基于纹理特征和GRBF网络的医学图像分割_卫娜
医疗卫生装备·2008年11月第29卷第11期
Chinese Medical Equipment Journal ·Vol．29No．11November 2008
收稿日期：2008-04-22修回日期：2008-06-30
作者简介：卫娜（1975-），女，山西运城人，硕士，工程师，主要从事生物物理、医学图像处理等方面的研究工作，电话：029-********，Email ：coolmao1@https://www.wendangku.net/doc/522423166.html, ；李向东（1963-），男，河北秦皇岛人，器材设备科主任，主要从事医学整形、医院管理等方面的研究工作。
基于纹理特征和GRBF 网络的医学图像分割
卫
娜，李向东，黄殿忠，王
政
（第四军医大学第一附属医院，西安
710032）
[摘要]目的：研究一种新的图像分割算法，以获得更好的医学图像的分割结果。方法：采用基于纹理特征和广义径
向基函数（Generalized Radial Basis Function ，GRBF ）神经网络的图像分割方法对医学图像进行分割，根据灰度共生矩阵获得纹理特征参数，形成广义径向基函数神经网络的输入矢量，对网络进行训练和仿真测试。结果：该算法取得更为理想的图像二值化的结果，且实验发现GRBF 网络的泛化能力比RBF 网络更胜一筹。结论：研究了边界模糊的医学图像的纹理特征，结合GRBF 神经网络，得到一种有效的医学图像分割方法。
[关键词]灰度共生矩阵；纹理特征；广义径向基函数神经网络；图像分割
[中图分类号]R814；O177.4
［文献标志码］A ［文章编号］1003－8868（2008）11－0025-03Medical Image Segmentation Method Based on Texture Character and GRBF Network
WEI Na,LI Xiang-dong,HUANG Dian-zhong,WANG Zheng
(First Affiliated Hospital of Fourth Military Medical Univetsity,Xi'an 710032,China)
Abstract Objective To get a better medical image segmentation result by studing a new image segmentation method.Methods Medical images were segmented using image segmentation method based on texture character and generalized radial basis function neural networks.The texture character parameters were obtained according to gray level co -occurrence matrix.The parameters were input to the generalized radial basis function neural networks to train the network.Results Comparatively,perfect binary images were obtained by using this new image segmentation method.Conclusion The emulational results show that the method is an effective medical image segmentation method.[Chinese Medical Equipment Journal ，2008，29（11）：25-27]
Key words gray level co-occurrence matrix;texture character;generalized radial basis function neural networks;image segmentation
1引言
1.1研究基础
生物医学图像处理是数字图像处理的一个重要研究领域。很多生物医学信息是以图像的形式表现出来的，如X 射线图像、超声图像以及核磁共振图像（Magnetic Resonance
Image ，MRI ），此类诊断技术逐渐成为研究人体组织器官生
理、病理变化的主要工具。随着社会的进步，人们对医学图像的分析从定性发展为定量，图像分割技术是图像分析的基础，也是三维可视化的基础，通过图像分割区分目标组织和周围组织，达到诊断分析疾病和建立三维可视化模型的目的。因此，研究适用于医学图像的分割算法成为现代生物医学图像处理领域的一个热点。
医学图像结构复杂，且不同组织之间或组织与病灶之间的边界模糊，用传统的图像分割方法难以得到很好的分割结果。国内外诸多学者[1－5]多年来一直致力于神经网络应用于医学图像分割的研究，文献[3]提出了基于模糊神经网络的医学图像分割方法，与遗传算法相结合，取得了良好的效果。其使用的反向传播(Back Propogation,BP)神经网络是一种广泛使用的神经网络，但BP 神经网络学习算法存在训练速度慢，容易陷入局部极小、全局搜索能力差等缺陷，并且BP 网络隐
层节点数目的确定依赖于经验和试凑，很难得到最优网络。
RBF 神经网络结构在函数逼近能力、分类能力和学习速度等方面都优于BP 神经网络，并且具有良好的泛化能力，不
会陷入局部最小[4]。同时，医学图像各组织区域的灰度值相差不大，而纹理之间的差异比灰度值的差异要显著得多，因而基于纹理分析的分割方法更适合于此类图像的分割[5]。
1.2原理和方法
本文采用了基于纹理特征和GRBF 神经网络的医学图像分割方法，将反映图像特征的纹理信息与具有诸多优点的
RBF 神经网络相结合，取得了良好的分割结果。通过灰度共生矩阵获得图像的均匀度、能量和对角矩等3个纹理特征，
结合灰度共生矩阵的空间距离和方向有代表性地选取了适当的纹理信息，并提取了两个空间域的特征，形成神经网络的输入矢量。
GRBF 神经网络于测试阶段计算输入向量与输入层至隐
层间各节点权值向量的距离，作为高斯函数的自变量，再计算高斯函数的输出值与目标向量的加权平均即为网络的输出。该网络的优点在于网络训练阶段，以无需迭代的方式计算网络参数值以解决训练耗时的问题，训练时间远远短于误差反传类神经网络，且可避免网络训练不足或训练过度等缺点。
2纹理特征的提取2．1纹理的描述
纹理是物体表面灰度和颜色的二维变化图案，是物体表面灰度变化的内容的表征。灰度共生矩阵法是目前常用的纹
研究论著
THESIS &RESEARCH REPORT 25
医疗卫生装备·2008年11月第29卷第11期
Chinese Medical Equipment Journal ·Vol．29No．11November 2008
图2广义径向基函数神经网络
图1径向基函数神经网络
理表示方法，它是Haralick [6]于1979年提出的纹理描述方法。所谓灰度共生矩阵就是由影像灰度级之间二阶联合条件概率密度P （i ，j ，d ，θ）所构成的矩阵，反映了影像中任意两点之间灰度的空间相关性。定义方向为θ，间隔为d 的灰度共生矩阵为P （i ，j ，d ，θθθ）L×L ，其中，P （i ，j ，d ，θ）表示矩阵第i 行、第j 列元素，在给定空间距离d 和方向θ时，以灰度级i 为起点，出现灰度级j 的概率。L 为灰度级数，θ一般取0°、45°、90°和
135°等4个方向。
2．2基于灰度共生矩阵的纹理特征参数
灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度综合信息，作为纹理分析的特征量，往往不是直接应用计算的灰度共生矩阵，而是在灰度共生矩阵的基础上再提取纹理特征量，称为二次统计量。因为不同的纹理特征之间存在相关性[7]，本文采用下述3个纹理特征参量：
（1）均匀度：
H ＝i Σj
ΣP （i ，j ）
1+i -j （1）
均匀度反映了影像的局部同质性，当共生矩阵沿对角线
集中时，均匀度较大。
（2）能量：
E ＝i
Σj
Σ（P （i ，j ））
2
（2）
能量反映了影像灰度分布的均匀性，粗纹理的能量较大，而细纹理的能量较小。
（3）对角矩：
X ＝i
Σj
Σ0.5i-j P （i ，j ）
姨（3）
对角矩反映了影像纹理的清晰度，纹理的沟纹越深，局部区域高对比度变化时，其对角矩越大，影像的视觉效果越清晰。
2．3纹理参数的计算
由于单个像素无法计算纹理特征，因此，常以某像素为
中心的区域的纹理特征作为该像素的特征，这个区域称为纹理窗口。纹理窗口大小的选择会影响纹理特征的正确获得，一般大的纹理窗口有利于纹理特征的计算，但是太大的纹理窗口将不利于计算边界处的纹理特征，甚至会掩盖小的组织结构；如果窗口太小则无法捕捉影像目标的独特的纹理特征。本文选取5×5的纹理窗口。
一幅图像的灰度级数一般为256级，级数太多会导致灰度共生矩阵的阶数大，计算量大。因此，在求灰度共生矩阵之前，图像灰度级常压缩为16级。并且在计算均匀度、能量、对角矩时，取0°、45°、90°和135°等4个方向的均值和均方误差作为最后的纹理特征值，这样就抑制了方向分量，使得到的纹理特征与方向无关。同时提取两个空间域特征：像素的灰度值以及纹理窗口内像素灰度值的均值，共计8个特征值作为径向基函数神经网络的输入矢量。
3广义径向基函数神经网络的建立与测试3．1径向基函数神经网络用于特征分类的机理
RBF 网络是一种具有单隐层的三层前馈网络，如图1所
示。网络具有输入层、隐藏层和输出层，每层有着不同的作用：输入层由一些感知点组成，用于感知输入信息，它们的作用是把网络与外界的环境相互联系起来；隐藏层由径向基函
数节点构成，通常采用的基函数为高斯核函数φ，通过非线性变换将数据从输入空间映射到隐含层空间，经过非线性高斯核函数φ的作用，隐含空间将有较高的维数；输出层是线性层，即网络的输出是隐层单元输出的线性加权和。
可以证明：一个模式分类问题如果从一个相对低维的空间映射到一个较高维的空间，那么它将是更可能线性可分的，而当把原来的问题映射为线性可分时，那么实现问题的分类将相当容易[8]。因此，只要合理选择隐单元数，即高维空间的维数，就可以把原本非线性可分的问题映射为一个线性可分的问题。
3．2广义径向基函数神经网络
GRBF 神经网络和普通RBF 神经网络一样具有输入层、
隐藏层和输出层三层网络结构，如图2。在输入层和隐藏层与普通RBF 网络作同样的运算，不同的是在输出层，不是对隐
层的输出直接作线性运算，而是将隐层的输出加权后求平均值再输出。因此，GRBF 网络的输出为：
y =
Σa i ·w i
Σa
i
（4）
广义径向基网络与普通径向基网络的不同之处在于前者比后者多一个对隐层加权求均值的过程。正是这一举措，改善了普通径向基网络的特性。GRBF 网络不仅具有很好的函数逼近能力，而且比一般RBF 网络对拟合点的平滑性更好。经过对神经网络的特性分析和实验研究比较，作者发现将GRBF 神经网络用于图像分割的效果优于RBF 网络。3．3用于图像分割的广义径向基函数神经网络的模式本文采用的GRBF 网络结构如图2所示，网络直接以训练样本的输入、输出向量作为网络的权值。输入层共有8个节点，它们与输入的纹理特征矢量相对应，选取100个样本
x 1
x 2
x m
φ
φ
φ
…
…
a 1
a 2
a n
w 1w 2w n
y
输入层
隐含层
输出层
Σa
i
x 1
x 2
x m
φ
φ
φ
…
…
a 1
a 2
a n
w 1w 2
w n
y
输出层
隐含层输入层研究论著THESIS &RESEARCH REPORT
26
医疗卫生装备·2008年11月第29卷第11期
Chinese Medical Equipment Journal ·Vol．29No．11November 2008
项试验，显示该系统的综合误差小于2mm ，完全达到了设计要求。误差主要来自以下几个方面：CT 的系统误差；模型复位重复性误差；机械臂的加工、装配误差；人为误差等。
4讨论
计算机辅助外科技术是一门逐渐成熟的技术，类似的
方法同时在一些精确治疗领域得到广泛应用，比如放射治疗的X 刀和γ刀等。同时，随着计算机网络技术的深入发展，一些一度相当复杂的技术方法逐步在互联网上得以公布，这使得我们有机会充分利用现有技术去完成一些实用项目的组装与开发，从而更好地服务于临床需要。在本次设计中，软件的主要算法来自于MITK ，定位的方法及框架完全等同于适形放疗，只有机械臂是自主设计的。通过对成熟技术的整合，我们在很短的周期内完成了项目的开发，这对于今后的工作是一个成功的借鉴。本次研究的穿刺系统只是CAS 技术中较简单的一种，穿刺机械臂6个自由度的运
动都要靠手工来完成，运动的位置也是通过标尺人工设定的，其目的是避开难点，尽快实现功能。当最低目标完成后，下一步解决的主要问题是机械臂精确自主运动和运动状态反馈等难点问题。
[参考文献]
[1]
Digioia A M ，Jaramaz B ，Colgan B https://www.wendangku.net/doc/522423166.html,puter assisted or -thopaedic surgery ，Image guided and robotic assistive technologies [J].Clin Orthop ，1998，354：8.
[2]
Gumprecht Hartmut K ，Widenka Darius C ，Lumenta Christianto B.Technology and Clinical Experiences in131Cases [J].Brain Lab Vector Vision Neuronavigation System,1999，44（1）：97-104.
[3]裴国献，相大勇.计算机辅助骨科技术的现状与未来[J].中华创伤骨科杂志，2003，5（2）：85.
[4]
黄华文.计算机辅助外科技术的应用与发展[J].中国医疗器械信息，2004，13（1）：1-8.
（像素）作为训练样本，取前述每个样本（像素）的均匀度等8个特征值，构成一个样本（像素）的特征矢量，作为网络的输入。隐层有100个节点，与训练的样本（像素）数对应。输出层有1个神经元对应输出图像的分类，输出0.9表示像素位于目标区域，而输出0.1则表示像素位于非目标区域，即把图像
分割成两部分———
目标区域和非目标区域。3．4网络的仿真测试
分别提取测试样本（像素）的8个特征值作为输入矢量
输入到训练好的网络，对网络进行测试，网络的输出结果将集中在0.9附近或0.1附近，对其对应的图像像素进行二值化处理，便得到分割后的二值图像。
4结果和结论
图3（a ）和图4（a ）是提取颅内出血CT 图像的感兴趣区域（Region of Interest ，ROI ），高亮度区域是颅内病变区域，低亮度区域是颅内组织，不同区域之间的边界相当模糊，将这两幅图像作为测试图像，提取特征矢量输入上述GRBF 神经网络进行二值化处理，得到图3（c ）和图4（c ）。可见，图像被成功分割成病变区域和非病变区域。如果仅改变网络的结构，而其他条件（如提取相同的特征矢量、设置相同的权值和运算过程中的参数等条件）相同的情况下，用RBF 神经网络对图3（a ）和图4（a ）进行分割的结果如图3（b ）和图4（b ），可见图像二值化的结果不理想，且实验发现网络的泛化能力逊色于GRBF 网络。
测试结果表明，尽管医学图像不同组织区域边界模糊，本文提出的基于纹理特征和GRBF 神经网络的医学图像分割方法能有效地对其进行正确的分割。
5结语
本文针对传统方法不易处理的医学图像等一类边界模
糊的图像，提出了纹理特征和GRBF 神经网络相结合的图像分割方法，实验表明，该方法可以成功应用于区域边界模糊的图像分割场合。
［参考文献］
[1]
盖立平，白翠珍，刘铁利，等.医学图像的边缘检测及特定区域灰度值的跟踪显示方法[J].医疗卫生装备，2007，28（11）：
53-54.
[2]翁璇，郑小林，江海.医学图像分割技术研究进展[J].医疗卫生装备，2007，28（1）：37-39.
[3]黄永锋，赵俊，庄天戈，等.遗传神经网络在颅脑磁共振图像分割中的应用[J].上海交通大学学报，2004，38（5）：771-774.
[4]
Sing J K ，Basu D K ，Nasipuri M ，et al .Self-Adaptive RBF Neu -ral Network -Based Segmentation of Medical Images of the Brain [C]//Proceedings of ICISIP ，USA ：IEEE ，2005：447-452.
[5]
Lee Chien-cheng ，Chung Pau -choo.Recognizing abdominal or -gans in CT images using contextual Neural Network and Fuzzy rules [C]//Proceedings of the 22Annual Engineering of Medicine and Biology Society International Conference ，Chicago Illinois USA ：IEEE ，2000：1745-1748.
[6]Haralick R M.Statistical and structural approaches to texture [J].Proc IEEE ，1979，67（5）：786-804.
[7]
薄华，马缚龙，焦李成.图像纹理的灰度共生矩阵计算问题的分析[J].电子学报，2006，34（1）：155-158.
[8]
COVER T M.Geometrical and statistical properties of system of linear inequalities with applications in pattern recognition[J].IEEE Transactions on Electronic Computers ，1965，214：326-334.
(荨荨上接第24页荨荨）
荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨荨
研究论著
THESIS &RESEARCH
REPORT 27