乳头mail.126.com

基于ABUS冠状面图像的乳头位置自动检测算法赵柳1,颜光前2**,吴俊3**,罗华友4,孙亮4,舒若4(1.
天津大学微电子学院,天津300072;2.
昆明医科大学第一附属医院科教部,云南昆明650032;3.
云南大学信息学院,云南昆明650091;4.
昆明医科大学第一附属医院胃肠与疝外科,云南昆明650032)摘要:乳腺疾病发生在以乳头为中心划分的区域中,乳头的准确定位对乳腺疾病的诊断具有重要的临床意义.
提出一种基于自动化三维乳腺超声(ABUS)冠状面图像的乳头位置自动检测算法.
首先采用图像掩模提取感兴趣区域(ROI);然后对ROI进行图像预处理操作以提高目标区域识别的精确度和运算效率;最后通过霍夫变换圆检测和排除误判圆操作获得乳头的圆心坐标和半径.
结果表明:本算法能有效检测到乳头位置,且检测准确率可达94.
7%.
关键词:ABUS冠状面图像;霍夫变换圆检测;排除误判圆;检测算法中图分类号:R319文献标志码:A文章编号:02587971(2019)03046406为了防止检查乳腺组织时发生遗漏,医生通常把乳腺组织划分为5个区域.
在以乳头为中心的基础上,添加一条水平线和一条垂直线,从而把乳腺组织分为外上、外下、内下、内上4个区域,再加上乳头、乳晕为中央区[1].
由于乳腺疾病发生在以乳头为中心划分的区域中,因此准确定位乳头位置对于乳腺疾病的诊断具有重要的临床意义.
然而,人工手动标定乳头位置会依赖于医生的个人经验,而且标定过程非常耗时.
创新型自动化三维乳腺超声(automated3Dbreastultrasound,ABUS)能够生成不能由二维超声获得的冠状面(手术平面)图像[2-5],此平面为通过图像处理的方法来自动检测乳头位置提供了可能性.
Moghaddam[6]等提出了一种全自动方法来检测ABUS图像中的乳头位置,以多尺度方式提取强度归一化后的ABUS图像特征,并使用增强分类器进行分类实验以识别乳头位置,然而他们将分类器输出图像最大连通区域的中心视为乳头位置,这样可能会造成将肿瘤区域判别为乳头,该方法检测ABUS冠状面图像乳头位置的准确率只达到了90%;Petroudi[7]等为了检测乳头位置,使用自适应阈值方法分割乳房边缘中存在的脂肪带,根据脂肪带轮廓的曲率检测乳头位置,由于乳房形状个体差异较大,对脂肪带轮廓曲率的度量可能不准确;AbdelNasser[8]等结合人体解剖学规则,在使用自适应阈值方法检测的多个乳头候选位置中确定最终检测结果,该方法未对图像进行去噪处理,图像噪声容易干扰自适应阈值检测的位置,影响最终乳头检测结果.
针对上述方法存在的问题,本文提出一种基于ABUS冠状面图像的乳头位置自动检测算法,并结合实例对算法检测的正确性进行了验证.
1方法本文提出的乳头位置自动检测算法可概述为感兴趣区域(regionofinterest,ROI)的自动提取、ROI图像预处理和乳头位置自动检测3个过程,具体方法步骤如下.
1.
1ROI的自动提取在ABUS成像时,只有当探头和皮肤间存在良好的耦合接触时才能获取到超声信号.
因此,仅有在容积数据中位于良好耦合区域下方的体素才含有有效信息[9].
这里将全体含有有效信息的体素定义为前景.
显然,在检测乳头位置的过程中,没有必要对无效的背景区域做后续收稿日期:2018-06-05;接受日期:2019-02-12;网络出版日期:2019-04-23基金项目:国家自然科学基金(61661050);云南省科技厅-昆明医科大学联合基金(2018FE001(-143)).
作者简介:赵柳(1993),女,河北人,硕士生,主要从事医学图像处理方面的研究.
E-mail:zhaoliu_0326@163.
com.
**通信作者:颜光前(1979),男,云南人,助理工程师,主要从事医学计算机辅助检测与评估研究.
E-mail:ygq.
mail@126.
com.
吴俊(1976),男,云南人,博士,副教授,主要从事医学超声图像处理及特征提取方面的研究.
E-mail:wujun@ynu.
edu.
cn.
云南大学学报(自然科学版),2019,41(3):464~469JournalofYunnanUniversity:NaturalSciencesEditionDOI:10.
7540/j.
ynu.
20180318的图像处理.
为此,构建一个冠状面前景掩模[10],并将该掩模应用于冠状面图像,提取ROI.
1.
1.
1ABUS冠状面前景掩模的自动生成构建ABUS冠状面前景掩模主要由3个基本步骤构成:首先,为了尽量消除背景区域点状高亮杂质对构建前景掩模的影响,将所有位于0.
5至0.
9倍扫描总深度的ABUS冠状面切片C1Cn取出,如图1(a)所示,对所有C1Cn图像中相同位置的像素点做均值处理,得到一张冠状面均值图像Cmean;其次,使用Otsu算法[11]对图像Cmean进行阈值处理,得到二值图像Cbinary,该二值图像中的最大连通区域就是所需要得到的前景区域;最后,采用形态学开运算对Cbinary图像中的连通区域进行边界平滑处理,并对其最大白色连通区域中由病灶或阴影造成的黑色空洞进行填充.
所得的冠状面前景掩模图像Cmask如图1(b)所示.
1.
1.
2图像掩模为避免后续图像处理过程中对背景区域的无效运算,应使用前景掩模对冠状面图像进行掩模处理,实现对ROI的提取,从而降低算法的计算量,提高算法的执行效率[12].
图1(c)所示白色框以内区域即为提取的ROI.
1.
2ROI图像预处理为提高目标区域识别的精确度和运算效率,在对提取的ROI进行乳头位置自动检测之前,需要进行一系列的图像预处理操作.
本算法的图像预处理过程主要由以下5个步骤构成.
(1)ROI的斑点降噪超声成像的相干特性导致了ABUS图像中固有的斑点噪声,斑点噪声既降低后续图像分割、识别等自动图像处理任务的速度和精确度,又给这些图像处理过程带来困难[13-15].
因此,为了便于后续更高层次的图像处理,应对掩模处理后的图像进行斑点降噪,在降噪过程中同时实现对噪声的充分抑制和对细节信息的有效保留.
由于乳腺组织厚薄不均,实质回声强弱不均,所以选取自适应图像降噪方法.
本文使用智能斑点降噪各向异性扩散(intelligentspecklereducinganisotropicdiffusion,ISRAD)算法[16-17]对ROI进行斑点降噪处理.
该算法能够自动选取超声图像中不含组织间交接边缘的、斑点噪声均匀分布的同质区域,使整个降噪过程能够在无人工干预的情况下自动执行.
同时,ISRAD算法能够实现噪声抑制和边缘保留之间的最佳平衡[13].
ISRAD算法自动选取最优同质区域,再由所选同质区域精确计算扩散参数q0(t),其计算方法为:其中,和分别代表ISRAD算法选取的超声同质区域所计算的方差和均值.
由ISRAD算法自动确定的超声图像斑点降噪参数为:迭代循环次数m=300,时间步长Δt=0.
25.
图2(a)中的白色框内的区域即为ISRAD算法自动选取的同质区域;图2(b)为斑点降噪结果.
(2)图像二值化为了便于后续图像目标区域的识别,通过使用阈值分割方法将灰度图转化为二值图像.
本文使用双峰阈值分割法对降噪后的图像进行二值化处理,算法通过分析图像直方图确定其最佳分割阈值,从而获得能兼顾反映图像整体和局部特征的二值图像.
分割后的结果如图3(a)所示.
(3)开闭运算对二值化后的图像进行先开后闭运算,使之在不明显改变目标和背景面积的基础上,实现对二值图像连通区域边界的平滑处理,以及对黑色区域中白色空洞的填充.
最终结果如图3(b)所示.
(4)反相对开闭运算处理后的图像进行反相图1ROI的自动提取结果Fig.
1TheresultsofROIautomaticextraction图2超声图像斑点降噪结果Fig.
2Thespecklereductionresultsofanultrasoundimage第41卷赵柳等:基于ABUS冠状面图像的乳头位置自动检测算法465操作,以便于后续图像处理过程中对微小白色目标的删除.
其结果如图3(c)所示.
(5)删除与图像边框相连的白色区域和小面积白色目标为了减少检测乳头过程的计算量,使用形态学方法删除与图像边框相连的白色区域和小面积白色目标.
本算法以1000像素为阈值,删除所有面积小于该阈值的白色目标.
删除结果如图4所示.
1.
3乳头位置自动检测霍夫(Hough)变换能从图像中识别出具有某种相同特征的几何图形,例如:直线、圆和椭圆等,应用非常广泛.
本文使用Hough变换圆检测算法[18]实现对乳头位置的自动检测,并通过提高Hough变换识别圆形物体准确率的方法[19]排除误识别的圆.
1.
3.
1Hough变换检测乳头位置Hough变换检测圆的基本思想是将图像空间中的边缘点映射到参数空间中,然后将在参数空间中得到的所有坐标点元素对应的累加器进行累加统计,根据局部最大累加值判断圆的半径和圆心所在位置[20].
二值图像I的任意边缘点坐标(x,y)转换为参数空间坐标(a,b,r)[21],转换方程如下:从式(2)可以看出,二值图像的每个边缘点映射成参数空间上的一个三维锥面,图像空间中同一圆上的点对应于参数空间中所有的三维锥面必然交于一点,如图5(a)所示,点(a0,b0,r0)便是Hough变换最终要找的点,即对应于图像空间中圆的圆心坐标与半径.
将式(2)写成参数形式:其中,,设待测圆的半径,按照Hough变换的基本思想,对于任意一个边缘点I(x,y),θ和r分别以Δθ和Δr的步长遍历[0,2π]和[R1,R2],得到参数空间(a,b,r)的子空间,并对相应的累加器单元A(a,b,r)加1.
对二值图像的所有点遍历之后,得到累加器数组A,其中任意一个数组元素A(a,b,r)表示半径为r、圆心为(a,b)的圆上边缘点数目.
所以,A(a,b,r)越大,表示存在圆心为(a,b)、半径为r的圆的可能性越大.
根据先验知识,乳头在ABUS冠状面图像中的半径范围约为40到50个像素,所以设置[R1,R2]为[40,50].
由于个体发育的差异,人体乳头形状是不完全规则的,所以在一般情况下,ABUS冠状面图像中的乳头形状不是正圆形.
因此,设定当累加单元值A(a,b,r)大于80,则认为检测到了乳头.
检测结果如图5(b)所示,其中的灰色虚线圆即为Hough变换识别的3个圆形,分别编号为①、②和③.
1.
3.
2排除误识别的圆由图5(b)发现,Hough变换检测到了3个圆,且这3个圆形位置差异明显.
分析Hough变换原理可知,Hough变换只统计属于某个确定圆的图像边缘点数,根据这些点数判别圆形目标,而不考虑这些点的分布情况,这样容易造成误判.
本算法使用参考文献[19]的方法来提高检测乳头位置的准确率,基本步骤如下:步骤1以Δθ=2π/360为角度步长,将θ从0到2π范围内对圆心为(a,b)、半径为r的圆进行边缘点搜索,并用数组theta[]保存每个边缘点的角图3图像二值化、开闭运算和反相结果Fig.
3Theresultsofbinarization,openingandclosingoperationsandinversion图4伪白色目标结果Fig.
4Theresultsofdeletingfalsewhitetargets图5Hough变换圆检测Fig.
5Houghtransformdetectio466云南大学学报(自然科学版)http://www.
yndxxb.
ynu.
edu.
cn第41卷度,其中数组长度为360;步骤2将边缘点的角度数组代入式(4)中,求标准差σ:其中,E(theta)是求角度数组theta[]的期望;步骤3判断累加单元值A(a,b,r)与标准差σ的比值K是否大于1,大于1属于正确识别,小于1则属于错误识别.
通过上述具体操作,能够将错误识别的圆进行排除,最终得到的乳头圆心坐标为(401.
22,420.
61),半径为41.
65(均保留两位小数).
正确识别结果如图6所示,(a)中灰色实线圆为正确识别的乳头位置,并用白色实线圆标记在原图中,最终显示结果为(b).
2实验结果分析2.
1图像二值化实验结果分析在ABUS图像数据的冠状面方向上,实际物理深度位于2~3mm之间的冠状面图像中乳头位置更加明显,即乳头区域的灰度值相对于其他ROI的灰度值更小.
但是,在这个深度的冠状面图像中,随着深度的增加,其他乳腺组织的灰度值会明显减小,致使乳头区域灰度值和其他乳腺组织灰度值的差异变小,这给图像的阈值分割带来了困难.
图像分割是图像识别至关重要的预处理步骤,没有正确的分割就不可能有正确的识别.
本文使用双峰阈值分割法对降噪后的图像进行阈值分割处理,通过分析图7滤波图像的直方曲线图确定合适阈值为80,最终得到良好分割的二值图像.
2.
2乳头位置自动检测结果分析在ABUS冠状面图像中,乳头形状不是正圆形,所以设定了较低的累加单元值.
因此,Hough变换检测过程灵敏度过高,最终识别结果共得到3个圆形,需要使用提高Hough变换识别圆形物体准确率的方法实现对误判圆的排除.
如表1所示,分别列出①、②和③号圆的累加单元值A(a,b,r)、标准差σ(保留整数)以及两者的比值K.
由表中数据发现,只有①号圆的K值大于1,属于正确识别;而另外两个圆虽然满足了累加单元值设定的要求,但检测到属于同一个圆的边缘点比较分散,K值小于1,属于错误识别,所以对这两个圆形进行了排除.
2.
3对比与讨论最小二乘法拟合圆是一种简单且具有代表性的圆拟合方法.
为了验证本文算法的有效性,将使用最小二乘法对ROI预处理后的图像进行乳头圆拟合结果与本文算法检测结果进行对比.
表2列出相应算法处理19例ABUS图像结果统计数据.
由表2可知,本文所提的乳头位置检测算法准确率达到94.
7%,明显高于使用最小二乘法进行乳头圆拟合结果.
其中漏检1例乳头位置,分析是表13个圆的信息对比Tab.
1Informationcontrastofthreecircles评价参数①②③A(a,b,c)13785103σ83141137K1.
650.
600.
75表2乳头位置检测算法统计数据Tab.
2Thestatisticsofnipplelocationdetection乳头位置检测算法漏检误检准确率/%最小二乘法拟合圆1757.
9(11/19)本文算法1094.
7(18/19)图6冠状面乳头检测结果Fig.
6Theresultofnippledetectiononcoronalimage图7滤波图像的直方曲线图Fig.
7Histogramofthefilteredimage第41卷赵柳等:基于ABUS冠状面图像的乳头位置自动检测算法467由于该例ABUS图像数据乳头边界成像不清晰造成的.
3结论乳头位置的自动、准确检测对乳腺疾病的诊断具有重要的临床意义,通过确定乳头的位置可以有助于医生快速定位乳腺病发区域,从而展开对疾病的后续诊断.
结果表明本文所提算法能有效排除错误识别的圆,并快速准确地检测到乳头位置.
本文研究对乳腺疾病的诊断具有实用意义.
参考文献:武广海,王助新,张杰.
肿瘤所在不同象限乳腺癌行前哨淋巴结活检的临床研究[J].
临床和实验医学杂志,2015(5):388-391.
DOI:10.
3969/j.
issn.
1671-4695.
2015.
05.
018.
WuGH,WangZHX,ZhangJ.
Clinicalstudyonthesentinellymphnodebiopsyofbreastcancerindiffer-entquadrants[J].
JournalofClinicalandExperimentalMedicine,2015(5):388-391.
[1]ZhengFY,LuQ,HuangBJ,etal.
Imagingfeaturesofautomatedbreastvolumescanner:Correlationwithmo-lecularsubtypesofbreastcancer[J].
EuropeanJournalofRadiology,2017,86:267-275.
DOI:10.
1016/j.
ejrad.
2016.
11.
032.
[2]WohrleNK,HellerhofK,NotohamiprodjoM,etal.
Automatedbreastvolumescanner(ABVS)[J].
DerOnkologe,2011,17(5):364-376.
DOI:10.
1007/s00761-011-2040-x.
[3]颜光前,赵柳,吴俊,等.
基于ABUS图像的轻量型切口疝补片计算机辅助检测与评估算法[J].
云南大学学报:自然科学版,2017,39(5):768-779.
YanGQ,ZhaoL,WuJ,etal.
Computer-aideddetec-tionandevaluationalgorithmoflightweightincisionalherniameshonABUSimages[J].
JournalofYunnanUniversity:NaturalSciencesEdition,2017,39(5):768-779.
[4]闵一迪,吴俊,汪源源,等.
三维ABUS图像多平面联合显示平台的Matlab实现方法[J].
国外电子测量技术,2017,36(2):73-77.
DOI:10.
3969/j.
issn.
1002-8978.
2017.
02.
015.
MinYD,WuJ,WangYY,etal.
Matlabimplementa-tionschemeofmultiplanarvisualizationplatformfor3DABUSimages[J].
ForeignElectronicMeasurementTechnology,2017,36(2):73-77.
[5]MoghaddamMJ,TanT,KarssemeijerN,etal.
Automat-icnippledetectionon3Dimagesofanautomatedbreastultrasoundsystem(ABUS)[C].
ProcSPIEMedicalIma-[6]ging2014,903405.
DOI:10.
1117/12/2043780.
PetroudiS,BradyM.
Automaticnippledetectiononmammograms[J].
LectureNotesinComputerScience,2003,2879:971-972.
DOI:10.
1007/b93811.
[7]Abdel-NasserM,SalehA,MorenoA,etal.
Automaticnippledetectioninbreastthermograms[J].
ExpertSys-temswithApplications,2016,64(C):365-374.
[8]TanT,PlatelB,HuismanH,etal.
Computer-aidedle-siondiagnosisinautomated3-Dbreastultrasoundus-ingcoronalspiculation[J].
IEEETransactionsonMed-icalImaging,2012,31(5):1034-1042.
DOI:10.
1109/TMI.
2012.
2184549.
[9]李攀,黄黎青,宋允东.
基于掩膜预处理的稀疏表示和压缩感知图像重建[J].
电子测量技术,2015(8):79-81.
DOI:10.
3969/j.
issn.
1002-7300.
2015.
08.
019.
LiP,HuangLQ,SongYD.
Thereconstructionofcompressivesensingandsparserepresentationbasedmaskpretreatment[J].
ElectronicMeasurementTechno-logy,2015(8):79-81.
[10]OtsuN.
Athresholdselectionmethodfromgray-levelhistograms[J].
IEEETransactionsonSystems,Man,andCybernetics,1979,9(1):62-66.
DOI:10.
1109/TS-MC.
1979.
4310076.
[11]赵柳,吴俊,陈悦,等.
自动化三维超声图像无探头耦合区域的计算机辅助排除算法[J].
电子测量技术,2017,40(7):113-116.
DOI:10.
3969/j.
issn.
1002-7300.
2017.
07.
025.
ZhaoL,WuJ,ChenY,etal.
Computer-aidedexclu-sionalgorithmforareaswithoutprobecouplingofauto-mated3Dultrasoundimages[J].
ElectronicMeasure-mentTechnology,2017,40(7):113-116.
[12]YangJ,FanJ,AiD,etal.
Localstatisticsandnon-localmeanfilterforspecklenoisereductioninmedicalultra-soundimage[J].
Neurocomputing,2016,195(C):88-95.
[13]NobleJA.
Reflectionsonultrasoundimageanalysis[J].
MedicalImageAnalysis,2016,33:33.
DOI:10.
1016/j.
media.
2016.
06.
015.
[14]张年,钱盛友,谭乔来,等.
基于SURF算法的HIFU治疗前后超声图像配准研究[J].
电子测量与仪器学报,2016,30(6):917-922.
ZhangN,QianSY,TanQL,etal.
StudyonultrasonicimageregistrationbeforeandafterHIFUtreatmentbasedonSURFalgorithm[J].
JournalofElectronicMeasurementandInstrumentation,2016,30(6):917-922.
[15]WuJ,WangYY,YuJH,etal.
Intelligentspecklere-ducinganisotropicdiffusionalgorithmforautomated3-Dultrasoundimages[J].
JournaloftheOpticalSocietyofAmericaAOpticsImageScience&Vision,2015,[16]468云南大学学报(自然科学版)http://www.
yndxxb.
ynu.
edu.
cn第41卷32(2):248-257.
吴俊,汪源源,陈悦,等.
基于同质区域自动选取的各向异性扩散超声图像去噪[J].
光学精密工程,2014,22(5):1312-1321.
WuJ,WangYY,ChenY,etal.
Specklereductionofultrasoundimageswithanisotropicdiffusionbasedonhomogeneousregionautomaticselection[J].
OpticsandPrecisionEngineering,2014,22(5):1312-1321.
[17]SpratlingMW.
AneuralimplementationoftheHoughtransformandtheadvantagesofexplainingaway[J].
Image&VisionComputing,2016,52:15-24.
[18]何扬名,戴曙光.
提高霍夫变换识别圆形物体准确率的算法[J].
微计算机信息,2009,25(4):279-281.
HeYM,DaiSG.
Analgorithmforimprovingthepre-[19]cisionofdetectingroundobjectbyHoughTransform[J].
MicrocomputerInformation,2009,25(4):279-281.
赵振兵,徐磊,戚银城,等.
基于Hough检测和C-V模型的航拍绝缘子自动协同分割方法[J].
仪器仪表学报,2016,37(2):395-403.
DOI:10.
3969/j.
issn.
0254-3087.
2016.
02.
021.
ZhaoZB,XuL,QiYCH,etal.
Automaticco-seg-mentationmethodforaerialinsulatorbasedonHoughdetectionandC-Vmodel[J].
ChineseJournalofSci-entificInstrument,2016,37(2):395-403.
[20]SmerekKM,DulebaI.
CircularobjectdetectionusingamodifiedHoughtransform[J].
InternationalJournalofAppliedMathematics&ComputerScience,2008,18(1):85-91.
[21]AnautomaticalgorithmforthenipplelocationdetectionbasedonABUScoronalimagesZHAOLiu1,YANGuang-qian2**,WUJun3**,LUOHua-you4,SUNLiang4,SHURuo4(1.
SchoolofMicroelectronics,TianjinUniversity,Tianjin300072,China;2.
DepartmentofScienceandTechnologyEducation,TheFirstAffiliatedHospitalofKunmingMedicalUniversity,Kunming650032,China;3.
SchoolofInformationScienceandEngineering,YunnanUniversity,Kunming650091,China;4.
DepartmentofGastrointestinalandHerniaSurgery,TheFirstAffiliatedHospitalofKunmingMedicalUniversity,Kunming650032,China)Abstract:Breastdiseaseoccursinthedividedareawiththenippleasthecenter.
Accuratepositioningofthenipplehasimportantclinicalvalueforthediagnosisofbreastdisease.
Inthispaper,analgorithmforthenipplelocationautomaticdetectionisproposedbasedonautomated3Dbreastultrasound(ABUS)coronalimages.
Firstly,amaskisappliedtofindtheregionofinterest(ROI).
Then,theimagepre-processingoperationsareusedtoimprovetheaccuracyandefficiencyofthetargetareaidentification.
Finally,centralcoordinateandradiusofthenippleareobtainedbyusingthecircleHoughtransformandtheexclusionofmisjudgmentcircles.
Itisshownintheresultsthattheproposedalgorithmcaneffectivelydetectthelocationofthenipple,andthedetectionaccuracycanachieve94.
7%.
Keywords:ABUScoronalimages;circleHoughtransform;theexclusionofmisjudgmentcircles;detectionalgorithm第41卷赵柳等:基于ABUS冠状面图像的乳头位置自动检测算法469