醫(yī)學(xué)超聲圖像處理系統(tǒng)

　　目前,超聲圖像診斷是與X線CT、同位素掃描、核磁共振等一樣重要的醫(yī)學(xué)圖像診斷手段。根據(jù)肝臟超聲圖像進行脂肪肝的診斷,是病變確診的主要方法。但是,與CT和核磁共振等醫(yī)學(xué)圖像相比,超聲圖像的圖像質(zhì)量較差,目前的診斷以定性為主,受主觀因素影響較大。研究肝臟超聲圖像的紋理特征,以便獲得量化參數(shù),并以此為依據(jù)進行病變的分類,為醫(yī)生提供診斷依據(jù),是非常必要的。基于以上原因,本文結(jié)合肝臟超聲圖像的特點,以圖像分割為基本手段,提取特征參數(shù),對超聲圖像的臨床診斷具有重要意義。

　　1　系統(tǒng)簡介

　　本系統(tǒng)利用B超機自帶的圖像輸出接口與計算機相連,將采集到的圖像送入圖像處理軟件,對圖像進行實時處理,將得到的參數(shù)顯示在電腦屏幕上,為醫(yī)生的診斷提供參考。

　　2　方法介紹

　　肝臟B超圖像的紋理是由于不同的肝臟組織纖維不同,使其對超聲脈沖的吸收、衰減、反射有差異,超聲脈沖又相互作用而形成的。因此,不同肝臟B超圖像的紋理有明顯不同,正常肝臟的肝實質(zhì)回聲呈稍低的細小光點,分布均勻,光點致密。發(fā)生病變后,回聲增強,光點稀疏。所以光點的大小和密度就成為醫(yī)生診斷的重要依據(jù),所以對其進行量化,以此為肝臟超聲圖像的密度特征是十分必要的。

　　2.1　超聲圖像預(yù)處理

　　在超聲圖像中,主要的噪聲來自于散斑(speckle),他是由于聲束在不均勻微細組織的散射所引起的干涉作用造成的,他在圖像中表現(xiàn)為顆粒狀,并不反映實際的組織結(jié)構(gòu),但卻影響了圖像的細節(jié)分辨能力。這不利于圖像的定量分析,因此需對圖像中的散斑噪聲進行抑制。在噪聲的抑制中,因為超聲圖像中的噪聲是乘法性噪聲,屬于與圖像信號相關(guān)的噪聲,因此線性濾波在平滑噪聲的同時也對圖像的細節(jié)信息進行了抑制。本文采用Loupas提出的適應(yīng)性加權(quán)中值濾波來抑制超聲圖像的噪聲。由于散斑的回波信號遵循平均值正比于標準偏差的瑞利分布,而Loupas已證明通過適應(yīng)性加權(quán)中值濾波對圖像散斑進行處理時,圖像的局部灰度平均值變得正比于局部的方差而不是標準偏差,所以選用局部灰度平均值與局部方差的比作為圖像的特征。

　　2.2　超聲圖像二值化

　　對于肝實質(zhì)回聲圖像,經(jīng)過預(yù)處理后,要進行二值化,二值化的關(guān)鍵是灰度閾值的計算。適當(dāng)?shù)拈撝稻褪羌纫M可能地保存圖像信息,又要盡可能地減少背景和噪聲的干擾。一般二值化閾值的計算方法有:對話式直方圖法、松弛法、最大熵法、矩保持法和邊界灰度門限法等。本文采用最大方差比的閾值設(shè)定方法,該算法先統(tǒng)計出圖像的灰度直方圖,然后把直方圖在某閾值處分成2組c1和c2,使如下所示的分離度η(T)為最大值的T即為最佳閾值。

　　式中σ2B(T)是類間方差;σ2W(T)是類內(nèi)方差,可由式(4),(5)得到:

　　類間方差:

　　類內(nèi)方差:

　　這里σ2B+σ2W=σ2T(σ2T為全局方差),w1和w2分別是類c1和c2的發(fā)生概率(標準化后的象素數(shù)),μ1和μ2以及σ21和σ22分別是類c1和c2的像素的灰度平均值和灰度方差。

　　2.3　顆粒圖像中顆粒的提取

　　圖像經(jīng)二值化處理后,就是一些連通的黑色區(qū)域,本文通過貼標簽法,對二值圖像的每個不同的連接成分都進行不同的編號,所得到的圖像成為標簽圖像,貼標簽處理是計算連接成分大小,面積等屬性中的必要處理手段,所得標簽的最大值即為此超聲圖像亮點的量化值,由此實現(xiàn)了超聲圖像的量化處理。

　　3　結(jié)　果

　　首先將采集到的所有超聲圖像存儲在計算機上。在所獲取的B超圖像中選定一個感興趣區(qū)域ROI,將ROI區(qū)域取為30象素×30象素,用VC編程對其提取參數(shù),并對結(jié)果進行了分析。分別對正常肝臟和脂肪肝進行二值化的結(jié)果如圖1所示。

　　圖1 超聲圖像二值化結(jié)果

　　可以看出,由于灰度值過于集中,二值化的結(jié)果不是十分理想,很多顆粒發(fā)生了粘連,導(dǎo)致下一步分值標號的結(jié)果誤差較大。因此,首先要對超聲圖像進行邊緣檢測,經(jīng)過各種方法的測試,發(fā)現(xiàn)對圖像進行高斯拉普拉斯邊緣檢測時,可以看出顆粒被分割了出來。對此圖像進一步二值化后計算顆粒個數(shù),得到如下統(tǒng)計結(jié)果:

　　當(dāng)然,隨著計算機技術(shù)及更多算法的出現(xiàn),其量化處理將會更加細致。