基于CV模型和DRLSE模型的甲狀腺結(jié)節(jié)分割

蔣秋霖， 張 聰， 李 亮， 徐文杰， 王 昕

(長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長(zhǎng)春 130012)

基于CV模型和DRLSE模型的甲狀腺結(jié)節(jié)分割

蔣秋霖， 張 聰， 李 亮， 徐文杰， 王 昕*

(長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長(zhǎng)春 130012)

針對(duì)CV模型無(wú)法分割灰度不均勻圖像，而DRLSE模型對(duì)弱邊界的分割效果不佳的問(wèn)題，提出了一種結(jié)合局部和全局信息的水平集分割方法。實(shí)驗(yàn)結(jié)果表明，文中模型不僅能處理灰度不均勻圖像，而且對(duì)弱邊界結(jié)節(jié)也能正確分割。

甲狀腺分割; CV模型; DRLSE模型; 水平集

0 引 言

甲狀腺結(jié)節(jié)分割是發(fā)現(xiàn)與識(shí)別甲狀腺良惡性腫瘤的關(guān)鍵技術(shù)之一。超聲檢查是目前普查和診斷甲狀腺疾病最常用的方法,對(duì)于甲狀腺癌的及早發(fā)現(xiàn)和治療并提高治愈率具有十分重大意義[1]。

圖像分割的發(fā)展日益進(jìn)步，截至目前，國(guó)內(nèi)外研究人員已經(jīng)提出多種圖像分割的模型，其中最受關(guān)注的模型是水平集分割模型[2]。水平集分割模型中最常見(jiàn)的是基于邊界分割模型和基于區(qū)域分割模型。其中較常用的有Chan[3]等提出的基于Munford-Shah模型的主動(dòng)輪廓模型(CV模型)； Li[4]等提出的距離正則化變分水平集模型；DRLSE模型是在Li[5]等提出的模型基礎(chǔ)上引入了一個(gè)距離保持項(xiàng)得到的邊緣水平集模型。文中將CV模型和DRLSE模型相結(jié)合，有效融合了圖像的全局和局部信息，提高了甲狀腺結(jié)節(jié)的分割精度和速度。

1 CV模型和DRLSE模型

1.1 CV模型

假設(shè)圖像u0有兩個(gè)均勻區(qū)域組成，由水平集表示的正則化能量泛函為：

CV模型描述的是圖像區(qū)域內(nèi)的全部信息，計(jì)算的是區(qū)域內(nèi)的平均灰度值，但是無(wú)法正確分割灰度不均勻的圖像[6]。

1.2 DRLSE模型

在區(qū)域Ω上，設(shè)φ：Ω→R成為水平集函數(shù)(Llevel Set Function，LSF)[7]，則其能量函數(shù)ε可定義為：

式中:Rp(φ)----水平集規(guī)則項(xiàng);

Rp(φ)的表達(dá)式為：

式中:p----能量密度函數(shù)，p：[0,)→R。

εext(φ)被定義為：

εext(φ)=λLg(φ)+αAg(φ)=

則g(u0)為

遠(yuǎn)離圖像邊緣區(qū)域，梯度較小，此時(shí)邊緣指示函數(shù)值較大，使曲線繼續(xù)演化；在圖像的邊緣附近區(qū)域，梯度較大，邊緣指示函數(shù)值逐漸趨向于零，曲線演化逐漸停止。

由DRLSE模型梯度下降方法得到水平集演化方程：

DRLSE模型雖具有演化速度快、無(wú)需重新初始化水平集等優(yōu)點(diǎn)，但對(duì)弱邊界的分割效果不佳[8]。

2 文中模型

2.1 模型描述

文中模型結(jié)合CV模型和DRLSE模型的優(yōu)勢(shì)，充分利用CV模型全局信息的特點(diǎn),同時(shí)，結(jié)合了DRLSE模型無(wú)需重新初始化等特性，提高算法效率[9-10]，因此保留DRLSE模型內(nèi)部能量項(xiàng)：

同時(shí)，DRALSE模型的Ag(φ)會(huì)加快曲線的演化速度，其設(shè)定參數(shù)與初始輪廓位置相關(guān)，由于無(wú)法準(zhǔn)確識(shí)別弱邊界圖像邊界，因此僅保留外部能量的λLg(φ)：

其中邊界指數(shù)為：

使零水平集的邊界曲線較為光滑。

同時(shí)，將CV模型的能量函數(shù)作為文中模型的外部能量項(xiàng)：

其中

使文中模型對(duì)初始輪廓不敏感[11-12]。

文中模型的總能量函數(shù)為：

根據(jù)梯度流下降法可以得到水平集演化方程：

2.2 算法步驟

1)初始化

φ(x,y,t=0)=0

2)根據(jù)式(10)和式(11)計(jì)算c1、c2。

3)根據(jù)式(13)計(jì)算

式中：φ----循環(huán)次數(shù)。

4)驗(yàn)證函數(shù)φ的收斂情況。若函數(shù)收斂，則輸出結(jié)果；若函數(shù)不收斂，則繼續(xù)循環(huán)2)至3)，直至符合收斂條件再輸出結(jié)果。

3 實(shí)驗(yàn)結(jié)果

對(duì)文中模型能否準(zhǔn)確分割甲狀腺結(jié)節(jié)進(jìn)行實(shí)驗(yàn)，采用醫(yī)院患者實(shí)際的甲狀腺超聲圖像，再使用DRLSE模型、CV模型進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)采用PC機(jī)為英特爾R酷睿i3處理器，內(nèi)存為4 GB，操作系統(tǒng)為Window7，實(shí)驗(yàn)平臺(tái)為MATLAB R2015b。實(shí)驗(yàn)中，CV模型的主要參數(shù)為：λ1=1，λ2=1.5，μ=0.001*255*255，Δt=0.1；DRLSE模型的主要參數(shù)為：λ=5，Δt=5，α=3.5。

甲狀腺超聲圖像分割結(jié)果對(duì)比(Ⅰ)如圖1所示。

圖1 甲狀腺超聲圖像分割結(jié)果對(duì)比(Ⅰ)

圖1是一幅對(duì)比度高，邊緣清晰的圖像。圖1(e)是專(zhuān)家手動(dòng)分割結(jié)節(jié)結(jié)果，由此可見(jiàn)，文中算法與專(zhuān)家手動(dòng)分割結(jié)果最為接近，其他算法出現(xiàn)了過(guò)分割現(xiàn)象。在實(shí)驗(yàn)中，水平及自動(dòng)演化系數(shù)Δt=0.1，λ1=0.25，λ2=0.3。

甲狀腺超聲圖像分割結(jié)果對(duì)比(Ⅱ)如圖2所示。

圖2 甲狀腺超聲圖像分割結(jié)果對(duì)比(Ⅱ)

圖2是一幅邊緣模糊(弱邊界)的圖像。從實(shí)驗(yàn)結(jié)果看，其他算法都出現(xiàn)了錯(cuò)誤的分割，只有文中算法與專(zhuān)家手動(dòng)分割結(jié)果保持一致。在實(shí)驗(yàn)中，水平及自動(dòng)演化系數(shù)Δt=0.15，λ1=0.1，λ2=0.15。

甲狀腺超聲圖像分割結(jié)果對(duì)比(Ⅲ)如圖3所示。

圖3 甲狀腺超聲圖像分割結(jié)果對(duì)比(Ⅲ)

圖3是一幅灰度不均勻的結(jié)節(jié)圖像。從實(shí)驗(yàn)結(jié)果看，文中模型可以較為準(zhǔn)確地定位到結(jié)節(jié)邊緣，與專(zhuān)家手動(dòng)分割基本一致。在實(shí)驗(yàn)中，水平及自動(dòng)演化系數(shù)Δt=0.1,λ1=0.15，λ2=0.2。

4 結(jié) 語(yǔ)

提出了一種基于CV模型和DRLSE模型的超聲甲狀腺結(jié)節(jié)分割算法。實(shí)驗(yàn)結(jié)果表明，該算法能準(zhǔn)確處理灰度不均勻的圖像，并且對(duì)甲狀腺結(jié)節(jié)的弱邊界分割有較好的魯棒性。分割效果優(yōu)于CV模型和DRLSE模型。

[1] 王昊，彭博，陳琴,等.基于多尺度融合的甲狀腺結(jié)節(jié)圖像特征提取[J].數(shù)據(jù)采集與處理，2016,31(5):1005-1007.

[2] 張明慧,盧振泰,張娟陽(yáng),等.基于多圖譜活動(dòng)輪廓模型的腦部圖像分割[J].計(jì)算機(jī)學(xué)報(bào)，2016,39(7):1491-1493.

[3] Chan T F, Vese L A. Active contours without edges [J]. IEEE Trans-actions on Image Processing,2001,10(2):266-277.

[4] Li C M, Xu C Y, Gui C F, et al. Level set evolution without re-initialization：a new variational formulatio[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. New York: IEEE Computer Society Press,2005:430-436.

[5] Li C M, Xu C Y, Gui C F, et al. Distance regularized level set evolution and its application to image segmentation [J]. IEEE Transactions Image Processing,2010,19(12):3243-3254.

[6] 吳永飛，何傳江，陳強(qiáng).基于CV和LBF模型結(jié)合的圖像分割算法研究與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件，2013,30(7):99-100.

[7] Osher S, Sethian J A． Fronts propagation with curvature dependent speed：algorithms based on Hamihon-Jaeobi formulation [J]. Journal of Computational Physics,1998,79:12-49.

[8] 沈凌云，朱明.改進(jìn)的距離正則化水平集演化方法[J].北京工業(yè)大學(xué)學(xué)報(bào)，2015,41(5):675-677.

[9] 蔡青，劉慧英，周三平，等.基于局部和全局信息自適應(yīng)的水平集圖像分割[J].強(qiáng)激光與粒子束，2017,29(2):2-4.

[10] 李江波,周聃,萬(wàn)偉鋒.基于圖像區(qū)域信息與邊界的分割方法研究[J].工業(yè)控制計(jì)算機(jī)，2014,27(12)：116-119.

[11] Li Wang, Chunming Li, Quansen Sun, et al. Brain MR image segmentation using local and global intensity fitting active contours/surfaces [J]. International Conference on Medical Image Computing & Computer-assisted Intervention,2008,11(1):386-392.

[12] 王昕，李亮，尹小童，等.甲狀腺結(jié)節(jié)超聲圖像特征提取及識(shí)別[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)，2017，38(4)：322-326.

SegmentationofthyroidnodulesbasedonCVmodelandDRLSEmodel

JIANG Qiulin, ZHANG Cong, LI Liang, XU Wenjie, WANG Xin*

(School of Computer Science & Engineering, Changchun University of Technology, Changchun 130012， China)

CV model cannot be used to segment uneven gray images, while DRLSE model is not suitable for weak boundary segmentation. Here we combine the local and global informationtogether to segment level sets. Experiments indicate that the new model can deal with both the uneven gray images and weak boundaries.

thyroid segmentation; CV model; DRLSE model; level set.

2017-06-18

吉林省科技發(fā)展計(jì)劃基金資助項(xiàng)目(201215127)

蔣秋霖(1993-)，男，漢族，江蘇鎮(zhèn)江人，長(zhǎng)春工業(yè)大學(xué)碩士研究生，主要從事圖像處理方向研究,E-mail:jql419170146@ccut.edu.cn. *通訊作者：王 昕(1972-)，女，漢族，遼寧大連人，長(zhǎng)春工業(yè)大學(xué)副教授，博士，主要從事圖像處理與機(jī)器視覺(jué)方向研究,E-mail:wangxin315@ccut.edu.cn.

10.15923/j.cnki.cn22-1382/t.2017.5.06

TP 391.41

A

1674-1374(2017)05-0442-05