[发明专利]基于相位信息的超声图像病灶分割技术

说明书

技术领域

本发明属生物医学信号处理领域，具体涉及超声图像病灶自动提取方法。

背景技术

图像分割就是把图像中具有特殊涵义的不同区域分隔开来，这些区域使互不相交的每一个区域都满足特定区域的一致性。它是图像处理与图像分析中的一个经典问题。目前针对各种具体问题已经提出了许多不同的图像分割算法，对图像分割的效果也有很好的分析结论。但是由于图像分割问题所面向领域的特殊性，至今尚未得到圆满的、具有普适性的解决方法。

同样，医学超声图像的分割也一直以来是一个非常棘手的问题，因为其固有的斑点噪声使图像变得模糊不清，加之图像本身灰度较暗、对比度较差，从而使分割难度进一步加大。回顾近几年，国内外相继提出了许多超声图像的分割技术，如活动轮廓模型方法，神经网络方法，支持向量机方法以及小波变换方法等。这其中绝大部分是基于图像灰度信息的分割技术。

传统的活动轮廓模型分为参数活动轮廓模型与几何活动轮廓模型。参数活动轮廓模型主要以Kass等人提出的snake模型为代表，由于snake模型存在一些缺陷，比如初始轮廓必须是封闭的曲线，而且须设在目标边缘附近，曲线捕捉范围较小。针对snake模型的缺点，Chenyang Xu 等人于1997年提出了GVF模型即梯度向量流模型，对snake模型进行了改进，从而增大了曲线的捕捉范围和逼近能力。之后不断有人提出针对snake模型的改进方法，但这些方法都不能改变参数活动轮廓模型的固有缺陷，即几何拓扑变化能力差。

相比于参数活动轮廓模型，几何活动轮廓模型具有较强的几何拓扑变化能力，并且计算稳定，分割精度高。由于该模型的良好特性，近几年来，在图像分割领域得到了广泛的应用。几何活动轮廓模型是建立在曲线进化理论和水平集思想的基础之上的。在几何活动轮廓模型中，曲线的移动仅仅在几何尺度下进行，所以轮廓的演变过程与参数化无关。活动曲线的进化利用高维函数的水平截集来间接表示，因此曲线在拓扑学上的变化可以自然而然的得到。在几何活动轮廓模型分割方法中，广泛采用如下边缘检测算子

其中，表示原始图像，表示标准差为的高斯核函数。该算子对一般的灰度图像边缘的检测效果较好，但它的一个致命缺陷是受图像的对比度以及亮度的影响较大，对于一幅对比度较低或者亮度较暗的图像来说，检测出的边缘效果并不理想。尤其对于超声图像这种特殊图像，由于其本身具有斑点噪声以及图像比较暗的特点，边缘检测器g则检测不到对比度较差的边缘或者一些细节纹理。而我们知道，图像分割的实质可以归结到对图像的边缘检测上来。因此边缘检测算子的好坏直接影响到图像的最终分割效果理想与否。所以，针对目前的图像分割技术现状，我们迫切需要在超声图像的分割中引入一种性能较佳的边缘检测算子来克服传统边缘检测方法的不足，从而达到理想的分割效果。

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。

本发明可以实现无人工干预的超声图像病灶边缘提取，不仅能快速地提取出肿瘤病灶区域，而且大大提高了准确性。

本发明是通过以下技术方案实现的，具体分以下步骤进行：

（1）选取目标图像：用户利用鼠标剪裁包括有待处理的病灶的方框图像；

（2）初始化零水平集：在裁剪后得到的图像上病灶的周围用鼠标人工初始化零水平集曲线，作为初始曲线轮廓；

（3）利用在模型基础上改进的模型对超声图像病灶进行自动分割：

3a 计算基于相位一致性的边缘检测算子

其中，为图像的相位一致性函数，计算公式如下

式中，表示方向，表示小波变换尺度，为各个方向上的权值，为变换幅度，表示相位偏差，为阈值，可以根据具体情况来设定；其中可由如下两个表达式计算得到

上式中表示裁剪后得到的原图像，和分别表示变换尺度为的偶对称小波和奇对称小波，是由原图像经过小波变换得到；

3b求取迭代方程：将新的边缘检测算子代入新的模型当中，得到如下方程

式中，是正参数，为水平集曲线，为相位向量，表示梯度，表示旋度；

将上述方程离散化得到如下的迭代方程：

式中的表示迭代的时间步长，的取值应适中，时表示被初始化的零水平集曲线；

3c 模型更新：将上述方程进行迭代计算，从而更新水平集曲线，使得曲线不断逼近病灶的边缘，直到曲线的能量达到最小化为止；

3d绘制迭代之后得到的零水平集曲线，从而得到最终的病灶分割结果。