基于区域生长算法的脑肿瘤图像分割

蒋秋霖， 王 昕

(长春工业大学 计算机科学与工程学院， 吉林 长春 130012)

0 引 言

脑肿瘤因其高发病率和超过2.4%的死亡率[1]被视作严重危害人类生命健康的杀手之一。因此，脑肿瘤的诊断和治疗日益受到人们的关注与重视。

医学影像学技术发展日益成熟，以核磁共振成像(Magnetic Resonance Imaging， MRI)为代表的辅助检查技术已成为诊断肿瘤疾病的重要手段。因其无伤害和成像清晰等特点，被广泛用于临床诊断和治疗。精确分割MRI脑部肿瘤图像，可为医生提供完善的肿瘤信息，使其及时分析病理，制定治疗计划，同时在手术定位、创建病情档案、建立肿瘤模型等各方面也有重要作用[2-3]。

目前，许多学者提出了各种分割脑肿瘤区域的方法。例如，Popuri等[4]使用三种 MR 模态(T1,T1C 和 T2)和纹理特征构建了一种多模态特征集合，用来构建一种针对肿瘤和正常组织的统计模型，从而获取脑瘤的无监督分割图像。Anitha等[5]提出了一种结合贝叶斯定理和软模型的方法，来分割脑肿瘤和水肿区域。 Zikic等[6]使用拥有空间非局部特征的分类森林(Classification Forest， CF)表示数据，根据拥有初始概率的CF 估计组织类别。Bauer、Geremia等[7-8]构建一种判别随机决策森林框架，进而形成逐像素的概率分类。曾文权等[9]提出了一种半自动方法，需要人工画出一个直径来定义前景区域和一个方框来限制背景区域，使用水平集方法通过计算肿瘤和背景的差异来分割肿瘤。

1 基于区域生长算法的MR脑肿瘤分割

传统区域生长算法需要手动选择阈值，阈值选取的误差会使图像分割存在空洞等问题，且噪声对脑肿瘤图像的影响也不可忽略，因此，文中提出利用迭代算法改进区域生长算法进行脑肿瘤分割。

1.1 算法描述

首先读取原始图像，并且获得图像的原始像素值信息，由于存在噪声等因素，故需要对图像进行维纳滤波，对 MR图像像素进行平滑和平滑处理，然后用迭代法选取 MR脑图像区域的最佳阈值，最后采用区域生长法分割图像。文中所采用的方法避免了过度调整或欠调整。

1.1.1 图像预处理

利用维纳滤波进行图像预处理。维纳滤波(Wiener filter)[10]是用来解决从噪声中提取信号的一种过滤(或滤波)方法。

在线性系统中，设其单位样本响应是h(n)，x(n)是我们随机选择的一个信号，且

x(n)=s(n)+v(n)

(1)

其中,x(n)表示信号，v(n)表示噪声，卷积输出y(n)为

(2)

(3)

维纳滤波转换过程如图1所示。

图1 维纳滤波转换过程

(4)

可以看出,e(n)存在正负的区分，并且e(n)是一个随机变量，而它的正值与负值都有其可能性。我们说的均方误差最小值就是它的平方的统计期望最小，所以误差用它的均方误差来表达是准确的：

ξ(n)=E[e2(n)]=min

(5)

由于最小均方误差准则的理论分析比较简单，所以在最佳过滤准则上采用最小均方误差准则。

1.1.2 迭代法计算最佳阈值

2)首先根据初始阈值T0将图像分为前景区域和背景区域，并求出两者的平均灰度值，记为Z0和Z1；

4)如果Z0和Z1的值不再变化，则T为阈值；否则转到2)，迭代计算。

1.2 算法流程

首先对输入的MR脑肿瘤图像进行维纳滤波，然后通过迭代法寻找最佳阈值T，确定生长准则|I-Iseed|

2 实验结果与分析

分割实验在多例脑肿瘤患者的MR图像上进行，采用PC机、英特尔R酷睿i5处理器，内存为4 GB，操作系统为Window7，实验平台为MATLAB R2015b。CV模型[12]是MR脑肿瘤图像分割的常用模型。 考虑该模型与传统区域增长方法和CV模型的比较,文中列出了两种MR肿瘤图像在两种情况下的分割结果，分别如图3和图4所示。

图2 算法流程图

图3 病例1分割结果

图4 病例2分割结果

区域生长法(见图1(c)和图2(c))在分割MR脑肿瘤图像时，出现了分割空洞的问题。从图中可以看出，CV模型出现了在边界处分割不精确的问题(见图1(d)和图2(d))。文中算法分割准确性优于上述两种分割算法，准确分割出MR脑肿瘤图像，更接近于专家手动分割图像。

为了客观评价分割结果，引入精度(True Positive, TP)、误检率(False Positive, FP)和漏检率(False Negative, FN)对分割结果进行定量评估，结果见表1。

表1 不同算法的分割结果 %

3 结 语

利用迭代算法改进了区域生长算法的生长准则。首先采用维纳滤波对图像进行预处理，再通过迭代法得到最佳阈值，最后根据得到的阈值制定生长规则进行区域生长。实验证明，与CV模型和区域生长算法相比，文中分割精度更高。