（信号与信息处理专业论文）基于多分辨率图像锥的乳腺X光片肿块检测方法研究.pdf

哈尔滨理t 大学工学硕上学位论文 基于多分辨率图像锥的乳腺x 光片 肿块检测方法研究 摘要 乳腺癌是危害妇女健康的最常见的恶性疾病，而乳腺肿块是乳腺图像中 表征乳腺病变的主要症状之一钼靶x 线摄影是目前临床上乳腺疾病检测 的主要手段，但是，放射科医师需要分析大量的x 光片，且肿块大多被埋 没在复杂的，高密度的腺体背景中难以检出和识别，这使得仅用肉眼在复杂 的钼靶x 光片中查找不到千分之一的异常区域，是一件枯燥、费时而又极 其困难的事。因此，利用数字图像处理技术来实现乳腺x 光片的计算机辅 助诊断，已成为近年来医学图像处理研究的热点。 作为在这一领域的探索，本文实现了利用多分辨率图像锥检测肿块种子 区域并通过生长算法，最终实现在原始乳腺x 光片中肿块的定位和描述。 主要研究内容如下： 1 多分辨率图像锥是由多幅分辨率不同的图像组成的层次式的数据结 构，这些分辨率不同的图像是通过某些数学运算得到的，各层图像的分辨率 以2 为因子递减，其生成方法主要有加权和分解两类。在对这两类生成图像 锥的方法进行比对之后，最终选择基于小波理论的多分辨率分析法。 2 人工神经网络是现代模式识别中一种比较实用的技术之一，其应用 领域越来越广泛，本文在介绍了反向传播( b a c k w a r dp r o p a g a t i o n ，简称：b p ) 神经网络的概念、特点的基础上，详述了在低分辨率图像中实现肿块种子区 域检测的具体步骤。 3 在低分辨率图像中检测到肿块种子区域后，根据像素的有关属性， 由种子区域所在层的下一层图像开始，跟踪与种子区域属性一致的像素区 域。在这个过程中，采用交叠式的连接规则和一种新的权值判别规则，使得 生长算法不再严格受限于肿块种子的面积和形状，并最终完成原始图像上可 疑区域( 代替肿块区域) 的最终定位和描述。 4 为了降低假阳性率，我们提取图像的纹理特征以实现正常乳腺组织 和肿块区域的分类。在基于灰度共生矩阵的统计特征中，我们考察角二阶 矩、熵、对比度、逆差矩以及他们的统计量，并最终选取十二个特征和统计 量作为神经网络分类器的输入。使用该方法对之前检测到的可疑区域进行分 类，得到了假阳性分数为0 2 1 2 时，真阳性分数达到了0 7 6 7 的最终检测结 果。 关键词乳腺x 光片；多分辨率图像锥；人工神经网络；纹理特征 哈尔滨理工大学工学硕十学位论文 am e t h o df o rd e t e c t i o nm a s si nm a m m o g r a m s b a s e do n m u l t i - - r e s o l u t i o ni m a g ep y r a m i d s a b s t r a c t b r e a s tc a n c e ri so n eo ft h em o s td a n g e r o u s m a l i g n a n td i s e a s e st ot h ew o m e n i nt h ew o r l d a n dt h eb r e a s tm a s si so n eo ft h em a i ns y m p t o m so ft h eb r e a s t l e s i o n t h em a m m o g r a mi st h em o s tr e l i a b l ec l i n i c a lm e t h o dt od e t e c t b r e a s t d i s e a s e s b u tt h ep h y s i c i a n sm u s tr e a dl o t so fm a m m o g r a m sa n di nm a m m o g r a m s m a s s e sa r e u s u a l l yd i f f i c u l t t od e t e c ta s t h e yo f t e ns u p e r i m p o s eo n d e s e s t r u c t u r e db a c k g r o u n d t h i sm a k e st h ef i n d i n go fa n o m a l o u sr e g i o nl e s st h a n 0 1 i nm a m m o g r a m sb yn a k e de y e si sd i f f i c l t ye x t r e m e l y i no r d e rt os o l v et h i s p r o b l e m ，c o m p t u e ra i d e dd i a g n o s i ss y s t e mb a s e dd i g i t a li m a g ep r o c e s s i n gh a s g r a d u a l l yb e c o m ef o c u so ft h em e d i c a li m a g e a st h ee x p l o r a t i o ni nt h i ss t u d y , a na p p r o a c hi sp r e s e n t e di nt h ed i s s e r t a t i o n t h ea p p r o a c hi st od e t e c tt h es e e dr e g i o n so ft h em a s s e sb a s e do nm u l t i - r e s o l u t i o ni m a g e p y r a m i da n di m p l e m e n tt h el o c a t i o na n dt h ef i n a ld e s c r i p t i o no f t h em a s s e si no r i g i n a lm a m m o g r a m st h r o u g ht h eg r o w t ha l g o r i t h m t h em a i n c o n t e n t sa r ea sf o u o w s ： 1 t h em u l t i - r e s o l u t i o ni m a g ep y r a m i d si st h eh i e r a r c h i c a ld a t as t r u c t u r e m a k e db yi m a g e so fd i f f e r e n tr e s o l u t i o n t h e s e i m a g e sa r eo b t a i n e dt h r o u g h s o m em a t h e m a t i c ao p e r a t i o n s t h er e s o l u t i o no fe v e yl a y e ro fp y r a m i d sd e c l i n e s b y2f a c t o r t h em a i nm e t h o d st op r o d u c tt h ei m a g ep y r a m i d sa r et h ew e i g h t e d c l a s sa n dd e c o m p o s i t i o nc l a s s a f t e rc o m p a r e dt w ok i n d so ft h em e t h o d sw e c h o o s et h em u l t i - r e s o l u t i o na n a l y s i sb a s e do nw a v e l e tt h e o r yf i n a l l y 2 t h en e u r a ln e t w o r ki st h ep r a c t i c a lt e c h n o l o g yi nt h ef i e l do fm o d e r n p a t t e mr e c o g n i t i o n ，a n di t sa p p l i c a t i o nf i e l d sb e c o m ew i d e l yd a yb yd a y t h e 一- d i s s e r t a t i o ni n t r o d u c e dt h ec o n c e p ta n dt h ec h a r a c t e r i s t i c so ft h eb a c k w a r d p r o p a g a t i o n ( b p ) n e u r a ln e t w o r k f o l l o w i n g t h a ti st h ed e t a i l e dd e t e c t i o ns t e p st o d e t e c ts e e dr e g i o n so ft h em a s s e si nl o wr e s o l u t i o ni m a g e s - 3 a f t e rt h es e e d r e g i o n so fm a s s e sw e r ed e t e c t e di nt h el o wr e s o l u t i o n i m a g e ，t r a c kt h ep i x e l sh a v i n gt h es a m ea t t r i b u t ep i x e la c c o r d i n g t ot h er e l a t e d a t t r i b u t e so ft h ep i x e l w eu s et h el i n kr u l e so ft h eo v e r l a p p i n gt y p ea n dt h e f l e w d i s c r i m i n a t i o nr u l e so ft h er i g h tv a l u et om a k e st h eg r o w i n gp r o c e s sd o n o t r e s t r i c t e db yt h ea r e aa n ds h a p eo ft h es e e d sn ol o n g e r t h el o c a t i o na n d t h ef i n a l d e s c r i p t i o no ft h es u p e r v i s e dr e g i o n s ( i n s t e a do fm a s s e sr e g i o n ) w e r ec o m p l e t e d i nt h eo r i g i n a li m a g e sf i n a l l y 4 i no r d e rt od e c r e a s et h er a t eo ff a l s e - p o s i t i v e ，w ee x t r a c t e dt h et e x t u r e f c a t u r e sf r o mt h es a m p l e st od i s t i n g u i s ht h em a s s e sa n dt h en o r m a lr e g i o n s w e s t u d yo na n g u l a rs e c o n dm o m e n t 、s u mo fe n t r o p y 、c o n t r a s t a n di n v e r s e d i f f e r e n c em o m e n tb a s e do nt h eg r a yl e v e lc o - o c c u r r e n c ea n dt h es t a t i s t i c so f t h e s e t w e l v es t a t i s t i c sa r ec h o s e nf i n a l l yt ob u i l dt h en e u r a ln e t w o r kc l a s s i f i e r u s et h i sm e t h o dt op r o c e s st h es u p e r v i s e dr e g i o n s ，a n do b t a i n e dt h ef i n a l d e t e c t i o nr e s u l t st h a tw h e nt h er a t e o ff a l s e - p o s i t i v ei s2 1 2 t h el e s i o n s d e t e c t i o nr a t ei s7 6 7 k e y w o r d sm a m m o g r a m ，m u l t i r e s o l u t i o n n e t w o r k ，t e x t u r ef e a t u r e s - i m a g ep y r a m i d ，a r t i f i c i a l n e u r a l 哈尔滨理工大学硕士学位论文原创性声明 本人郑重声明：此处所提交的硕士学位论文基于多分辨率图像锥的 乳腺x 光片肿块检测方法研究，是本人在导师指导下，在哈尔滨理工大学 攻读硕士学位期间独立进行研究工作所取得的成果。据本人所知，论文中除 已注明部分外不包含他人已发表或撰写过的研究成果。对本文研究工作做出 贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完全 由本人承担。 作者签名：囊篮屋 日期：2 0 0 8 年；月i 矿日 哈尔滨理工大学硕士学位论文使用授权书 i ：基于多分辨率图像锥的乳腺x 光片肿块检测方法研究系本人在哈尔 滨理工大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的 研究成果归哈尔滨理工大学所有，本论文的研究内容不得以其它单位的名义 发表。本人完全了解哈尔滨理工大学关于保存、使用学位论文的规定，同意 学校保留并向有关部门提交论文和电子版本，允许论文被查阅和借阅。本人 授权哈尔滨理工大学可以采用影印、缩印或其他复制手段保存论文，可以公 布论文的全部或部分内容。 本学位论文属于 保密口，在年解密后适用授权书。 不保密囱。 ( 请在以上相应方框内打) 作者签名： 婆磴磊 日期：2 0 0 8 年弓月f 孑日 导师签名：家芝旁1 日期：2 。8 年；月坶日 哈尔滨理t 大学工学硕一 二学位论文 1 1 课题背景 第1 章绪论 乳腺癌是乳腺导管上皮细胞在各种内外致癌因素的作用下，细胞失去正常 特性而异常增生，以致超过自我修复的限度而发生癌变的疾病。它在临床上以 乳腺肿块为主要表现，是危害中年妇女身体健康的最常见的恶性肿瘤之一，具 有发病隐匿、愈后差等特点。全球每1 3 分钟就有一人死于乳腺癌，乳腺癌已 经成为西方国家女性癌症中的第一杀手，每8 - 9 名妇女中就有一名乳腺癌患 者，美国年发病率达1 3 0 1 0 万，在导致全世界妇女死亡的癌症中，它的死亡 比率仅次于肺癌n 1 我国目前发病率虽较西方为低，但近年来增长迅速，以每 年3 的速度递增。一些沿海大城市的报告已达4 0 1 0 万左右，以上海最高， 1 9 7 2 年上海的乳腺癌发病率为2 0 1 1 0 万，1 9 8 8 年则为2 8 1 0 万，到1 9 9 7 年 上升到4 6 1 0 万，平均每年以2 一7 的速度递增长，已严重影响妇女健康和 生命乜1 。 另一方面，乳腺癌是一种可以早期发现、早期治疗的肿瘤。乳腺癌普查是 世界卫生组织建议开展普查的两种肿瘤( 乳腺癌和子宫颈癌) 之一，早发现、早 治疗可有效降低乳腺癌的死亡率，并节省医疗费用。早期乳腺癌的治愈率为 9 0 ，中期为7 0 ，到晚期就只有4 5 ；早期乳腺癌的治疗费用约为2 万元，而 到晚期，费用会高达2 0 万元。鉴于乳腺癌的可预防性，美国近1 0 余年来开展了 普遍筛查，因此虽然发病率仍居高不下，但死亡率己呈逐年下降趋势。目前， 我国女性乳腺癌发病率和死亡率都呈迅猛上升态势，而且由于在我国普查工作 的力度不够，致使很多乳腺癌发现的时候已经到了晚期，这种情况不容乐观。 在全国范围内开展乳腺癌普查工作是降低乳腺癌死亡率的有效措施，目前 比较成熟的影像诊断方法有钼靶x 线摄影、b 超和彩色多普勒超声、远( 或近) 红外热像仪、c t ( 增强扫描或动态扫描) 等。其中钼靶x 线摄影是诊断乳腺癌 的首选影像学方法，也是唯一能查出早期的临床无症状的隐匿性乳腺癌的检查 方法。它是x 射线在穿透过程中，由于乳腺组织结构密度的不同，造成x 射 线的吸收衰减不一致，从而导致经衰减后到达胶片的残余x 线量的差异，由于 荧光效应及摄影效应的存在而产生的具有黑白对比的乳腺影响。 放射科医师每日均需分析大量的x 光片，且由于乳腺x 光片图像的高容 哈尔滨理工大学工学硕：t ：学位论文 量性和低对比度以及发病初期症状的不明显性，使得仅用肉眼在复杂的钼靶x 光片中查找不到千分之一的异常区域，是一件枯燥、费时而又极其困难的事。 因此，利用数字图像处理技术来实现乳腺x 光片的计算机辅助诊断，已成为近 年来医学图像处理研究的热点。 1 2 乳腺x 光片的计算机处理技术 1 2 1 计算机辅助诊断 利用计算机辅助诊断( c o m p u t e r - a i d e dd i a g n o s i s ，简称：a m ) 系统，一方 面，乳腺图像经过图像处理和分析能够突出图像中的病灶部位，可协助医生检 出人眼不易察觉的有用信息，提高诊断的效率和正确率；另一方面，采用一些 计算机人工智能方法协助临床诊断，减轻医生的工作强度，避免疲劳工作状态 下的假阳性和假阴性的检出率，以提高乳腺癌诊断的真阳性。 通常的计算机辅助检测系统大都包含这几部分：首先从最初的原始图像输 入开始，大都要先进行预处理，例如滤除背景噪声，增强感兴趣特征等，这样 可以提高图像分割的效率，减少假阳性区域的产生；然后就是进行感兴趣区域 的提取，一般情况下提取出的感兴趣区域中还含有大量的假阳性区域，常用的 方法有阈值法，滤波器技术，边缘检测以及模板匹配等方法；在提取出了感兴 趣区域后，就要对这些区域进行特征提取，即提取出能够将肿块和正常组织区 分开来的特征参数，例如一些形态学特征，灰度特征，几何特征以及纹理特征 等，提取特征的有效程度决定着分类结果的优劣；最后再根据提取出来的特征 对感兴趣区域进行分类，即区分肿块区域和正常组织，这里统计学方法、人工 神经网络和模式匹配等都是常用的方法。 1 2 2 国内外研究现状 上海大学的屠轶清等人提出了一种基于逻辑滤波器的乳腺x 光片中肿块检 测方法口。其基本思想是，利用一种改进的逻辑滤波器，进行图像的边缘增强 和分段。利用处理后的图像具有直方图中峰值的出现的位置是相同的这样一个 特性，选取两个峰值之间的值作为阈值，即得到了各个阈值下的二值图像。 同为上海大学的朱方文等人，提出了一种多次利用乳腺x 光片图像直方图 信息进行计算机自动分割乳腺肿块的方法，并用统计学的方法分析乳腺x 光片 啥尔滨理t 大学工学硕十学位论文 图像中各部分组织光密度的特点，证明了该方法的可行性h 1 。 1 9 9 5 年，英国牛滓大学的t a r a s s e n k olh a y t o np 等人，提出了基于统计 特性的乳腺x 光片中肿块的检测方法5 1 。该方法的主要检测思想是通过研究大 量不含有肿块的正常x 光片，得到一种常态的无条件概率密度函数p ( z ) 的描 述，其中工是正常x 光片的特征矢量。如果接受测试的矢量属于输入空间的一 个区域，该区域是p ( x ) 在一个预先确定的阈值以下的，那么这个区域被认为 是异常的。利用该方法，参与检测的所有肿块都作为异常被识别出来了，假阳 性的值也被降到了平均每幅图像1 个。 1 9 9 7 年，哥伦比亚大学的m o h a m m a ds a m e t i ，r a b a bi c w a r d 等人，提出 了使用模糊分割算法的方法来检测数字乳腺x 光片中的恶性肿块哺1 。该方法首 先将每个x 光片分成2 5 6 * 2 5 6 个区域，并为每一个像素分配一个模糊隶属函数 值，通过重复计算得到错误值，用以校正像素的模糊隶属值，直到错误为0 时 停止计算。利用阈值t 将每个小区域分为明暗两个区。最后选择了2 个最有效 的纹理特征将可疑区域进行分类。该方法达到了9 4 的高灵敏度和平均每幅图 像仅o 2 4 个假阳性。 2 0 0 1 年，加拿大的c a l g a r y 大学的m u d i g o n d an r ， r a n g a y y a nrm 等人 提出了用已知x 光片中的锥形分解来确定肿块边烈7 1 。具体方法如下：首先将 图像的最大灰度级缩小到6 4 。在基于多通道的锥形结构中，进行递归高斯低通 滤波和二次采样操作来使图像达到一定平滑级。对图像在不同亮度级上进行阈 值处理，来产生亮度等高线图，并完成群划分，消除低分辨率图像中产生的闭 合等高线的结构。用高斯梯度滤波来计算图像中每个点的梯度信息，提取一致 率、方向估计的平均信息量，利用一致一重量角度估计的变化等特征对可疑区 域进行分类。该方法在6 0 幅含有3 0 个良性、1 3 个恶性肿块的图片集中得到测 试，灵敏性达到了8 1 。 2 0 0 5 年，e n s p 的g u i l l a u m ek o m 等人提出了基于局部适应性阈值的乳腺 x 光片中肿块的自动检测系统1 8 1 。首先用基于线性变换滤波的方法增强原始图 像，在线性变换滤波中，每个像素的局部对比被修改了，形成了新的图像。通 过从原始的图像中减去被增强过的图像，我们可以得到带有肿块分割片断的图 像。最后用局部适应性阈值技术将得到的图像二值化，再令二值化的图像通过 高通滤波器和中值滤波器来滤除噪声。这种算法在有6 1 幅乳腺x 光片的数据 库中得到测试，灵敏性达到了9 5 9 1 。 此外，p e t r i c k 等提出了一种二阶段适应性密度一重量对比增强滤波技术， 连同边缘检测和形态学特性分类，构成潜在肿块的自动分割方法扫1 。z h e n g 等 哈尔滨理工大学工学硕士学位论文 利用高斯带通滤波技术来分割潜在的块状物n 帕。k a r s s c m c i j e r 等提出了对像素 位置进行统计分析来检测星状肿块等等1 。 1 3 本文所采用的方法及章节安排 文中所采用的方法为：利用小波多分辨率分析理论生成多分辨率图像锥， 并结合传统种子识别的原则，将b p 神经网络用于低分辨率图像中肿块种子区 域的检测。在实现由低至高的边缘细化的生长算法中，使用新的权值判别规 则，使得生长算法不再严格受限于肿块种子的面积和形状，并最终完成原始图 像上肿块区域的最终定位和描述。 论文结构： 第一章：课题背景及乳腺x 光片的计算机处理技术的介绍。 第二章：多分辨率图像锥的基本理论，用来生成图像锥的两类方法以及本 文所采用的小波理论。 第三章：b p 人工神经网络理论，构造b p 神经网络实现对低分辨率图像中 的肿块种子区域的自动定位。 第四章：用生长算法实现肿块种子区域的生长及细化，并完成在原始图像 中肿块的最终定位和描述。 第五章：考察基于灰度共生矩阵的图像的纹理特征，构造神经网络分类 器，来实现肿块和正常腺体组织的分类，减少假阳性率。 第六章：对之前工作的总结和其中的不足。 哈尔滨理工大学工学硕士学位论文 第2 章多分辨率图像锥 针对乳腺x 光片容量高、对比度低的特点，采用多分辨率图像锥的方法生 成低分辨率图像，削弱高频噪声和背景腺体组织。在本章中，对多分辨率图像 锥的特点，生成方法进行了介绍。并通过对两类生成图像锥的方法进行对比， 最终选择基于小波的多分辨分析法来降低图像的分辨率，构造图像锥。 2 1 多分辨率图像锥 多分辨率图像锥是由多幅分辨率不同的图像组成的层次式的数据结构，是 处理和分析图像的一种重要工具。这些分辨率不同的图像是通过某些数学运算 得到的。图像锥的底层是原始图像，从低到高，各层图像的分辨率以2 为因子 递减。此结构可以充分组合利用图像的全局与局部信息，空间与灰度信息，便 于采用层次处理方式。现已被广泛的应用于图像处理和分析的许多任务中。图 2 1 为多分辨率图像锥的结构： s s ( 1 s ( 0 ) 图2 - 1 多辨率图像锥的结构 f i g 2 1t h es t r u c t u r e o ft h em u l t i r e s o l u t i o ni m a g ep y r a m i d 2 1 1 多分辨率图像锥应用于乳腺肿块检测的依据与目的 我们基于多分辨率的图像锥结构来实现乳腺肿块的自动检测主要鉴于以下 考虑： 基于乳腺图像的特点，用传统的图像处理和分析方法对高分辨率图像进行 直接的处理，效果往往不很理想。而在低分辨率图像中高频的噪声和背景腺体 组织己经被大大地削弱，这明显有利于乳腺图像中相对属于低频成分的肿块的 哈尔滨理工大学工学硕士学位论文 检测和定位；并且基于多分辨率图像锥结构中相邻各层像素之间的链接，也有 利于由低分辨率图像层向高分辨率图像层实现肿块边缘的逐级细化，最终实现 在原图像上肿块的检测。 2 1 2 多分辨率图像锥的生成方法 一个好的多分辨率图像锥结构的生成方法，可以尽可能地减少在生成过程 中，由于信息损失问题而对图像处理和分析所带来的影响。图2 2 为一幅图像 的多分辨率图像锥生成的过程。 & 稍趣硝 图2 - 2 多分辨率图像锥的产生过程 f i g 2 - 2t h ep r 0 0 u c i n gp r o c e s so ft h em u l t i - r e s o l u t i o ni m a g ep y r a n l i d 产生多分辨率图像锥的统一模型n 刳： 衅 日 砰 霹 e 霹 图2 - 3 产生多分辨率图像锥的统一模型 f i g 2 - 3t h e u n i f i e dm o d e lo fp r o d u c i n gt h em u l t i - r e s o l u t i o ni m a g ep y r a m i d 在图2 3 中，第0 层图像昂表示原始图像，图像尺寸为n 幸n ；图像锥中第，层 。口 雾一龚 哈尔滨理工大学工学硕二l 学位论文 图像为，0s 1 s l o g ：n ，c 一0 ，l 2 ，拧。是由图像p o 。经过不同的滤波器 产生的。l 表示分别在水平方向和垂直方向从两个像元中取一个像元的采样过 程。滤波器o 是低通滤波器，其它滤波器为带通滤波器。这个模型用公式表示 为 以力一耋耋舡，。( 所朋苁。( 荔+ 所，巧+ 刀) ( 2 1 ) 其中毛+ 七一1 为滤波器窗口尺寸，0 ，sl o g ，n ，c 一0 ，1 ，2 ，刀。 此模型同时描述了层与层之间像元间的对应关系：由于第，层图像的每个 像元的灰度值由第，一1 层图像上k k 范围内的像元的灰度值确定，因此，第 ，一1 层图像上k k 范围内的像元对应着第，层图像上的一个像元。而层与层之 间图像事件间的对应关系比较复杂，由于发生在不同范围上的图像事件在不同 的低分辨率图像上可能部分消失或完全消失，因此，这种对应关系与滤波器的 特性和图像事件的发生范围有关，不是一个模型就能简单描述的，但在图像锥 确定之后，上述对应关系也随之确定。针对以像元为对象的图像锥是一规则的 树，而针对以图像事件为对象的图像锥则是一特定的不规则的树。明确了这些 对应关系才能选择合适的方法或途径正确处理和分析图像。 我们把现有的多分辨率图像锥产生方法归结为两类，即加权类和分解类。 加权类方法采用不同的加权系数形成不同的滤波函数；分解类方法则通过各种 子集的组合实现滤波。下面我们分别介绍和分析这两类方法。 1 加权类方法加权类方法通过采用不同的加权系数形成不同的滤波器。 典型的加权类方法有简单平均法、高斯法、多项式分段拟合法、多项式样条逼 近法、半带通滤波法等。它们分别从不同的角度设计滤波器：简单平均法根据 取均值的思想；高斯法根据归一性、对称性、单峰性和对下一层的贡献性等四 个约束条件n 引；半带通滤波法从理想低通滤波器具有的特性出发1 ；多项式分 段拟合法从逼近论的分段曲线拟合思想出发，以最小二乘法为准则n 引；多项式 样条逼近法根据m a l l a t 的多分辨率框架定义和逼近理论引。 2 分解类方法分解类方法通过不同滤波器的组合把图像分解为不同的频域 分量，主要方法有子带分解法和正交小波分解法等1 1 7 1 。子带分解法的滤波器由 两个滤波器组成，一个低通滤波器，一个带通滤波器。正交小波分解法是最新 提出的一种多分辨率图像锥产生方法，由四个滤波器组成，一个低通滤波器， 三个带通滤波器，它们是基于小波理论设计的。这两种方法设计的滤波器能够 把图像分解为不同的频域分量，但还是有区别的，见表2 1 。 哈尔滨理工大学工学硕十学位论文 子带分解由两个滤波一个低通滤 法 器组成波器，一个 带通滤波 器，二者非 正交。 把图像在独立的频带上分解，图像之间有冗余信 息，图像信息有损失。 本文中使用小波分解方法用于生成乳腺图像的多分辨率图像锥结构。小波 变换具有有效、高度直观的描述框架，有利于我们深入了解图像的空间和频域 特性。在下节中，我们对小波分解方法作了简要的介绍。 2 2 小波理论 2 2 1 小波 小波变换的基本思想是用一族函数去表示或逼近一信号，这一族函数称为 小波函数系，它是通过- d , 波母函数的伸缩和平移产生其“子波”来构成的， 用其变换系数即可描述原来的信号n 钔。波函数系的突出特点是它的时宽和带宽 的乘积很小，而且在时间和频率轴上都很集中。因此，通过检查不同放大倍数 下的变化来研究信号的动力行为和机制。小波的数学定义为： 对于函数妒( x ) r ( r ) ，若满足 正妒( x ) 出0 则这个函数就可以是一个基本小波。对小波进行平移、伸缩生成的函数族 冲i - l 2 9 ( 等) m 矩r ) ( 2 - 3 ) 构成一组小波基，其中a 是尺度伸缩参数，b 是位置平移参数。 用上述小波基对函数( 工) r 俾) 进行的连续小波变换定义为 哈尔滨理t 大学t 学硕十学位论文 ( 硝咖) - ( 伽一一) | | 口1 啦正m ) 妒( 等) 出 ( 2 - 4 ) 小波变换实质上是原始信号与经过尺度伸缩后的小波函数族的相关运算， 运算结果称为小波系数。通过调整尺度因子，可以得到具有不同时频宽度的小 波以匹配原始信号的不同位置，达到对信号的局部分析的目的。将上式的卷积 ( 似6 ，a ) 一f l f ，。一 ( 2 - 5 ) n - - f 见，从滤波器的观点出发，小波变换又可看成是用一组不同尺度的小波滤波 器对原始信号进行的滤波运算，从而将信号分解到一系列频带上。 由小波变换的结果n - - - f 以重构原始信号，小波变换的重构公式为 厂( x ) 一g i 正( 厂，口渺。一( 砷享仍( 2 - 6 ) 单 江7 ， 上述过程必须满足完全重构条件 吼昏( 2 - 8 ， q 2 正铲纵 ) 同时，l f r ( x ) 还应满足窗函数的约束条件 正陟( x ) i 出 r 4 ( 1 一d三r sdsr(3-15) 1d 三月 4 因此，本神经网络的训练样本为一个5 维的矢量，其中包括维数为4 的输 入矢量和维数为1 的输出。 3 3 3 提取特征值的依据 对一幅乳腺x 线光片图像来说，可以得到很多原始的特征参数，但是要提 取出最有代表性，最能区分乳腺肿块区域像素与正常组织区域像素的特征，要 遵循可区别性、可靠性、独立性三个准则。 在本文中，为了实现在低分辨率率图像层上的肿块区域的检测，所提取的 特征必须符合两个条件：一是要能够在相应的图像层上检测到代表乳腺肿块的 相对均匀区域，二是要能够体现邻域的特性，即在邻域大小符合要求时，可以 在相应的图像层上得到检测结果。下面用图3 2 - 图3 5 为例，说明各特征的 作用。图像锥中的第o 层，第1 层，第2 层，图像大小分别为1 0 2 4 幸1 0 2 4 像 素，5 1 2 5 1 2 ，2 5 6 * 2 5 6 像素，中心位置设置的是一个半径为7 0 像素的圆。需 要说明的是，提取特征时设置提取半径为3 5 像素。图3 2 所示为测试用图像 锥。 哈尔滨理t 大学工学硕士学位论文 s 2 ) 图3 - 2 测试用三层图像锥 f i g 3 2t h r e el a y e r si m a g ep y r a m i df o rt e s t 嘴 1 特征g 特征g 为像素的灰度值，在这里即为测试用图像锥本身。 2 特征m c 图3 3 所示为对测试用图像锥提取特征朋c 后的结果。从图中可 以看到，当邻域的半径小于圆的半径时，无法将圆提取出来，而当邻域的半径 大小与圆的半径一致时，可以得到较好的提取效果。 m c l m c 2m c 3 图3 - 3 测试图像的特征m c f i g 3 - 3t h ec h a r a c t e r i s t i co ft h ei m a g e f o rt h et e s tu s e 3 特征c o n 图3 4 所示为对测试用图像锥提取特征c o n 后的结果。从图中 可以看到，当邻域的半径小于圆的半径时，无法将圆提取出来，而当邻域的半 哈尔滨理工大学工学硕十学位论文 径大小与圆的半径一致时，可以得到较好的提取效果。 c o n o 图3 - 4 测试图像的特征c o n 两g 3 - 4t h ec h a r a c t e r i s t i co ft h ei m a g ef o rt h et e s tl 艏e 4 特征c t i i 图3 5 所示为对测试用图像锥提取特征册后的结果。从图中 可以看出，在邻域半径小于圆的半径时，特征图像为一个圆环，而当邻域半径 等于或大于圆的半径时，可以得到相同的提取结果，即在第1 、2 层图像中， 可以得到很好的提取结果。 一 图3 - 5 测试图像的特征c l l r f i g 3 - 5t h ec n rc h a r a c t e r i s t i co ft h ei m a g ef o rt h et e s tu s e 本文所采用的特征值：像素灰度值g 、中值对比度m c 、对比度c o n 、归一 化灰度值c n r ，主要是基于以下一些考虑： 1 从实验中可以看到，特征提取的邻域大小直接影响着特征值，尤其是特 征m e 、c o n 和c n r ，当邻域大小与肿块的大小相似，它们可以非常明显地将肿 哈尔滨理1 二大学工学硕上学位论文 块从它的背景中区分出来。因此，我们可以用这三个特征来构造神经网络，在 我们设定了邻域大小之后，当肿块近似于或者小于邻域大小时，我们可以在相 应的图像层中检测到肿块。 2 我们将像素的灰度值g 也作为特征之一，是因为在低分辨率图像层中， 高频成分大多己被滤去，部分背景区域和肿块区域的c o i l ，c n r 的值可能会相 似，然而它们的灰度值却不尽相同，所以结合像素的灰度值特征也有利于乳腺 肿块的检测。 基于上述原因，我们选取了这4 个特征，用以构造神经网络的训练样本。 3 4 实验结果 用数据库中包含3 1 个肿块的3 0 幅图像样本进行实验，有2 5 个肿块种子区域 被神经网络成功输出。样本所含肿块半径从4 r a m 至4 3 r a m 不等，包括肿块中的 三种类型：团块状肿块，毛刺状肿块和毛躁的，边界不清的肿块。表3 1 为实 验结果，其中未被检测出的肿块大都半径较小，或是被湮没在亮度相当的大面 积正常乳腺组织中。 表3 - 1 种子区域检测统计结果 t a b l e 3 1t h es t a t i s t i c a lr e s u l t so fd e t e c t i n gt h es e e dr e g i o n s 团块状肿块( c i r c ) 1 4454 毛刺状肿块( s p i c ) 1 13 5 5 2 毛躁的界线不清的肿块( m i s c ) 61 9 5 0 以下为图像锥的神经网络输出结果的具体示例。图3 - 6 为图2 5 所构成图 像锥的神经网络输出结果。其图像大小与原图像锥每层图像的大小是相对应 的，分别为s ( o ) 层1 0 2 4 幸1 0 2 4 像素，s ( 1 ) 层5 1 5 木5 1 5 像素，s ( 2 ) 层2 6 1 2 6 1 像素，s ( 3 ) 层1 3 4 1 3 4 像素。我们可以看到，在s ( 2 ) 层上得到了较理想的效 果，即肿块种子区域被显示出来了。 哈尔滨理工大学工学硕士学位论文 s ( o ) 臣臣 s ( 1 )s s ( 3 ) 图3 石图像锥神经网络输出结果 f i 9 3 - 6t h eo u t p u tr e s u l t so ft h ei m a g ep y r a m i dt h r o u g ht h en e u r a ln e t w o r k 图3 7 为另一示例，其中图a ) 为一幅1 0 2 4 1 0 2 4 像素大小的图像的三层小 波分解结果，加上原始图像构成了一个四层的图像锥；图b ) 为该图像锥的神经 网络输出结果。 图3 8 为略去了图像锥结构的神经网络肿块种子区域检测结果。原始图像 大小均为1 0 2 4 1 0 2 4 像素。其中，图a ) 、图b ) 中种子区域在图像锥的第2 层上 被检出，大小为2 6 1 2 6 1 像素。图c ) 、图d ) 中种子区域在图像锥的第3 层上被 检出，大小为1 3 4 1 3 4 像素。 但是值得注意的是，大量实验表明，虽然神经网络大多数时候能将乳腺肿 块种子区域准确输出，却也在很多时候误将正常的腺体组织当作肿块区域输出 了，这是由于很多乳腺组织有着与肿块区域相似的特性，而神经网络不能做到 精确区分造成的。正常乳腺组织的种子点被输出后，也会通过下面将要介绍的 生长步骤完成生长，这样的例子我们将在下一章中给出。 哈尔滨理工大学工学硕士学位论文 s 泐 s o ) a ) s ( 1 ) s 锄 s 3 ) 卜 翟 匦r s 薹)s ( 2 )s 3 ) b ) 图3 - 7 图像锥的神经网络输出结果示例2 f i g 3 7t h ea n o t h e re x a m p l eo ft h eo u t p u t r e s u l t so ft h ei m a g ep y r a m i dt h r o u g ht h en e u r a ln e t w o r k 2 7 哈尔滨理工大学工学硕士学位论文 a )b )c )d ) 图3 - 8 种子区域的神经网络输出 f i g 3 - 8t h eo u t p u to ft h el 舱l l l a ln e t w o r ko ft h es e e dr e g i o n 3 5 本章小结 本章首先介绍了神经网络，b p 神经网络的特点以及b p 神经网络设计要考 虑的问题。接下来介绍利用神经网络完成低分辨率图像中，肿块种子区域的检 出所涉及到的几个方面，其中包括所用b p 神经网络结构，训练样本的构成， 特征提取的依据等几方面，并给出实验结果。 哈尔滨理工大学工学硕十学位论文 第4 章肿块种子区域的生长及边缘细化 在低分辨率图像中检测到肿块种子区域后，根据像素的有关属性，由种子 区域所在层的下一层图像开始，跟踪与种子区域属性一致的像素区域，直至图 像锥的第0 层。最后利用边缘检测在原始图像中标示出肿块的位置和形状。 4 1 区域生长 4 1 1 生长算法的基本步骤 1 像素的链接规则用生长算法完成高分辨率图像s ( 0 ) 中乳腺原肿块的检 测和边缘细化，即在低分辨率图像s ( o 中的肿块种子区域( 歙) 检测完毕后，在 已知歙位置和形态的前提下，根据像素的有关属性，由图像s ( i 一1 ) 开始跟踪 与s r 属性一致的像素区域，检测出此层中的肿块区域，依次类推，直至实现 s ( 0 ) 中乳腺原肿块的检测。由于生长算法是基于相邻层之间相关像素的链接来 实现的，因此，我们首先给出在本论文中使用的链接规则惜1 一般而言在多分辨率图像锥结构中的链接结构分为非交叠式和交叠式两 种。所谓非交叠式结构，即：在图像锥结构中间层中的像素分别对应着1 个父 像素和4 个子像素，结构如图4 1 中a ) 所示；而交叠式结构为：在图像锥结构 中间层中的像素则分别具有4 个父像素和1 6 个子像素，结构如图4 1 中b ) 所 示。 s ( s i o ) s s n ) s ( o ) a )b ) 图4 1 多分辨率图像锥中的链接结构 f i g 4 - 1t h el i n ks t r u c t u r ei nt h em u l t i r e s o l u t i o ni m a g ep y r a m i d 非交叠式的链接结构较为简单，但却容易丢失属性相似的像素的链接，在 哈尔滨理工大学工学硕十学位论文 本论文中，我们将基于交叠式的链接结构来执行生长算法。在交叠式链接结构 中，子像素和父像素的定义如下：设当前像素为6 ( x ，y ，f ) ，f 为像素所在图像 层，( x ，y ) 为像素坐标，则像素的相邻上层父像素为 f ( x 2 , y 2 ，f4 - 1 ) ，f c x l 2 + 2 ( x m o d 2 ) - 1 , y 2 + 2 ( y m o d 2 ) - 1 , i + 1 i f ( x 2 + 2 ( x m o d 2 ) -