[发明专利]超声图像乳腺肿瘤自动提取方法

说明书

技术领域

本发明属生物医学信号处理领域，具体涉及肿瘤超声图像自动提取方法。 

背景技术

乳腺癌已成为女性的头号杀手，其发病数以年均3%-5%的速度显著上升，且有日益严峻的趋势。研究表明，如果能早期及时检查，癌症是可以治愈的，且治愈率高达92%以上。可见，乳腺肿瘤的早期检测对治愈病人有着至关重要的作用。基于超声显像的检测技术是医学中发展最为迅速、应用最为广泛的肿瘤疾病检测技术之一。然而由于其成像的特殊机制，超声图像乳腺肿瘤病灶检查问题至今还未得到解决，是当前的主要研究热点之一，也是一个经典难题。针对这一问题，国内外研究人员至今已提出了大量的分割算法，然而，这些算法都存在着应用范围有限、局限性较强的缺点，到目前为止还不存在一种通用的病灶检测方法。

近年来，基于边缘的活动轮廓模型方法（如snake模型）在图像分割领域中表现活跃，在许多方面都得到了广泛的应用。但是，它们通常具有以下几个缺点：

（1）  对噪声和杂波比较敏感；

（2）  在弱边缘处容易发生边界泄漏现象；

（3）  对初始条件的要求比较苛刻。

Chan和Vese在文章“Chan, T. F.; Vese, L. A. ; Active contours without edges. Image Processing, IEEE Transactions, Vol.10, pp.266–277,2001”中，提出了一种经典的基于区域的几何活动轮廓模型—Chan-Vese模型，它极大地改善了Snake模型的上述缺点。该模型中，初始轮廓可设置在目标区域的任何位置，使得模型的实用性得到进一步加强，然而，对于超声图像，由于其在成像过程中受到斑点噪声的严重干扰，因此，在肿瘤边界附近区域，斑点噪声往往会形成一些突变点或突变的块状，从而，导致了Chan-Vese模型在提取病灶边界时候很容易将斑点噪声视为边缘进行提取。此外，Chan-Vese模型对多目标的图象分割，容易出现边缘定位不准确。

发明内容

本发明目的是针对上述分割技术存在的缺陷，提供一种超声图像乳腺肿瘤自动提取方法。

本发明目可以实现无人工干预的乳腺肿瘤边缘提取，不仅能快速地提取出肿瘤病灶区域，而且大大提高准确性，从而为乳腺肿瘤的判别和计算机辅助诊断奠定良好的技术基础，有利于推进医学图像处理技术在乳腺肿瘤临床诊断中的应用， 为广大医生提供肿瘤区域的有用信息。

本发明是通过以下技术方案实现的，具体包括以下步骤进行。

1. 选取目标图像：用户利用鼠标划取一个方框，将肿瘤包含在该方框之内，其目的一是为了剪裁不相干信息，减少干扰；二是为了提高系统的实时性。

2. 肿瘤超声图像边缘自动提取：采用SRAD各向异性扩散算法，对剪裁得到的图像进行噪声抑制；该算法的突出优点体现在：能有效去除斑点噪声并保留边缘信息，同时能增强阶跃状边缘；因此，采用该算法能尽可能地减少由超声成像机制导致的斑点(Speckle)噪声的干扰，为后续处理提供良好的基础；SRAD算法的迭代方程如下所示：

其中， 为剪裁后的图像；  为扩散系数；表示图像的支撑域，    为   的边界，而 为 的外法向量；

 为每一次迭代后的输出图像；   

3.由步骤（2）得到经过噪声抑制后的图像I1，利用改进的几何活动轮廓模型对肿瘤图像进行自动分割：

3a  图像预处理：利用几何形态学的膨胀和腐蚀方法对子图像进行预处理，自动生成初始活动轮廓线，即零水平集，并生成符号距离函数SDF，即水平集函数，膨胀和腐蚀方法采用的计算公式如下：

其中表示具有一定形状和大小的结构元素； I1为噪声抑制后的图像；

     3b  模型优化：为了改善原始几何活动轮廓演化的计算量巨大的问题，系统采用了窄带算法，即仅考虑零水平集的附近区域，每次仅更新该窄带区域内的SDF，从而提高算法的工作效率；

     3c  图像边缘提取：为了改善传统的Chan－Vese模型对超声图像的抗噪性差以及对多目标提取不准确等问题，系统结合图像的梯度信息和区域灰度信息，提出一个新的基于梯度的能量项：