近几十年来，国内外在乳腺超声图像分割方面已经提出许多方法，包括阈值分割、区域生长、基于模型的方法（包括活动轮廓模型，水平集，马尔科夫随机场等）、基于图论的方法（包括图割，归一化割等）、基于机器学习的方法、基于聚类的方法（包括K均值，模糊C均值等）。这些方法存在一些主要缺点：（1）多数方法需要手工交互，诸如手工选择种子点或初始轮廓；（2）多数方法对斑点噪声敏感，且由于超声图像对比度低，具有与组织相关的纹理，故准确分割较为困难；（3）多数方法算法复杂度高，处理时间长，难以满足临床要求。

准确、快速、自动化分割是图像分割的目标。但分割的准确性、效率以及自动化水平也是相互矛盾的。近些年来，也有一些乳腺超声图像自动分割方法相继被提出，这些方法一般思路为：（1）通过某种手段自动找到肿瘤区域的种子点或者找到能够将肿瘤涵括在内的感兴趣区域；（2）利用种子点或者感兴趣区域内的某一点作为区域生长算法的种子点，进行区域生长粗分割；（3）将粗分割得到的边界作为活动轮廓模型的初始轮廓，进行活动轮廓模型精分割。但这些方法存在以下问题：（1）自动查找种子点或感兴趣区域的算法往往鲁棒性不高，仅对部分图像有效，影响了自动分割的准确性；（2）算法复杂度高，处理费时，难以达到临床上对自动分割的速度要求。

分水岭算法是图像分割中应用较广的一种快速分割方法，但由于超声图像的固有特性，在淹没过程会产生过多的区域，会导致分割较慢并且准确性低的问题。

发明内容

本发明旨在提出一种乳腺肿瘤超声图像的准确、快速、自动化分割方法。本发明将分水岭算法与均值漂移算法结合在一起，并进行了改进。首先采用金字塔均值漂移算法对乳腺超声图像进行滤波，大幅提高了图像的同质性，使其更加平滑，再使用分水岭算法对滤波后的图像进行分割处理，从而能够大量减少生成的区域个数，提高了分割的速度和精度。分水岭分割得到的结果图像中包含了若干区域，每个区域内部的灰度相同，但各区域之间灰度不同。此外，本发明还结合了临床医生的经验知识，即乳腺肿瘤一般位于图像的中部或上部且乳腺肿瘤内部平均回声强度较低，提取分水岭分割结果图像中特定感兴趣区域内的最小灰度，作为目标肿瘤区域的灰度，再遍历整个分水岭分割结果图像，将灰度等于最小灰度的像素赋为前景，否则赋为背景，即得到最终的肿瘤分割结果图像。

具体技术内容如下：

1.1.对于一幅乳腺肿瘤超声图像I，利用金字塔均值漂移算法对其进行滤波，得到滤波后的图像I_f；

1.2.利用分水岭算法对I_f进行分割，得到分割后的图像I_s；

1.3.计算I_s中特定感兴趣区域内的最小灰度minGray；

1.4.遍历I_s，对于灰度等于minGray的像素，将其灰度赋为前景，即为目标肿瘤区域，否则赋为背景，得到最终的肿瘤分割结果二值图像。

上述步骤1.1具体包括如下步骤：

2.1.对乳腺肿瘤超声图像I进行最高层数L的高斯金字塔分解，L≥2，得到L层图像I₁,…,I_L，图像I_L为金字塔的底层；

2.2.对第L层图像I_L进行均值漂移滤波，得到结果图像(I_L)_ms；