本發(fā)明涉及提取超聲圖像中器官區(qū)域圖像的方法，具體而言，涉及一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法。

背景技術(shù)：

超聲檢查是一種將超聲波應(yīng)用于人體檢測的技術(shù)，它利用人體對(duì)超聲波反射的強(qiáng)弱成像，測量生理或組織結(jié)構(gòu)的形態(tài)及密度等數(shù)據(jù)，發(fā)現(xiàn)疾病癥狀。作為一種常規(guī)的身體檢查手段，超聲檢查擁有眾多優(yōu)點(diǎn)。首先它利用的是超聲波，對(duì)人體無傷害，是一種安全的檢查手段。與此相反的是利用各種射線的檢查，對(duì)人體有著較大的傷害。其次，超聲檢查的價(jià)格便宜，一次檢查的費(fèi)用通常為幾十元，普通人都可以承受。而CT、磁共振的檢查費(fèi)用則昂貴得多。另外，超聲近些年的檢測精度得到了較大的提高，比如在腹部檢查方面，超聲已經(jīng)可以檢查出小肝癌。然而超聲也有其自身的缺陷，比如超聲圖像模糊，容易受到噪聲的影響，導(dǎo)致超聲中病灶的定位比較困難。因此目前超聲常常用于體檢、篩查，而CT、磁共振則用于確癥。

肝臟在超聲中有以下特點(diǎn)：內(nèi)部不均勻，導(dǎo)致肝臟很難提取完整；外部與其他區(qū)域相連接，導(dǎo)致將其他器官誤加入進(jìn)來。現(xiàn)有技術(shù)中，有人采用高斯金字塔構(gòu)造多分辨率圖像，從而減少超聲中斑點(diǎn)噪聲的影響。也有人采用各向異性擴(kuò)散濾波提高超聲圖像的質(zhì)量，然后使用Chan-Vese活動(dòng)輪廓分割圖像，但對(duì)于肝臟圖像提取來說，一種存在著噪聲大，分割困難，獲取的圖像不精確等問題。中國專利201210131489.7提供了一種基于超聲圖像和三維模型的肝臟體積測量方法，包括以下步驟：利用肝臟圖譜建立三維肝臟模型；獲取肝臟指定切面的超聲圖像，并進(jìn)行圖像分割獲得超聲圖像中肝臟的邊緣輪廓線；將所述超聲圖像與所述三維肝臟模型配準(zhǔn)；以超聲圖像中肝臟的邊緣輪廓線為參考圖像，對(duì)三維肝臟模型進(jìn)行彈性變形；以一組平行等間隔的平面切割變形后的三維肝臟模型，計(jì)算所有切斷面的面積之和與相鄰兩個(gè)切斷面的間距的乘積，將計(jì)算結(jié)果作為肝臟的體積，該方法測量方便快速，對(duì)人體無任何損害，可反復(fù)測量，但不能有效解決超聲圖像中的噪聲問題。中國專利201510299989.5提供了一種基于快速凸優(yōu)化算法配準(zhǔn)三維CT與超聲肝臟圖像的方法。該基于快速凸優(yōu)化算法配準(zhǔn)三維CT與超聲肝臟圖像的方法包括下述過程：將超聲和CT圖像分辨率調(diào)整到相同；對(duì)超聲和CT圖像的基于剛體變換的粗配準(zhǔn)；提取多模態(tài)圖像配準(zhǔn)的統(tǒng)一特征信息；計(jì)算當(dāng)前非剛性形變場u(x)下，數(shù)據(jù)項(xiàng)中的D(u)和D(u)的梯度場對(duì)逐步凸優(yōu)化方法的每一步進(jìn)行模型求解，得到形變場最優(yōu)矯正值h(x)，更新形變場，直到h(x)很小；根據(jù)求解的非剛性形變場，對(duì)超聲圖像變換，與CT圖像配準(zhǔn)；該現(xiàn)有技術(shù)通過建立合理的模型，設(shè)計(jì)出快速、精確的三維超聲CT肝臟圖像配準(zhǔn)算法，但也未能有效解決超聲圖像中的噪聲問題。

技術(shù)實(shí)現(xiàn)要素：

為克服現(xiàn)有技術(shù)中存在的超聲圖像中肝臟區(qū)域噪聲大、與其他區(qū)域相連接而導(dǎo)致的難提取完整的問題，本發(fā)明提供了一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法。

本發(fā)明的技術(shù)方案是：一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法，包括如下步驟：

步驟1：預(yù)處理，具體的，采用均值漂移(Mean Shift)濾波合并圖像中相鄰且僅有較小區(qū)別的區(qū)域，從而獲得均勻一致的圖像區(qū)域；

步驟2：粗分割，具體的，采用添加鄰域信息的FCM(FCM_S)算法分割圖像，提取肝臟的主體區(qū)域；

步驟3：邊緣亮度補(bǔ)償，對(duì)步驟2提取的肝臟主體區(qū)域中的邊緣區(qū)域進(jìn)行亮度補(bǔ)償；

步驟4：肝臟區(qū)域分割，具體的，對(duì)步驟3亮度補(bǔ)償后的圖像再次采用FCM_S算法分割圖像。

在一些實(shí)施方式中，步驟1中，所述Mean Shift濾波步驟包括：

步驟11：初始化y_i，1＝x_i，即將特征y_i，1初始化為像素x_i的原始特征，其中，i是像素下標(biāo)，1表示第一輪循環(huán)；

步驟12：根據(jù)式(1)計(jì)算y_i，j+1，式(1)為：

其中，x_k是像素的原始特征，y_i，j是j輪迭代的結(jié)果，g是核函數(shù)，h是核函數(shù)的帶寬；

步驟13：當(dāng)y_i，j+1＝y(tǒng)_i，j時(shí)，獲得最終結(jié)果為y_i，c。

在一些實(shí)施方式中，所述核函數(shù)g為高斯核函數(shù)。

在一些實(shí)施方式中，所述步驟2中FCM_S算法分割圖像方法為：采用FCM_S算法，通過不斷迭代使目標(biāo)函數(shù)最小化的方法得到超聲波肝臟區(qū)域圖像中像素的隸屬度的值，然后根據(jù)最大隸屬度原則對(duì)像素進(jìn)行劃分，實(shí)現(xiàn)圖像的分割。

在一些實(shí)施方式中，通過FCM_S算法減小圖像中的噪聲的影響，提取肝臟的大概位置。

在一些實(shí)施方式中，所述添加了鄰域相關(guān)性信息的FCM_S算法的目標(biāo)函數(shù)為：

式(2)：

其中，N_j表示像素j的鄰域，N_r代表的是鄰域N_j中像素的數(shù)目，i是像素類別下標(biāo)，其中，共有C個(gè)類別，j是像素下標(biāo)，其中，共有N個(gè)像素，m是調(diào)節(jié)模糊隸屬度的權(quán)重指數(shù)，d_ij＝||x_j-v_i||為第j個(gè)像素x_j與第i個(gè)聚類中心v_i的灰度差值，d_ir＝||x_r-v_i||為像素x_r與第i個(gè)聚類中心v_i的灰度差值，u_ij是x_j相對(duì)于v_i的模糊隸屬度,α是調(diào)節(jié)控制鄰域影響的參數(shù)。

在一些實(shí)施方式中，所述模糊隸屬度是像素歸屬于某個(gè)類別的概率，其值屬于[0，1]，對(duì)于一個(gè)像素，其屬于各個(gè)類別的模糊隸屬度之和為1，即式(3)：

在一些實(shí)施方式中，求解式(2)在式(3)條件下的極值，具體的，采用拉格朗日乘子法對(duì)各個(gè)變量求導(dǎo)，得模糊隸屬度u_ij以及聚類中心v_i的迭代公式：

式(4)：

式(5)：

通過式(4)和式(5)的迭代，使目標(biāo)函數(shù)，即式(2)，逐漸趨于最小化，獲得每個(gè)像素的隸屬度，從而實(shí)現(xiàn)圖像的分割。

在一些實(shí)施方式中，所述步驟3亮度補(bǔ)償依據(jù)為：邊緣若較亮，則可能擴(kuò)大了肝臟的區(qū)域，而邊緣若較暗，則可能縮小了肝臟區(qū)域，具體方法為：擴(kuò)展步驟2中獲得的肝臟邊緣區(qū)域亮區(qū)域中暗的部分，及擴(kuò)展肝臟邊緣區(qū)域暗區(qū)域中亮的部分。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明提供的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法，使用均值漂移(Mean Shift)濾波合并圖像中相鄰且僅有較小區(qū)別的區(qū)域，從而獲得均勻一致的圖像區(qū)域，并采用添加了鄰域相關(guān)性信息的FCM(FCM_S)算法，從多個(gè)聚類中提取完整的前景區(qū)域，提高抗噪能力，減少誤分類的情況，同時(shí)結(jié)合了亮度補(bǔ)償機(jī)制，減少光照不均勻的影響，從而獲得了比較完整的肝臟區(qū)域。

附圖說明

圖1是本發(fā)明提供的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法步驟流程圖；

圖2是未經(jīng)過均值漂移(Mean Shift)濾波預(yù)處理的超聲圖像；

圖3是經(jīng)過均值漂移(Mean Shift)濾波預(yù)處理的超聲圖像；

圖4是通過FCM算法聚類結(jié)果的所獲取的圖像示例；

圖5是通過FCM_S算法聚類結(jié)果的所獲取的圖像示例；

圖6是經(jīng)過亮度補(bǔ)償處理所獲取的圖像示例；

圖7是對(duì)亮度補(bǔ)償處理后所獲取的圖像再次進(jìn)行FCM_S算法聚類結(jié)果的所獲取的圖像示例。

具體實(shí)施方式

以下結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

圖1至圖7示意性地顯示了根據(jù)本發(fā)明披露的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法。

如圖1所示，本發(fā)明披露的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法，提出的方法結(jié)合了采用添加了鄰域相關(guān)性信息的FCM(FCM_S)算法和均值漂移(Mean Shift)濾波以及邊緣亮度補(bǔ)償，使用均值漂移(Mean Shift)濾除噪聲區(qū)域，使用采用添加了鄰域相關(guān)性信息的FCM(FCM_S)算法減少誤分類的情況，使用亮度補(bǔ)償減少光照不均勻的影響。

以下是本發(fā)明提出的肝臟區(qū)域提取方案：

如圖2所示，初始的超聲圖像，其背景亮度不均勻，容易影響區(qū)域的分割，因此，做為本發(fā)明的一個(gè)發(fā)明點(diǎn)，本發(fā)明披露的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法包括步驟1：預(yù)處理，采用均值漂移(Mean Shift)濾波合并圖像中相鄰且僅有較小區(qū)別的區(qū)域，從而獲得均勻一致的圖像區(qū)域。

具體的，Mean Shift濾波步驟包括：

步驟11：初始化y_i，1＝x_i，即將特征y_i，1初始化為像素x_i的原始特征，其中，i是像素下標(biāo)，1表示第一輪循環(huán)；

步驟12：根據(jù)式(1)計(jì)算y_i，j+1，式(1)為：

其中，x_k是像素的原始特征，y_i，j是j輪迭代的結(jié)果，g是核函數(shù)，h是核函數(shù)的帶寬；

步驟13：當(dāng)y_i，j+1＝y(tǒng)_i，j時(shí)，獲得最終結(jié)果為y_i，c。

如圖3所示，通過步驟1均值漂移(Mean Shift)濾波后的圖像與圖2相比，其亮度趨于一致，圖像更加清晰，便于后續(xù)的分隔工作。

本發(fā)明披露的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法還包括步驟2：粗分割，采用采用添加了鄰域相關(guān)性信息的FCM(FCM_S)分割圖像，提取肝臟的主體區(qū)域，即通過不斷迭代使目標(biāo)函數(shù)最小化的方法得到超聲波肝臟區(qū)域圖像中像素的隸屬度的值，然后根據(jù)最大隸屬度原則對(duì)像素進(jìn)行劃分，實(shí)現(xiàn)圖像的分割，減小圖像中的噪聲的影響，提取肝臟的大概位置。

傳統(tǒng)的FCM算法為：

設(shè)圖像I，F(xiàn)CM的目標(biāo)函數(shù)為式(7)：

FCM：

其中，i是像素類別下標(biāo)，其中，共有C個(gè)類別，j是像素下標(biāo)，其中，共有N個(gè)像素，m是調(diào)節(jié)模糊隸屬度的權(quán)重指數(shù)，d_ij＝||x_j-v_i||為第j個(gè)像素x_j與第i個(gè)聚類中心v_i的灰度差值，u_ij是x_j相對(duì)于v_i的模糊隸屬度。

模糊隸屬度是像素歸屬于某個(gè)類別的概率，其值屬于[0，1]，對(duì)于一個(gè)像素，其屬于各個(gè)類別的模糊隸屬度之和為1，即

式(3)：

求解式(7)在式(3)條件下的極值，具體的，采用拉格朗日乘子法對(duì)各個(gè)變量求導(dǎo)，得模糊隸屬度u_ij以及聚類中心v_i的迭代公式：

式(8)：

式(9)：

通過式(8)和式(9)的迭代，使目標(biāo)函數(shù)，即式(7)，逐漸趨于最小化，獲得每個(gè)像素的隸屬度，從而實(shí)現(xiàn)圖像的分割。

如圖4所示，上述原始FCM算法的最大問題在于，目標(biāo)函數(shù)沒有包含任何空間信息，導(dǎo)致受噪聲影響很大，只利用像素本身的信息，這帶來的問題是抗噪能力差，由于噪聲一般是獨(dú)立存在的，與周圍像素區(qū)分明顯，因此算法容易將噪聲單獨(dú)形成一個(gè)區(qū)域，從而使得原本完整的區(qū)域中充滿了孔洞。原始FCM的另一個(gè)問題是當(dāng)一個(gè)區(qū)域的顏色不均勻時(shí)，容易將之分成數(shù)個(gè)區(qū)域，增加后期處理的難度。于是，為了解決上述問題，在本發(fā)明的此實(shí)施方式中，在FCM算法上添加了鄰域相關(guān)性信息，得到添加了鄰域相關(guān)性信息的FCM算法(FCM_S)的目標(biāo)函數(shù)為：

式(2)：

其中，N_j表示像素j的鄰域，N_r代表的是鄰域N_j中像素的數(shù)目，i是像素類別下標(biāo)，其中，共有C個(gè)類別，j是像素下標(biāo)，其中，共有N個(gè)像素，m是調(diào)節(jié)模糊隸屬度的權(quán)重指數(shù)，d_ij＝||x_j-v_i||為第j個(gè)像素x_j與第i個(gè)聚類中心v_i的灰度差值，d_ir＝||x_r-υ_i||為像素x_r與第i個(gè)聚類中心v_i的灰度差值，u_ij是x_j相對(duì)于v_i的模糊隸屬度,α是調(diào)節(jié)控制鄰域影響的參數(shù)。

模糊隸屬度是像素歸屬于某個(gè)類別的概率，其值屬于[0，1]，對(duì)于一個(gè)像素，其屬于各個(gè)類別的模糊隸屬度之和為1，即

式(3)：

求解式(2)在式(3)條件下的極值，具體的，采用拉格朗日乘子法對(duì)各個(gè)變量求導(dǎo)，得模糊隸屬度u_ij以及聚類中心v_i的迭代公式：

式(3)：

式(4)：

通過式(3)和式(4)的迭代，使目標(biāo)函數(shù)，即式(2)，逐漸趨于最小化，獲得每個(gè)像素的隸屬度，從而實(shí)現(xiàn)圖像的分割，減小圖像中的噪聲的影響，提取肝臟的大概位置。

如圖5所示，本發(fā)明披露的添加了鄰域相關(guān)性信息FCM算法(FCM_S)中，通過在FCM算法上添加了鄰域相關(guān)性信息，其得到的圖像與圖4相比，減小圖像中的噪聲的影響，其肝臟區(qū)域更加清晰。即便如此，任然存在一些問題，比如：由于FCM分類時(shí)只使用亮度信息，而光照不均勻容易產(chǎn)生誤分類情況，因此，此次操作的結(jié)果與真實(shí)肝臟有較大的差別。因而，本發(fā)明披露的上述添加了鄰域相關(guān)性信息FCM算法操作是下一步操作的準(zhǔn)備工作，目的是提取肝臟的主體區(qū)域。

而作為本發(fā)明另一分發(fā)明點(diǎn)，本發(fā)明披露的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法還包括步驟3：亮度補(bǔ)償，即對(duì)步驟2提取的肝臟主體區(qū)域中的邊緣區(qū)域進(jìn)行亮度補(bǔ)償。作為優(yōu)選的，在本發(fā)明的此實(shí)施方式中，只在上一步獲得的邊緣區(qū)域進(jìn)行亮度補(bǔ)償，即上述步驟2中的FCM算法被用于初次分割，獲得肝臟的大概位置，然后在邊緣區(qū)域進(jìn)行亮度補(bǔ)償。在本發(fā)明的此實(shí)施方式中，所述步驟3亮度補(bǔ)償?shù)囊罁?jù)為：邊緣若較亮，則可能擴(kuò)大了肝臟的區(qū)域，而邊緣若較暗，則可能縮小了肝臟區(qū)域，具體方法為具體方法為：若為亮區(qū)域則擴(kuò)展暗的部分，若為暗區(qū)域則擴(kuò)展亮的部分，這是由于肝臟邊緣若較亮，可能擴(kuò)大了肝臟的區(qū)域，而肝臟邊緣若較暗，則可能縮小了肝臟區(qū)域。如圖6所示，通過亮度補(bǔ)償后的圖像，明顯減少了光照不均勻的影響，因此，可避免產(chǎn)生誤分類的現(xiàn)象。

如圖7所示，作為進(jìn)一步優(yōu)選的，本發(fā)明披露的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法還包括步驟4：肝臟區(qū)域分割，即對(duì)步驟3中通過亮度補(bǔ)償后的圖像再次采用FCM_S算法分割圖像。同步驟2，F(xiàn)CM_S算法的目標(biāo)函數(shù)為：

式(2)：

其中，N_j表示像素j的鄰域，N_r代表的是鄰域N_j中像素的數(shù)目，i是像素類別下標(biāo)，其中，共有C個(gè)類別，j是像素下標(biāo)，其中，共有N個(gè)像素，m是調(diào)節(jié)模糊隸屬度的權(quán)重指數(shù)，d_ij＝||x_j-v_i||為第j個(gè)像素x_j與第i個(gè)聚類中心v_i的灰度差值，d_ir＝||x_r-v_i||為像素x_r與第i個(gè)聚類中心v_i的灰度差值，u_ij是x_j相對(duì)于υ_i的模糊隸屬度,α是調(diào)節(jié)控制鄰域影響的參數(shù)。。

模糊隸屬度是像素歸屬于某個(gè)類別的概率，其值屬于[0，1]，對(duì)于一個(gè)像素，其屬于各個(gè)類別的模糊隸屬度之和為1，即

式(3)：

求解式(2)在式(3)條件下的極值，具體的，采用拉格朗日乘子法對(duì)各個(gè)變量求導(dǎo)，得模糊隸屬度u_ij以及聚類中心v_i的迭代公式：

式(3)：

式(4)：

通過式(3)和式(4)的迭代，使目標(biāo)函數(shù)，即式(2)，逐漸趨于最小化，獲得每個(gè)像素的隸屬度，從而實(shí)現(xiàn)圖像的分割。

在步驟4中，F(xiàn)CM_S算法分割圖像輸入是亮度補(bǔ)償后的圖像，因此能夠獲得了較好的分割效果，分割后，肝臟通常是占面積最大的器官，利用這個(gè)先驗(yàn)知識(shí)可以提取前景中最大的部分為肝臟。

為了驗(yàn)證本發(fā)明提出的算法，將本發(fā)明的方法在超聲圖像上進(jìn)行了測試。將本發(fā)明披露的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法與原始的FCM以及單獨(dú)采用FCM_S進(jìn)行比較，其中，聚類數(shù)目3，α＝1。如圖4、圖5及圖7所示，其中圖4是原始FCM的結(jié)果，圖5是FCM_S算法的結(jié)果，圖7是本發(fā)明披露的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法的結(jié)果，從圖4、圖5及圖7可以看出傳統(tǒng)的FCM的結(jié)果比較碎，而FCM_S的結(jié)果則完整了一些，本發(fā)明提出的方法得到的結(jié)果最好。可見本發(fā)明提出的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法能夠提高FCM的分類效果。

為了獲得更準(zhǔn)確地比較數(shù)據(jù)，將實(shí)驗(yàn)中使用的超聲圖像進(jìn)行了手工分割，提取出完全正確的肝臟部分作為參照對(duì)象。然后使用上述算法提取肝臟區(qū)域，并與正確的參考結(jié)果比較，得到與正確率P＝TP/(TP+FP)、召回率R＝TP/AP，其中TP是分類正確的像素?cái)?shù)，F(xiàn)P是分類錯(cuò)誤的像素?cái)?shù)，AP是肝臟區(qū)域像素的總數(shù)。從表1中可以看出本發(fā)明披露的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法的正確率P和召回率R較FCM和FCM_I算法均有所提高。

表1本發(fā)明披露的方法與FCM和FCM_I算法的性能比較

綜上所述，本發(fā)明披露的一種基于模糊C均值和均值漂移的肝臟區(qū)域提取方法在實(shí)驗(yàn)中獲得較好的提取效果。該方法使用均值漂移(Mean Shift)濾波合并圖像中相鄰且僅有較小區(qū)別的區(qū)域，從而獲得均勻一致的圖像區(qū)域，并采用添加了鄰域相關(guān)性信息的FCM(FCM_S)算法，從多個(gè)聚類中提取完整的前景區(qū)域，提高抗噪能力，減少誤分類的情況，同時(shí)結(jié)合了亮度補(bǔ)償機(jī)制，減少光照不均勻的影響，從而獲得了比較完整的肝臟區(qū)域。

上述說明示出并描述了本發(fā)明的優(yōu)選實(shí)施例，如前所述，應(yīng)當(dāng)理解本發(fā)明并非局限于本發(fā)明所披露的形式，不應(yīng)看作是對(duì)其他實(shí)施例的排除，而可用于各種其他組合、修改和環(huán)境，并能夠在本發(fā)明所述發(fā)明構(gòu)想范圍內(nèi)，通過上述教導(dǎo)或相關(guān)領(lǐng)域的技術(shù)或知識(shí)進(jìn)行改動(dòng)。而本領(lǐng)域人員所進(jìn)行的改動(dòng)和變化不脫離本發(fā)明的精神和范圍，則都應(yīng)在本發(fā)明所附權(quán)利要求的保護(hù)范圍內(nèi)。