一种应用于乳腺图像处理的胸墙检测算法

冯娟++马艳歌

摘 要：简要介绍了一种从乳房原始图像中检测胸墙的算法，以期为日后的相关工作提供参考。这种算法是先在原始图像中确定胸墙的初始区域，然后运用形态学的相关知识在初始区域中确定胸墙区域与其他组织区域的分割阈值，从而得到胸墙区域模板。

关键词：图像处理；胸墙检测；域值分割；影像系统

中图分类号：R816 文献标识码：A DOI：10.15913/j.cnki.kjycx.2016.06.014

随着计算机科学和信息技术的发展，医学成像技术也在不断发展，各种医用影像系统面世。全视野数字乳腺X线摄影系统（FFDM，Full-Field Digital Mammography）、数字乳腺断层摄影系统（DBT，Digital Breast Tomosynthesis）作为乳腺癌筛查和诊断时必不可少的设备被广泛应用。

在处理乳腺图像的过程中，需要先检测出胸墙的位置。目前，工作人员主要是在经过了厚度均衡、组织均衡、增强、降噪等算法处理后的图像上进行相关检测。在处理图像时，采用这种方法无法充分利用胸墙信息进行算法操作，而且也很难排除胸墙信息对图像处理过程造成的干扰。

本文提出了一种基于FFDM系统采集到的原始乳腺图像进行胸墙检测的方法。在处理图像之前，首先要检测胸墙区域的图像模板，并将它用于后续的图像处理工作中。采用这种方法检测速度快，检测到的胸墙区域准确度高，能在一定程度上提高图像的对比度，优化乳腺图像的质量，进而满足临床使用需要。

1 方法概述

乳腺原始图像与处理后的图像相比，对比度有很大的不同，而要想在原始图像中确定胸墙的位置也有较大的难度。在实际操作过程中，因为整个算法流程有时间限制，所以，对算法的准确度有较高的要求，并且要求其执行速度要快。

本文所述方法使用的是探测器采集到的原始乳腺图像。在检测胸墙区域时，因为是通过粗分割获得包括胸墙区域在内的初始区域，然后在初始区域中检测胸墙区域的，所以，最终检测到的胸墙区域的准确度高，检测速度也快很多。另外，对胸墙区的检测是直接在原始图像中进行的，因此，在处理乳腺图像时，可以去除检测到的胸墙区域信息，避免其对后续处理造成的干扰，从而提高最终获得的乳腺图像的质量，增强FFDM系统的性能。

2 胸墙检测算法设计

图1为胸墙检测算法设计流程。这里重点介绍2种关键算法，并利用粗分割的方法确定初始区域，运用形态学的相关知识获得分割阈值。

2.1 粗分割确定初始范围

通常情况下，在处理乳房图像时，待检测的胸墙区域位于乳房图像的左上角。如果原始乳房图像中的胸墙区域不在图像的左上角，则要先对图像作旋转处理，将胸墙区域显示在图像的左上角，然后再进行算法检测。

2.1.1 选择第一初始分割点

一般情况下，探测器采集到的原始乳房图像包括水平边界、

———————————————————————————

竖直边界和乳房边缘——图像的水平边界为Y轴正方向，竖直边界为X轴正方向。为了尽可能地检全胸墙区域，选择的第一初始分割点Of位于乳房图像边缘与其水平边界的交点，具体如图2所示。

图1 胸墙检测算法流程图

2.1.2 确定第二初始分割点

假设Lb为乳房边缘上的首末2点，其对应的是竖直方向上的坐标之间的距离，如图2所示，即为Xf（首点横坐标），Xe（末点横坐标）之间的距离，也就是Xe.

从乳房最下方（近胸墙侧）开始沿着乳房边缘向上的一段属于[0.5Lb，0.7Lb]的部分乳房边缘。图2中加粗显示的部分即为选取的部分乳房边缘，连接第一初始分割点Of与部分乳房边缘上的各个像素点，如图2中虚线所示，并计算其所在直线的斜率。此时，可将直线斜率最小时（图2中用实线表示）的

*[基金项目]科技部国家科技支撑计划课题“大型医疗装备核心部件及重大产品研发”（编号：2012BAI13B00）

乳房边缘上的像素点作为第二初始分割点Os.

2.1.3 确定第二分割点

基于第二初始分割点Os的位置确定第二分割点Ps，Ps的横坐标要小于Os的横坐标。为了尽可能地在粗分割时将胸墙区域分割出来，取Ps的纵坐标为0，即Ps位于乳房图像的竖直边界上。另外，Os横坐标与Ps横坐标之差的绝对值小于1/2Os横坐标的绝对值。具体来说，Ps的横坐标属于[0.5Xs，0.9Xs]。其中，Xs为第二初始分割点Os的横坐标，具体坐标关系如图3所示。

图2 确定初始分割点 图3 确定分割点

2.1.4 确定第一分割点

根据第二分割点Ps确定第一分割点Pf.从乳房最上方开始沿乳房边缘向下的一段属于[0.2Lb，0.4Lb]的部分乳房边缘，图3中加粗显示的即为上侧乳房的边缘部分。连接Ps与上侧乳房边缘上的各个像素点，如图3中虚线所示，计算其所在直线的斜率。此时，可将直线斜率最大时（图3中用实线表示）乳房边缘上的像素点作为第一分割点Pf.

2.1.5 确定初始区域

连接第一分割点Pf与第二分割点Ps，两点的连线与乳房图像的水平边界、竖直边界所组成的直角三角形区域即为包括胸墙区域的初始区域。

2.2 运用形态学知识获得分割阈值

形态学分析法好比胸墙区域的灰度值对于乳房区域的灰度值——胸墙区域的灰度值低，从胸墙区域过渡到乳房区域时的灰度值变化越大，灰度值的变化率也越大。

2.2.1 获得第一灰度直方图

将初始区域的灰度直方图归一化，从而获得第一灰度直方图。图4为归一化后的直方图，其横坐标为灰度值，纵坐标为像素点个数。对灰度直方图进行归一化，即对直方图中的像素点个数进行归一化，使直方图中峰值处对应的像素点个数等于直方图中最大灰度值与峰值处灰度值的差。如果原始直方图中的最大灰度值为1 200，峰值处的灰度值为300，并且对应的像素点个数为4 500，则归一化操作即为原始直方图中纵坐标上的每一个值除以5，即5=4 500/（1 200-300）.

2.2.2 形态学分析

确定第一灰度直方图中像素点个数最多处对应的灰度值，在大于该灰度值所对应的第一灰度直方图中搜索与该灰度值坐标预设邻域内的任一灰度值坐标距离最近的点，并将该点对应的灰度值作为所述乳房图像中胸墙区域和其他组织区域的分割阈值。

如图4所示，先在第一灰度直方图中确定像素点个数最多时对应的灰度值GM.在大于灰度值GM所对应的第一灰度直方图中，搜索与该灰度值GM坐标预设邻域内的任一灰度值坐标距离最近的点，预设邻域的半径为[0，0.15GL].其中，GL为第一灰度直方图中灰度区间的长度，即第一灰度直方图的灰度分布范围。当GL为1 000时，如果GM的灰度值为300，则可以在灰度值为300～450的范围内搜索。图4中以预设邻域半径为0作了示意，即在虚线的右半部分搜索与GM坐标距离最近的点，并以GM坐标为圆心做虚线右侧的灰度直方图的内切圆。这时，切点T为与GM坐标距离最近的点，而它对应的灰度值为乳房图像中胸墙区域和其他组织区域的分割阈值。

图4 基于直方图进行形态学分析

在确定了分割阈值后，大于等于该分割阈值的像素点为其他组织区域的像素点，而小于该分割阈值的像素点为胸墙区域的像素点。这时就可以在初始区域中分割出胸墙区域。

3 算法效果检验

图5为算法检测效果，左侧黑白图为检测图像，因为原始图像的对比度比较低，视觉效果较差，不容易分辨出胸墙区域，所以，为了使对比效果更加明显，展示出的是处理后的图像。右侧彩色图像为经过算法检测得到的胸墙模板。从图5中可以看出，利用胸墙检测算法可以从原始图像中准确地分割出胸墙区域。

图5 检测图像与胸墙模板

4 结论

本文提出的基于原始图像进行胸墙检测，通过粗分割获取初始区域的方法可以保证检测结果的准确性。在初始区域中进行基于直方图的形态学分析，不仅能保证检测的高效性，还能在一定程度上提高图像的质量。

参考文献

[1]Karthikeyan Ganesan.Pectoral muscle segmentation：A review[J].Computer Methods and Programs In Biomedicine，2013（IIO）.

[2]C K Feudjio.Automatic extraction of pectoral muscle in MLO view of mammograms[J].Physics In Medicine and Biology，2013（58）.

[3]Chen-Chung Liu.A pectoral muscle segmentation algorithm for digital mammograms using Otsu thresholding and multiple regression analysis[J].Computers and Mathematics with Application，2012（64）.