基于BP-遗传算法优化的超声肿块区域分割技术*

高鸣，卫元元，张博，王芳

（1.漯河市中心医院（漯河市医专一附院）超声科，河南漯河462000；2.漯河市中心医院（漯河市医专一附院）CT室，河南漯河462000；3.漯河市中心医院（漯河市医专一附院）一分院内科，河南 漯河462000；4.河南理工大学， 河南焦作 454150）

1 引 言

随着医学图像处理技术的发展，采用超声图像检测方法进行病理诊断成为医学诊断的重要手段，在进行肿块识别过程中，采用超声图像识别是重要的检测手段，结合三维数字图像处理技术进行超声肿块图像分析，构建超声肿块图像的检测和区域分割模型，实现超声肿块医学图像分析，能提高对超声肿块的医学病理诊断和检测识别能力，研究人体超声肿块图像区域分割技术具有重要的实践价值[1]。

对超声肿块的区域分割是建立在对超声图像的扫描和模板特征匹配基础上，结合超声肿块图像的区域检测和特征定位技术进行图像的检测和识别[2]，传统方法中，对超声肿块图像的区域分割和特征检测方法主要采用分块区域检测方法、HAT小波检测方法和Harris角点检测方法，结合超声回波检测方法进行肿块的边缘轮廓检测和定位，提取超声肿块的边缘特征量，实现超声肿块图像检测[3]，文献[4]中提出一种基于边缘像素灰度特征分解的多分辨率超声肿块图像阈值分割方法，将图像分割为特征点分辨力较高的块向量，实现超声肿块的奇异特征点的准确定位识别，但该方法的计算复杂度较高，区域分割的自适应性较差。文献[5]中采用一种基于小波尺度分解的超声肿块区域分割方法，对采集的图像采用小波尺度分解方法进行滤波处理，提取超声肿块图像的边缘轮廓特征，实现图像分割，但该方法的抗干扰性较差。

针对上述问题，本研究提出一种基于BP-遗传算法优化的超声肿块区域分割技术。首先采用超声成像技术进行肿块图像采集，然后构建超声肿块区域检测模型，采用自适应模板特征匹配方法进行图像融合处理，提取超声肿块区域图像的超像素特征量，进行图像的边缘轮廓特征检测和肿块区域定位，采用BP-遗传算法进行图像区域分割的过程控制，实现图像分割算法改进。最后进行仿真实验分析，展示了本研究方法在提高超声肿块区域分割能力方面的优越性能。

2 图像采集和滤波预处理

2.1 超声肿块图像采集

为了实现超声肿块区域分割，首先采用超声成像技术采集医学图像，设图像采集的阵元的个数为L，采用合成聚焦波束形成处理方法进行超声肿块图像融合处理[6]，给出超声肿块图像的先验信息，采用压缩感知信号重构方法，得到原始图像的边缘像素特征量Wi：

设 ｛w1，w2，...，wdi｝表示超声肿块图像的边缘灰度像素集，对合成聚焦超声成像处理后的图像像素值进行特征排序，得到超声图像的像素值大小关系为｛λ1≥λ2≥...≥λdi｝，根据非均匀采样方法进行超声图像的区域像素级重构[7]，在灰度邻域范围内，得到模拟随机采样的输出像素值，采用低像素值重构方法进行特征匹配，得到di个超声成像的特征值，其中表示超声肿块图像的灰度二值分量，di表示三维肿块图像的灰度差异值，结合超声波束的主瓣宽度的特征匹配方法，用W =｛w1，w2，...，wdi｝表示在仿射不变区域Wi内的超声肿块图像的主瓣向量集，采用便携式B超成像算法，得到图像采集输出：

其中：X（k）为阵元间隔数，exp（j2πkn/N）为超声探头实时跟踪的尺度系数。通过位置信息的自适应调节，得到超声肿块图像的定位帧为：

根据超声肿块图像的仿射不变矩，令Ix为一个单样本超声肿块图像的灰度像素序列，其中x=P，N，通过自适应特征分解，得到图像的活动轮廓，可获取二维超声图像平面与三维表面模型之间的统计特征量，根据模板匹配方法，进行图像增强处理，提高超声肿块图像的信息表达能力[8]。

2.2 超声肿块图像滤波检测

对采集的超声肿块图像进行块区域模板匹配处理，构建超声肿块区域检测模型[9]，提取图像的边缘轮廓特征，超声肿块图像的边缘轮廓锐化模板输出表达式为：

其中Q为超声肿块图像分块权重，W为超声成像平面的局部区域轮廓特征。构造超声肿块图像中三维表面模型间的融合协方差矩阵为：

通过2D/3D配准融合方法进行超声肿块图像的尺度分解[10]，获得图像的三维视图窗口信息特征量为：

其中，U是N×N的训练样本集矩阵，V是一个2×2的最佳空间变换矩阵，S是一个N×2的局部信息子空间矩阵，基于点的切平面的法向量变换关系，得到超声肿块图像的平移向量分布矩阵为：

其中，f（z）是超声肿块图像的几何特征不变向量，*为卷积运算。在三维视图窗口中显示超声图像，得到超声肿块图像的边缘轮廓特征提取输出为：

采用小波降噪方法进行超声肿块图像的区域像素特征块分割和降噪处理，结合角点检测方法进行奇异点检测，提高了对超声肿块图像的病因点的快速搜索和定位能力[12]。

3 图像区域分割优化

3.1 边缘轮廓特征提取

构建超声肿块区域检测模型，采用自适应模板特征匹配方法进行图像融合处理，提取超声肿块区域图像的超像素特征量，采用模板匹配方法进行图像的分块融合[13]，得到超声肿块图像的特征分解方程为：

式中，R表示成像的侧向分辨率。在超声肿块图像分析中，对采集的超声肿块图像进行自适应特征分解，在对超声肿块图像的像素特征采集中，构造如下坐标系：

其中，η表示合成聚焦波束形成的模板匹配值，φ表示超声肿块图像病变特征点的偏移值。

采用尺度分解和模板匹配方法对超声肿块图像进行阈值分割，根据像素特征差异度匹配方法实现超声肿块图像的关联相似度分解，以显著性特征点为中心进行区域重构[14]，得到超声肿块图像区域分割值为：

其中，λ1，λ2，ν，μ是超声肿块图像中病斑特征点状态系数，表示图像的边缘像素集，Kσ为超声波束的主瓣宽度，采用阈值分割方法进行超声肿块图像的区域像素特征块分割，以显著性特征点为中心，进行超声肿块图像的区域重构，得到超声肿块图像的边缘像素点输出：

式中，IG表示超声肿块图像序列的稀疏解和表示多分辨率超声肿块的梯度值和像素差异值。

3.2 BP-遗传算法控制及区域分割输出

采用BP-遗传联合分割法，进行肿块图像的区域分割，提取三维肿块图像的关联规则集，使用动态包围轮廓分解方法进行超声肿块图像的块分割，结合特征匹配方法实现对超声肿块图像的动态特征点重构和识别，得到超声肿块图像采集输出的像素集为：

上式中：

构建超声肿块图像的活动轮廓模型，对图像进行阈值降噪，采用种子点匹配方法，在8邻域像素特征空间内把图像划分成3×3的像素块，获取超声肿块图像边缘像素信息，利用BP神经网络分类方法进行特征分类，结合遗传进化算法[15]，得到肿块区域分割的优化解用J2（Wi）表示：

上式中：

根据超声肿块图像的像素采样值，结合模板匹配方法，将图像分成t块，在x轴和y轴上进行超声肿块的区域分割和特征分离，表示为：

其中，Mi及MT经过旋转变换Wi后的特征子空间分量，根据BP-遗传算法联合寻优控制，实现对超声肿块图像的区域分割，提高对超声肿块的特征识别和重构能力。

4 仿真实验分析

在Matlab 7中进行仿真分析，实现超声肿块的区域分割和特征提取，对超声图像采集的阵元个数N=64，超声成像系统的聚焦深度分别为30、40 mm，超声声速为540 m/s，均匀采样率为M×N=200×500，分辨率为640×480，超声探头实时跟踪的平滑参数为1.45，超声肿块图像的锐化曲率参数为1.55，搜索迭代次数为K=50，三维表面模型的滑动匹配系数为1.34，超声肿块图像阈值分割的尺度为2，三维重构的面板参数为β=2.8，超像素的近邻点的分割尺度为a=0.56，超声肿块图像的像素采样的模板匹配的大小为50×50。根据上述仿真环境和参数设定，进行超声肿块的区域分割仿真设计，得到测试图像见图1。

图1 测试图像Fig 1 Test image

以图1的测试图像为输入，进行超声肿块区域分割，得到分割结果见图2。

图2 超声肿块区域分割Fig 2 Ultrasonic mass area segmentation

根据区域分割结果，提取超声肿块区域图像的超像素特征量，根据像素特征差异度匹配方法进行超声肿块图像的关联相似度分解，实现超声肿块定位检测和三维重构，得到结果见图3。

图3 超声肿块定位检测和三维重构Fig 3 Localization detection and three-dimensional reconstruction of ultrasonic masses

由图3可知，采用本研究方法进行超声肿块区域分割的精度较高，图像特征匹配性能较好，肿块区域的辨识度较高。测试不同方法进行超声肿块区域分割后的检测性能，得到对比结果见表1。分析可知，本研究方法进行超声肿块区域分割和检测的精度较高。

表1 超声肿块区域分割精度对比Table 1 Accuracy comparison of ultrasound mass segmentation

5 结语

结合三维数字图像处理技术进行超声肿块图像分析，构建超声肿块图像的检测和区域分割模型，实现超声肿块医学图像分析，本研究提出一种基于BP-遗传算法优化的超声肿块区域分割技术。采用超声成像技术进行肿块图像采集，构建超声肿块区域检测模型，采用自适应模板特征匹配方法进行超声肿块图像融合处理，根据像素特征差异度匹配方法实现超声肿块图像的关联相似度分解，采用BP-遗传算法进行图像区域分割的自适应学习，实现超声肿块图像的高分辨辨识和分割。研究得知，采用该方法进行超声肿块区域分割的精度较高，图像特征匹配性能较好，肿块区域的辨识度较高，具有一定的医学实用价值。