乳腺癌超声图像种子点检测与网格环境调度算法研究

# 乳腺癌超声图像种子点检测与网格环境调度算法研究 ## 1 乳腺癌超声图像种子点检测 ### 1.1 图像增强 超声图像的大多数像素值在 0 到 255 之间分布，但特定像素值的分布过于集中。为了增强图像，采用了 Ends - In 搜索方法，使背景和感兴趣区域（ROI）的差异更加明显。其公式如下： \[ I_{Endin}(i,j)= \begin{cases} 0, & I_{org}(i,j)\leq Low \\ 255\times\frac{I_{org}(i,j)-Low}{High - Low}, & Low < I_{org}(i,j)<High \\ 255, & I_{org}(i,j)\geq High \end{cases} \] 其中，\(I_{org}\) 是由原始图像转换而来的 \(n_i\times n_j\) 矩阵，\(\sigma_{org}\) 是通过公式（2）获得的 \(I_{org}\) 的标准差。 ### 1.2 噪声过滤 #### 1.2.1 基于领域的启发式噪声过滤 该过滤方法基于超声图像的两个已知领域： 1. 乳腺超声上显示的病变图像具有整体特征。 2. 与不必要图像和病变相关的噪声像素值范围相似。 具体操作步骤如下： 1. 如图 3 所示，不同块的起始点为四个角。 2. 计算不同块的均值和应用 Ends - In 搜索后的整个图像的标准差，并进行比较。 3. 如果前者小于后者，则将不同块的所有像素值转换为 255；否则，不改变像素值，公式如下： \[ I_{Noi}(i,j)= \begin{cases} 255, & \mu_{Endin}<\sigma_{Endin} \\ I_{Endin}(i,j), & \mu_{Endin}\geq\sigma_{Endin} \end{cases} \] 其中，\(\eta\) 是 \(I_{Endin}\) 中每个像素的 \(N\times M\) 区域块。 4. 如果上述像素值发生改变，如图 3 中从 1、4 开始的不同块在行方向上移动；否则，块的前进方向相反。其他起始点的块则反向操作。 #### 1.2.2 矩阵搜索过滤 由于病变和手术乳腺活检的像素值范围较低，而未受干扰的其他图像像素值范围较高，因此进行图像负变换以便更轻松清晰地计算，公式为： \[ I_{Neg}(i,j)=255 - I_{Noi}(i,j) \] 通过执行矩阵搜索过滤，去除了经过图像负变换后的结果图像中的小噪声。该过滤器使用 13×13 矩阵的邻域块进行滑动邻域操作，算法如下： \[ I_{Mat}(i,j)= \begin{cases} 0, & I_{Nei}(i,j)<C_{low}\text{ 或 }I_{Nei}(i,j)>C_{high} \\ I_{Nei}(i,j), & C_{low}\leq I_{Nei}(i,j)\leq C_{high} \end{cases} \] 其中，\(\rho\) 是 \(I_{Noi}\) 中每个像素的 \(R\times C\) 局部邻域，\(\sigma_{Neg}\) 是通过公式（2）获得的 \(I_{Neg}\) 的标准差。 ### 1.3 差分图像和 2D 自适应噪声去除过滤 差分图像是矩阵搜索过滤和 Ends - In 搜索后的两个图像的差值。结果消除了病变附近存在的噪声，因为矩阵搜索过滤后的病变图像像素值接近 255，而 Ends - In 搜索后的病变图像像素值接近 0。为了消除病变周围的噪声，将 Ends - In 搜索后的图像乘以 1.5。 接着进行二维（2D）自适应噪声去除过滤和局部均值过滤。2D 自适应噪声去除过滤使用局部均值和标准差去除噪声，本文采用像素级 Wiener 滤波器，包括 100×100 邻域块，公式如下： \[ I_{Diff}(i,j)=\frac{\sum_{(i,j)\in\rho}(I_{Diff}(i,j)-\mu_{Diff})^2}{\sum_{(i,j)\in\rho}(I_{Diff}(i,j)-\mu_{Diff})^2 + \nu^2} \] 其中，\(\nu^2\) 是所有局部估计方差的平均值，\(\rho\) 是 \(I_{Diff}\) 中每个像素的 \(R\times C\) 局部邻域。 由于像素级 Wiener 滤波器不能完全去除所有噪声，因此再次进行局部均值过滤。局部均值过滤基于 2D 自适应噪声去除过滤后像素值大于 1 的像素计算局部均值和标准差，通过比较均值和标准差的和（\(C_S\)）与差（\(C_D\)）与图像的每个像素值来确定像素值，算法如下： \[ I_{Lcl}(i,j)= \begin{cases} 0, & I_{D}(i,j)<C_D\text{ 或 }I_{D}(i,j)>C_S \\ 255, & C_D\leq I_{D}(i,j)\leq C_S \end{cases} \] ### 1.4 种子点检测 #### 1.4.1 肿瘤区域的形态学恢复 乳腺超声的原始图像经过上述步骤后会退化，因此采用膨胀和腐蚀技术的形态学组合来恢复图像。膨胀可以向对象添加像素使其变大，腐蚀则会使图像变小。本文先进行膨胀和腐蚀，再进行腐蚀和膨胀的操作。 #### 1.4.2 使用 K - MEANS 自动检测种子点 为了自动分割病变，检测种子点。由于以往相关研究在检测种子点时存在局限性，即病变