基于空间分层的医学图像特征提取算法

唐思源 白金牛

摘 要： 随着医疗影像设备在临床医学辅助诊断方向的广泛应用，如何精确提取目标特征图像显得尤为重要，而常规图像识别算法对环境光变化非常敏感，其结果很难满足医学诊疗的实际需求。为此，提出一种基于空间分层的无约束医学图像特征提取算法。设计包含加权系数的目标函数，实现对图像特征的快速提取；将图像空间按像素分为若干子图像空间，以四叉树结构进行快速存取；最后引入单纯形法对阈值进行自适应寻优。结果表明，所设计算法不仅有效解决了常规算法对环境光敏感的问题，还能够更加精确、快速地提取到目标特征，对临床诊断具有重要参考意义。

关键词： 辅助诊断； 阈值提取； 图像空间； 图像特征提取

中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2016）08?0092?04

Medical image feature extraction algorithm based on spatial stratification

TANG Siyuan， BAI Jinniu

（Department of Computer Science and Technology， Baotou Medical College， Baotou 014040， China）

Abstract： With the widespread use of medical imaging equipments in clinical medical auxiliary diagnosis， the way to extract accurately target image feature becomes particularly important， because the conventional image recognition algorithm is sensitive to the ambient light， and its very difficult to meet the actual demand of the medical diagnosis and treatment. Therefore， an unrestraint medical image feature extraction algorithm based on space hierarchy is proposed. The objective function with weighting factor was designed to realize the rapid extraction of the image feature. The image space was divided into several sub?image spaces according to pixels， which was fast accessed by quad?tree structure. At the end of this paper， the simplex method is introduced into self?adaptive optimization for the threshold. The results show this method can not only resolve the issue of the conventional algorithm which is sensitive to ambient light， but also can extract the target feature more fast and accurately， which is important for the clinical diagnosis.

Keywords： assist diagnosis； threshold extraction； image space； image feature extraction

0 引 言

随着现代医疗诊断在数字化、智能化和人性化方向的不断创新，以计算机核磁（MRI）、断层 （CT）、超声 （US）等医疗设备为基础，以成像辅助系统为依托的临床诊断模式已得到广泛应用。其中，计算机成像辅助系统采用图形识别算法对兴趣特征进行实时分割和提取，最终生成临床诊断报告，为会诊、手术和后续等各环节治疗方案的形成提供重要参考。另外，由于人体各组织器官的复杂性、不规则性和个体差异性等因素，如何高效提取图像目标特征对于提升临床诊断结果具有重要意义。

目前，主流图形分割算法有高斯曲线法、方向模板法、矩阵法和阈值法等。2011年，尚雅层等提出一种高斯拟合亚像素边缘检测算法[1]，先在特征图像边缘附近选取一系列点，然后求得这些点的灰度阶梯值，再用这些阶梯值进行高斯曲线拟合；但该方法抗光敏性差，只适用于法向量变化平缓的图形。2014年，燕山大学的马勤勇等提出一种多形状模板增强的远距离步态识别算法[2]，针对一个对象的步态轮廓图序列，分别计算出横向模板、纵向模板、形状分布模板和运动分布模板，作为此步态对象的特征方向模板；虽然该算法抵抗噪声能力较强，并能分割出较精细的轮廓特征，但识别精度很难满足医疗诊断领域的苛刻要求。同年，李永明在基于Hessian矩阵的边缘检测方法一文中[3]，利用Hessian矩阵提取边缘图像的中心路径，去除边缘毛糙和冗余的背景纹理，使图像边缘光滑连续；该算法在精度和鲁棒性能方面有了较大突破，但运算量非常大，很难实时提取目标特征。相对以上几种算法，阈值法定位速度快、算法种类多、处理较灵活，具有很大的发展空间和研究价值。

本设计在主流算法的基础上，以实时性和高精度为出发点，结合现代医学图像特征，提出一种基于空间分层的特征提取算法。设计包含加权系数的目标函数对各子图像空间进行阈值求解；将整个图像空间分为若干子图像空间，并用四叉树结构分层存取特征像素；最后引入单纯形法对各子图像阈值进行无约束自适应寻优，有效提升了图像识别的精度和效率，对于临床医学诊断具有重要参考价值。

1 分层特征提取算法

1.1 医学图像特征

基于图像空间内容的立体分割技术已成为现代医学领域的研究核心和技术难题。由于人体结构的复杂性和多样性，医学图像适用性和兴趣点差异也较大，普通图像识别方法和应用方向很难满足医学领域的需求。为此，专门对不同医学成像设备进行试验对比和分析，其主要特征[2]概括如下：

（1） 多形态。不同医学设备采集的图像适用性和反应的信息不同，因此在空间位置、灰度表达和分辨率方面差异很大；

（2） 模糊性。医学图像大都分辨率低，噪声大，而且受体效应影响，采集的图像较模糊，使得特征分割十分困难；

（3） 异质性。不同成像设备采集的图像，存储、尺寸和显示上具有很大的差异性。

由上可知，针对不同用途的医学设备，采集的图像在分辨率、灰度色和方向性等特征方面各不相同，这也决定了医学图像空间分割和识别的难度。为解决这些难题，本文设计了无约束目标函数，并引入单纯形法来优化提取的特征阈值。

1.2 目标函数设计

目标函数设计[3]原理如下：依据诊断需求和实际采集情况，将图像灰度空间域划分为若干独立的子空间图像，并均匀分布每层子图像空间像素数，通过调整权重系数，使目标函数满足特定精度需求，进而算出特征图像的最佳阈值。

由于空间灰度图像一般分为256个灰度等级，所以设灰度参数A取值范围为[0，255]，并将其分为k个独立子图像空间，推算出以下目标函数求解函数：

[y=Aii=1kmnt+W， i=1，2，…，k]

式中：m表示非零像素总数；n为所有子图像空间数；[mn]为每层子图像空间像素数的理想值；Ai为互不相交的子图像空间；t为第i层与第i+1层子图像空间的灰度阈值；W为加权系数；y表达式即为最终的目标函数。另外，所有子图像各不相交，其并集组成了整个图像空间。各子图像空间选择的阈值不同，获取的像素数也不同。加权系数可根据每层子图像空间的像素数和灰度变化进行相应调整。

由于子图像空间的顶层与底层像素数处于灰度值的两极，其变化对其他层像素数的变化影响较小，所以加权系数可设置低一些。而中间层子图像空间的像素数和灰度值相互影响较大，需要设置的权重系数高一些。因此，设置的加权系数可反映实际的光敏特征和图层分布状况。

可见，本目标函数的设计不仅考虑到光敏性影响，而且根据空间图像特征对阈值进行分层寻优，以确定最佳阈值。

1.3 四叉树结构特征提取算法

本算法采用四分法存取各子图像空间，首先将整个图像空间不断四分，并以四叉树结构分层存储，使每个子图像空间像素数均匀分布；然后通过设计的目标函数对各个子图像空间进行自适应寻优；最后利用单纯形法得到最佳阈值。因此，图像子空间数越多，分割的图形就越精细。整个分层存储结构如图1所示。

该算法通过前景与背景的灰度像素方差，统计前景像素点和背景像素点分别占整幅图像的比例，并记录它们的平均灰度值。若图像的背景较暗，则分别记录图像灰度值小于阈值和大于阈值的像素个数，采用遍历迭代的方法[4]求得最大方差即为最大阈值。另外，由于本算法采用多变量目标函数提取最佳阈值，因此引入单纯形法对所求阈值进行优化，使目标函数成为一种无约束求解方法。

单纯形法是一种直接的多维搜索法，主要采用无约束多变量函数对问题进行优化[5]，主要思想：设n维空间包含n+1个凸多面体，求n维空间的单纯形法即转换为求n+1个顶点的目标函数值，然后计算这些顶点的极大、极小值，以及处于他们区间的顶点值，并对所有顶点值在设定范围内进行变异操作；最后采用扩展、反射、压缩等方法算出一个理想点，进而取代极大值点来构成新的单纯形，以此不断进行迭代逼近，直到算出最优解为止，核心计算步骤如下：

（1） 设定原始单纯形的步长为L，最大变异次数为MaxNum，次数记录变量为c=0；

（2） 执行基本单纯形操作，计算得到一个极值点X1；

（3） 设置该极值点为新的顶点，并选择原始单纯形，执行下一轮单纯形操作，再求得新极值点。设置这两个极值点相应的目标函数为Y1，Y2；

（4） 假如Y1>Y2，将Y1=Y2，X1=X2代入以下公式：

[EYi+1，Xi+1=Xii=1tmnt+W+Yii=1tmnt+W， i=1，2，…，t]

其中：[X1]和[Xk]为[Xi]的极大值和极小值；

（5） 假如Y1

（6） 假如次数c

该方法的优点是简单、直观，求解过程无须涉及目标函数的导数。另外，由于阈值取正整数，变化范围为[0，255]，求解时先不考虑阈值的整数要求。当得到的最优解不满足整数要求时，用“舍入取整”的方法处理，处理后的结果即为近似最优解。本算法实现的核心流程如图2所示。

综上所述，本算法充分考虑医学图像复杂性等特征因素，利用加权系数不断调整目标函数值，通过迭代方法不断求解，直到求出最优解。

该方法不仅具有较强的环境适应性，而且有效提高了诊断的实时性和精确性，可作为临床医学诊断的重要依据。

2 算法软件实现

无约束图形分割提取方法[6]的核心逻辑如下：首先加载目标图像并对图像进行灰度分割；然后计算出最终的子空间数量，进而代入目标函数求解；最后，利用单纯形法寻优。整个软件实现的伪代码如下：

int FindOptimalThreshold （int layerNum）

{

//加载目标图像

Image targetImage=LoadTargetImage（）；

//计算目标图像的像素数

Int count=CalPixelCount（targetImage）；

//计算平均像素数

Float averagePixel=Count/ layerNum；

//初始化四叉树

for （int i = 0； i <= layerNum； i++）

{

quadTree.Insert（y）；

}

//单纯形法优化

Int opiticalThreshold=SingleMethord（quadTree）；

free（buff）；

return opiticalThreshold；

}

可见，整个软件处理流程采用目标函数和单纯形法获取最佳阈值，为精确提取医学图像特征提供有效方法。

3 实验及评价

人体组织结构大致相似，但由于受先天和后天发育等诸多因素的影响，个体间具有明显的组织特征差异。为验证所研究算法在实践医学应用中的效果，特从包头总医院PACS系统中，随机抽样了50位病人的颅脑CT平扫图进行实验。实验环境：采用多排螺旋扫描仪，扫描层厚为5 mm，扫描层数从颅顶到颅底，包括10个层次，涉及到的病变包括脑梗塞、脑出血、脑肿瘤等。

实验随机抽样效果如图3所示。结果表明：实验所用的100幅CT图像，从简单的颅顶结构图像到非常复杂的颅底结构，都取得了较理想的实验效果。

不足之处如下：

（1） 由于颅外结构紧密包裹颅骨，以造成颅骨缺失，识别出无颅骨情况；

（2） 部分眼球结构可能包含在颅脑CT中，但该情况对识别结构影响很小。

为了进一步验证本算法的有效性，采用BET算法[7]进行了对比实验。本算法采用无约束加权系数对颅脑CT图像进行识别，实验中发现：通过调整目标函数的加权系数，本算法能够精确提取所有CT图像的关键特征，识别结果如图4所示。而换用BET算法对图像进行识别，并对相关参数进行调整，发现有几幅图像无论怎么样调节，都很难得到理想结果，如图5所示。对比实验的参数和结果如表1所示。在同样实验条件下，本算法的失真度和可靠性都高于BET算法，并且采用分层存储结构和无约束特性处理空间图像数据，有效提高了图像的存取效率和识别精度。

实验结果表明，根据医学图像特征对整个立体空间进行细分，并设计加权系数目标函数，从图像空间结构和光敏角度提升了图像的分割效果。

4 结 语

以现代医学影像设备技术的飞速发展为背景，以探索计算机辅助医疗诊断的实时性、精确性、智能性为研究目标，提出一种无约束自适应医学图像阈值提取算法[8]。该方法不仅考虑环境因素的影响，还关注到人体组织结构的复杂性和特异性。为此设计四分法存取结构对空间图像进行递归切分，并采用无约束自适应目标函数计算图像空间的最佳阈值，为临床医学诊断提供精确的参考依据。进一步的工作是对不同人体器官组织进行分别实验和特征取样，存储为人体组织结构图像特征数据库，为后续模式识别提供源数据。

参考文献

[1] 尚雅层，陈静，田军委.高斯拟合亚像素边缘检测算法[J].计算机应用，2011，31（1）：179?181.

[2] 马勤勇，聂栋栋，王毅.多形状模板增强的远距离步态识别算法[J].小型微型计算机系统，2014（4）：106?107.

[3] 李永明.基于Hessian矩阵的边缘检测方法[J].激光杂志，2014，35（5）：27?30.

[4] 薛静芳.线性规划的单纯形算法研究及应用[D].大连：大连海事大学，2013：22?25.

[5] 李世杰.肾脏实性肿瘤病变的双时相螺旋CT表现：附40例影像、病理对照分析[J].中国医学影像技术，2004，20（10）：1526?1528.

[6] 牛强.肾嗜酸细胞腺瘤的MSCT诊断与鉴别诊断[J].四川医学，2012，33（9）：1641?1642.

[7] 丁明跃，蔡超.医学图像处理[M].北京：高等教育出版社，2010.

[8] 张德丰.数字图像处理[M].北京：人民邮电大学出版社，2009.