乳腺肿瘤超声图像中感兴趣区域的自动检测

苏燕妮 汪源源

(复旦大学电子工程系，上海 200433)

乳腺肿瘤超声图像中感兴趣区域的自动检测

苏燕妮 汪源源*

(复旦大学电子工程系，上海 200433)

由于斑点噪声、伪影以及病灶形状多变的影响，乳腺肿瘤超声图像中肿瘤区域的自动检测以及病灶的边缘提取比较困难，已有的方法主要是由医生先手工提取感兴趣区域(ROI)。本研究提出一种乳腺肿瘤超声图像中感兴趣区域自动检测的方法，选用超声图像的局部纹理、局部灰度共生矩阵以及位置信息作为特征，采用自组织映射神经网络进行分类，自动识别乳腺肿瘤区域。对包含168幅乳腺肿瘤超声图像的数据库进行识别的结果表明:该方法自动识别ROI的准确率达到86.9%，可辅助医生提取肿瘤的实际边缘以及进一步诊断。

乳腺肿瘤;超声图像;感兴趣区域;自动检测;自组织映射神经网络

Abstract:Due to the speckle noise，shadowing artifacts and the variance in shape of sonographic lesions，it is difficult to detect breast tumors and extract lesion boundaries from ultrasound images automatically.Previous breast tumor detection methods have been based on the manual extraction of the region of interest(ROI).In this paper，a computer-aided automatic method was proposed to detect the ROI of breast tumors from ultrasound images.A self-organizing map(SOM)neural network was used for the classification of the area of breast tumor.The ROI could be extracted automatically employing the local texture，the local gray level co-occurrence matrix，and positions as features.Experimental results showed that the method could recognize breast tumors in our 168-image database with an accuracy of 86.9%，which may assist physicians to extract the boundary and make further diagnose.

Key words:breast tumor;ultrasound images;region of interest(ROI);automatic detection;self-organizing map(SOM)neural network

引言

乳腺肿瘤是威胁女性健康的最常见恶性肿瘤之一，早期乳腺癌治疗后10年生存率可达90%以上，因此，早期筛查与诊治成为降低乳腺癌死亡率的一个关键因素。早期乳腺肿瘤的影像学筛查方法包括X线摄片和超声检查等。超声检查有自己不可替代的优点:无创性诊断，无需切片检查;成像速度快，可以实时成像;对致密性乳腺的敏感性高;检查价格相对较低。然而乳腺肿瘤超声图像对比度低、噪声大，肿瘤结构复杂且存在伪影，使得肿瘤的自动分割成为一个难题。已有的自动分割方法针对整幅乳腺超声图像利用改进的分水岭算法得到一个初步分割［1］，再用活动轮廓模型细化所得到的初始边缘［2］。由于基于整幅图像进行初始边缘的提取，因此过程较为耗时，且当图像存在伪影或者多个与肿瘤相似的区域时，较难自动确定实际肿瘤所在位置。为了更准确的诊断，目前的研究多采用半自动的计算机辅助诊断方法，即先由医生人工选定乳腺超声图像中的感兴趣区域(region ofinterest，ROI)，再由计算机进行进一步的边缘提取、乳腺肿瘤良恶性分类等［3］。

为发展一种全自动的超声图像乳腺肿瘤分割方法，本研究提出了一种自动检测乳腺肿瘤超声图像中感兴趣区域的方法。该方法通过提取超声图像的纹理等特征，并基于神经网络中自组织映射(self-organizing map，SOM)分类器进行分类，实现乳腺肿瘤超声图像ROI的自动提取，进一步可提取肿瘤的边缘。

1 原理与方法

所用方法的流程图如图1虚线框以外部分所示。先对超声图像特征进行形态学滤波，去除原图四周标注的文字、图标等信息，得到反映乳腺信息的超声子图;并进行去噪、对比度增强等处理，使得图像特征更为显著。接着，对预处理后的图像进行特征提取和选择，最终选定9个特征，输入SOM神经网络进行分类，从分类的结果中即可提取出乳腺肿瘤超声图像的ROI。此外，为检测所提取ROI的精准性，进一步用改进的水平集算法继续提取肿瘤边缘，并与基于医生手工提取的ROI得到的边缘结果进行比较，如图1虚线框内所示。

图1 乳腺肿瘤超声图像中感兴趣区域的自动检测Fig.1 Block diagram of automatic detection of the ROI from breast tumor sonography

1.1 图像预处理

仪器采集的乳腺肿瘤超声图像的四周，包含仪器自身所标注的文字、图标等相关信息，如图2(a)所示。为便于后续步骤中ROI的提取，先针对图像特征，进行形态学滤波，提取出包含有效信息的超声子图。该步骤采用自定义的形态学掩模进行滤波，例如对于该子图实际左侧边缘的检测，选用掩模mask_left:

该掩模灰度的变化，表现为从左到右的阶梯形递增。采用这样的形态学掩模进行滤波，则在原乳腺超声图像左侧边缘处，得到的结果最大。取出滤波结果的最大值，再进行进一步的筛选可以得到超声子图的左侧边缘。其右侧、上侧、下侧边缘也采用相应的形态学掩模进行滤波后获得。作为例子，对图2(a)所示的图像进行该形态学滤波后，得到的结果如图2(b)所示，四周由超声仪所标注的相关文字和图标等信息均被删除，以便于ROI的提取。

图2 乳腺肿瘤超声图像预处理的结果。(a)原图;(b)对(a)进行形态学滤波的结果;(c)对(b)进行各向异性滤波去噪的结果;(d)对(c)进行对比度增强的结果Fig.2 The result of preprocessing on breast tumor sonography.(a)original image;(b)the result of morphological filtering of(a);(c)the result of speckle reduction for(b)with anisotropic diffusion;(d)the result of contrast enhancement of(c)

对于提取到的乳腺肿瘤超声子图，对其进行降噪处理，并进行灰度对比度的增强。这里采用了各向异性扩散(speckle reducing anisotropic diffusion，SRAD)的方法进行降噪［4］。各向异性扩散较之于其它降噪方法，具有如下优势:降噪具有方向性，即不是简单地抑制在边缘附近区域的平滑，而是在阻止垂直于边缘方向平滑的同时，加强平行于边缘方向的平滑;滤波是一种扩散过程，通过设计适当的扩散系数，不仅能够去除噪声，而且可以增强有用的边缘信息;不需要预先设定滤波器窗口，克服了自适应中值滤波中滤波结果对窗口尺寸和形状敏感的缺点;不需要估计斑点噪声的功率。因此，各向异性扩散十分适用于超声图像降噪，在去除超声图像噪声的同时，保持甚至增强边缘信息。

以图2(b)为例，通过各向异性扩散进行降噪的结果如图2(c)所示，进一步对比度增强的结果如图2(d)所示，使得后续特征提取时ROI的特征更有代表性。

1.2 特征提取

观察可知，待提取的ROI与非感兴趣的背景区域，在图像灰度、纹理等诸多方面表现出明显差异:ROI表现为该区域图像灰度较暗，内部纹理较背景区域更为平滑等特点，并有其一定的自身规律，由此本文提出了一系列的灰度、纹理特征来描述两者的差异。对于上述预处理得到的去噪、增强后的图像，将图像分成子块，提取每块的特征进行分类，确定每一块是属于ROI或是非ROI的背景区域，再将属于 ROI的子块进行形态学合并，即可实现整个ROI的提取。分块处理不但能大大减少计算量，并且可以实现局部区域信息的提取。

选取的特征主要包括三类:基本纹理特征、灰度共生矩阵特征、位置信息。

1.2.1 基本纹理特征

先对每个子块提取由灰度直方图计算出的与灰度有关的统计量:灰度均值、标准差、平滑度、三阶矩、一致性、熵［5］。

令z代表图像灰度级的随机变量，同时令p(zi)为对应区域中灰度的像素分布(i=0，1，…，L-1)，其中L是可区分的灰度级数，则关于z的均值的第n阶矩为:其中m是z的均值(平均灰度值)。6个纹理特征依次为:

(1)灰度均值m，表示一幅图像或区域的平均灰度值。

(2)标准差σ，表征纹理粗糙程度，即二阶矩μ2(z)的平方根。

(3)平滑度R，表征纹理平滑程度

(4)三阶矩μ3，表征直方图的偏斜程度。若直方图是对称的，则度量值为零;若度量值为正值，则直方图向右偏斜;若度量值为负值，则直方图向左偏斜。

(5)一致性U，反映图像灰度分布均匀程度和纹理粗细度。当某区域灰度值相等时，该度量值最大并从此处开始减小。表示为

1.2.2 灰度共生矩阵纹理特征

灰度共生矩阵用两个位置的像素的联合概率密度来定义，不仅可以反映亮度的分布特性，也可反映具有同样亮度或接近亮度的像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征，也是定义一组纹理特征的基础。因此，相比基本纹理特征，灰度共生矩阵还能反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息，是分析图像的局部模式和它们排列规则的基础。

设预处理后得到的图像为f(x，y)，尺寸为M×N，灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为

其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1，y1)与(x2，y2)间距离为d，两者与坐标横轴的夹角为θ，则可得到各种间距及角度的灰度共生矩阵 P(i，j，d，θ)，其中位于(i，j)的元素 p(i，j)的值表示一个灰度为i而另一个灰度为j的两个相距为d的像素对出现的概率。

可以从共生矩阵导出一系列反应矩阵状况的参数，以更直观地描述纹理状况，常见的包括:能量、对比度、相关度、熵、同质性/逆差矩、中值、协方差等［6］。选取有代表性的三个特征:对比度、相关度、能量，依次为

(1)对比度(con)反映图像清晰度和纹理沟纹深浅的程度。灰度差即对比度大的像素对越多，该值越大，此时灰度共生矩阵中远离对角线的元素值也越大，表示为

(6)熵(ent)，是随机性度量，也是图像信息度的量度。当图像灰度分布具有最大的随机性时，此值最大，且其变化与一致性量度是反向的，表示为

(2)相关度(cor)度量空间灰度共生矩阵元素在行或列方向上的相似程度，反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关度就大;相反，如果矩阵像元值相差很大则相关度小，表示为

式中，μx和 σx分别为的均值、均方差;μy、σy分别为的

1.2.3 位置特征

对预处理的结果进行分块后，每一个子块在分块后图像中对应一个坐标(x，y)，即为所选用的位置信息。

视觉系统中，位置的近邻性对于其他特征的相似度也有一定的影响，图像中距离很远的两个子块，即使其他特征很相似，但属于同一类目标的可能性也不大，这里引入位置作为特征之一，并乘以权重ωpos以限制其影响程度。由于该特征仅用以辅助区分较远的目标，因此ωpos可以取得较小，一般在0.01～0.1之间，研究中选为0.05。

由于上述11个特征之间存在相关性，为避免特征冗余导致的维数灾难，需要选择最有效的特征用于分类。在乳腺肿瘤超声图像中，采用已提取的ROI及非ROI的背景区域作为训练集，提取上述11个特征进行比较，利用特征选择的经典方法主元分析法(principle component analysis，PCA)，选出类间距较大的9个具有代表性的特征用于分类，依次为:4个基本纹理特征(灰度均值、标准差、一致性、熵)、3个灰度共生矩阵特征(对比度、相关度、能量)、2个位置特征。选取这9个特征从一定程度上消除了特征间的相关性，并有效描述了ROI与背景区域的不同，其中基本纹理特征中取灰度均值小、标准差小、一致性大、熵小的;灰度共生矩阵中取对比度小、相关度大、能量小的;位置分布中取位于原图中间的，作为感兴趣的肿瘤区域。

1.3 基于特征分类的ROI提取

选择特征之后，对每一个子块(x，y)计算其上述9个特征并归一化，即将所有特征的取值除以它们中的最大值，使得所有特征的取值在0到1之间。其中，位置信息归一化到［0，1］之间后，乘以权重系数ωpos。每个子块的特征组成一个9维的向量，将其输入分类器进行分类，以提取乳腺肿瘤超声图像的ROI。

分类步骤采用的是自组织特征映射神经网络(self-organizing feature map neural network，SOMNN)。它是Kohonen根据神经系统的特性提出均值、均方差。

(3)能量(e)即灰度共生矩阵元素值的平方和，反映了图像灰度分布均匀程度和纹理粗细度，纹理越粗能量越大，表示为的［7-8］人工神经网络模型。SOM采用无监督学习的算法来分类输入向量，以实现非线性地将高维空间的特征映射到低维的神经阵列，同时在低维空间内保持高维特征空间内的拓扑距离。此处选用SOM分类器而不是传统的k-means分类器，原因在于:当初始条件选择适当时，k-means方法可得到与SOM相似的分类结果。但是k-means算法受初始条件的影响很大，若初始聚类中心选择不当，则分类结果远不如SOM分类器。

采用SOM可以把目标子块分成n类。本研究中，输入向量为图像分块后每个子块对应的特征向量，输出层的 n取2，即将这些子块分为两类:ROI和非ROI的背景区域。

由于存在噪声，分类后的二值图像中存在一些不连续的孤立点，利用形态学方法去除这些孤立点的影响。并且由于原超声图像存在多处伪影以及与肿瘤相似的组织区域，因此根据ROI的大小以及其在乳腺肿瘤超声图像中的分布位置等特点，对于分类结果作进一步的形态学筛选，即可提取出最后的 ROI［9］。

1.4 边缘提取验证ROI提取的精准性

为检测所提取 ROI的精准性，在 ROI提取后，继续提取肿瘤边缘，与医生手工提取ROI后提取的边缘相比较，通过边缘检测结果来间接评价ROI提取的性能。乳腺肿瘤的边缘提取，是肿瘤良恶性分类(包括肿瘤形态特征和纹理特征的提取)的基础。由于超声图像成像质量较差，本研究选用改进的变分水平集法进行边缘提取［10］，该算法在 Chan-Vese(CV)模型基础上进行改进，提出一种基于区域的新的水平集图像分割算法——局部调整动态轮廓模型(local-fitting active contours，LFAC，又称 CVLF 算法［11］)。该方法通过引入局部调整项以加强图像局部信息，优势在于当 ROI确定时，无须任何人机交互以及预处理即可实现乳腺肿瘤的边缘快速、准确的提取。实验证明，该算法适用于具有区域非同质性的超声图像的分割，可有效实现超声图像乳腺肿瘤边缘的提取。

2 实验结果及讨论

采用的乳腺肿瘤超声图像库，由复旦大学附属华山医院超声科采用超声仪HDI-300采集，超声探头的频率为12 MHz。该库有168幅图像，均为病患图像，其中包括良性肿瘤和恶性肿瘤。算法流程如图1所示，整个过程中各步骤的处理结果如图3所示。

图3 整个流程的处理结果示意。(a)原图;(b)对(a)进行形态学滤波的结果;(c)对(b)进行各向异性滤波去噪以及对比度增强的结果;(d)对(c)采用SOM分类的结果;(e)ROI;(f)对ROI进行边缘提取的结果Fig.3 One result of the algorithm.(a)original image;(b)the result of morphological filtering of(a);(c)the result of speckle reduction with anisotropic diffusion and contrast enhancement for(b);(d)the result of SOMclassification;(e)the extracted ROI;(f)the result of boundary extraction

2.1 乳腺肿瘤超声图像预处理

经不同途径获得的乳腺肿瘤超声图像中，乳腺超声子图在原图中分布的位置及尺寸均不统一，无法采用已有的一些预处理方法。本方法能够去除四周标注信息，保留反映乳腺肿瘤的超声子图部分，对于库中的168幅图进行预处理的准确率为100%，因此该预处理方法相对于以往的研究结果具有更好的普适性。

对于去除四周标注的文字、图标等信息后的图像，利用各向异性扩散进行去噪并进行对比度增强处理，使得后续提取特征时，感兴趣区域的特征更有代表性。以图3(a)为例，预处理的结果如图3(c)所示。

2.2 特征提取、SOM分类以及ROI的提取

对于库中的任一幅图像，按上述预处理、分块，求出每个子块对应的9维的特征向量，输入SOM将其分为2类。

本研究分别尝试了将原图分为32像素×32像素、16像素×16像素、8像素×8像素、4像素×4像素的子块，并进行特征提取及分类。结果发现，子块过大容易导致粗分割，往往不能将 ROI和非 ROI区域分开.;而子块过小会导致每块所包含的信息过于局限，容易出现过分割，且计算代价大。测试结果表明，子块采用8像素×8像素的大小时，效果相对最优。

采用8像素×8像素子块，对于整个库中168幅图完成上述处理后，将自动提取的ROI与医生手动标注的ROI区域作比较，结果如表1所示。168幅中，ROI提取成功的共135例，占80.4%，ROI提取失败的，即提取出的ROI不包括医生手工提取的标准参考区域的有33例，占19.6%。ROI提取成功的所有例子中，有79.3%是ROI大小适中、与医生手工提取结果相符合;剩下的20.7%是ROI大于但是包含医生手工提取ROI的。对于采用8像素×8像素子块提取ROI失败的图像，将原图分为16像素×16像素的子块进一步分析，33例中有11例提取成功，可以将提取成功的百分比提高到86.9%。

表1 ROI提取结果Tab.1 The results of ROI extraction

若欲实现特征提取窗口尺寸的自适应选取，根据本文的实验结果，可先以原图宽度的1/80为窗口边长，对由此提取 ROI失败的案例，再将窗口的边长取为原图宽度的1/40、1/20等进一步分析，直到ROI提取正确率不再提高为止。此处，不能直接由原图得出最适宜的子块尺寸，原因在于本研究的目的为自动识别超声图像中乳腺肿瘤区域，对于不同病患的任意一幅乳腺肿瘤超声图像，肿瘤大小各异，无法预先得知其肿瘤区域的准确尺寸。为避免特征提取窗口尺寸过大或过小带来的粗分割或过分割的问题，需要如上的分析以得到最适宜的窗口大小。

由于乳腺肿瘤超声图像具有斑点噪声、伪影、边缘缺失、亮度不均等特点，使得传统各种感兴趣区域提取算法在该领域的应用存在一定的困难，本研究的算法对于 ROI的自动识别可在一定程度上解决上述因素的影响。

图4为乳腺肿瘤超声图像ROI自动检测及边缘提取的结果，原图中有较强噪声及多处伪影，但本方法仍能得到正确的 ROI，从而正确提取肿瘤边缘。

对于ROI成功提取 (即，ROI大小适中且恰与参考符合)的图例，本研究取分类结果中属于 ROI区域的像素的外切矩形作为CVLF边缘分割的图像输入，为了进一步体现本算法的优势，将所提取到的ROI区域与医生手工提取的参考标准(同样以矩形框形式给出)进行比较。可知，在完全包含肿瘤区域的情况下，ROI面积越小，说明其更精确的指向图像中肿瘤所在区域，且边缘分割时计算量越小。对图4中的四个例子，比较两种方法所得ROI面积的大小，计算本研究提取所得的ROI与医生提取出作为标准参考的 ROI的面积之比，结果如表2所示。

图4 乳腺肿瘤超声图像ROI自动检测及边缘提取的结果。(a)库中原始超声图像;(b)对(a)预处理的结果;(c)基于本算法得到的ROI采用CVLF算法得到的边缘提取结果;(d)基于医生手工提取的ROI采用CVLF算法得到的边缘提取结果Fig.4 The ROI of breast tumor sonogrphy and their automatic boundary extraction.(a)the original images;(b)the preprocessing of(a);(c)boundary extraction using the CVLF algorithm in the ROI extracted by the proposed method;(d)boundary extraction using the CVLF algorithm in the ROI extracted manually

由图4(c)和图4(d)的对比还可发现，由于本方法提取的ROI面积更小，能够更精确地指向肿瘤所在，因此边缘提取时不容易受周围噪声或伪影的影响而导致错误，从而能够得到更为准确的结果。

表2 ROI自动检测结果精准性度量Tab.2 The measurement of precision of the result of ROI automatically extraction

3 结论

本研究提出的乳腺肿瘤超声图像中感兴趣区域的自动检测方法，通过提取超声图像的纹理以及像素点位置信息等特征，利用神经网络中自组织映射分类器进行分类，得到其中的感兴趣区域，即乳腺肿瘤所在处。结果表明:方法对图像库中168幅图像的感兴趣区域自动检测准确率为86.9%。此方法能够大大提高整个乳腺肿瘤诊断的自动化程度，降低了医生的工作量，并提高检测的准确性。但针对少数质量过差或伪影、干扰十分严重的超声图像，ROI的自动检测结果仍存在一定偏差，有待进一步的改进。

［1］Huang Yulen，Chen Darren.Watershed segmentation for breast tumor in 2-d sonography ［J］.Ultrasound in Medicine and Biology，2004，30(5):625-632.

［2］Huang Yulen，Chen Darren.Automatic contouring for breast tumors in 2-D sonography［A］.In:Proceedings of the 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference［C］.Shanghai，2005.3225-3228.

［3］Chen Darren，Hsiao Yihsuan.Computer-aided diagnosis in breast ultrasound ［J］.Journal of Ultrasound in Medicine，2008，16(1):46-56.

［4］Yu Yongjian，Acton ST.Speckle reducing anisotropic diffusion［J］.IEEE Transaction on Image Processing，2002，11(11):1260-1270.

［5］冈萨雷斯.数字图像处理:Matlab版［M］.北京:电子工业出版社，2006.

［6］Baraldi A，Parmiggiani F.An investigation of the textural characteristic associated with gray level cooccurrence matrix statistical parameters［J］.IEEE Transactions on Geoscience and Remote Sensing，1995，33(2):293-304.

［7］Kohonen T.Self-organization and associative memory［M］.New York:Springer-Verlag，1989.

［8］Kohonen T.Self-organizing maps［M］.New York:Springer-Verlag，1997.

［9］Haralick RM，Shapiro LG.Computer and robot vision［M］.Boston:Addison-Wesley，1992:28-48.

［10］Li Chunming，Kao Chiu-Yen，Gore JC，et al.Minimization of region-scalable fitting energy for image segmentation［J］.IEEE Transaction on Image Processing，2008，17(10):1940-1949.

［11］杨晓霜，汪源源，王涌，等.基于改进变分水平集法提取超声图像乳腺肿瘤边缘［J］.航天医学与医学工程，2008，21(6):500-504.

Automatic Detection of the Region of Interest from Breast Tumor Ultrasound Images

SU Yan-NiWANG Yuan-Yuan*
(Department of Electronic Engineering，Fudan University，Shanghai 200433)

R318.08

A

0258-8021(2010)02-0178-07

10.3969/j.issn.0258-8021.2010.02.004

2009-09-03，

2009-11-10

国家重点基础研究规划基金项目(2005CB724303);国家自然科学基金资助项目(10974035);上海市重点学科建设项目(B112)

*通讯作者。 E-mail:yywang@fudan.edu.cn