甲状腺结节超声图像分割算法研究

王　昕，徐文杰

(长春工业大学　计算机科学与工程学院，吉林 长春 130012)



甲状腺结节超声图像分割算法研究

王昕，徐文杰

(长春工业大学计算机科学与工程学院，吉林 长春 130012)

超声甲状腺结节分割是发现与识别甲状腺良恶性肿瘤的关键技术之一。针对模糊聚类法无法准确分割超声图像甲状腺结节边缘，而局部拟合(RSF)模型法对手动初始化轮廓敏感的问题，提出一种融合空间约束模糊C均值聚类和局部拟合RSF模型的分割结节方法。用空间约束模糊C均值聚类法(SKFCM)对图像进行聚类并二值化聚类结果作为RSF模型法初始轮廓，克服了RSF模型法对初始轮廓敏感问题，水平集演化参数也将通过聚类结果自动给出，不再需要人为设定。同时改进了RSF模型法拟合项，并利用高斯正则化规则RSF模型水平集，提高了RSF模型演化效率，缩短了收敛时间。仿真实验结果表明，提出的甲状腺结节超声图像分割方法能够快速准确地分割出结节区域。

甲状腺结节分割；空间约束聚类；局部拟合模型；高斯正则化

甲状腺结节准确分割是甲状腺结节病变诊断的基础。结节指在甲状腺内部的肿块，可随吞咽动作在甲状腺内部上下移动，是临床常见病症，可由多种病因引起。早期结节是一种良性增生性病变，可以累及使甲状腺慢性病变，也可以只波及一叶或一部分，在甲状腺内只形成单结节[1]。不同病变期结节的结构复杂多样，一定程度上增加了鉴别难度[2]。如果能充分认识甲状腺结节的各种超声特点，正确地识别判断，就可以减少误诊机会，提高诊断符合率，使许多病人免予不必要的手术，对指导临床治疗有重要价值。

传统的图像分割大致可以分为区域分割方法和边缘分割方法两种。区域分割方法主要包括：区域合并法、聚类法以及阈值法等。边缘分割方法主要包括：微分算子法、边缘串行检测法等。随着偏微分方程的运用，越来越多的学者从事偏微分方程图像分割研究，轮廓分割方法也逐渐成为图像分割的热门方法。典型的偏微分方程轮廓分割法有：DRLSE模型法[3]、RSF模型法[4]、LIF模型法[5]和CV模型法[6]等。国内外针对超声甲状腺结节分割也在以上三大类方法中展开，最近几年典型甲状腺结节分割方法有：文献[1]改进的蚁群算法，通过目标与背景区域的边缘信息，调节蚁群算法中的阈值分割出感兴趣区域，但该方法速度慢，分割准确度不高。文献[7]结合局部信息改进了CV模型法分割超声图像能力，该方法可以不受灰度不均匀影响，但需要人工给出适当初始轮廓。文献[8]结合全局和双核局部拟合的活动轮廓分割模型法，该模型法克服了RSF对初始轮廓敏感的问题，但该方法仍然需要人工给出适当初始轮廓，水平集参数需要人工给出。此外文献[9-10]，运用各自方法分割出甲状腺结节。

为了克服上述方法的缺陷，本文运用带空间约束SKFCM聚类方法粗分割出结节区域，然后将目标和背景区域分割为二值图像，目标部分被标记为1，背景被标记为0。粗分割结果作为水平集初始轮廓，不再需要人为设定初始轮廓，水平集参数将根据聚类二值图像自动计算给出，不再需要人为根据不同图像特征设定，增加了水平集自适应能力，使水平集完全自动化演化分割图像。同时，在RSF模型拟合项中增加了全局指向性面积能量项，克服了模型会陷入局部极小值问题，实现了甲状腺结节准确分割。

1　空间约束核聚类SKFCM

KFCM算法是为了克服FCM中噪声和奇异值像素点对聚类的影响，在FCM算法引入核函数，得到一个模糊核的聚类方法。模糊核聚类方法就是将输入空间Xk(k=1，2，…)映射到高维空间Φ(Xk)进行聚类。这种映射加大了输入空间样本的特征差别，样本特征被更好地提取、分辨。SKFCM算法[11]在原有的KFCM算法基础上充分考虑了相邻像素间的影响，在KFCM算法的目标函数中加入了局部领域惩罚函数，增加了局部空间约束项，提高了聚类分割的准确度。其定义目标函数为

(1)

(2)

(3)

利用空间约束聚类法分割甲状腺结节时，由于聚类算法固有的缺陷，分割结果不能准确定位到结节边缘，但是可以利用聚类算法获得结节区域的大概位置，作为RSF模型法的初始化轮廓，从而避免了初始化轮廓敏感问题。同时聚类结果二值化后，可以使用二值图像进一步计算出水平集的各项参数，使水平集完全自动演化分割，这大大增加了水平集的自适应分割能力。

2　RSF模型

RSF模型法[4]是一种尺度可控局部区域信息的变分水平集分割模型法。其能量项由两个拟合项函数和曲线能量函数组成，通过合并到水平集公式中，让曲线演化问题转化成能量最小化求解问题。为了避免水平集函数需要反复初始化，RSF模型法中加入了惩罚项。RSF能量函数定义为

(4)

式中：f1(x)和f2(x)分别为图像在像素点x处的数值拟合值；λ1，λ2>0为数值拟合项的权系数；K(x-y)是偏差为δ的高斯内核；Ω为整个图像区域，x∈Ω。

水平集表达式为

通过梯度流下降法求解得到

(6)

RSF模型法能够用来分割不均匀的灰度图像，但是该模型法存在对初始轮廓敏感，初始轮廓的位置、大小、形状直接影响分割结果，水平集参数也需要根据不同图像，手动设置不同的演化参数，自适应能力较差，且该模型法容易陷入局部极小值的分割问题。

3　改进的RSF模型

3.1自适应水平集参数

传统水平集模型在分割图像时都需根据不同图像特征手动给出演化参数，不具有自适应性，因图像不同,而需要繁琐地调节参数。为了能够让水平集具有自动调节参数的能力，本文在聚类二值化图像给出初始轮廓时，利用初始区域的面积和曲线长度自动计算出需要调节的参数，使水平集演化不在需要人为干涉。定义如下

ζ=∫Ωδ(φ0)dxdy

(7)

α=∫ΩH(φ0)dxdy

(8)

式中：φ0为聚类二值化后给出的初始轮廓；ζ代表初始轮廓曲线的长度；a代表初始轮廓曲线包围的面积。这里水平集演化需要的参数定义为：τ=a/ζ，λ1=0.1/τ，λ2=0.3/τ，υ=5/τ。

3.2构造全局指向性面积能量项

RSF模型法具有局部拟合特点，可以较好地分割出弱边缘，但是模型容易受噪声和局部极小值影响，缺乏全局特性。在分割甲状腺结节时，聚类结果给出的初始化轮廓只是粗分割区域，并不能精确到目标边界，所以RSF模型法在分割结节时依然存在陷入局部极小值的可能性。文献[12]提出的改进CV模型法中用了一种全局拟合的水平集函数，该函数计算均匀、噪声较少图像简洁且高效。在此方法基础上，本文构造出了具有全局指向特性的能量项，在避免RSF模型陷入局部极小值时，还可以在图像均匀区域加快模型的演化速度，减少分割的收敛时间。改进CV模型法中的全局拟合水平集函数为

(9)

本文定义一种可以用来表示轮廓线内部面积项的函数式

s=∫ΩH(-φ(x))dx

(10)

为了能够让RSF模型具有全局指向性，将式(9)中的水平集狄拉克函数去掉，同时结合式(10)提出一种具有全局指向性面积能量项，函数表达式为

Es(φ)=∫ΩG(x)H(-φ(x))dx

(11)

3.3高斯正则化规则水平集

利用高斯正则化后，RSF模型水平集函数表示为

(12)

4　本文水平集函数

综合第三节中改进的RSF模型，根据梯度流下降法本文得到新的水平集函数为

(13)

式中：γ为两种拟合力占的比重。

本文水平集中，使用聚类后二值化图像中为1的区域作为水平集的初始化轮廓，初始化轮廓不再是人为设置的固定形状、位置及大小，而是根据聚类后二值化图像的位置、大小给出不同的轮廓，并且该轮廓一定包含结节区域，可以避免水平集初始化敏感问题。当水平集处于图像平坦区域或者处于局部极小值区域时，水平集全局指向性面积能量项将起主要控制作用，控制水平集曲线向边界靠近，当水平集曲线处于结节边界时，局部拟合项将起主要作用，控制曲线在边界处停止，使分割结果更加准确。同时，利用了高斯正则化规则水平集，避免了传统RSF模型惩罚项规则水平集引起扩散率趋于无穷的问题。

本文算法流程主要步骤如下：

1)输入甲状腺结节图像，设置聚类总数c，模糊度控制参数m，空间约束系数a，并设定最大迭代次数N；

3)判断式(1)是否达到最小，否则跳转步骤2)，是则执行下一步；

4)提取分类结果中包含感兴趣区域的m类粗分割结果和m类的隶属度矩阵uij，根据阈值T对聚类结果二值化，感兴趣部位设置为1，背景部位设置为0；

5)计算改进RSF模型的参数λ1，λ2，τ，υ，将二值化图像设置为1的区域作为初始轮廓；

6)根据式(13)演化水平集方程，并用高斯正则化规则水平集；

7)检查水平集方程是否收敛，是跳转步骤8)，否则跳转步骤6)；

8)输出分割后的图像。

5　实验结果分析

本文对RSF模型法、CV模型法和本文提出的算法从运行时间、迭代次数及分割效果上作对比实验。实验采用的PC机处理器为pentium(R)Dual-CPUE5500 @ 2.8GHz，内存为2.0Gbyte，操作系统为Windows7旗舰版，软件版本为MATLAH2012a(64位)。限于篇幅限制，文中选取了4组甲状腺结节原超声图像，所选4幅图像分别具有各自的特点，用来表明不同背景下，本文算法都可以较准确地分割出结节部位。为了便于分析和讨论，本文实验在聚类部分均采用相同的参数：c=7，a=5，m=2。本文水平集中全局面积能量项γ=0.3，其他水平集演化参数将根据程序自动计算出，在每幅图说明部分给出计算的具体值。

图像1噪声较少，结节与背景区域对比度较高，结节边缘明显，如图1所示。从实验结果看本文方法和CV模型法都可相对准确地分割出结节区域。RSF模型法在选择合适的人工初始轮廓后存在过分割现象，导致错误分割结节区域。其中本文水平集计算参数τ=2.91，υ=241.4，λ1=4.8，λ2=1.6，聚类后人工阈值选择T=0.7。

图1　甲状腺结节超声图像1的3种方法分割结果

图像2结节与背景在部分区域对比度较低，噪声有所增强，如图2所示。从实验结果看本文方法可以准确分割出结节，CV模型法的全局拟合项，对于噪声较强和边缘不清晰的图像分割结果很难准确定位到边缘，存在过分割现象。RSF模型法不具有全局拟合特性，在边缘附近明显存在陷入局部极小值的错误分割问题，分割出的不是结节的真正边缘。其中本文水平集计算参数τ=0.02，υ=230.3，λ1=4.6，λ2=1.5，聚类后人工阈值选择T=0.5。

图2　甲状腺结节超声图像2的3种方法分割结果

图像3结节边缘与背景区域对比度较低，背景区域噪声较强，结节内部有少量空洞区域，如图3所示。从实验结果看本文方法可以准确地分割出结节区域。RSF模型法的局部拟合项要明显好于CV模型法的全局拟合项。但是，RSF模型法对初始轮廓较敏感，手动设置的轮廓始终会存在过分割现象。其中本文水平集计算参数τ=0.02，υ=217.3，λ1=4.3，λ2=1.4，聚类后人工阈值选择T=0.7。

图3　甲状腺结节超声图像3的3种方法分割结果

图像4结节与背景对比度较低，噪声较大，结节边缘模糊不清(见图4)。从实验结果看本文算法可以准确分割出结节区域，CV模型法已经无法分割结节的弱边界，明显存在过分割现象。RSF模型法在手动给予初始轮廓后，由于边缘模糊度较大，人工设定的轮廓始终存在过分割和陷入局部极小值现象。其中本文水平集计算参数τ=0.03，υ=170.2，λ1=3.40，λ2=1.13，聚类后人工阈值选择T=0.85。

图4　甲状腺结节超声图像4的3种方法分割结果

表1和表2为4幅图像采用不同方法的迭代时间和迭代次数对比。从表中可以看出，本文方法的水平集演化时间明显比其他两种方法少，迭代的次数也较少。

表1水平集迭代时间t对比s

样本迭代时间本文方法RSF模型CV模型图像12.918.2315.74图像26.4117.3412.63图像34.186.5210.58图像45.9112.9411.50

表2水平集迭代次数对比

样本迭代次数本文方法RSF模型CV模型图像166180600图像2165500560图像3124200300图像4267600320

6　结论

针对超声甲状腺结节图像分割，本文提出了一种SKFCM-RSF模型分割法。在分割之前，通过基于空间约束的聚类算法粗分割出感兴趣的部位，并且对聚类后的图像进行二值化。二值化图像标记为1的部分作为改进RSF模型法的初始轮廓，同时改进了传统RSF模型法的函数拟合项。实验表明，本文提出的方法可以准确地分割出甲状腺结节，同时加快了RSF模型的分割速度,缩短了收敛时间。

致谢：

感谢导师王昕对该论文做出的指导。

[1]朱玲，施心陵，刘亚杰，等. 基于蚁群算法的甲状腺结节超声图像边沿检测法[J].计算机工程，2006，32(24)：178-179.

[2]HERMUSAR，HUYSMANSDA.Treatmentofbenignnodularthyroiddisease[J].Thenewenglandjournalofmedicine， 1998， 338 (20)：1438-1447.

[3]LICM，XUCY，GUICF，eta1.Distanceregularizedlevelsetevolutionanditsapplicationtoimagesegmentation[J].IEEEtransactionsonimageprocessing，2010，19(12)：3243-3254．

[4]LICM，KAOCY，GOREJ，etal.Minimizationofregion-scalablefittingenergyforimagesegmentation[J].IEEEtransactionsonimageprocessing，2008，17(10)：1940-1949.

[5]ZHANGK，SONGH，ZHANGL.Activecontoursdrivenbylocalimagefittingenergy[J].Patternrecognition，2010，43(4)：1199-1206.

[6]CHANTFV.Activecontourswithoutedges[J].IEEEtransactionsonimageprocessing，2001，10(2)：266-277．

[7]郑伟，张晶，李凯玄，等.结合局部信息改进的C-V超声图像分割模型[J].光电工程，2015，42(8)：67-71.

[8]赵杰，祁永梅，潘正勇.结合全局和双核局部拟合的活动轮廓分割模型[J].计算机应用，2013，33(4)：1092-1096.

[9]GUPTAD，ANANDRS，TYAGIB.AhybridsegmentationmethodbasedonGaussiankernelfuzzyclusteringandregionbasedactivecontourmodelforultrasoundmedicalimages[J].Biomedicalsignalprocessingandcontrol，2015(16)：98-112.

[10]MAROULISADE，SAVELONASAMA，KARKANISBSA，etal.Computer-aidedthyroidnoduledetectioninultrasoundimages[C]//Proc. 18thIEEESymposiumonComputer-BasedMedicalSystems.[S.l.]：IEEE， 2005：271-276.

[11]CHENSC，ZHANGDQ.RobustimagesegmentationusingFCMwithspatialconstraintsbasedonnewkernel-induceddistancemeasure[J].IEEEtransactionsonsystems，manandcybernetics，2004，34(4)：1907-1916.

[12]张开华，周文罡，张振，等.一种改进的C-V主动轮廓模型[J].光电工程，2008，35(12)：112-116.

王昕(1972— )，女，博士，副教授，硕士生导师，主要研究领域为图像融合、图像处理与机器视觉，为本文通信作者；

徐文杰(1989— )，硕士生，主研图像处理与机器视觉。

责任编辑：时雯

Ultrasonic image segmentation algorithm for thyroid nodules

WANG Xin，XU Wenjie

(CollegeofComputerScienceandEngineering，ChangchunUniversityofTechology，Changchun130012，China)

Ultrasonic thyroid nodule segmentation is one of the key techniques to discover and identify the benign and malignant thyroid tumors. Fuzzy clustering method can not accurately segment the edge of thyroid nodules in ultrasound images and Regin-Scalable Fitting(RSF)model is sensitive to manual initialization.This paper presents a hybrid segmentation method that utilizes both the space constraint of the Gaussian kernel induced by fuzzy C-means clustering and region scalable fitting (RSF) model. The clustering algorithm is used to pre-segment the image and binarise the results of segmentation，which solves the initial contour of RSF. The controlling parameters of the level set evolution are estimated by the results of pre-segment and not by manual setting parameters. The energy item of Region scalable fitting model has been improved and Gaussian filtering is utilized to regularize RSF level set function，which improves segmentation efficiency and reduces the convergence time. Simulation experiment results show that the proposed model ensures an improvement in segmentation accuracy.

thyroid nodules segmentation；Gaussian kernel induced fuzzy C-means clustering(SKFCM)；region scalable fitting(RSF)model；Gaussian regularization

TP317.4

A

10.16280/j.videoe.2016.08.005

吉林省科技发展计划项目(201201129)

2016-01-03

文献引用格式：王昕，徐文杰.甲状腺结节超声图像分割算法研究[J].电视技术，2016，40(8)：26-30.WANG X，XU W J.Ultrasonic image segmentation algorithm for thyroid nodules[J].Video engineering，2016,40(8)：26-30.