基于方向特征顯著性計(jì)算的MRI腦圖像腫瘤檢測

蹇木偉 王瑞紅 舉雅琨 朱呈瞻 董軍宇

摘要 本文提出了一種利用方向性特征進(jìn)行顯著性建模的MRI腦圖像腫瘤自動(dòng)檢測算法.該模型首先將MRI腦圖像進(jìn)行預(yù)處理，去除掉圖像中頭骨區(qū)域的干擾;然后使用基于方向特征的顯著性檢測增加病變區(qū)域的對比度，實(shí)現(xiàn)更準(zhǔn)確地提取腫瘤圖像區(qū)域.本文算法在腦圖像數(shù)據(jù)集上進(jìn)行了大量的實(shí)驗(yàn)，并且與主流的腫瘤自動(dòng)檢測方法進(jìn)行了對比，證明了本文算法的有效性，并為醫(yī)生提供可靠的輔助診斷和臨床參考.

關(guān)鍵詞 腫瘤檢測;方向特征;顯著性計(jì)算;顯著性檢測

中圖分類號TP391

文獻(xiàn)標(biāo)志碼A

0 引言

由于視覺顯著性檢測在目標(biāo)識別、圖像的分割和自適應(yīng)圖像壓縮以及基于內(nèi)容的圖像/視頻檢索等方面都有著廣泛的應(yīng)用[1-4]，因此，其在數(shù)字圖像和模式識別等領(lǐng)域依然是當(dāng)前的一個(gè)十分熱門的研究方向[5-8].

同時(shí)，隨著計(jì)算機(jī)技術(shù)的發(fā)展，現(xiàn)代醫(yī)學(xué)的診斷和治療方式也已經(jīng)發(fā)生了翻天覆地的變化.在醫(yī)學(xué)圖像處理領(lǐng)域，磁共振成像技術(shù)（MRI）一直是研究大腦不可或缺的重要手段之一.實(shí)現(xiàn)腦部腫瘤的準(zhǔn)確分割具有非常重要的醫(yī)學(xué)應(yīng)用價(jià)值.到目前為止，國內(nèi)外學(xué)者已經(jīng)提出了許多的圖像分割方法[9].但是，由于腦腫瘤結(jié)構(gòu)復(fù)雜、邊界模糊且與正常腦組織混疊在一起，因此要實(shí)現(xiàn)腦腫瘤的精確自動(dòng)分割仍具有一定的挑戰(zhàn)性.目前，對于人類腦部醫(yī)學(xué)圖像的處理，錯(cuò)誤的分割結(jié)果往往會(huì)帶來非常嚴(yán)重的后果.因此，由于缺乏準(zhǔn)確性，當(dāng)前已有的方法都還無法應(yīng)用在臨床醫(yī)學(xué)當(dāng)中，還是以人工分割的結(jié)果為主.

另一方面，由于醫(yī)學(xué)圖像的數(shù)據(jù)量非常龐大，若全部由專業(yè)人員進(jìn)行手動(dòng)分割，既費(fèi)時(shí)費(fèi)力，而且在分割的過程中還存在著主觀因素的影響，容易導(dǎo)致分割的結(jié)果不具有重復(fù)性.因此，如何實(shí)現(xiàn)醫(yī)學(xué)圖像的全自動(dòng)分割，到目前為止仍舊是廣大研究人員需要不斷研究的課題.有鑒于此，本文研究如何建立高效準(zhǔn)確的顯著性檢測模型，能實(shí)現(xiàn)腦圖像中的顯著性目標(biāo)物體的檢測，并且將顯著性應(yīng)用到醫(yī)學(xué)MRI腦圖像當(dāng)中，可以快速準(zhǔn)確地找到所需要的有用信息，對后續(xù)的醫(yī)學(xué)影像輔助診斷和促進(jìn)醫(yī)學(xué)腫瘤的自動(dòng)檢測分割有著深遠(yuǎn)而重要的意義.

1 提出的方法

為了解決上述問題，本文介紹了一種基于方向特征顯著性模型的MRI腦圖像腫瘤檢測方法.首先，為了克服顱骨的影響，我們利用數(shù)學(xué)形態(tài)學(xué)方法去除MRI腦部圖像的頭骨區(qū)域.然后，使用方向特征的顯著性檢測來提取圖像中的腫瘤區(qū)域的對比度.最后通過噪聲消除、分割和一系列形態(tài)學(xué)操作對分割結(jié)果進(jìn)行優(yōu)化.經(jīng)過大量MRI腫瘤圖像實(shí)驗(yàn)表明，該方法是有效的.基于方向特征顯著性計(jì)算模型的MRI腦圖像腫瘤檢測框架如圖1所示.

1.1 顱骨剝離

由于頭骨的密度相對較大，產(chǎn)生的MRI圖像與病變區(qū)域在圖像的顯示上具有相似性，因此對病變區(qū)域的顯著性檢測存在著較大的干擾.在對圖像進(jìn)行顯著性檢測之前，需要把圖像的頭骨部分去掉.形態(tài)學(xué)是一種有效的圖像處理方法，在本節(jié)中使用形態(tài)學(xué)的方法作為預(yù)處理步驟來去除顱骨骨架并確定大腦區(qū)域.基于形態(tài)學(xué)的顱骨剝離算法步驟描述如下：

1）將原始輸入圖像轉(zhuǎn)換為灰度圖像;

2）將高斯拉普拉斯（LoG）邊緣檢測算法應(yīng)用于圖像，檢測圖像的邊緣信息;

3）使用結(jié)構(gòu)元素B=[0 1 0;1 1 1;0 1 0]對圖像進(jìn)行膨脹形態(tài)學(xué)操作，然后使用半徑為1的圓形結(jié)構(gòu)對邊緣圖像進(jìn)行閉合形態(tài)學(xué)操作;

4）找到最大連通分量;

5）對最大連通分量中的孔洞進(jìn)行填充以獲得模板;

6）將模板與原始輸入圖像相乘，獲得最終分割的腦組織圖像.

圖2展示的是顱骨剝離步驟結(jié)果示例圖，并顯示了每個(gè)顱骨剝離步驟的結(jié)果.

1.2 基于方向特征的顯著性檢測

圖像顯著性作為一個(gè)重要的視覺特征，它反映了圖像各個(gè)區(qū)域在人眼中的重要程度.往往視覺對比度和方向特征越明顯的區(qū)域?qū)θ搜鄣拇碳ぴ酱螅虼诉@部分區(qū)域在人眼中的視覺重要程度就越大.對于MRI腦圖像而言，由于病變區(qū)域與腦組織在密度上的差異，導(dǎo)致其成像時(shí)的水平、垂直、對角線方向所形成外觀對比度存在明顯不同，因此病變區(qū)域顯然就是腦組織復(fù)雜背景中的一個(gè)顯著性對象.基于這一方向性對比度觀察，本文利用了一種基于方向特征的顯著性模型[8]，用于MRI腦圖像腫瘤的自動(dòng)檢測之中，從而構(gòu)建一套完整的醫(yī)學(xué)輔助系統(tǒng)實(shí)現(xiàn)檢測和定位MRI腦圖像中的腫瘤區(qū)域大小和形態(tài).該方法魯棒性好，使其特別適用于高精度腫瘤檢測和顯著性計(jì)算任務(wù)，其基本思想簡單概括如下：

人類視覺系統(tǒng)（HVS）存在著方向性特征感知，因此圖像中的方向信息是人類視覺系統(tǒng)感知和理解圖像非常重要的潛意識刺激[4].方向性視覺線索不受圖像具體內(nèi)容的影響，旨在模仿人類視覺系統(tǒng)在顯著性檢測過程中如何感知方向性的視覺刺激[10].根據(jù)信號處理理論，離散小波幀變換（DWFT）[11]是在離散小波變換（DWT）的基礎(chǔ)上進(jìn)行的改進(jìn)，并且可以以多分辨率分析（MRA）的方式反映不同尺度上圖像方向特征的變化[12-13]. 二維圖像信號的離散小波幀變換（DWFT）變換的形式如下：

是一個(gè)任意的初始尺度;（x）是一個(gè)尺度函數(shù)，ψi（x），i={H，V，D}是小波基函數(shù);H表示水平方向高頻信息，V表示垂直方向高頻信息，D表示對角線方向高頻信息.

與離散小波變換（DWT）類似，具有J分解層次的離散小波幀變換（DWFT）產(chǎn)生總共3×J個(gè)細(xì)節(jié)子圖（Sub-band）和一個(gè)近似子圖.離散小波幀變換（DWFT）的優(yōu)點(diǎn)在于避免了離散小波變換（DWT）時(shí)的下采樣操作，使得離散小波幀變換（DWFT）產(chǎn)生的子圖與輸入圖像具有相同的尺寸大小，從而方便后續(xù)顯著性檢測過程的計(jì)算.因此，由于所有垂直、水平和對角線方向性子圖與原始圖像具有相同的大小尺寸，所以可以直接將這些不同的方向性子圖融合在一起，最終構(gòu)建了一個(gè)復(fù)合方向性圖開展顯著性值計(jì)算，從而得到顯著性圖用于檢測和定位顯著性對象或區(qū)域[8].

圖3展示了基于方向特征的MRI腦圖像顯著性檢測的一些結(jié)果示例.從圖3中可以看到顯著性檢測的效果非常明顯.

1.3 腫瘤區(qū)域提取

腫瘤區(qū)域的檢測提取分為兩個(gè)步驟：第1步是對MRI顯著性圖進(jìn)行處理，增強(qiáng)圖像的對比度;第2步是使用形態(tài)學(xué)操作提取腫瘤病變區(qū)域.算法的具體步驟如下：

1） 將MRI顯著性圖轉(zhuǎn)化為灰度圖像;

2） 使用中值濾波器處理圖像以增強(qiáng)圖像的質(zhì)量;

3） 使用形態(tài)學(xué)操作處理圖像;

4） 通過閾值分割將腫瘤區(qū)域提取出來.

2 仿真結(jié)果與性能比較

本文使用形態(tài)學(xué)的顱骨剝離算法和基于方向特征的顯著性檢測算法，對MRI腦圖像進(jìn)行腫瘤區(qū)域的檢測及提取.實(shí)驗(yàn)是在Intel Core 3.7 GHz，Windows 7 PC上進(jìn)行的，使用Matlab編程語言進(jìn)行圖像處理操作.當(dāng)在MRI腦圖像中提取腫瘤區(qū)域時(shí)，首先將圖像轉(zhuǎn)換成512×512像素大小.MRI腦圖像數(shù)據(jù)集包含了120張MRI圖像，并在這些圖像上進(jìn)行了腫瘤自動(dòng)檢測實(shí)驗(yàn).為了突出顯示腫瘤區(qū)域，腫瘤區(qū)域以外的部分全部被設(shè)置為黑色（value=0）.圖4給出了一些實(shí)驗(yàn)結(jié)果的示例，從圖4中可以看出，本文的方法實(shí)現(xiàn)了更好的檢測結(jié)果.

為了客觀地評價(jià)不同的方法，本文采用了廣泛使用的靈敏度、特異性和Dice系數(shù)來評估不同方法的實(shí)驗(yàn)結(jié)果[9].其中靈敏度也稱作真陽性率、召回率，指的是實(shí)際的樣本中判斷其為陽性的比例;特異度也稱為真陰性率，指的是實(shí)際為陰性的樣本將其判斷為陽性的比例;Dice系數(shù)反映了與Jaccard指數(shù)相關(guān)的相似性度量.

從表1中的性能指標(biāo)比較可以看出，本文所提出的算法在靈敏度、特異度和Dice系數(shù)等方面相較于其他方法取得了較好的實(shí)驗(yàn)結(jié)果，證明了本文方法的有效性.

3 結(jié)束語

本文針對實(shí)際醫(yī)學(xué)應(yīng)用中的腦圖像腫瘤區(qū)域自動(dòng)提取問題，設(shè)計(jì)了一種基于方向特征的MRI腦圖像顯著性建模及自動(dòng)腫瘤檢測方法，該系統(tǒng)有利于腦部疾病的輔助診斷和治療.同時(shí)，系統(tǒng)提供的腫瘤區(qū)域的大小和形狀也有助于確認(rèn)腫瘤的存在，及判斷其良性程度和鈣化程度，并有利于對治療方法做出更好的方案.大量的MRI腦圖像實(shí)驗(yàn)結(jié)果表明，該方法可以取得良好的效果，且易于實(shí)際醫(yī)學(xué)工程實(shí)現(xiàn).

參考文獻(xiàn)

References

[1]Itti L，Koch C，Niebur E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20（11）：1254-1259

[2]Liu T，Yuan Z J，Sun J，et al.Learning to detect a salient object[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（2）：353-367

[3]Toet A.Computational versus psychophysical bottom-up image saliency：a comparative evaluation study[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（11）：2131-2146

[4]Jian M W，Lam K M，Dong J Y，et al.Visual-patch-attention-aware saliency detection[J].IEEE Transactions on Cybernetics，2015，45（8）：1575-1586

[5]Borji A，Sihite D N，Itti L.Quantitative analysis of human-model agreement in visual saliency modeling：a comparative study[J].IEEE Transactions on Image Processing，2013，22（1）：55-69

[6]Jian M W，Lam K M，Dong J Y.Facial-feature detection and localization based on a hierarchical scheme[J].Information Sciences，2014，262：1-14

[7]Jian M W，Qi Q，Dong J Y，et al.Integrating QDWD with pattern distinctness and local contrast for underwater saliency detection[J].Journal of Visual Communication and Image Representation，2018，53：31-41

[8]Jian M W，Zhang W Y，Yu H，et al.Saliency detection based on directional patches extraction and principal local color contrast[J].Journal of Visual Communication and Image Representation，2018，57：1-11

[9]王超，王浩，王偉，等.基于優(yōu)化ROI的醫(yī)學(xué)圖像分割與壓縮方法研究[J].重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，27（2）：279-284

WANG Chao，WANG Hao，WANG Wei，et al.Study of optimized ROI based medical image segmentation and compression method[J].Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition），2015，27（2）：279-284

[10]Jian M W，Dong J Y，Ma J.Image retrieval using wavelet-based salient regions[J].The Imaging Science Journal，2011，59（4）：219-231

[11]Unser M.Texture classification and segmentation using wavelet frames[J].IEEE Transactions on Image Processing，1995，4（11）：1549-1560

[12]Mallat S G.A theory for multiresolution signal decomposition：the wavelet representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1989，11（7）：674-693

[13]Daubechies I.The wavelet transform，time-frequency localization and signal analysis[J].IEEE Transactions on Information Theory，1990，36（5）：961-1005

[14]Sandeep N，Vikram D R.Brain tumour extraction functioning from MRI images using MATLAB[J].International Journal of Innovative Technologies，2016，4（2）：0329-0332

[15]Zhang Y D，Wu L N.An MR brain images classifier via principal component analysis and kernel support vector machine[J].Progress in Electromagnetics Research，2012，130：369-388

[16]Hati A，Chaudhuri S，Velmurugan R.An image texture insensitive method for saliency detection[J].Journal of Visual Communication and Image Representation，2017，43：212-226

Abstract In this paper，an algorithm for detecting brain tumors in MRI images based on directional features and saliency modeling is proposed.The designed model first preprocesses the MRI brain images to remove the interference from the skull region of the image，and then uses saliency detection based on directional features to increase the contrast of the lesion region，so as to more accurately extract the region of the tumors.Extensive experiments have been carried out on the brain image dataset and compared with several other saliency detection methods，which proves the effectiveness of the algorithm and provides reliable auxiliary diagnosis and clinical reference for doctors.

Key words tumor detection;directional features;saliency computation;saliency detection