基于小波分析和遗传算法的乳腺X线图像分割

周婷婷， 王宏志

(长春工业大学 计算机科学与工程学院， 吉林 长春 130012)

基于小波分析和遗传算法的乳腺X线图像分割

周婷婷， 王宏志*

(长春工业大学 计算机科学与工程学院， 吉林 长春 130012)

首先运用维纳滤波对X线图像进行处理，可以有效地去除图像中的伪影和噪音。其次，利用多尺度小波对图像进行增强，有利于分割过程中取得更好的效果。最后，用小波变换对图像直方图进行处理，并根据遗传算法对图像中的疑似肿块进行分割。实验表明,该算法能更加快速、清晰地分割出肿块。

小波变换; 遗传算法; X线图像; 图像分割

0 引 言

乳腺癌是是危害中老年妇女健康的主要恶性肿瘤之一，乳腺癌的防治关键在于早发现、早诊断[1]。目前临床上早期探测乳腺癌最敏感的方法是X线摄影，它也是乳腺癌早期预防的重要工具[2]。X线图像分割被认为是识别良恶性的第一步，也是重要的一步。由于X线图像分割是乳腺癌诊断的重要步骤，故对其分割效果有更加迫切的需求。

近年来对于乳腺X线图像分割的研究国内外都有很大的发展。Guliato[3]等提出了基于多边形轮廓的肿块分割方法，有效保留了肿块的边缘细节特征，有助于乳腺癌的诊断；Eltonsy[4]等提出了同轴形态学模型的X线图像检测分割方法，在灰度分层后的图像中查找同轴关系来寻找病变；Chen[5]等提出了基于小波系数的图像阈值算法；Chang[6]等提出了一种基于贝叶斯理论的条件概率熵(CPE)阈值技术，把遗传算法应用到CPE中，以确定阈值。Yen[7]等提出了多阈值的新标准，称为自动阈值标准(Automatic Thresholding Criterion， ATC)，此算法解决了分割灰度图像的阈值数量不能自动确定的问题。

基于以上方法，文中提出一种基于小波分析及遗传算法的乳腺X线图像分割。对图像进行维纳滤波，对处理后的图像用多尺度小波进行图像增强，再运用小波及遗传算法对其分割。

1 预处理

乳腺X线图像在获取的过程中，由于设备及本人自身各种原因导致图像中包含的伪影及噪声较多，因此需运用维纳滤波对其进行去噪处理。同时，因为去噪后的图像肿块与背景对比度低，边缘不清晰，故用多尺度小波进行图像增强。如图1所示。

图1 图像预处理

2 图像分割

对于乳腺X线分割，文中提出了一种基于小波变换和遗传算法的分割方法。使用小波变换对图像进行处理，加快遗传算法的收敛速度，同时利用遗传算法确定最佳的阈值数量和阈值。

2.1小波变换

文中运用的是小波变换中的二进制小波。二进制小波在连续小波和离散小波之间，只对尺度参量进行了离散化而在时间域的平移量保持连续变换，因此具有平移不变性和时移共变性，同时其优越性还有信号奇异性检测和图像多尺度边缘检测等。利用二进制小波变换将图像的直方图分解为不同层次的小波系数，同时减少直方图的长度，可以进一步提高遗传算法的收敛速度。

2.2遗传算法

遗传算法(Genetic Algorithms， GA)[8]是一类借鉴生物界的进化规律适者生存、优胜劣汰遗传机制演化而来的随机化搜索算法，由J.H.Holland教授于1975年提出。文中提出一种基于遗传算法的快速多阈值技术来确定适当阈值数量，以及适当的阈值。所提出的遗传算法采用了一个新的染色体字符串表示形式，它结合了基于变换的小波技术，以减少时间的计算。此方法可以被认为是类似于由Kim[9]等提出的多级阈值化方法，不同的是所提出的遗传算法是用于寻找最佳阈值的。使用遗传算法比传统的搜索技术有许多优点，特别是基于遗传算法的方法是全局搜索能力的技术，可以防止把局部最优解认为是全局最优解；另一个优点是，基于遗传算法的方法可以通过并行实现变得更快。

由小波变换后的直方图生成初始种群，在种群中保存一个最合适独立位置的字符串A，运用相邻值的方法以提高A的合格值[10]，再通过执行选择、交叉和变异的操作来产生下一个种群A*，比较A*和A，如果A*比A有更好的适应值，那么A*代替A，否则重新开始，继续扩展最佳阈值，完善扩大阈值，进而完成乳腺X线图像分割。

3 实验结果分析

本实验从一个包括160例患者640张X线图像(即80例良性肿瘤和80例恶性肿瘤)的数据库中随机抽取图像进行仿真，取得了满意的效果。文中使用了两个乳房的4张X线图像，分别如图2和图3所示。 图2(a)和(b)是左侧乳房的头尾位、轴位(Cranio-caudal, CC)图像和内外斜位、侧斜位(Medio-lateral Oblique, MLO)图像，具有恶性病变。图3(a)和(b)是具有良性病变的左侧乳房的CC和MLO图像。

图2 恶性肿瘤CC和MLO

图3 良性肿瘤CC和MLO

应用文中方法对以上4张X线图像进行预处理，再把处理后的图像进行分割，分别如图4和图5所示。

图4 文中算法恶性肿瘤CC和MLO分割结果

图5 文中算法良性肿瘤CC和MLO分割结果

由图4和图5可以看出，文中算法能够更加快速、清晰、有效地分割出肿块。

4 结 语

乳腺X线图像分割是乳腺癌诊断中重要的一步，受到越来越多人的关注。针对乳腺X线图像的医学图像分割，给出了一个从图像预处理到小波变换减少直方图长度，再到遗传算法分割的较为完整的乳腺X线图像分割方法，能够较为清晰、准确地分割出图像中的肿块，但是此方法目前只适用于实验室研究，所以，下一步是增加对此方法的应用调试，争取早日应用到临床实践中。

[1] 吴相颖.基于 Graph Cuts 算法的乳腺 X 线图像肿块分割方法研究[D]:[硕士学位论文].杭州：杭州电子科技大学,2012.

[2] 欧阳成,丁辉,王广志.乳腺 X 线图像肿块分割[J].北京生物医学工程,2007,26(3):237-240.

[3] Guliato D, Rangayyan R M, Carvalho J D, et al. Polygonal modeling of contours of breast tumors with the preservation of spicules[J]. Biomedical Engineering, IEEE Transactions on,2008,55(1):14-20.

[4] Eltonsy N H, Tourassi G D, Elmaghraby A S. A concentric morphology model for the detection of masses in mammography[J]. Medical Imaging, IEEE Transactions on,2007,26(6):880-889.

[5] Chang Y, Yan H. An effective multilevel thresholding approach using conditional probability entropy and genetic algorithm[C]//Selected papers from the 2002 Pan-Sydney workshop on Visualisation-Volume 22. Australian Computer Society, Inc.,2003:17-20.

[6] Yen J C, Chang F J, Chang S. A new criterion for automatic multilevel thresholding[J]. Image Processing, IEEE Transactions on,1995,4(3):370-378.

[7] Chen G Y, Bui T D. Multiwavelets denoising using neighboring coefficients [J]. Signal Processing Letters, IEEE,2003,10(7):211-214.

[8] Holland J H. Adaptation in natural and artificial systems: An introductory analysis with applications to biology, control, and artificial intelligence[M]. [S.l.]:U Michigan Press,1975.

[9] Kim B G, Shim J I, Park D J. Fast image segmentation based on multi-resolution analysis and wavelets [J]. Pattern Recognition Letters,2003,24(16):2995-3006.

[10] Yin P Y. A fast scheme for optimal thresholding using genetic algorithms [J]. Signal Processing,1999,72(2):85-95.

Image segmentation of breast X-ray based on wavelet analysis and genetic algorithm

ZHOU Ting-ting, WANG Hong-zhi*

(School of Computer Science & Engineering, Changchun University of Technology, Changchun 130012， China)

Wiener filter is used first to process X-ray images to effectively remove image artifacts and noises. Then the images are enhanced with Multi-scale wavelet for image segmentation. Wavelet transform is applied to deal the image histogram and then genetic algorithm is introduced to segment the suspected masses. Experimental results show that the algorithm can quickly identify the masses.

wavelet transform； genetic algorithm； X-ray； image segmentation.

2014-07-20

吉林省教育厅“十二五”计划基金资助项目(2013136)

周婷婷(1989-)，女，汉族，吉林辽源人，长春工业大学硕士研究生，主要从事图像处理与机器视觉方向研究,E-mail:zhoutingtingsha@126.com. *联系人：王宏志(1961-)，男，汉族，黑龙江牡丹江人，长春工业大学教授，博士，主要从事数字信号处理方向研究,E-mail:wanghongzhi@mail.ccut.edu.cn.

TP 317.4

A

1674-1374(2014)05-0487-03