基于Chan-Vese模型的甲状腺结节超声图像分割方法

郑 斌 徐 峰 郭进祥 刘立波*

（宁夏大学信息工程学院，宁夏 银川 750021）

1 引言

甲状腺结节已严重危害人类健康，临床诊断中用医疗超声图像对甲状腺部位信息进行探测，由于费用低廉、不产生辐射等主要优点得以广泛使用。计算机辅助甲状腺临床诊断要求甲状腺结节高精度分割，且是整个过程的重难点。

图像分割方法有阈值分割、区域分割、边缘分割以及活动轮廓模型和水平集[1]方法等。根据甲状腺结节的位置、大小、形状等个体性差异，使基于活动轮廓模型和水平集等方法效果更佳。在此基础上，Chan和Vese[3]提出了基于Mumford-Shah[4]的Chan-Vese模型[5]，解决了表达式中一次长度项，二次面积项所带来的计算难度大的问题。Chan-Vese模型是一种是基于Mum ford-Shah的简化模型和水平集方法相结合的方法[6]，此方法重点并过度依靠梯度变化和亮度对比，从而使得分割结果不准确。

韩斌[7]等人提出了综合利用图像全局信息和局部信息改进的Chan-Vese模型，将原有的内外区域能量权重利用曲线内外区域像素灰度的最小绝对差来取代，以提高模型分割效率。张爱华[8]等人对K-means聚类对图像演化曲线内部像素进行处理，有效提高了Chan-Vese 模型对目标图像分割的灵活适应性。

使用Chan-Vese模型分割甲状腺结节区域，出现了不准确分割区域。造成不准确分割原因在于超声甲状腺图像分辨率低，噪声严重，从而对分割结果造成严重影响。针对此问题，本文提出来一种基于闭运算的Chan-Vese分割方法。此方法利用形态学闭运算的膨胀与腐蚀消除不准确分割，提高了分割效果。

2 分割算法原理

基于水平集方法的Chan-Vese模型，在于构建能量函数，然后通过水平集理论思想，用水平集函数来代替能量函数中曲线。最后，水平集演化过程需要利用能量泛函及其对应的Euler-Lagrange求解获取。

2.1 能量泛函

Chan-Vese模型是基于区域的水平集方法，根据定义可以得到Chan-Vese模型的能力公式：

通常情况下，令λ1=λ2=1，c1和c2代表图像演化曲线C内部和外部的灰度均值。能量泛函的第一项是长度约束，此长度约束用于演化曲线C规则约束，以保证得到的曲线足够短；而后面的两项统称为保真项，目的是将演化曲线C逐渐向目标轮廓靠拢。用高一维水平集函数φ(x,y)来代替演化曲线C，并假定水平集函数φ(x,y)＞0，表示该点在曲线内部；水平集函数φ(x,y)＜0，表示该点在曲线外部；水平集函数φ(x,y)=0，表示该点在曲线上。最终可以将上述公式(1)转化为：

2.2 演化过程

水平集演化过程需要利用能量泛函及其对应的Euler-Lagrange求解获取，对公式(2)求解得：

于是曲线的演化过程得以展现，Chan-Vese模型的过程可以总结为:

(1)水平集初始化；

(2)计算（估算）前景和背景灰度均值；

(3)对每一个像素点进行演化。

3 基于Chan-Vese模型的图像分割

本实验处理采用形态学闭运算方法与Chan-Vese模型相结合的方法，主要包含图像的预处理、闭运算处理、图像分割等过程，具体流程如图1所示：

图1 甲状腺结节分割流程

3.1 图像预处理

由于超声甲状腺图像的特性，分辨率和对比度较低，从而导致超声甲状腺图像噪声严重，进而对下一步工作产生一定影响。因此，采用高斯滤波做平滑处理。其次，对图像进行对比度增强、边缘增强等处理，使图像信息更加容易区分。

高斯滤波是一种线性平滑滤波，处理超声甲状腺图像上的高斯噪声效果显著，实验采用的是5x5的模板扫描图像中的每一个像素点，高斯滤波有效地抑制了噪声，结节边缘也有增强的效果。

3.2 形态学闭运算

闭运算是由膨胀和腐蚀有机结合的方法，可以分析处理图像的形状以及结构等问题。闭运算的重点在于结构元素，通过结构元素对图像探测，可以获取到图像每个区域存在的各种关系，从而更详细地获取图像的结构特性。给予一幅目标图像A和结构元素Y，把膨胀集合的方式表示为：

同理可以把腐蚀表示如下：

闭运算是由先膨胀再腐蚀表示A·Y，定义为：

图2(b)中除结节区域呈现较暗，周围正常组织同样存在呈现较暗区域，称之为孔洞，孔洞会影响甲状腺结节分割效果。闭运算对填充物体内细小孔洞、连接邻近物体、平滑其边界效果显著。因此为消除孔洞的影响，采用闭运算消除孔洞。

图2 图像处理

4 实验结果与分析

本算法是在Matlab 8.0编程环境下实现，实验所需数据是由50例患者且每位患者采用1-2张，共80张格式为png的甲状腺超声图像组成，图像的分辨率统一转化为256×256。采用Chan-Vese模型与本文算法对患者甲状腺超声图像进行分割。

4.1 实验结果

本实验按照图1的工作流程与传统方法进行实验。对传统方法和本文提出的方法进行对比实验，图3是对超声甲状腺处理结果图，图4是对更加复杂的超声甲状腺处理结果图。

图3 超声甲状腺处理图

4.2 结果分析

图3(a-c)是Chan-Vese模型处理的分割结果，图3(a)是未经闭运算处理的图像，图3(b)传统方法的成功分割出甲状腺结节区域，但是甲状腺结节标出的同时在结节左侧出现了两处不准确标注，在分割结果二值化图3(c)可以清楚地看到两处不准确分割区域。

针对此问题提出的结合闭运算的方法，处理结果如图3(d-f)所示。图3(d)是经过膨胀和腐蚀处理的图像，甲状腺结节区域被准确分割如图3(e)所示。在传统方法分割结果中的两处不准确分割区域已被解决。

在此基础上，本文对于更加复杂的甲状腺超声图像进行分割，分割结果如图4所示。传统方法的分割结果中存在多处且较大面积的不准确，分割效果较差。而结合闭运算方法后的分割结果虽然仍然存在两处较小不准确分割区域，但是不会出现大面积不准确的分割现象，本文方法可以有效去除传统方法的不足，提高了超声甲状腺结节区域的分割准确性。

图4 复杂环境

5 结论

鉴于超声图像具有自己独特的特点，超声图像分割问题相对较困难。为此，本文提出了一种基于Chan-Vese模型结合闭运算的甲状腺结节分割方法，有效地完成了甲状腺结节分割的目的，经闭运算处理，该方法有效降低了甲状腺结节分割的不准确率。

实验结果表明，本文的分割方法分割不准确率得到大幅度降低，提高了分割的准确性，分割后的超声图像有助于临床应用中的准确判断，具有较高的使用价值。

由于采用了闭运算，导致了图像边缘信息部分缺失，今后还需对此分割方法做进一步深入研究。