MSRM和Snake算法相结合的MRI肿瘤提取

侯榆青,薛心雨,贺小伟,白 帅,吕 伟

(1.西北大学 信息科学与技术学院,陕西 西安 710127；2.西安石油大学 理学院，陕西 西安 710065)



·信息科学·

MSRM和Snake算法相结合的MRI肿瘤提取

侯榆青1,薛心雨1,贺小伟1,白 帅1,吕 伟2

(1.西北大学 信息科学与技术学院,陕西 西安 710127；2.西安石油大学 理学院，陕西 西安 710065)

提出一种将最大相似度区域合并(MSRM)算法与Snake算法相结合的新的分割方法,进而提取MR成像中的肿瘤区域。首先使用简单线性迭代聚类(SLIC)算法对图像进行超像素分割,其次使用MSRM算法得到图像肿瘤区域大致边界,最后将该边界作为Snake模型的初始轮廓线,完成对图像的肿瘤提取。实验结果表明,相比于MSRM算法，文中方法能更准确地提取MRI肿瘤区域,且不需要手动选取Snake模型的初始轮廓线。

MRI;MSRM;Snake算法;SLIC;初始轮廓;肿瘤提取

医学图像分割是将原始图像划分成不同性质(纹理,灰度等)的区域,从而提取感兴趣区域,并使它尽可能地接近解剖结果,其目的是为后期的定量分析、临床诊断以及病理学研究提供可靠依据。磁共振成像(Magnetic resonance imaging, MRI)是目前少有的对人体没有伤害且快速、准确的诊断方法,具有在统一组织层面进行多种参数成像、任意截面成像等优点,已被广泛应用于临床[1-3]。但是,由于MRI肿瘤图像自身存在的对比度低、肿瘤区域形状复杂等特点,造成肿瘤区域分割困难,这也是目前医学领域中的一大研究难点和热点。

Ning等人[4]提出了最大相似度区域合并(Maximum similarity region merging,MSRM)算法,该算法不需要设定区域合并的阈值,并且可以对自然图像进行单目标和多目标区域分割;Achanta等人[5]提出了简单线性迭代聚类(Simple linear iterative clustering,SLIC)超像素分割方法,该方法比较简单,不仅可以很好地搜索到边界,而且所需时间较短,提高了分割性能;兰红等人[6]针对传统Snake模型存在的问题,提出了一种将分水岭变换与主动轮廓模型相结合的分割算法,对肝脏图像的识别和分割取得了良好效果,且有效减少了分割时间;滕秀花等人[7]提出了一种基于SLIC超像素分割的快速色彩传递算法,与基于像素点传递这一类算法相比,不仅提高了传递速度,而且改善了传递效果;张亚亚等人[8]提出了一种改进的SLIC方法,利用非线性扩散滤波器对图像进行滤波处理,再结合Sigma滤波器特性增加聚类限制条件,进一步提高了分割精度和效率;苏坡等人[9]提出了一种将超像素与动态区域合并相结合的多模态MRI脑胶质瘤分割算法,该算法充分利用了超像素和动态区域合并算法各自具有的优点,与其他经典算法相比,明显提高了GBM分割的准确性和鲁棒性。

本文受文献[4]启发,将MSRM算法和Snake模型相结合,先对图像进行SLIC超像素分割,然后利用MSRM对分割后的图像进行区域合并,得到肿瘤区域的大致边界,最后将该边界作为Snake模型的初始轮廓线,实现对MRI图像中肿瘤区域的分割。

1 图像分割背景知识

1.1 SLIC算法

超像素是指图像中由一系列位置相邻且颜色、亮度等特征相似的像素点组成的小区域,这些小区域大多保留了进一步进行图像分割的有效信息,且一般不会破坏图像中物体的边界信息。SLIC超像素分割是一种基于聚类的分割算法,聚类依据为像素之间的颜色邻近性和相似性。颜色邻近性和相似性的度量因子分别为图像二维坐标空间xy和Lab颜色空间的L1范数,因此SLIC算法综合度量因子为五维空间。SLIC算法不仅可以分割彩色图像和灰度图像[8,10],且可以人为设置需要分割的超像素块个数num。如图1所示,(a)为原始图像,(b)为经SLIC算法分割后的图像,其中num=50。

图1 SLIC算法分割Fig.1 Segmentation by SLIC algorithm

SLIC算法实现过程为:

1) 聚类中心的初始化:按照设定的超像素块个数num,在图像内均匀分配聚类中心;

2) 在n×n邻域内打乱聚类中心,将聚类中心移到邻域内梯度最小的地方,目的是防止聚类中心落在边界上，本文设定n=3;

(1)

(2)

(3)

其中，m用来调整dxy的权值。

4) 计算新的聚类中心与之前聚类中心的L1距离,直到近两次聚类中心之间的距离小于某一设定阈值,结束运算。

1.2 MSRM算法

SLIC超像素分割算法虽然存在过分割,但是它得到了一个初始分割结果,即每个区域都包含着目标或背景区域的一些特征,为后续区域合并处理提供基础。本文使用的区域合并为MSRM算法,该算法需要用户在图像上标记目标和背景区域,含有目标标记像素和背景标记像素的区域分别被称为目标标记区域和背景标记区域。目标标记完后,每个区域将被标记为3种类型:目标标记区域Ro,背景标记区域Rb和未被标记区域Rn。如图2所示,(a)为SLIC算法分割后的图像,(b)中绿色(较短)曲线和蓝色(较长)曲线标记的区域分别对应目标和背景区域,其余区域则为未被标记区域。

图2 MSRM算法区域标记Fig.2 Region labeling by MSRM algorithm

MSRM算法合并过程可以分为两个阶段:

第一阶段:合并未被标记区域Rn和背景标记区域Rb,其输入为初始分割结果(本文初始分割结果为使用SLIC算法分割的结果)或第二阶段的合并结果。

(4)

其中，Hist分别表示两个区域的直方图，上标u表示直方图的第u个箱格；

4)相应地更新Rb和Rn，如果Rb区域无法找到新的合并对象,则第一阶段结束,否则返回步骤1)。

第二阶段:自适应地合并未被标记区域Rn,输入为第一阶段合并的结果。

4) 更新Rn,若Rn区域无法找到新的合并对象,第二阶段停止,否则返回步骤1)。

1.3 Snake算法

Snake模型的基本思想是,通过初始轮廓线自身的弹性形变达到某种函数能量极小化,从而完成对图像的分割。由于它具有良好的提取和跟踪特定区域内目标轮廓的能力,目前已被广泛应用于数字图像分析和计算机视觉领域[10-12],特别适合于医学图像(如CT，MRI)中肿瘤区域的提取。

Snake算法是由一组控制点:v(s)=[x(s),y(s)],s∈[0,1]组成,这些点首尾以直线相连构成轮廓线,其中x(s)和y(s)分别表示每个控制点在图像中的坐标位置。Snake算法的能量函数表达式如式(5),式中α和β分别表示曲线的弹性系数和刚性系数,前两项和为内部能量,用于约束曲线形状;最后一项为外部能量,用于和图像匹配,引导曲线收敛到目标边缘。

Etotal=

(5)

由于Snake模型对于初始位置比较敏感,因此要求初始轮廓尽可能靠近真实轮廓,然而当目标比较复杂,图像边缘模糊或与其他的物体距离比较近时,其初始轮廓更不容易确定。确定初始轮廓的方法有以下几种:①手动勾勒图像边缘;②序列图像差分边界;③基于序列图像的前一帧进行图像边界的预测;④基于传统图像分割结果进行边界选取。本文Snake模型使用的初始轮廓线为经MSRM区域合并后得到目标区域的边界线,因此可以避免手动选取Snake模型初始轮廓线。

2 MSRM与Snake算法相结合的图像分割

由于SLIC超像素分割后的每个区域都包含着目标或背景的一些特征,这就要求对分割后的图像进行MSRM算法区域合并以得到目标区域的大致轮廓,然而经MSRM算法合并后的图像并不能准确搜索到图像感兴趣区域的真实边界,且Snake模型通常需要手动选取初始轮廓线。因此,本文提出一种将MSRM算法与Snake模型相结合的图像分割方法,可以较好地改善图像的分割效果。本文方法的基本步骤为:

1) 先对待分割图像进行SLIC超像素分割,保存其分割结果;

2) 再对SLIC超像素分割后的图像进行最大相似度区域合并,使用MSRM算法合并时,需要手动选取目标区域和背景区域,经合并后得到目标区域的大致轮廓;

3) 采用轮廓跟踪算法求解步骤2得到的轮廓线;

4) 将步骤3得到的轮廓线作为Snake算法的初始轮廓;

5) 设置迭代次数,通过Snake算法得到目标区域的边界轮廓线;

6) 根据边界轮廓线,提取出目标区域。

根据以上步骤,可以得到本文算法流程图，如图3所示。

图3 算法流程图Fig.3 Flowchart of the algorithm

3 实验结果

采用Matlab 2013b实现本文的上述算法,对患者颅脑MR图像进行肿瘤提取。本文将MSRM算法和Snake模型相结合进行肿瘤提取的调整参数主要有两个,SLIC超像素分割块数num和Snake模型中的迭代次数Iter。图4～图7为使用文中算法对单目标区域的分割,4幅测试图像使用的超像素分割块数num均为200,Iter分别对应200,500,120和320。图4～图7中的(a)图为输入原始图像,(b)图为经MSRM算法区域标记后的图像,(c)图为经MSRM算法合并后的图像,(d)图为使用文中算法得到的图像,即结合MSRM和Snake算法分割后的图像,其中Snake模型所使用的初始轮廓线为(c)图中的轮廓线,(e)图为目标提取图像。由实验分割结果可知,经MSRM分割得到的MRI图像存在一定程度的过分割或欠分割问题,而采用本文方法,无论是对肿瘤边界简单还是复杂的图像,都可以较准确地提取出肿瘤区域。本文方法也可以进行多目标区域分割,结果如图8所示,实验中参数num和Iter分别对应180和60。

图4 第1幅测试图像Fig.4 The first test image

图5 第2幅测试图像Fig.5 The second test image

图6 第3幅测试图像Fig.6 The third test image

图7 第4幅测试图像Fig.7 The fourth test image

图8 第5幅测试图像Fig.8 The fifth test image

4 结 语

尽管MSRM算法简单有效,不需要设定区域合并的阈值,但是存在过分割或欠分割问题,故本文将MSRM算法和Snake算法相结合对颅脑MRI图像进行分割:先使用SLIC算法对图像进行超像素分割,接着使用MSRM算法得到目标区域的边缘曲线,最后将该曲线作为Snake算法的初始轮廓线，从而实现对MRI图像肿瘤区域的分割。实验结果表明,本文算法既利用MSRM算法的优点,又能摒除Snake模型手动选取初始轮廓线的缺点,相比于MSRM算法,可以很好地分割出肿瘤区域,便于后期研究者定量分析和医生临床诊断。如何进一步更好地提取MR图像中肿瘤区域,提高分割精度且减少计算时间是今后的研究重点。

[1] YROT H, MONTORIOL P F, BEZIAT J L, et al. Synovial chondromatosis of the temporomandibular joint: CT and MRI findings[J]. Diagn Interv Imaging, 2014, 95(6):613-614.

[2] ALKINS R, HUANG Y, PAJEK D, et al. Cavitation-based third ventriculostomy using MRI-guided focused ultrasound[J]. Journal of Neurosurgery, 2013, 119(6):1520-1529.

[3] ALLEN R P. MRI measurement of brain iron in patients with restless legs syndrome[J]. Neurology, 2015,56(2):263-265.

[4] NING J, ZHANG L, ZHANG D, et al. Interactive image segmentation by maximal similarity based region merging[J]. Pattern Recognition, 2010, 43(2):445-456.

[5] ACHANTA R, SHAJI A, SMITH K, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012, 34(11):2274-2282.

[6] 兰红, 张璐. 分水岭优化的Snake模型肝脏图像分割[J]. 中国图象图形学报, 2012, 17(7):873-879.

[7] 滕秀花, 胡文瑜, 陈敏. 一种基于SLIC的超像素快速色彩传递算法[J]. 哈尔滨师范大学自然科学学报, 2014, 30(3):77-80.

[8] 张亚亚, 刘小伟, 刘福太,等. 基于改进SLIC方法的彩色图像分割[J]. 计算机工程, 2015,41(4):205-209.

[9] 苏坡, 杨建华, 薛忠. 基于超像素的多模态MRI脑胶质瘤分割[J]. 西北工业大学学报, 2014, 32(3):417-422.

[10] 鞠岩, 符达, 马雨水,等. 改良Snake模型在乳腺肿瘤超声图像处理中的应用[J]. 中国超声医学杂志, 2013, 29(6):553-556.

[11] 王静文, 刘弘. 基于Snake模型的植物叶片面积计算方法[J]. 计算机工程, 2013, 39(1):234-238.

[12] JIN W C, WHANGBO T K, KIM C G. A contour tracking method of large motion object using optical flow and active contour model[J]. Multimedia Tools & Applications, 2013, 74(1):199-210.

(编 辑 李 静)

MRI tumor extraction via MSRM and Snake algorithms

HOU Yuqing1, XUE Xinyu1, HE Xiaowei1, BAI Shuai1， LÜ Wei2

(1.School of Information Science and Technology, Northwest University, Xi′an 710127， China;2.Faculty of Science, Xi′an Shiyou University, Xi′an 710065, China)

A new segmentation method which combines maximum similarity region merging (MSRM) algorithm with Snake algorithm is proposed, and it can be used to extract tumor regions from MR images. Firstly, do the image super-pixel segmentation by using simple linear iterative clustering (SLIC) algorithm, and next get the approximate region boundary of the tumor by using MSRM algorithm, finally let the boundary be the initial contour of Snake model to complete the tumor extraction of the image. Compared with the MSRM algorithm, the new method which is proposed in this paper can more accurately extract MRI tumor regions showed from experiment results, and the initial contour of the Snake model does not need to be manually selected.

MRI; MSRM; Snake algorithm; SLIC; initial contour; tumor extraction

2015-11-26

国家自然科学基金资助项目(61372046)；陕西省国际科技合作与交流计划基金资助项目(2015KW-002)；陕西省教育厅专项科研计划基金资助项目(14JK1578)

侯榆青，女，陕西靖边人，西北大学教授，博士，从事数字信号处理与信息系统，图形图像处理及多媒体应用研究。

贺小伟，男，西北大学副教授，博士，从事光学分子影像、医学图像处理及可视化、颅面形态学等研究。

TN911.73

A

10.16152/j.cnki.xdxbzr.2016-05-009