乳房超音波腫瘤切割之研究
林宏桀、吳亞軒、許勝祥、鄭義穎、陳啟禎*
元培科技大學 資訊
系
cjchen@mail.ypu.edu.tw
摘要
在眾多類型的乳癌診斷中,超音波診斷是一種最為人接受且不會對人體產生副作用的科技,而且由於超音波掃描儀的低價位、便利性、廣泛性、及時性,使得超音波腫瘤影像成為臨床醫師初次診斷乳癌的利器。然而,由於超音波影像中常含有大量的斑點、雜訊及組織紋理,容易因為操作超音波掃描儀的醫師訓練不同而產生不同的結果。
本論文中,研究一套完整的腫瘤輪廓擷取系統,利用超音波腫瘤影像的特性影像前處理技術,將超音波腫瘤影像中的雜訊去除,再使用切割腫瘤影像輪廓,將不同的特性之區域找出,將相同屬性的區域加以整合,最後將腫瘤輪廓描繪出來,精確切割出腫瘤的輪廓,以利於輔助電腦判斷腫瘤。
關鍵詞,乳癌、腫瘤、超音波、影像切割。
1. 導論
近年來,超音波診斷是一種最為人接受且不會對人體產生副作用的方式,不過超音波影像具有較多的斑點及雜訊,因此在擷取腫瘤輪廓時複雜度較高。在超音波乳房影像研究當中,
要自動偵測出腫瘤位置並且把腫瘤輪廓圈選出來是一件不容易的事,那是因為超音波影像中腫瘤的形狀呈不規則狀且有斑點雜訊的干擾。過去乳房腫瘤輪廓圈選研究,主要還是以手繪圈選出腫瘤輪廓的
為主。
本研究希望能研究一套完整的腫瘤擷取系統,利用影像的前處理,與多種影像切割方式,將腫瘤影像分割成不同屬性的區域,再利用區域影像屬性之差異,將相同屬性的區域加以整併,精確切割出腫瘤的輪廓,以利醫護人員做進一步的診斷。
2. 研究內容與方法
軟體部份採用Borland C++ 進行撰寫。首先尋找有關影像前處理的技術,從中找各種能對超音波影像減少雜訊及斑點的濾波方法,得知每種的濾波原理後,依照原理特性再進行程式的撰寫,如使用簡單的低通濾波(Lowpass filter)模糊法來減少影像中的雜訊,不過低通濾波不一定是最適當的方法,因此平均數濾波、中位數濾波、高斯濾波等,也都是本研究測試的重點。然而切割方面本研究採用切割效果良好的分水嶺(Watershed)及區域成長(Region Growing)進行腫瘤輪廓之切割。
本研究架構與步驟如圖1所示,(1)先將超音波影像圖片載入,(2)進行超音波影像前處理,採用多種不同的濾波方式,將雜訊與斑點模糊法來減少影像中的雜訊,(3)將處理好的影像進行不同的切割方式,看那種切割的方法能找出最好的輪廓。
Original
Reduce Noise
Preprocessing
Gaussian
SegmentationAverage
WatershedThe resultAnisotropic
Region Growing
Restoration
Stick
圖1,系統架構圖。
3. 腫瘤切割之
架構
3.1 影像前處理
一般而言,超音波影像中常常充滿許多雜訊及斑點,若直接對腫瘤影像進行切割,常會因為超音波影像中之雜訊過多而產生過於碎裂的切割。因此需使用低通濾波模糊法來去除影像中不必要的雜訊,處理後的影像在使用分水嶺或區域成長切割法產生較完整的區域。以下將簡述本實驗所使用的影像前處理方法,各結果如圖2所示。
3.1.1 中位數濾波器(Median Filter)
中位數濾波是把遮罩內所含蓋的灰階值由小到大排列,中位數是指排序在中間的那一個值,此值即為濾波器的輸出。此法特別適合用再有很強的胡椒粉式或脈衝式的雜訊時,因為這些灰階值的雜訊值與其鄰近像素的灰階值有很大的差異,因此經排序後取中間值的結果是強迫此雜訊點變成與鄰近的某些像素的灰階值一樣,達到去除雜訊的效果。故中位數濾波幾乎是未去除胡椒粉式或脈衝式的雜訊所量身訂做。舉例來說,取中位數的運算,代
極大或
極小的數值,也就是雜訊,會排列在最前面或最末端。因此,按理來說,雜訊值會被與周圍多數數值相近的中位數取代[8]。
3.1.2 平均化濾波器(Average Filter)
平均濾波器以核中所有像元灰階值(包括像元本身)之平均取代罩窗包含之中心之像元之灰階值,如此對影像中每一像素元順序進行,計算時取用原影像之灰階值。平均濾波器是一個簡單、直覺而且易於實行的平滑影像的方法。
3.1.3 高斯濾波器(Gaussian Filter)
高斯濾波器是一種低通濾波器,是由高斯機率分布函數變化而來[8]。就數學上來說,十分規律。特別要說明的事,將高斯濾波器經過傅立葉轉換法亦是一種高斯函數。
3.1.4 非等向性延展濾波 (Anisotropic Diffusion Filter)
在傳統的低通濾波裡,一個像點的值來自其周圍像點值總和的平均。低通濾波可以減低雜訊的振幅,但同時它也因此影響了區域邊緣組織的明確度。因此,當重要的輪廓及組織資訊被減弱後,整個影像在經過低通濾波後也相對的變得模糊了。所以有不少線性為主的濾波方法被提出來解決低通濾波所導致的問題,而最引為人之的就是中位數濾波法[8],它可以保留輪廓的資訊,不過它也會降低影像的解析度,進而也影響了組織結構的偵測。
在計畫中,我們引用了非等方性的延展濾波[10],其利用區域影像間的梯度值來控制非等方性的延展,它不只可以避免上述濾波方法的缺點,亦可有效的加強影像在濾波之後的品質,而非等方性的延展濾波的優勢在於可以對影像結構做評估處理。因此在我們過去的研究經驗中,被視為是最適合用來對超音波影像做前處理的濾波器,因為他既能有效消除腫瘤內部的雜訊與班點,另一方面又有強化邊緣的效果,特別是在惡性腫瘤的邊界特徵較為分散及模糊的情況,其定義如下,
,,,,,,, (1) ,,Ix,t,,,cx,t,Ix,t,t
,,,,,,Ix,tcx,t,Ix,tx在上式中,代表影像,代表像素的座標,則稱為梯度的擴散函數,並根據梯度強度的增加而單調遞減。非等向性延展濾波基本上是一連串針對影像中像素的梯度進行擴散的過程。擴散函數可以根據梯度強度選擇性地來對邊緣做模糊化或強化。通常處理的次數增加,影像的結果也越好,不過由於非等向性延展濾波的執行時間較久,考量效率,執行的次數不要太多,5次以下,。
Anisotropic Original Median Filter Average Filter Gaussian Filter Diffusion
Benign
Malignant
圖2, 分別使用各種濾波器處理結果。
3.1.5 重建,斷開-閉合,
重建動作裡面包含了斷開(opening)與閉合(closing)步驟[7]。斷開(opening)通常是平滑影像輪廓,截斷窄的相連,消除細的突出,也就是先侵蝕後膨脹。閉合(closing)也傾向於平滑輪廓部份,不過與斷開是相反的。一般來說它把窄的中斷部份和長細缺口補起來,消除小洞,填補輪廓上缺口,也就是先膨脹後侵蝕。,如圖3所示,
3.1.6 線段偵測演算法(Stick Detection)
邊界偵測的問題可以看成是一種線條處理的模型,因為在超音波影像組織層中的邊緣可以視為是所有排序過的線條[12]。而Stick是一根據不同方向所分割而成的短線段,在超音波影像中,它可以用來逼近邊緣、減少斑點、及增強邊界的資訊。例如在一個大小為N × N的矩形區塊中,就會包含2N-2條通過矩形中心的短線段。每一個方向的線段都可計算出其順著線條上的所有像點值總和,然後選取總和最大的那條線段,且矩形中心點的像素值也依此置換其值。在那條通過中心線段上的所有像點都替換好其值後,線條的對比就會增強且斑點也會跟著消失。,如圖3所示,
Original Restoration Stick
Benign
Malignant
圖3,分別 使用重建及Stick Detextion後結果。
3.2 影像切割
所謂的影像分割(Image Segmentation)就是在一張影像中,將所感興趣的組成物體區別出來的處理程序,影像分割可以說是影像處理中最重要的前置步驟,因為其後續的
,如描述(Description)、辨識(Recognition)等,皆須經由影像分割的程序將目標物從影像中區別出來才行。影像分割發展至今已經有許多的方法,本研究採用切割效果良好的分水嶺(Watershed)及區域成長(Region Growing)進行腫瘤輪廓之切割。
3.2.1 分水嶺(Watershed)
分水嶺將影像視為一個地形表面,影像灰階值的變化定義為地形的高低起伏,灰階值最高的像素點便是地形上的最高點,灰階值變動得越劇烈,地勢也就越陡峭。一般而言,分水嶺轉換分為Immersion與 Rain falling (flooding) 兩種。其中以Immersion方法較常被用來找尋影像區域的輪廓,因此採用Immersion的方式尋找腫瘤影像中的分水嶺。Immersion方式的分水嶺轉換可以歸類為是以不同區域(Region)為基礎的影像分割方法,所謂的區域就好像是地形中的低窪地區所形成的蓄水池 (Catchment basins),由最低點慢慢填滿山谷,直到兩個不同蓄水池的水將混和在一起的那一點,便開始建水壩以隔開不同蓄水池。水會一直淹到地表的最高點才會停止。最後地表會被水壩分割成很多的區域,而這些將水隔開的水壩,便是我們所稱做的分水嶺,影像中的分水嶺亦就是被分割區域的邊界(如圖4)[14-16]。
圖4,分水嶺轉換。
首先我們現使用梯度的分水嶺[5],梯度大小通常用於再使用分水嶺轉換進行分割之前對一灰階影像的預處理。梯度大小影像在物體邊緣有較大的像素值,在其他地方則有較小的像素值。於是在理想狀態下,在沿物體的邊緣處會產生分水嶺的山脊線。單一使用梯度的分水
嶺分割並不是最好的分割結果,在影像中有太多與我們所要的物件不相符合的分水嶺山脊線(如圖5(a))。所以我們用來控制過度分割的方法是以標記概念為基礎[5]。ㄧ個標記(marker)是屬於ㄧ幅影像的連通成分。我們想要有在每一個感興趣之物體內的一組內部(internal)標記以及包含在背景內的一組外部(external)標記。這些標記用來修飾梯度影像,其作法是計算內部與外部標記有各種不同的分法,其中很多牽扯到之前章節所描述的線性濾波、非線性濾波以及形態學處理。針對一個特定的應用所選擇的方法與該應用所伴隨之影像的特性有高度的關連性(如圖5(b))。
(a) (b)
圖5,(a)使用梯度的分水嶺,(b)使用標記的分水嶺。
3.2.2 區域成長(Region Growing)
區域成長(Region growing),指的是影像中的像素或子區域聚合生長成為更大區域的過程,這些方法最簡單的是像素聚合(pixel aggregation)[5,7],從一個種子點(Seed)出發,把與種子點有相同性質的鄰近的像素、紋理或色度集合成同一區域,通常取決於所設定的閥值,鄰近的點與種子點灰階值差值在選定的範圍之內,便視為同一區域。為了說明這一過程,我們考慮(如圖6(a)),每個單元中的數字代表灰階值。假設以座標為(3,2)和(3,4)的點作為種子,運用二個起始點得到的分割至多只有兩個區域,與種子(3,2)相關的R1和與種子(3,4)相關的R2,用以將像素歸納為哪一區域的特徵P是該點的灰階值與種子灰階值的差的絕對值小於臨界值T,任何像素若同時對兩個種子點都滿足特徵,則畫規(人為的)區域R1。(如圖6(b))適用臨界值T=3所得到的結果。在這種情況下,分割包括了兩個區域,其中屬於R1的點都標記為a,屬於R2的點標記為b。注意到從兩個區域中的任一點起始都得到同樣的結果。然後,當選擇T=8時,其結果只有一個區域,(如圖6 (c))所示。
0 0 5 6 7 a a b b b a a a a a
1 1 5 8 7 a a b b b a a a a a
0 1 6 7 7 a a b b b a a a a a
2 0 7 6 6 a a b b b a a a a a
0 1 5 6 5 a a b b b a a a a a
(a) (b) (c)
圖6, 用已知起點的區域生長例子,(a)原影像陣列,(b)用強度準位絕對差小於3的分割結果,(c)用絕對差小於
8的結果。
4. 實驗部分
4.1 超音波圖片取得方式,如圖7所示,
圖7,超音波機器,Voluson-530 scanner (Kretz Technik, Austria)。
4.2 實驗方法與結果
本研究採用醫師判定過的乳房超音波腫瘤影像圖片,其中有8組為惡性腫瘤,8組為良性腫瘤,每張超音波影像解析度為168×226的8位元灰階影像。影像前處理採用中位數濾波、非等向性延展濾波、高斯濾波、平均化濾波、重建(斷開-閉合)及Stick演算法,切割的部份則採用分水嶺及區域成長。我們將6種前處理與2種切割方法進行多種組合測試,為了要找出最佳化的腫瘤輪廓的方法。以下為實驗的配對方法表,
經實驗結果後,我們找出了多種較佳的組合方式如,高斯?重建?分水嶺,重建?高斯?分水嶺,Stick?重建?分水嶺等,以及不理想的組合方式如,中位數?高斯?Stick?分水嶺,中位數?高斯?Stick?區域成長等。
表1,高斯濾波組合。
前處理 切割
高斯 重建(斷開-閉合) 分水嶺
高斯 重建(斷開-閉合) 區域成長 重建(斷開-閉合) 高斯 分水嶺 重建(斷開-閉合) 高斯 區域成長
stick 高斯 分水嶺
stick 高斯 區域成長
Stick 高斯 分水嶺
Stick 高斯 區域成長
stick 重建(斷開-閉合) 高斯 分水嶺
stick 重建(斷開-閉合) 高斯 區域成長
Stick 高斯 重建(斷開-閉合) 分水嶺
Stick 高斯 重建(斷開-閉合) 區域成長
stick 高斯 重建(斷開-閉合) 分水嶺
stick 高斯 重建(斷開-閉合) 區域成長
表2,平均化濾波組合。
前處理 切割 平均化濾波 重建(斷開-閉合) 分水嶺 平均化濾波 重建(斷開-閉合) 區域成長 重建(斷開-閉合) 平均化濾波 分水嶺 重建(斷開-閉合) 平均化濾波 區域成長
stick 平均化濾波 分水嶺
stick 平均化濾波 區域成長
Stick 平均化濾波 分水嶺
Stick 平均化濾波 區域成長
stick 重建(斷開-閉合) 平均化濾波 分水嶺
stick 重建(斷開-閉合) 平均化濾波 區域成長
Stick 平均化濾波 重建(斷開-閉合) 分水嶺
Stick 平均化濾波 重建(斷開-閉合) 區域成長
stick 平均化濾波 重建(斷開-閉合) 分水嶺
stick 平均化濾波 重建(斷開-閉合) 區域成長
表3,非等向性延展濾波組合。
前處理 切割 非等向性延展濾波 重建(斷開-閉合) 分水嶺 非等向性延展濾波 重建(斷開-閉合) 區域成長 重建(斷開-閉合) 非等向性延展濾波 分水嶺 重建(斷開-閉合) 非等向性延展濾波 區域成長
stick 非等向性延展濾波 分水嶺
前處理 切割
stick 非等向性延展濾波 區域成長
Stick 非等向性延展濾波 分水嶺
Stick 非等向性延展濾波 區域成長
stick 重建(斷開-閉合) 非等向性延展濾波 分水嶺
stick 重建(斷開-閉合) 非等向性延展濾波 區域成長
Stick 非等向性延展濾波 重建(斷開-閉合) 分水嶺
Stick 非等向性延展濾波 重建(斷開-閉合) 區域成長
stick 非等向性延展濾波 重建(斷開-閉合) 分水嶺
stick 非等向性延展濾波 重建(斷開-閉合) 區域成長
5. 結論
5.1 實驗討論
實驗84種組合產生出8百多張圖片中,我們做出以下的結論,
(1) 分水嶺,在眾多的組合中大部份的腫瘤位置都是能正確的描繪出來,有的只描繪出
腫瘤位置還描繪出其他非腫瘤的大小區塊,其中發現只要有搭配到重建的部份,不
管是先放在前處理的第一項或是最後一項都能表現出不錯的結果。主要是能將影像
區塊整個平滑後再使用分水嶺就可以得到好的效果,若是將Stick放在前處理的最後
一項也就是切割前一個動作,大部份得到的結果都是無法將腫瘤正確的描繪出來,
主要是因為影像整個加強後區塊變多導致無法切出腫瘤之位置。 (2) 區域成長,主要在於種子點放的位置,所以生長的位置就看點的位置好壞,種子點
好描繪出的腫瘤影像比分水嶺切的乾淨,點的不好效果就大打折扣了。在前處理部
分大致跟分水嶺相同只要有搭配到重建的部份都有不錯的效果,Stick部份也大致相
同。整體來說雖然不像分水嶺一樣能切出這麼多的好結果。
5.2 切割結果評估
為了要評估本研究所切割出來的腫瘤輪廓的準確度,未來我們將請醫師以手繪方式畫出
腫瘤之輪廓,再分別對醫師繪出的圖和我們所切割出來的圖,計算各自的腫瘤面積及中心點,再將兩張的中心點重疊,算出重疊面積Aoverlap及未重疊面積Anon-overlap,並求出誤差值及準確度。如圖所示,紅色線條為醫師所畫,白色線條為系統所畫,則系統效能的精準度可估算如下,
Aoverlap (2) Accuracy,,100%AA,overlapnon,overlap
圖8,腫瘤輪廓評估圖。
5.3 未來展望
使分水嶺及區域成長的切割有更完善的腫瘤輪廓,找尋及研發出效果更良好的前處理與切割方法,以及設計能和醫師手繪畫的輪廓來作比較,並且計算出其誤差率及準確度,使系統更佳完善。本系統簡單的介面操作使醫師不需接受電腦的專業訓練,便可利用本系統取得腫瘤的輪廓,作為診療時的輔助工具。本研究期待能成為醫師診斷利器,日後與醫師的病例系統結合,醫師便可直接利用本系統即時取得病人的超音波腫瘤影像輪廓,再使電腦輔助診斷系統分析腫瘤特性。當超音波設備更趨完備,檢驗結果的可靠性也因此大幅提升。
6. 參考書籍
[1] 余明興等,Borland C++ Builder 6程式設計經典,松崗電腦圖書資料股份有限公司,2002.12.01 [2] 黃文吉,C++ Builder與影像處理,儒林圖書公司,2007.03二版二刷
[3] 陳周造,Borland C++ Builder 3.0規劃與實作-進階篇,博碩文化股份有限公司,1998.06初版 [4] 謝明興,Borland C++/Turbo C++程式設計實例剖析,松崗電腦圖書資料股份有限公司,1992.08初版
[5] 謬紹綱,數位影像處理運用MATLAB,東華書局,2005.09初版
[6] 吳成柯等,數位影像處理,儒林圖書公司,1993.02初版
[7] 謬紹綱,數位影像處理活用-MATLAB,全華圖書股份有限公司,2007.09初版八刷
[8] 徐曉佩,數位影像處理,高立圖書有限公司,2005.06初版
[9] G.Gerig, O. Kubler, R. Kikinis, and F.A. Jolesz, "Nonlinear anisotropic filtering of MRI data," IEEE Trans. Med.
Imaging, vol. 11, no. 2, pp. 221-232, June 1992.
[10] P.Perona and J. Malik, "Scale-space and Edge Detection Using Anisotropic Diffusion," IEEE Trans. Patt. Anal.
Mach. Intell., vol. 12, no. 7, pp. 629-639, July 1990.
[11] R.N.Czerwinski, D.L. Jones, and W.D.O'Brien, Jr., "Edge detection in ultrasound speckle noise," in Proceedings of
the IEEE International Conference on Image Processing, Austin, TX, 1994, pp. 304-308.
[12] R.N.Czerwinski, D.L. Jones, and W.D. O'Brien, Jr., "Line and boundary detection in speckle images," IEEE Trans.
Image Proc., vol. 7, no. 12, pp. 1700-1714, Dec. 1998.
[13] R.N.Czerwinski, D.L. Jones, and W.D. O'Brien, Jr., "Detection of lines and boundaries in speckle images-
application to medical ultrasound," IEEE Trans. Med. Imaging, vol. 18, no. 2, pp. 126-136, Feb. 1999.
[14] K. Haris, S.N. Efstratiadis, and N. Maglaveras (1998) "Watershed-based image segmentation with fast region
merging," in Proceedings of the IEEE International Conference on Image Processing, vol. 3, pp. 338-342.
[15] L. Vincent and P. Soille (June 1991) "Watersheds in digital spaces: an efficient algorithm based on immersion
simulations," IEEE Trans. Pattern Anal. Machine Intell., vol. 13, no. 6, pp. 583–598.
[16] K. Haris and S.N. Efstratiadis (Dec. 1998) "Hybrid image segmentation using watersheds and fast region
merging," IEEE Trans. Image Processing, vol. 7, no. 12, pp. 1684-1699.