超声定位纤维肌瘤影像的高效精准划分方法

本发明涉及一种超声定位影像的精准划分方法，特别涉及一种超声定位纤维肌瘤影像的高效精准划分方法，属于超声影像划分技术领域。

纤维肌瘤是一种常见的妇科子宫疾病，18％至39％的处于生殖期的妇女罹患纤维肌瘤。虽然纤维肌瘤是一种良性肿瘤，但其发病症状给女性带来了巨大痛苦。纤维肌瘤明显降低了女性的生活质量，是女性健康的主要威胁之一。纤维肌瘤的传统方法主要为纤维切除术，虽然该方法能标本兼治，但其手术过程痛苦，且术后女性无法生育，给女性带来了巨大的生理和心理痛苦。高强度聚焦超声(HIFU)是一种非放射性消融手段，HIFU将高强度超声波穿过体表聚焦于体内组织靶区，使靶区温度短时间迅速升高，利用能量效应实现对靶区组织的消融。HIFU纤维肌瘤无创、有效、安全，并且对女性的生育功能没有负面影响。HIFU被广泛运用于纤维肌瘤的临床中，减轻了患者的痛苦，效果显著。

影像导航定位是HIFU的重要部分，利用医学影像，医师可在消融前作计划，在消融过程中定位靶区、观测消融过程、及时调整剂量，在消融结束后评判效果。HIFU常用的导航方式有二种，基于超声影像的导航和基于磁共振影像的导航。基于超声影像的导航具有实时性、价格低廉、导航探头易于和探头相结合等优点，也同样具有影像质量差等明显缺点，医师主要通过超声影像灰度变化判断消融过程。目前，纤维肌瘤的HIFU多采用基于超声影像的导航，其导航影像来源于与超声探头集成的诊断超声探头影像，该影像是病灶的实时二维切面影像，在消融过程中，医生通过该影像判断需消融的靶区，然后引导探头将高强度超声聚焦于靶区，通过点模式或线模式对靶区消融，消融完成后移动成像二维切面，继续消融，直至完成整个三维病灶区域的消融。

对超声影像的病灶区域的精确划分，具有重要意义和应用价值，它能引导探头将高强度超声聚焦于病灶区域，既能提高效果，又能避免损伤其他组织。在纤维肌瘤的HIFU中，病灶区域为纤维肌瘤，因此超声定位导航影像的纤维肌瘤划分是HIFU的关键步骤。现有技术的划分多为人工完成，非常繁琐，不但降低了效率，而且给医生带来了巨大的工作负担。因此，提出一种计算机辅助的纤维肌瘤超声影像划分方法在HIFU中实现自动导航、减轻医生负担、提升效率方面具有重要意义和巨大应用价值。

影像划分是指将影像划分为几个子区域，每个像素点必须属于且只属于某一个子区域，每个子区域都连通，每个子区域的像素点都具有相似性质。临床诊断中，划分超声影像的肿瘤区域，可获得肿瘤区域的大小、形状等信息。HIFU中，划分超声影像可判断需消融的靶区。现有技术的超声影像划分均为人工划分，费时费力。随着科技的发展，尤其是信息技术的进步，计算机辅助的超声影像划分(简称为超声影像划分)成为了热点，并取得了许多成果。其主要划分方法可分为以下几类：一是阈值分割法，阈值分割法是灰度影像中常用的分割方法。当前景目标与后景的灰度有较大的差异时，选择一个合适的灰度阈值就可以将目标分割出来。但由于超声影像信噪比低、质量差，简单使用阈值分割法并不能得到良好效果。因此需要对阈值分割法进行改进，使之适用于超声影像。二是区域生长法，区域生长法也是灰度影像分割方法。先选定初始区域，然后不断合并与初始区域邻接并且具有相似性质的像素点，直到无法再合并。利用种子生长方法，像素点的特征结合了灰度特征和纹理特征，该种子点生长受全局比较检测、位置相似性、均等机会竞争等三大原则控制。但由于使用条件限制较多，依然存在很大的局限性。三是动态轮廓法，该方法指定一个初始轮廓，该初始轮廓在某些限制下演化，使得某个给定的能量函数取得最值，最终演化轮廓即为待分割目标边界，由于较好的动态特性和扩展性，该方法被广泛地运用于超声影像分割中，是现有技术超声影像分割的主要方法，该方法融合了形状信息。但由于超声影像质量差，有时一种方法不能得到较好的分割结果，需要多种方法综合应用。

按照是否需要人工介入划分超声影像方法，分为半自动划分和全自动划分两类。若划分方法有人工介入，则为半自动划分方法；若划分方法没有人工介入，则为全自动划分方法。半自动划分方法和全自动划分方法的划分并不是绝对的。

选取良好的特征，既能降低划分难度，又能获得良好的划分效果。在超声影像划分中，特征既包括影像特征，又包括划分组织的生物学特征。包括灰度分布、灰度梯度、纹理、相位、熵、形状特征

由于超声影像信噪比低、质量差，直接对超声影像划分会得到较差的结果，需要对超声影像进行前置处理。超声影像的前置处理主要包括去噪和增强两部分。中值滤波是现有技术的滤波手段，对当前像素点取一个邻域，则滤波后当前像素点灰度值为邻域内像素点灰度值的中间值。均值滤波是另一种现有技术的滤波手段，均值滤波同样需要一个邻域，但滤波后当前像素点的灰度值是邻域内像素点灰度值的均值。另一种代表性低通滤波器为高斯滤波器，对当前像素点取正方形邻域，滤波后该像素点灰度值为邻域内像素点灰度值的加权和，权重由高斯函数生成，各向异性扩散滤波是一种非线性滤波手段，它利用热扩散方程完成去噪过程，在去噪的同时能尽量保持边缘。但这些前置处理直接运用到超声影像的预处理中，又存在各种各样的问题，不能很好的适应超声定位纤维肌瘤影像的高效精准划分的需要。

综上，现有技术的HIFU的超声定位导航还存在一些明显不足，表现在以下方面：

一是现有技术的超声影像划分方法不是为HIFU的超声定位导航这一目的设计的，与一般超声影像划分不同，HIFU的超声定位导航影像具有比一般超声影像更差的质量，并且也要求划分过程中尽量减少人工干预。纤维肌瘤在超声影像中多呈低回声，但对于特殊情形，纤维肌瘤会在超声影像中呈高回声。另外，在纤维肌瘤的超声影像中，其他器官组织如膀胱经常出现，纤维肌瘤的超声影像比较复杂，现有技术的超声影像划分方法完全不能满足HIFU的超声定位导航的需要；

二是超声影像信噪比低、质量差，简单使用现有技术的方法并不能得到良好效果，现有技术对超声定位导航影像的划分多由人工完成，繁琐耗时的缺点，现有技术超声影像划分主要基于轮廓演化的方法，该方法需要一个初始轮廓且初始轮廓直接影响最终的划分结果，现有技术的方法直接对像素点聚类，计算量巨大，整个超声影像划分方法的效率低，得到的纹理特征鲁棒性差，纤维肌瘤影像划分结果不精准，人工干预度高，不能很好的运用于实际的HIFU纤维肌瘤的超声定位导航中；

三是现有技术缺少超声影像超像素生成方法，没有加入前置处理和连通性校正步骤，不能够在超声影像中得到更合适的超像素；超像素纹理特征提取没有合适的方法，纹理没有考虑明暗强度，不能适应于超声影像；现有技术没有合适的超像素归并，采用卡方距离计算纹理直方图的差异性，归并过程需大量人工干预并能不能直接输出最终肿瘤区域，人工工作量巨大，效率很低。

四是现有技术分割步骤中形成的超像素边界不能更好的符合肿瘤边界，特征提取时不能够较好的表征超声影像纹理特征，归并步骤中不能智能获取聚类数量，也不能自动提取肿瘤区域。现有技术的方法不能够处理超声影像的各类情形，对信噪比极低的超声影像的划分效果差，影像划分结果精准度低，同时需要大量人工干预。

本发明提供的超声定位纤维肌瘤影像的高效精准划分方法，针对现有技术对超声定位导航影像的划分多由人工完成，繁琐耗时的缺点，采用计算机辅助的超声影像划分方法，在HIFU中具有重要意义和巨大的应用价值。本发明提出基于分割归并的超声影像划分方法，该方法首先利用一种改进的SLIC方法对影像过分割，形成超像素；然后提取超像素的纹理特征；最后利用Ncut谱聚类方法对超像素聚类。本发明的方法并没有直接对像素点聚类，而是对超像素聚类，这样能大幅减少计算量，提高整个超声影像划分方法的效率。对超像素而非像素点进行特征提取，得到的纹理特征更为鲁棒，更能适应HIFU超声定位导航影像质量差的特征。为减少人工干预，提出基于肿瘤先验知识的智能聚类数量选取方法，本发明提出的影像划分方法能够处理超声影像的各类情形，对信噪比极低的超声影像也具有良好的划分效果。本发明方法的划分结果精准，人工干预度低，能高效运用于实际的HIFU纤维肌瘤的超声定位导航中。

为达到以上技术效果，本发明所采用的技术方案如下：

超声定位纤维肌瘤影像的高效精准划分方法，基于分割归并将HIFU超声定位导航纤维肌瘤影像进行计算机辅助划分，包括超声影像分割、提取超声影像超像素特征、归并超像素，超声影像分割包括影像分割的超像素、超声影像前置处理、超声影像超像素生成、校正连通性，提取超声影像超像素特征包括提取单像素点纹理特征、构建超像素纹理直方图的特征提取，归并超像素包括Ncut谱聚类方法、创建权值矩阵、智能选取聚类数量；

本发明首先对影像过分割形成超像素，然后提取每个超像素的纹理特征，最后基于超像素的纹理特征和空间邻接关系归并超像素得到最终的影像划分结果；

基于分割归并法的HIFU超声定位导航影像的纤维肌瘤划分，首先将影像过分割成许多子区域，这些子区域称作超像素，然后对这些子区域提取纹理特征，最后根据纹理特征和空间特性对子区域聚类，得到最后的划分结果；在分割步骤中，本发明采用改进的基于线性迭代聚类的超像素形成方法；在特征提取方面，本发明提出区域纹理特征提取方法；在归并步骤中，本发明采用基于归一化割方法的谱聚类方法，提出智能获取聚类数量并能自动提取肿瘤区域的方法；

本发明HIFU超声定位导航影像的纤维肌瘤划分，采用基于聚类的方法，提出基于肿瘤先验知识智能选取聚类数量的方法，先对影像进行过分割形成超像素，再对超像素聚类；本发明基于分割归并将HIFU超声定位导航纤维肌瘤影像进行计算机辅助划分，首先对超声影像分割得到许多超像素，然后提取超像素特征，最后对超像素聚类。

超声定位纤维肌瘤影像的高效精准划分方法，进一步的，超声影像前置处理是在对超声影像运用SLIC方法生成超像素之前进行降噪处理，提升SLIC方法性能；本发明利用双边滤波器对超声影像去噪。

设E(x,y)为输入影像，(x,y)是空间坐标，则滤波后的影像Ef(x,y)由以下二式确定：

式中(i,j)代表点(x,y)附近的一个窗口大小为Rf×Rf的邻域，σd和σr是权重核函数Lf的参数，双边滤波器根据中心像素点的邻域像素点决定滤波后的中心像素点的灰度值，双边滤波器的权重核函数不仅考虑像素点间的空间关系，而且考虑像素点间的灰度值关系；当像素点位于相对匀质区域时，双边滤波器正常去噪，而当像素点位于边缘时，像素点邻域内的像素点灰度值变化大，权重核函数考虑灰度值域，双边滤波器适度减轻平滑效果，保持边缘。

超声定位纤维肌瘤影像的高效精准划分方法，进一步的，超声影像超像素生成基于SLIC方法，对于具有M个像素点的灰度影像E，欲生成N个超像素{Ω1，Ω2，...，ΩN}且SLIC方法在三维空间对像素点聚类，这里的x和y是几何空间坐标，E(x,y)是影像的灰度值；假设生成的超像素是等大小的正方形区域，每个超像素面积大约为M/N，且二个超像素质心间的距离约为首先，选取N个像素点作为初始聚类中心，这些像素点平均分布在影像上,然后，不断迭代更新聚类和聚类中心，直到满足收敛条件,收敛条件是迭代到一定次数，或聚类中心在某个误差限不再变动，SLIC方法的像素点搜索范围限制在聚类中心2R×2R的区域，将搜索范围限制在聚类中心2R×2R的区域，像素点f和聚类中心像素点g之间的距离h通过加权的欧拉距离得到：

(xf，yf)和(xg，yg)是像素点f和g的几何空间坐标，参数cmp是紧致度因子，cmp值越大，空间距离所占比重越大，形成的超像素更为紧致，具有规则的形状，参数R为归一化因子，对空间距离进行归一化；

本发明的SLIC方法的具体步骤是：

第一步，均匀的选取超声影像的N个像素点作为初始聚类中心，每个像素点和聚类中心的距离初始化为无穷大；

第二步，依次对每个聚类中心，计算2R×2R区域内像素点与聚类中心的距离，若该距离小于像素点原有的与聚类中心的距离，则将该像素点划分到聚类中心，对所有聚类中心的处理完成后，能够形成新的N个聚类；

第三步，计算新形成的N个聚类的聚类中心，聚类中心的分量坐标为属于该聚类的像素点的分量坐标的均值；

第四步，若满足收敛条件，则停止计算；否则返回到第二步。

超声定位纤维肌瘤影像的高效精准划分方法，进一步的，本发明改进SLIC的校正连通性处理方法，将不连通的小区域划分到和它相邻的且灰度均值和该小区域最为接近的超像素，使得形成的超像素内部更匀质，使超像素边界更好的符合肿瘤边界；首先，利用广度搜索优先方法得到所有的连通区域，如果某一小块连同区域的大小小于0.25倍的预设超像素大小M/N，则该小区域被认为是孤立的不连通区域，需要归并到周围的区域；然后，对每一个需要归并的小区域，计算小区域和与其邻接的区域的平均灰度值，将平均灰度值与该小区域最接近的邻接区域归并到该小区域。

超声定位纤维肌瘤影像的高效精准划分方法，进一步的，构建超像素纹理直方图的特征提取中，采用纹理直方图表示超像素的纹理特征，纹理直方图的构建包括二个步骤，定义纹理直方图的横轴，然后再对超像素的每个像素点纹理特征计数，得到直方图的纵轴，每个超像素的纹理特征均可用一个纹理直方图表示；

在构建局部二值模式纹理直方图过程中，局部二值模式纹理特征十进制编码后是[0,255]之间的整数值，直方图的横轴自然判断，对纹理特征进行有效分类以判断直方图横轴，对整幅影像所有的像素点纹理向量，采用K均值聚类方法聚成K类；对于由向量构成的数据，K均值聚类方法具体步骤如下：

第1步，选取K个向量作为初始聚类中心，根据向量的范数均匀的选取K个向量；

第2步，对每个向量，分别计算该向量与K个聚类中心的距离，该向量属于与它距离最短的聚类中心对应的类，距离一般选取欧拉距离，形成新的K类；

第3步，对新的聚类计算新的聚类中心，聚类中心的向量的每个分量值是属于该类的所有的向量的对应的分量值的均值；

第4步，若满足收敛条件，方法停止；否则返回到步骤第2步；收敛条件为迭代次数满足设定值，或新老聚类中心在误差限内不再变化；

超声定位纤维肌瘤影像的高效精准划分方法，进一步的，通过采用K均值聚类方法对像素点纹理向量聚类，得到K个类和对应的K个聚类中心，这K个聚类中心为纹理基元，表示某一类像素点纹理特征所具有的共同特征；本发明用tc(e)表示一个纹理基元对应的纹理向量，K个聚类中心形成直方图的横轴；然后对每个超像素的像素点纹理向量的标号计数，得到每个超像素的纹理直方图；令标号W(q)表示像素点q的纹理向量属于的类型，则纹理直方图：

每个超像素的纹理直方图被归一化到[0,1]，若一个像素点的邻域跨越二个超像素，该像素点的纹理向量则不能被计数。由于超像素所含的像素点数量多，其得到的纹理直方图更具统计意义。

超声定位纤维肌瘤影像的高效精准划分方法，进一步的，Ncut是基于图论的聚类方法，给定一个无向带权图B＝(U，I，L)，U是有个结点的点集，I是连接结点的边集，L是权值矩阵且其元素l(n,m)代表二个结点n和m之间的相似度；假设需要将点集U分成A类{Φ1，Φ2，...，ΦA}，最优划分是最小化Ncut值，

将它转化成一个广义特征值方程，对应的广义特征值方程具有Lx＝λHx的形式，其中H是对角阵且其对角元λ是特征值，x是对应的特征向量。为将点集聚成A类，需要A个特征值和特征向量；本发明采用基于聚类结果的初始设置鲁棒方法；

由于最小化Ncut值等同于最大化：

优化分成二步，首先转化成广义特征值得到连续域上的最优解，然后从连续域的最优解到离散域的最优解，用一个的矩阵X表示某结点属于某一类；具体为，若矩阵X元素X(u，y)＝1，则表示结点u属于类Φk，反之则不属于。

超声定位纤维肌瘤影像的高效精准划分方法，进一步的，本发明提出智能选取聚类数量的方法，首先聚类数量A被设为2，并采用Ncut方法对超像素聚类，得到归并的区域；然后考察归并的区域，判断其中是否有一个区域能够被认定为肿瘤区域，若有一个区域能够被判定为肿瘤区域，则方法结束并输出该区域。若没有一个区域能被判定为肿瘤区域，就令A＝A+1，然后重新使用Ncut方法对超像素聚类，并考察归并的区域；本发明判定一个区域是否为肿瘤区域的标准有三个，主要基于肿瘤的位置、形状、大小先验知识：

一是一个区域若为肿瘤区域，那么该区域不能包含影像边界像素；肿瘤区域都是完整的呈现在超声影像中，区域包含影像边界像素点的可被认为是该区域被影像边界像素点截断，是不完整的，因此包含影像边界像素点的区域不是肿瘤区域；

二是肿瘤形状必须满足一定规则，非常不规则的区域是背景区域分割而成的子区域，本发明利用椭圆拟合方法判断一个区域是否规则；对每个区域，到它的最小外接矩形，以此矩形的中心为椭圆中心，矩形的长宽分别为椭圆的长轴和短轴，得到一个区域的拟合椭圆；计算区域的面积和拟合的椭圆面积之比，若该比值在一个预先设定的范围内，则认定该区域相对规则，可能是肿瘤区域；否则，该区域是不规则的，一定不是肿瘤区域；

三是根据肿瘤大小这一先验知识从肿瘤的候选区域选择出肿瘤区域；肿瘤大小在HIFU前是已知的，可被用作HIFU导航超声影像分割的先验知识；肿瘤区域是与肿瘤大小最接近的合并后的某个区域。

超声定位纤维肌瘤影像的高效精准划分方法，进一步的，本发明提出的智能选取聚类数量方法的具体步骤如下：

步骤1，令A＝2，用Ncut方法对超像素聚类，得到归并后的区域；认为所有区域都是肿瘤区域的候选区域；

步骤2，遍历影像的边界像素点，从候选区域移除包含这些像素点的区域；如果候选区域为空，则执行步骤7；否则执行步骤3；

步骤3，对每个候选区域，计算该区域的最小外接矩形，以矩形的中心为椭圆中心、矩形的长宽分别为椭圆长短轴得到拟合椭圆，计算该区域和拟合椭圆面积比；如果面积比没有落在预先定义的范围内，将该区域从肿瘤候选区域移除；

步骤4，如果候选区域只有一个，执行步骤6；如果候选区域有多个，执行步骤5；否则，执行步骤7；

步骤5，选择候选区域中与肿瘤大小最接近的区域为肿瘤区域；

步骤6，输出该区域，方法结束；

步骤7，令A＝A+1，用Ncut方法对超像素聚类，得到归并后的区域；认为所有区域都是肿瘤区域的候选区域；返回到步骤2。

与现有技术相比，本发明的贡献和创新点在于：

第一，本发明提供的超声定位纤维肌瘤影像的高效精准划分方法，针对现有技术对超声定位导航影像的划分多由人工完成，繁琐耗时的缺点，采用计算机辅助的超声影像划分方法，在HIFU中具有重要意义和巨大的应用价值。由于提出的方法运用于HIFU中需要尽量减少人工干预，现有技术超声影像划分方法主要基于轮廓演化的方法，该方法需要一个初始轮廓且初始轮廓直接影响最终的划分结果。因此，本发明提出基于分割归并的超声影像划分方法，该方法首先利用一种改进的SLIC方法对影像过分割，形成超像素；然后提取超像素的纹理特征；最后利用Ncut谱聚类方法对超像素聚类。本发明的方法并没有直接对像素点聚类，而是对超像素聚类，这样能大幅减少计算量，提高整个超声影像划分方法的效率。对超像素而非像素点进行特征提取，得到的纹理特征更为鲁棒，更能适应HIFU超声定位导航影像质量差的特征。由于纤维肌瘤的超声影像较复杂，单一的聚类数量并不能完成对所有影像的正确划分，为减少人工干预，本发明提出基于肿瘤先验知识的智能聚类数量选取方法，合成影像的实验结果表明，本发明提出的影像划分方法能够处理超声影像的各类情形，对信噪比极低的超声影像也具有良好的划分效果。本发明提出的超声定位纤维肌瘤影像的高效精准划分方法的划分结果精准，人工干预度低，能高效运用于实际的HIFU纤维肌瘤的超声定位导航中。

第二，本发明提供的超声定位纤维肌瘤影像的高效精准划分方法，提出基于改进SLIC方法的超声影像超像素生成方法，在比较了几种超像素方法在超声影像上的表现，基于SLIC方法改进提出了一种超声影像超像素生成方法，通过加入前置处理和改进SLIC方法的连通性校正步骤，本发明提出的超像素生成方法能够在超声影像中得到更合适的超像素。

第三，本发明提供的超声定位纤维肌瘤影像的高效精准划分方法，提出了一种新的超像素纹理特征提取方法，该方法先对像素点提取纹理特征，然后利用纹理直方图表征超像素的纹理特征；不同于局部二值模式纹理，本发明的纹理考虑了纹理的明暗强度，更能适应于超声影像。

第四，本发明提供的超声定位纤维肌瘤影像的高效精准划分方法，采用Ncut谱聚类方法对超像素归并，采用QC距离代替现有技术的卡方距离计算纹理直方图的差异性，权值矩阵的构建基于超像素的纹理直方图的差异性和超像素的空间位置关系，通过提出的智能选取聚类数量的方法，本发明的归并过程无需人工干预并能直接输出精准的最终肿瘤区域。

第五，本发明提供的超声定位纤维肌瘤影像的高效精准划分方法，提出的方法分别在采用Field II生成的合成影像和基于噪声模型生成的合成影像上进行了实验，也在真实的HIFU超声定位导航影像上进行了实验，定性定量分析了本发明提出的方法在不同灰度分布、不同形状、不同信噪比情形下的划分性能，对比了本发明划分方法得到的自动划分结果和人工专家的划分结果，定性定量分析了本发明提出的方法在真实影像上的划分性能。本发明提出的影像划分方法能够较好的处理超声影像的各类情形，对信噪比极低的超声影像也具有良好的划分效果。本发明提出的方法的影像划分结果精准，人工干预度低，能高效运用于实际的HIFU纤维肌瘤的超声定位导航中。

图1是本发明超声定位纤维肌瘤影像的高效精准划分方法的流程图。

图2是本发明的连通性校正对比示意图。

图3是本发明的超声影像分割结果示意图。

图4是本发明不同聚类数量得到不同归并结果的对比示意图。

下面结合附图，对本发明提供的超声定位纤维肌瘤影像的高效精准划分方法的技术方案进行进一步的描述，使本领域的技术人员可以更好的理解本发明并能够予以实施。

纤维肌瘤是女性子宫的常见疾病，HIFU以其无创性成为纤维肌瘤的优选方案，在HIFU中，需要对超声定位导航影像进行划分，判断需要消融的靶区，现有技术的划分方法多为人工划分，繁琐复杂，耗时耗力。

本发明提出一种超声定位纤维肌瘤影像的高效精准划分方法，基于分割归并将HIFU超声定位导航纤维肌瘤影像进行计算机辅助划分，包括超声影像分割、提取超声影像超像素特征、归并超像素，超声影像分割包括影像分割的超像素、超声影像前置处理、超声影像超像素生成、校正连通性，提取超声影像超像素特征包括提取单像素点纹理特征、构建超像素纹理直方图的特征提取，归并超像素包括Ncut谱聚类方法、创建权值矩阵、智能选取聚类数量。

本发明首先对影像过分割形成超像素，然后提取每个超像素的纹理特征，最后基于超像素的纹理特征和空间邻接关系归并超像素得到最终的影像划分结果。

本发明提出的影像划分方法在合成超声影像和真实HIFU超声定位导航纤维肌瘤影像中进行了实验，实验结果表明，本发明能适应于超声定位影像的各类情形，如不同形状、灰度分布、信噪比等。本发明提出的超声影像划分方法划分一幅真实HIFU的超声定位导航影像的平均运行时间为8.96秒；本发明提出的超声影像划分方法在38幅真实HIFU的超声定位导航影像上的划分结果与人工划分结果的相似性评价指标的平均值达到90.35％。本发明提出的超声定位纤维肌瘤影像的高效精准划分方法的划分结果精准，人工干预度低，能高效运用于实际的HIFU纤维肌瘤的超声定位导航中。

为解决超声定位导航影像的纤维肌瘤划分问题，本发明提出基于分割归并法的HIFU超声定位导航影像的纤维肌瘤划分方法，该方法首先将影像过分割成许多子区域，这些子区域称作超像素，然后对这些子区域提取纹理特征，最后根据纹理特征和空间特性对子区域聚类，得到最后的划分结果。在分割步骤中，本发明采用改进的基于线性迭代聚类(SLIC)的超像素形成方法，该方法形成的超像素边界能够更好的符合肿瘤边界。在特征提取方面，本发明提出区域纹理特征提取方法，该方法能够较好的表征超声影像纹理特征。在归并步骤中，本发明采用基于归一化割方法的谱聚类方法，提出智能获取聚类数量并能自动提取肿瘤区域的方法。

本发明HIFU超声定位导航影像的纤维肌瘤划分，用于HIFU的超声定位导航，需尽量避免人工干预，因此本发明采用基于聚类的方法，而非轮廓演化法，由于基于轮廓演化的方法需要一个初始轮廓，并且初始轮廓直接影响最后的影像划分结果，而智能获取初始轮廓非常困难。由于纤维肌瘤的超声影像包含如膀胱等许多组织器官，单一的聚类数量不能得到正确的划分结果。为避免影像划分过程中的人工干预，本发明提出基于肿瘤先验知识智能选取聚类数量的方法。直接对像素点聚类计算量很大，本发明先对影像进行过分割形成超像素，再对超像素聚类。此外由于超像素包含许多像素点，从超像素提取的特征比从单像素点提取的特征更稳健，更能适应HIFU超声定位导航影像质量差的特征。本发明方法的流程图如图1所示，本发明基于分割归并将HIFU超声定位导航纤维肌瘤影像进行计算机辅助划分，首先对超声影像分割得到许多超像素，然后提取超像素特征，最后对超像素聚类。

一、超声影像分割

(一)影像分割的超像素

超像素是影像的一小块子区域，子区域内的像素点具有相似的性质，子区域可以从整体上代替子区域内的像素点，这一小块子区域就被称作超像素；采用超像素不但能减少后续影像处理的运算量，从而提升速度；而且能得到对影像更有视觉含义的描述，这是由于后续影像处理方法的输入数据由小尺度的像素变成大尺度的超像素，减少了数据量。由于超像素内部区域像素点都具有相似性质，因而相比现有技术单纯通过增大网格尺寸增大尺度的方法，超像素更具视觉意义，在后续影像处理中有更好的表现。

本发明采用SLIC超像素方法，SLIC属于基于梯度上升的超像素方法，利用相似均值聚类方法形成超像素。SLIC方法与其他方法相比较在自然景观影像的性能，无论在时间消耗上还是过分割精度上，SLIC方法都优于其他方法，然而超声影像相比自然景观影像具有影像质量差、斑点纹理特征明显等特征，因此仍需探讨超像素方法在超声影像上的性能。由于时间消耗仅与影像大小相关，因此从自然景观影像超像素生成结果可推断出SLIC方法在超声影像上同样具有计算效率高的优点。本发明比较了Turbopixels、EGB、SLIC方法在超声影像上的过分割准确度，超像素的个数设置为100，其他参数则依据程序默认参数设置。结果显示EGB生成的超像素能较好的保持肿瘤边界一致性，但缺点很明显，对于超声影像肿瘤弱边界无法正确过分割，同时受噪声影响很大，容易形成许多很小的超像素，且形成的超像素大小、形状不一；Turbopixels形成的超像素从视觉上比EGB好，超像素形状大小较均匀，但在保持肿瘤边界一致性上性能差，在部分肿瘤边界上弱于EGB；而SLIC方法形成的超像素在大小形状、保持肿瘤边界一致性上具有最优的结果，因而取得了最好的划分结果。

尽管如此，SLIC方法形成的超像素仍然在肿瘤部分边界处不能保持一致，因此需要对SLIC方法进行改进，得到适用于超声影像划分的分割方法。

(二)超声影像前置处理

由于SLIC方法基于灰度和位置对影像进行过分割形成超像素，因此严重的噪声干扰对SLIC方法不利。超声影像包含大量的噪声，需要在对超声影像运用SLIC方法生成超像素之前进行降噪处理，提升SLIC方法性能。双边滤波器是一种非线性滤波器，能在除去噪声的同时保持边缘，去噪效果好并且实现简单。本发明利用双边滤波器对超声影像去噪。

设E(x,y)为输入影像，(x,y)是空间坐标，则滤波后的影像Ef(x,y)由以下二式确定：

式中(i,j)代表点(x,y)附近的一个窗口大小为Rf×Rf的邻域，σd和σr是权重核函数Lf的参数，双边滤波器根据中心像素点的邻域像素点决定滤波后的中心像素点的灰度值，双边滤波器的权重核函数不仅考虑了像素点间的空间关系，而且考虑了像素点间的灰度值关系；当像素点位于相对匀质区域时，双边滤波器正常去噪，而当像素点位于边缘时，像素点邻域内的像素点灰度值变化大，权重核函数考虑了灰度值域，双边滤波器能适度减轻平滑效果，从而保持边缘。

(三)超声影像超像素生成

本发明的超声影像超像素生成方法基于SLIC方法，对于具有M个像素点的灰度影像E，欲生成N个超像素{Ω1，Ω2，...，ΩN}且在自然景观中，SLIC方法在CIELAB三维彩空间和二维几何空间构建的五维空间对像素点聚类生成超像素，而超声影像是灰度影像，因此SLIC方法在三维空间对像素点聚类，这里的x和y是几何空间坐标，E(x,y)是影像的灰度值。假设生成的超像素是等大小的正方形区域，每个超像素面积大约为M/N，且二个超像素质心间的距离约为首先，选取N个像素点作为初始聚类中心，这些像素点平均分布在影像上,然后，不断迭代更新聚类和聚类中心，直到满足收敛条件,收敛条件是迭代到一定次数，或聚类中心在某个误差限不再变动，SLIC方法的像素点搜索范围限制在聚类中心2R×2R的区域，由于形成的超像素具有空间局部性，因此没有必要将搜索范围扩大到整个影像。将搜索范围限制在聚类中心2R×2R的区域，减少计算量提高效率。像素点f和聚类中心像素点g之间的距离h通过加权的欧拉距离得到：

(xf，yf)和(xg，yg)是像素点f和g的几何空间坐标，参数cmp是紧致度因子，cmp值越大，空间距离所占比重越大，形成的超像素更为紧致，具有规则的形状，参数R为归一化因子，对空间距离进行归一化。

本发明的SLIC方法的具体步骤是：

第一步，均匀的选取超声影像的N个像素点作为初始聚类中心，每个像素点和聚类中心的距离初始化为无穷大；

第二步，依次对每个聚类中心，计算2R×2R区域内像素点与聚类中心的距离，若该距离小于像素点原有的与聚类中心的距离，则将该像素点划分到聚类中心，对所有聚类中心的处理完成后，能够形成新的N个聚类；

第三步，计算新形成的N个聚类的聚类中心，聚类中心的分量坐标为属于该聚类的像素点的分量坐标的均值；

第四步，若满足收敛条件，则停止计算；否则返回到第二步。

(四)校正连通性

虽然SLIC方法将搜索范围限制在聚类中心2R×2R范围内，尽量的使超像素满足空间局部性。但并没有强制使超像素满足连通性。图2(a)为一个不连通的超像素示意图，超像素Ω1不连通，有一小块区域并没有和主体区域连通，孤立的落在超像素Ω2中，这种不连通性对后续的影像处理十分不利，需要校正。SLIC方法通过广度搜索优先方法将这种不连通的小区域划分到和它相邻的任意一个超像素中，消灭这类孤立的区域。虽然这种方法速度快，但很可能使超像素边界不能很好的符合肿瘤边界。

本发明改进SLIC的校正连通性处理方法，将不连通的小区域划分到和它相邻的且灰度均值和该小区域最为接近的超像素，使得形成的超像素内部更匀质，使超像素边界更好的符合肿瘤边界。图2为连通性校正示意图，(a)为不连通的超像素，(b)为利用广度搜索优先方法得到所有的连通区域，(c)为将不连通的小区域归并到与之邻接的且平均灰度值与之最相似的区域。图2给出了处理方法。首先，利用广度搜索优先方法得到所有的连通区域，如果某一小块连同区域的大小小于0.25倍的预设超像素大小(M/N)，则该小区域被认为是孤立的不连通区域，需要归并到周围的区域；然后，对每一个需要归并的小区域，计算小区域和与其邻接的区域的平均灰度值，将平均灰度值与该小区域最接近的邻接区域归并到该小区域，可避免后续的重复计算。经过本发明改进SLIC的校正连通性处理，超像素的数量和大小会与初始设定值(N)不同，但并不影响本发明的方法,因为分割过程只需要尽量对影像过分割形成匀质的超像素，而非得到精准数量的超像素。

图3给出了分割结果，(a)为原图，(b)为前置处理后的影像，(c)为生成的超像素。中间划线为人工勾勒的肿瘤边界从结果看出，肿瘤确实被划分成若干超像素，且超像素的边界与肿瘤边界保持一致性。因此，本发明后续工作就是归并属于肿瘤区域的超像素从而实现肿瘤的划分。本发明的解决方法是根据超像素间的纹理特征采用多类Ncut方法对超像素聚类。

二、提取超声影像超像素特征

纹理特征是超声影像分析中的重要特征，由于斑点效应是超声影像具有纹理特征的重要因素，平滑滤波等前置处理手段会减弱斑点效应，影响纹理特征分析。因此，对超像素提取纹理特征时，直接在原始超声影像上进行。本发明提取超像素纹理特征的方法分为二步，提取单像素点纹理特征和构建超像素纹理直方图的特征提取。

(一)提取单像素点纹理特征

对单像素点提取纹理特征在像素点的邻域进行，本发明采用局部二值模式提取单像素点纹理特征，局部二值模式基于邻域的单像素点纹理提取，对一个中心像素点，若3×3邻域的像素点灰度值比中心像素点灰度值小，则该邻域像素点赋为0，否则为1，中心像素点可有8个这样的值，这8个值可形成一个二进制码，用一个十进制数表示，这个十进制数就是中心像素点的纹理特征，局部二值模式表示中心像素点与邻域像素点的关系。但尽管局部二值模式表征了超声影像的纹理特性，然而肿瘤区域和非肿瘤区域仍难以区分，因为局部二值模式特征并没有考虑像素点的灰度，而只考虑像素点间的灰度相对大小关系，得到的特征具有光照不变性，对光源变化形成的噪声鲁棒。对于超声影像，斑点形成的纹理的明暗程度反应组织的声学反射系数，像素点的灰度值对超声影像有非常重要的作用。

本发明中像素点的纹理特征用像素点为中心的邻域的像素点灰度值来表示，对像素点q，把它的(2s+1)×(2s+1)邻域内像素点灰度值排成一个向量t(q)，(2s+1)2维的向量表征像素点的纹理特征。该纹理特征考虑了纹理的明暗强度，适合于超声影像。然而，超声影像的灰度分布很复杂，为将这种纹理特征运用于超声影像划分，需要新的表示超像素纹理特征的方法。

(二)构建超像素纹理直方图的特征提取

本发明采用纹理直方图表示超像素的纹理特征，纹理直方图的构建包括二个步骤，定义纹理直方图的横轴，然后再对超像素的每个像素点纹理特征计数，得到直方图的纵轴，每个超像素的纹理特征均可用一个纹理直方图表示。

在构建局部二值模式纹理直方图过程中，局部二值模式纹理特征十进制编码后是[0,255]之间的整数值，直方图的横轴自然判断，由于像素点特征是一个变化多样的向量，不能采取构建局部二值模式直方图相似的穷举策略判断直方图的横轴，需要对纹理特征进行有效分类以判断直方图横轴。本发明对整幅影像所有的像素点纹理向量，采用K均值聚类方法聚成K类。对于由向量构成的数据，K均值聚类方法具体步骤如下：

第1步，选取K个向量作为初始聚类中心，根据向量的范数均匀的选取K个向量；

第2步，对每个向量，分别计算该向量与K个聚类中心的距离，该向量属于与它距离最短的聚类中心对应的类，距离一般选取欧拉距离，形成新的K类；

第3步，对新的聚类计算新的聚类中心，聚类中心的向量的每个分量值是属于该类的所有的向量的对应的分量值的均值；

第4步，若满足收敛条件，方法停止；否则返回到步骤第2步；收敛条件为迭代次数满足设定值，或新老聚类中心在误差限内不再变化。

通过采用K均值聚类方法对像素点纹理向量聚类，得到K个类和对应的K个聚类中心，这K个聚类中心为纹理基元，表示某一类像素点纹理特征所具有的共同特征；本发明用tc(e)表示一个纹理基元对应的纹理向量，K个聚类中心形成直方图的横轴；然后对每个超像素的像素点纹理向量的标号计数，得到每个超像素的纹理直方图；令标号W(q)表示像素点q的纹理向量属于的类型，则纹理直方图：

每个超像素的纹理直方图被归一化到[0,1]，若一个像素点的邻域跨越二个超像素，该像素点的纹理向量则不能被计数。由于超像素所含的像素点数量多，其得到的纹理直方图更具统计意义。

三、归并超像素

(一)Ncut谱聚类方法

Ncut是基于图论的聚类方法，给定一个无向带权图B＝(U，I，L)，U是有个结点的点集，I是连接结点的边集，L是权值矩阵且其元素l(n,m)代表二个结点n和m之间的相似度。假设需要将点集U分成A类{Φ1，Φ2，...，ΦA}，最优划分是最小化Ncut值，

将它转化成一个广义特征值方程，对应的广义特征值方程具有Lx＝λHx的形式，其中H是对角阵且其对角元λ是特征值，x是对应的特征向量。为将点集聚成A类，需要A个特征值和特征向量。本发明采用基于聚类结果的初始设置鲁棒方法。

由于最小化Ncut值等同于最大化：

优化分成二步，首先转化成广义特征值得到连续域上的最优解，然后从连续域的最优解到离散域的最优解，用一个的矩阵X表示某结点属于某一类。具体为，若矩阵X元素X(u，y)＝1，则表示结点u属于类Φk，反之则不属于。方法的具体步骤如下：

步骤一，求解特征值方程得到最大的A个特征值及对应的特征向量{x1，x2，...，xF}；

步骤二，将特征向量按列向量排列得到矩阵J，从而得到矩阵归一化矩阵

步骤三，通过尽量从矩阵选取A个互相正交的行向量并转置成一个列向量初始化一个A×A的矩阵

步骤四，令通过对矩阵的每个行向量做非极大值抑制得到离散解矩阵X；

步骤五，通过和更新矩阵若收敛，得到离散最优解矩阵X，否则返回到步骤四。

本发明将Ncut谱聚类方法用于超像素聚类，减少计算量节省运行时间。因此，点集U中的每个结点代表一个超像素，通过Ncut聚类完成划分的关键问题就是创建权值矩阵L和选取合适的聚类数量A。

(二)创建权值矩阵

权值矩阵L的元素表示二结点的相似度，本发明提出的方法中每个结点代表一个超像素，权值矩阵L的元素代表二超像素的相似度；由于每个超像素的特征由纹理直方图刻画，权值矩阵W的每个元素的基本形式为：

dis(veinn，veinm)代表两个超像素Ωn和Ωm的纹理直方图的差异，采用归一化形式将值限制在[0,1]，σ是尺度因子，用于控制细节敏感度，当σ越大，相似度对直方图之间的差异越敏感。

卡方距离衡量二个直方图之间的差异，对于两个直方图veinn和veinm，它们的卡方距离定义为：

veinn(α)代表直方图veinn在第α个横坐标上的值，其他相似符号具有相似意义。但卡方距离只考虑了二个直方图对应横坐标的值的距离，没有考虑不同横坐标之间的值的距离。本发明提出的方法，直方图距离需考虑不同横坐标之间的值的距离。在纹理特征提取中，直方图的坐标数量K是一个预先定义的参量，为防止直方图简并造成信息丢失，坐标数量K选取得较大。对于横坐标数量较多的直方图，只考虑对应横坐标的值的距离的直方图距离不够稳健，可能带来巨大误差。因此，本发明需要基于考虑不同横坐标之间的值的距离，提出采用二次卡方距离的直方图距离，该距离是二次距离和卡方距离的结合，对于两个直方图veinn和veinm，矩阵F是一个非负的对称矩阵，卡方距离被看作是二次卡方距离的一种特殊情形,将矩阵F用单位矩阵代替时，即为卡方距离，矩阵F的元素F(α,β)表示第α个横坐标和第β个横坐标之间的相似性。横坐标通过聚类中心形成，因此横坐标间的相似性用聚类中心对应的纹理特征向量表示，令tc(e)表示第e个横坐标对应的纹理特征向量，则：

构建相似度矩阵同时需解决连通性问题，肿瘤区域不太可能被背景分离，因而是连通的。本发明提出用Ncut对超像素聚类，为尽量保证连通性，采用区域邻接矩阵的方法，对于N个超像素，定义一个N×N的二值区域邻接矩阵G，其元素G(n,m)的值表示超像素n是否和超像素m在几何空间上邻接，若邻接则值为1，否则值为0，权值矩阵L由下式构建：

(三)智能选取聚类数量

本发明提出智能选取聚类数量的方法。图4为不同聚类数量得到的不同的结果，图中(a)聚类数量A＝3，(b)A＝4，(c)A＝5，(d)A＝6，(e)A＝7，(f)A＝8，(g)A＝9。当A＝8时，肿瘤被正确的划分，肿瘤边界由星号线表示，首先聚类数量A被设为2，并采用Ncut方法对超像素聚类，得到归并的区域；然后考察归并的区域，判断其中是否有一个区域能够被认定为肿瘤区域，若有一个区域能够被判定为肿瘤区域，则方法结束并输出该区域。若没有一个区域能被判定为肿瘤区域，就令A＝A+1，然后重新使用Ncut方法对超像素聚类，并考察归并的区域。本发明判定一个区域是否为肿瘤区域的标准有三个，主要基于肿瘤的位置、形状、大小先验知识：

一是一个区域若为肿瘤区域，那么该区域不能包含影像边界像素；肿瘤区域都是完整的呈现在超声影像中，区域包含影像边界像素点的可被认为是该区域被影像边界像素点截断，是不完整的，因此包含影像边界像素点的区域不是肿瘤区域；

二是肿瘤形状多变，但其形状必须满足一定规则，非常不规则的区域是背景区域分割而成的子区域，为描述区域的规则性，本发明利用椭圆拟合方法判断一个区域是否规则；对每个区域，到它的最小外接矩形，以此矩形的中心为椭圆中心，矩形的长宽分别为椭圆的长轴和短轴，得到一个区域的拟合椭圆；计算区域的面积和拟合的椭圆面积之比，若该比值在一个预先设定的范围内，则认定该区域相对规则，可能是肿瘤区域；否则，该区域是不规则的，一定不是肿瘤区域；

三是根据肿瘤大小这一先验知识从肿瘤的候选区域选择出肿瘤区域；由于病人在HIFU前，都接受了其它的医学检查，因而肿瘤大小在HIFU前是已知的，可被用作HIFU导航超声影像分割的先验知识；肿瘤区域是与肿瘤大小最接近的合并后的某个区域。

本发明提出的智能选取聚类数量方法，既能自适应选取聚类数目，又能直接输出肿瘤区域而无需人工干预。方法的具体步骤如下：

步骤1，令A＝2，用Ncut方法对超像素聚类，得到归并后的区域；认为所有区域都是肿瘤区域的候选区域；

步骤2，遍历影像的边界像素点，从候选区域移除包含这些像素点的区域；如果候选区域为空，则执行步骤7；否则执行步骤3；

步骤3，对每个候选区域，计算该区域的最小外接矩形，以矩形的中心为椭圆中心、矩形的长宽分别为椭圆长短轴得到拟合椭圆，计算该区域和拟合椭圆面积比；如果面积比没有落在预先定义的范围内，将该区域从肿瘤候选区域移除；

步骤4，如果候选区域只有一个，执行步骤6；如果候选区域有多个，执行步骤5；否则，执行步骤7；

步骤5，选择候选区域中与肿瘤大小最接近的区域为肿瘤区域；

步骤6，输出该区域，方法结束；

步骤7，令A＝A+1，用Ncut方法对超像素聚类，得到归并后的区域；认为所有区域都是肿瘤区域的候选区域；返回到步骤2。

本发明首先分析HIFU超声定位导航影像的特征，然后提出了适用于HIFU超声定位导航影像划分方法，并在合成影像和真实HIFU导航超声影像进行了实验。由于提出的方法运用于HIFU中需要尽量减少人工干预。目前超声影像划分方法主要基于轮廓演化的方法，该方法需要一个初始轮廓且初始轮廓直接影响最终的划分结果。因此，本发明提出一种基于分割归并的超声影像划分方法，该方法首先利用一种改进的SLIC方法对影像过分割，形成超像素；然后提取超像素的纹理特征；最后利用Ncut谱聚类方法对超像素聚类。本发明的方法并没有直接对像素点聚类，而是对超像素聚类，这样能大幅减少计算量，提高整个超声影像划分方法的效率。对超像素而非像素点进行特征提取，得到的纹理特征更为鲁棒，更能适应HIFU超声定位导航影像质量差的特征。由于纤维肌瘤的超声影像较复杂，单一的聚类数量并不能完成对所有影像的正确划分，为减少人工干预，本发明提出基于肿瘤先验知识的智能聚类数量选取方法，合成影像的实验结果表明，本发明提出的影像划分方法能够处理超声影像的各类情形，对信噪比极低的超声影像也具有良好的划分效果。本发明提出的超声定位纤维肌瘤影像的高效精准划分方法的划分结果精准，人工干预度低，能高效运用于实际的HIFU纤维肌瘤的超声定位导航中。