基于改进FCM算法的乳腺肿瘤图像分割研究

顾楚华 张玲 祝铭山 徐佳佳 郭秀丽

摘  要：提出了一种改进的模糊C均值聚类（FCM）图像分割方法，以实现对乳腺癌肿块进行快速和准确地分割。选取一例经病理确诊的乳腺癌患者的两个不同体位X线摄影图像，分别采用传统FCM算法、改进分水岭算法和该文改进的FCM图像分割算法进行了肿块分割研究。结果表明，文中提出的算法可以准确实现肿块的分割和轮廓标记，比其他两种算法具有更好的分割效果。

關键词：图像分割；FCM算法；乳房X射线摄影

中图分类号：TP391 文献标识码：A 文章编号：2096-4706（2023）09-0169-04

Abstract： In this paper， an improved fuzzy C-means clustering （FCM） image segmentation method is proposed to achieve rapid and accurate segmentation of breast tumor. Two different body position X-ray images of a breast cancer patient diagnosed by pathology are selected， and the traditional FCM algorithm， the improved watershed algorithm and the improved FCM image segmentation algorithm proposed in this paper are used to segment the tumor. The results show that the algorithm proposed in this paper can accurately segment and label tumors， and has better segmentation effect than the other two algorithms.

Keywords： image segmentation; FCM algorithm; mammography

0  引  言

随着生活水平的不断提高，人们面临的健康问题也逐渐增多，尤其是近些年来，癌症患病率逐年上升，严重影响人们的生活质量。乳腺癌作为一种女性常见的致命疾病，在全世界范围内的患病率和死亡率正在加速增长[1]。研究表明，对乳腺癌患者进行早期诊断和治疗能够有效提升乳腺癌患者的生存率。近年来，乳房X射线摄影技术作为乳房检查的常用手段，广泛用于乳腺癌的筛查和诊断中[2]。乳腺癌的诊断通过检测乳房X射线摄影图像中的高强度区域来确认肿瘤的良性或恶性。临床在对乳腺癌患者进行放射治疗的过程中，需要先对乳腺癌肿块的位置进行定位和范围圈定，再通过大束流X射线对肿瘤进行治疗，因此肿块的准确分割和标记是对乳腺癌患者进行保乳治疗的关键步骤。

在医学图像分割算法出现以前，临床通常需要通过医生肉眼观察和手动勾画实现对乳腺癌肿块的分割和标记，肿瘤分割结果受医生经验的影响很大，而且对于就诊患者较多的医院，放射科医生的工作量将变得很大。随着计算机技术的发展，研究人员不断地探索不同的图像处理方法用于乳腺癌图像的分割和诊断[3]。基于分水岭算法的乳腺癌分割较早地引入到了图像分割应用中[4]。然而，由于传统分水岭算法存在过分割的问题，在乳腺癌肿块分割应用时效果较差，也逐渐出现一些改进的分割算法，图像分割效果也得到了一定提升[5，6]，但是应用范围仍然相对局限。近年来，大量研究人员致力于深度学习的图像分割方法研究[7，8]，虽然基于现有数据库中的图像取得了较好的分割效果，但是该类方法严重依赖于训练数据的质量和大量人工标记的图像数据，对于不同设备产生的数据或者不在训练集中的数据，效果差异也很大，因此深度学习方法的适用性不是很强。基于聚类的方法进行图像分割也有一些应用[9，10]，但是较少用于乳腺癌肿块分割中。为此，本文提出了一种改进的基于模糊c均值聚类（Fuzzy c-Means， FCM）的算法用于乳房肿块的图像分割，先对X射线摄影图像进行滤波去噪和形态学处理，然后通过FCM对图像不同像素值进行聚类分析和识别得到肿块对应的区域，从而实现对肿块区域的有效分割和标记。该方法是一种无监督的分割方法，不需要带标签的训练数据，直接根据实验数据本身的特征进行聚类分割。

1  材料和方法

1.1  模糊c均值聚类（FCM）

FCM算法是一种基于划分的聚类算法，是基于K均值聚类（K-means）算法的改进。普通K-means算法对于数据的划分是硬性的，而FCM则是一种柔性的模糊划分，聚类效果更好。FCM算法的聚类过程是一个不断迭代寻找最优的过程，通过迭代收敛，最后根据定义的距离测度最优，可产生最佳的c个分区，以及每个分区的中信坐标V={v1， v2，…， vc}。对于图像分割而言，假设X=x1， x2，…， xn为图像数据集，xn即为像素值，n为像素单元的个数。通过FCM聚类算法尝试将图像数据X划分为c个集群，即c个类别，从而实现图像的聚类分割[11]。

1.2  基于改进的FCM图像分割算法

本文的实验数据来自怀化市第一人民医院影像中心Selenia Dimensions 3D数字乳腺X线摄影系统获取的临床数据，选取1例经过病理确诊的乳腺癌患者两个体位（LCC和LMLO）的DICOM格式数字乳腺X线图像数据进行图像分割处理，图像像素尺寸为3 328×2 560，图像深度为12位。图像像素分辨率和灰度分辨率均很高。

考虑到医学图像的高噪声和低对比度的特点，如果直接使用传统的FCM算法对图像进行聚类分割，将会出现过分割的现象，反而不利于临床诊断，如图1所示。由于正常乳腺组织图像中具有较多的毛细血管等纹理特征，导致通过FCM聚类时错误地将正常的组织划分为肿块，因此出现了过分割的现象。

鉴于上述结果，本文针对传统FCM算法进行了一些改进以解决图像过分割问题，首先对乳腺X射线摄影图像进行高斯滤波去噪和形态学平滑处理，使得图像信噪比和对比度更高，再通过FCM聚类进行分割和肿块的识别、边界提取和轮廓标记。具体算法流程如图2所示。

本文提出的图像分割方法具体步骤如下：

1）图像预处理和高斯去噪：使用MATLAB的DICOM图像读取函数加载乳腺X射线摄影图像，为了提高计算速度，将图像尺寸压缩为832×640，再通过灰度变换将图像灰度深度变为标准的8位灰度级。经上述预处理后，再采用大小为11×11的二维高斯算子对图像进行高斯滤波。

2）形态学平滑处理：对于经过高斯滤波处理后的图像进行平滑处理，进行基于重建的开运算操作，处理方法为使用半径为15的圆形结构体掩膜，模板的中心与图像的每一个像素对齐，取原图像中最大灰度值和最小灰度值之间的差值作为梯度值，即：

G（x， y）=I（x， y）！B（x， y）-I（x， y）⨁B（x， y）           （1）

其中，B（x， y）为一像素值为3的圆形结构模板，⨁和！分别为形态学的膨胀和腐蚀操作，I（x， y）为高斯滤波后的图像，G（x， y）进行开运算后的图像。再对开运算后的图像进行基于重建的形态学闭操作，即：

F（x， y）=G（x， y）⨁B（x， y）-G（x， y）！B（x， y）           （2）

其中，F（x， y）为经过闭运算处理后的图像。整个图像经过开闭运算后的图像最后得到图像中已无孤立噪声点和小空洞，能有效减少图像直方图中的峰值。

3）FCM聚类分析：将二维图像矩阵变换为1维列向量，再通过MATLAB提供的FCM函数对数据集进行聚类分析；聚类完成后，先提取聚类结果，再将结果变换为图像对应的二维矩阵。对于聚类分析而言，聚类的分区数会直接影响聚类结果，本文研究中，乳腺癌图像的像素值主要分为三个级别：背景区域、正常乳房区域和肿块区域，因此对于大部分情况，类别参数c均为3，而对于部分体位的图像会把胸部肌肉等组织也拍摄进来，因此对于此类图像，类别参数c需要设为4。

4）肿块区域识别：计算各类别对应的区域图像像素值的均值，找出像素均值最大的区域作为肿块区域。

5）肿块边界提取：通過边界提取函数对聚类结果进行边缘提取得到肿块分割边界。

6）将分割边界叠加显示到原始图像中得到分割标记图像。

1.3  基于标记控制的分水岭分割算法

本文采用基于标记控制的分水岭分割算法[5，12]进行分割实验作为对比，算法具体分割步骤如下：

1）进行图像预处理：读入DICOM图像后，将图像尺寸压缩为与上述FCM分割方法图像预处理相同尺寸（832×640）的8位灰度图像。

2）分割阈值确定：使用大津法初步确定图像二值化阈值。

3）形态学平滑处理：同FCM分割流程中的处理方法，先对图像进行基于重建的开操作，再进行基于重建的闭操作。

4）计算图像的前景标记和背景标记。

5）使用Sobel算子计算图像的梯度幅值，结合前景和背景标记对梯度图做分水岭变换，得到分割边界。

6）将分割边界用白色显示叠加到原始图像中得到分割标记图像。

2  实验结果

为了证明本文算法的有效性和准确性，选取基于改进分水岭算法与本实验的算法进行分析。

2.1  LCC体位肿瘤分割

本实验首先选取该患者LCC体位的乳房X射线摄影图像进行肿块分割研究。

先对乳腺图像进行高斯滤波处理，滤波前、后结果如图3所示，滤波后的图像信噪比有略微提升，因此需要继续进行进一步平滑处理。

对上述滤波后的图像进行进一步形态学处理后得到如图4（a）所示的图像，像素值相近的区域得到了合并，图像信噪比明显提升，肿块区域更明显。然后对形态学处理后的图像进行维度变换和FCM聚类分析，其中聚类的类别参数c设为3，得到图像中的3个分区，如图4（b）所示。最后对图像中的肿块区域进行识别、边缘提取，将边界信息（图4（c）中标记的环形曲线）叠加到原始图像显示。从测试结果可以看出，肿瘤轮廓被很好地标记出来。通过与直接FCM聚类分割结果（图1）进行比较，本文提出的改进FCM图像分割方法有效地消除了过分割的现象，可以实现对乳腺癌肿块轮廓进行准确识别。如图4所示。

2.2  LMLO体位肿瘤分割

为了验证算法的可行性，对该患者另一体位（LMLO）的乳腺图像也进行了肿块分割实验，并且采用不同的分割算法进行肿块分割效果的比较研究。首先，直接对乳腺图像采用传统的FCM聚类分析，由于该体位图像中有部分胸部肌肉，因此聚类个数c设为4，FCM聚类结果和肿块识别标记图像，如图5所示，从结果可以看出，不对图像进行预处理的聚类分割结果出现了很多过分割区域。然后，通过基于标记控制的分水岭分割算法进行分割，得到的形态学处理图像、梯度幅值图像和白线标记肿块轮廓的图像，如图6所示，改进的分水岭算法的肿块分割效果比传统FCM算法好一些，但是仍然出现了过分割现象，分割结果相对较差。最后，通过本文改进的FCM聚类分割方法对乳腺图像进行预处理后，再进行FCM聚类分析、肿块识别和轮廓标记得到的结果，如图7所示。从结果可以看出，本文提出的方法在该体位图像中的肿块轮廓也可以被准确分割和标记出来，没有出现直接进行FCM聚类分割的图像过分割问题，分割效果明显优于基于标记控制的分水岭分割算法，进一步验证了该算法的有效性。

2.3  算法结果分析

通过对同一个病例的不同体位乳腺摄影图像进行肿块分割实验发现，本文改进的FCM聚类分割算法比传统FCM聚类算法具有更好的分割效果，有效地避免了过分割问题。对该患者LMLO体位图像分别采用传统FCM聚类分割算法、基于标记控制的改进分水岭分割算法和基于本文改进的FCM聚类分割算法等三种方法进行肿块分割实验，结果显示，基于本文改进的FCM聚类分割算法具有最好的分割效果。

3  结  论

针对医学图像噪声大、对比度低等问题，本文介绍了一种改进的基于FCM聚类算法对乳腺肿块进行分割的方法，首先对原始图像进行高斯滤波去噪和形态学平滑处理，得到信噪比和对比度都较高的图像，再对图像数据集进行FCM聚类分析、肿块区域识别和轮廓标记。通过滤波和形态学平滑处理后，图像的信噪比和对比度明显提升，再进行FCM聚类分析时，可以有效分割出肿块的区域。通过对1例经病例确诊的乳腺癌患者的2个体位X射线摄影图像进行肿块分割研究和比较，结果表明，本文提出的图像分割算法可以准确地完成乳腺X线摄影图像肿块的分割和轮廓标记，且有效解决了传统FCM方法出现的过分割问题，显著提升了肿块的分割效果；与基于标记控制的改进分水岭分割算法相比，本文改进的FCM聚类分割算法具有更好的分割效果。与基于监督的深度学习图像分割方法相比，本文提出的方法属于无监督的图像分割方法，具有更好的应用前景。

参考文献：

[1] 周星彤，沈松杰，孙强.中国乳腺癌筛查现状及进展 [J].中国医学前沿杂志：电子版，2020，12（3）：6-11.

[2] 洪凤鸣.乳腺癌应用全数字化乳腺钼靶X线摄影诊断的研究进展 [J].临床医学研究与实践，2016，1（15）：127-128.

[3] 王燕，李积英，杨宜林，等.基于SLIC和GVFSnake算法的乳腺肿瘤分割 [J].激光与光电子学进展，2020，57（14）：215-222.

[4] 龚剑.一种基于分水岭和模糊聚類的多级图像分割算法 [J].第一军医大学学报，2004（3）：329-331.

[5] 温治军.一种基于标记的分水岭算法在乳腺图像钙化点分割中的应用 [D].兰州：兰州大学，2018.

[6] NAYAK T，BHAT N，BHAT V，et al. Automatic Segmentation and Breast Density Estimation for Cancer Detection Using an Efficient Watershed Algorithm [M].NAGABHUSHAN P，GURU D S，SHEKAR B H，et al. Data Analytics and Learning，[S.I.]：Springer，2019：347-358.

[7] 郭亚南.乳腺钼靶X线病灶检测研究 [D].兰州：兰州大学，2019.

[8] KAUSHIK P，RATAN D R. EU-NET： Deep Reinforcement Learning Aided Breast Tumor Segmentation and Attention based Severity Classification using Fused Ultrasound and Mammography Images [J].Journal of Coastal Life Medicine，2022，10（3）：25-45.

[9] 石振刚，李芹子，陶镇.改进的FCM聚类医学超声图像分割算法 [J].沈阳理工大学学报，2019，38（1）：64-67+78.

[10] HAMAD Y A，SENO M E，SAFONOVA A N，et al. Breast Tumor Segmentation on Medical Images using Combination of Fuzzy Clustering and Threshold [J].Computer Integrated Manufacturing Systems，2022，28（10）：70-83.

[11] 李杰，叶宇煌.基于改进模糊C均值聚类的心脏图像分割方法 [J].莆田学院学报，2020，27（2）：89-92+98.

[12] 张玲，顾楚华，傅华成，等.改进分水岭算法在X线乳腺癌图像分割中的应用研究 [J].电子世界，2021（21）：33-34.

作者简介：顾楚华（2001—），女，汉族，湖南永州人，本科在读，研究方向：医学图像处理；通讯作者：张玲（1989—），女，汉族，四川内江人，讲师，硕士，研究方向：医学图像处理。