王　昕，徐文杰

(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)

?

甲狀腺結(jié)節(jié)超聲圖像分割算法研究

王昕，徐文杰

(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)

超聲甲狀腺結(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。針對(duì)模糊聚類法無法準(zhǔn)確分割超聲圖像甲狀腺結(jié)節(jié)邊緣，而局部擬合(RSF)模型法對(duì)手動(dòng)初始化輪廓敏感的問題，提出一種融合空間約束模糊C均值聚類和局部擬合RSF模型的分割結(jié)節(jié)方法。用空間約束模糊C均值聚類法(SKFCM)對(duì)圖像進(jìn)行聚類并二值化聚類結(jié)果作為RSF模型法初始輪廓，克服了RSF模型法對(duì)初始輪廓敏感問題，水平集演化參數(shù)也將通過聚類結(jié)果自動(dòng)給出，不再需要人為設(shè)定。同時(shí)改進(jìn)了RSF模型法擬合項(xiàng)，并利用高斯正則化規(guī)則RSF模型水平集，提高了RSF模型演化效率，縮短了收斂時(shí)間。仿真實(shí)驗(yàn)結(jié)果表明，提出的甲狀腺結(jié)節(jié)超聲圖像分割方法能夠快速準(zhǔn)確地分割出結(jié)節(jié)區(qū)域。

甲狀腺結(jié)節(jié)分割；空間約束聚類；局部擬合模型；高斯正則化

甲狀腺結(jié)節(jié)準(zhǔn)確分割是甲狀腺結(jié)節(jié)病變?cè)\斷的基礎(chǔ)。結(jié)節(jié)指在甲狀腺內(nèi)部的腫塊，可隨吞咽動(dòng)作在甲狀腺內(nèi)部上下移動(dòng)，是臨床常見病癥，可由多種病因引起。早期結(jié)節(jié)是一種良性增生性病變，可以累及使甲狀腺慢性病變，也可以只波及一葉或一部分，在甲狀腺內(nèi)只形成單結(jié)節(jié)[1]。不同病變期結(jié)節(jié)的結(jié)構(gòu)復(fù)雜多樣，一定程度上增加了鑒別難度[2]。如果能充分認(rèn)識(shí)甲狀腺結(jié)節(jié)的各種超聲特點(diǎn)，正確地識(shí)別判斷，就可以減少誤診機(jī)會(huì)，提高診斷符合率，使許多病人免予不必要的手術(shù)，對(duì)指導(dǎo)臨床治療有重要價(jià)值。

傳統(tǒng)的圖像分割大致可以分為區(qū)域分割方法和邊緣分割方法兩種。區(qū)域分割方法主要包括：區(qū)域合并法、聚類法以及閾值法等。邊緣分割方法主要包括：微分算子法、邊緣串行檢測(cè)法等。隨著偏微分方程的運(yùn)用，越來越多的學(xué)者從事偏微分方程圖像分割研究，輪廓分割方法也逐漸成為圖像分割的熱門方法。典型的偏微分方程輪廓分割法有：DRLSE模型法[3]、RSF模型法[4]、LIF模型法[5]和CV模型法[6]等。國(guó)內(nèi)外針對(duì)超聲甲狀腺結(jié)節(jié)分割也在以上三大類方法中展開，最近幾年典型甲狀腺結(jié)節(jié)分割方法有：文獻(xiàn)[1]改進(jìn)的蟻群算法，通過目標(biāo)與背景區(qū)域的邊緣信息，調(diào)節(jié)蟻群算法中的閾值分割出感興趣區(qū)域，但該方法速度慢，分割準(zhǔn)確度不高。文獻(xiàn)[7]結(jié)合局部信息改進(jìn)了CV模型法分割超聲圖像能力，該方法可以不受灰度不均勻影響，但需要人工給出適當(dāng)初始輪廓。文獻(xiàn)[8]結(jié)合全局和雙核局部擬合的活動(dòng)輪廓分割模型法，該模型法克服了RSF對(duì)初始輪廓敏感的問題，但該方法仍然需要人工給出適當(dāng)初始輪廓，水平集參數(shù)需要人工給出。此外文獻(xiàn)[9-10]，運(yùn)用各自方法分割出甲狀腺結(jié)節(jié)。

為了克服上述方法的缺陷，本文運(yùn)用帶空間約束SKFCM聚類方法粗分割出結(jié)節(jié)區(qū)域，然后將目標(biāo)和背景區(qū)域分割為二值圖像，目標(biāo)部分被標(biāo)記為1，背景被標(biāo)記為0。粗分割結(jié)果作為水平集初始輪廓，不再需要人為設(shè)定初始輪廓，水平集參數(shù)將根據(jù)聚類二值圖像自動(dòng)計(jì)算給出，不再需要人為根據(jù)不同圖像特征設(shè)定，增加了水平集自適應(yīng)能力，使水平集完全自動(dòng)化演化分割圖像。同時(shí)，在RSF模型擬合項(xiàng)中增加了全局指向性面積能量項(xiàng)，克服了模型會(huì)陷入局部極小值問題，實(shí)現(xiàn)了甲狀腺結(jié)節(jié)準(zhǔn)確分割。

1　空間約束核聚類SKFCM

KFCM算法是為了克服FCM中噪聲和奇異值像素點(diǎn)對(duì)聚類的影響，在FCM算法引入核函數(shù)，得到一個(gè)模糊核的聚類方法。模糊核聚類方法就是將輸入空間Xk(k=1，2，…)映射到高維空間Φ(Xk)進(jìn)行聚類。這種映射加大了輸入空間樣本的特征差別，樣本特征被更好地提取、分辨。SKFCM算法[11]在原有的KFCM算法基礎(chǔ)上充分考慮了相鄰像素間的影響，在KFCM算法的目標(biāo)函數(shù)中加入了局部領(lǐng)域懲罰函數(shù)，增加了局部空間約束項(xiàng)，提高了聚類分割的準(zhǔn)確度。其定義目標(biāo)函數(shù)為

(1)

(2)

(3)

利用空間約束聚類法分割甲狀腺結(jié)節(jié)時(shí)，由于聚類算法固有的缺陷，分割結(jié)果不能準(zhǔn)確定位到結(jié)節(jié)邊緣，但是可以利用聚類算法獲得結(jié)節(jié)區(qū)域的大概位置，作為RSF模型法的初始化輪廓，從而避免了初始化輪廓敏感問題。同時(shí)聚類結(jié)果二值化后，可以使用二值圖像進(jìn)一步計(jì)算出水平集的各項(xiàng)參數(shù)，使水平集完全自動(dòng)演化分割，這大大增加了水平集的自適應(yīng)分割能力。

2　RSF模型

RSF模型法[4]是一種尺度可控局部區(qū)域信息的變分水平集分割模型法。其能量項(xiàng)由兩個(gè)擬合項(xiàng)函數(shù)和曲線能量函數(shù)組成，通過合并到水平集公式中，讓曲線演化問題轉(zhuǎn)化成能量最小化求解問題。為了避免水平集函數(shù)需要反復(fù)初始化，RSF模型法中加入了懲罰項(xiàng)。RSF能量函數(shù)定義為

(4)

式中：f1(x)和f2(x)分別為圖像在像素點(diǎn)x處的數(shù)值擬合值；λ1，λ2>0為數(shù)值擬合項(xiàng)的權(quán)系數(shù)；K(x-y)是偏差為δ的高斯內(nèi)核；Ω為整個(gè)圖像區(qū)域，x∈Ω。

水平集表達(dá)式為

通過梯度流下降法求解得到

(6)

RSF模型法能夠用來分割不均勻的灰度圖像，但是該模型法存在對(duì)初始輪廓敏感，初始輪廓的位置、大小、形狀直接影響分割結(jié)果，水平集參數(shù)也需要根據(jù)不同圖像，手動(dòng)設(shè)置不同的演化參數(shù)，自適應(yīng)能力較差，且該模型法容易陷入局部極小值的分割問題。

3　改進(jìn)的RSF模型

3.1自適應(yīng)水平集參數(shù)

傳統(tǒng)水平集模型在分割圖像時(shí)都需根據(jù)不同圖像特征手動(dòng)給出演化參數(shù)，不具有自適應(yīng)性，因圖像不同,而需要繁瑣地調(diào)節(jié)參數(shù)。為了能夠讓水平集具有自動(dòng)調(diào)節(jié)參數(shù)的能力，本文在聚類二值化圖像給出初始輪廓時(shí)，利用初始區(qū)域的面積和曲線長(zhǎng)度自動(dòng)計(jì)算出需要調(diào)節(jié)的參數(shù)，使水平集演化不在需要人為干涉。定義如下

ζ=∫Ωδ(φ0)dxdy

(7)

α=∫ΩH(φ0)dxdy

(8)

式中：φ0為聚類二值化后給出的初始輪廓；ζ代表初始輪廓曲線的長(zhǎng)度；a代表初始輪廓曲線包圍的面積。這里水平集演化需要的參數(shù)定義為：τ=a/ζ，λ1=0.1/τ，λ2=0.3/τ，υ=5/τ。

3.2構(gòu)造全局指向性面積能量項(xiàng)

RSF模型法具有局部擬合特點(diǎn)，可以較好地分割出弱邊緣，但是模型容易受噪聲和局部極小值影響，缺乏全局特性。在分割甲狀腺結(jié)節(jié)時(shí)，聚類結(jié)果給出的初始化輪廓只是粗分割區(qū)域，并不能精確到目標(biāo)邊界，所以RSF模型法在分割結(jié)節(jié)時(shí)依然存在陷入局部極小值的可能性。文獻(xiàn)[12]提出的改進(jìn)CV模型法中用了一種全局?jǐn)M合的水平集函數(shù)，該函數(shù)計(jì)算均勻、噪聲較少圖像簡(jiǎn)潔且高效。在此方法基礎(chǔ)上，本文構(gòu)造出了具有全局指向特性的能量項(xiàng)，在避免RSF模型陷入局部極小值時(shí)，還可以在圖像均勻區(qū)域加快模型的演化速度，減少分割的收斂時(shí)間。改進(jìn)CV模型法中的全局?jǐn)M合水平集函數(shù)為

(9)

本文定義一種可以用來表示輪廓線內(nèi)部面積項(xiàng)的函數(shù)式

s=∫ΩH(-φ(x))dx

(10)

為了能夠讓RSF模型具有全局指向性，將式(9)中的水平集狄拉克函數(shù)去掉，同時(shí)結(jié)合式(10)提出一種具有全局指向性面積能量項(xiàng)，函數(shù)表達(dá)式為

Es(φ)=∫ΩG(x)H(-φ(x))dx

(11)

3.3高斯正則化規(guī)則水平集

利用高斯正則化后，RSF模型水平集函數(shù)表示為

(12)

4　本文水平集函數(shù)

綜合第三節(jié)中改進(jìn)的RSF模型，根據(jù)梯度流下降法本文得到新的水平集函數(shù)為

(13)

式中：γ為兩種擬合力占的比重。

本文水平集中，使用聚類后二值化圖像中為1的區(qū)域作為水平集的初始化輪廓，初始化輪廓不再是人為設(shè)置的固定形狀、位置及大小，而是根據(jù)聚類后二值化圖像的位置、大小給出不同的輪廓，并且該輪廓一定包含結(jié)節(jié)區(qū)域，可以避免水平集初始化敏感問題。當(dāng)水平集處于圖像平坦區(qū)域或者處于局部極小值區(qū)域時(shí)，水平集全局指向性面積能量項(xiàng)將起主要控制作用，控制水平集曲線向邊界靠近，當(dāng)水平集曲線處于結(jié)節(jié)邊界時(shí)，局部擬合項(xiàng)將起主要作用，控制曲線在邊界處停止，使分割結(jié)果更加準(zhǔn)確。同時(shí)，利用了高斯正則化規(guī)則水平集，避免了傳統(tǒng)RSF模型懲罰項(xiàng)規(guī)則水平集引起擴(kuò)散率趨于無窮的問題。

本文算法流程主要步驟如下：

1)輸入甲狀腺結(jié)節(jié)圖像，設(shè)置聚類總數(shù)c，模糊度控制參數(shù)m，空間約束系數(shù)a，并設(shè)定最大迭代次數(shù)N；

3)判斷式(1)是否達(dá)到最小，否則跳轉(zhuǎn)步驟2)，是則執(zhí)行下一步；

4)提取分類結(jié)果中包含感興趣區(qū)域的m類粗分割結(jié)果和m類的隸屬度矩陣uij，根據(jù)閾值T對(duì)聚類結(jié)果二值化，感興趣部位設(shè)置為1，背景部位設(shè)置為0；

5)計(jì)算改進(jìn)RSF模型的參數(shù)λ1，λ2，τ，υ，將二值化圖像設(shè)置為1的區(qū)域作為初始輪廓；

6)根據(jù)式(13)演化水平集方程，并用高斯正則化規(guī)則水平集；

7)檢查水平集方程是否收斂，是跳轉(zhuǎn)步驟8)，否則跳轉(zhuǎn)步驟6)；

8)輸出分割后的圖像。

5　實(shí)驗(yàn)結(jié)果分析

本文對(duì)RSF模型法、CV模型法和本文提出的算法從運(yùn)行時(shí)間、迭代次數(shù)及分割效果上作對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)采用的PC機(jī)處理器為pentium(R)Dual-CPUE5500 @ 2.8GHz，內(nèi)存為2.0Gbyte，操作系統(tǒng)為Windows7旗艦版，軟件版本為MATLAH2012a(64位)。限于篇幅限制，文中選取了4組甲狀腺結(jié)節(jié)原超聲圖像，所選4幅圖像分別具有各自的特點(diǎn)，用來表明不同背景下，本文算法都可以較準(zhǔn)確地分割出結(jié)節(jié)部位。為了便于分析和討論，本文實(shí)驗(yàn)在聚類部分均采用相同的參數(shù)：c=7，a=5，m=2。本文水平集中全局面積能量項(xiàng)γ=0.3，其他水平集演化參數(shù)將根據(jù)程序自動(dòng)計(jì)算出，在每幅圖說明部分給出計(jì)算的具體值。

圖像1噪聲較少，結(jié)節(jié)與背景區(qū)域?qū)Ρ榷容^高，結(jié)節(jié)邊緣明顯，如圖1所示。從實(shí)驗(yàn)結(jié)果看本文方法和CV模型法都可相對(duì)準(zhǔn)確地分割出結(jié)節(jié)區(qū)域。RSF模型法在選擇合適的人工初始輪廓后存在過分割現(xiàn)象，導(dǎo)致錯(cuò)誤分割結(jié)節(jié)區(qū)域。其中本文水平集計(jì)算參數(shù)τ=2.91，υ=241.4，λ1=4.8，λ2=1.6，聚類后人工閾值選擇T=0.7。

圖1　甲狀腺結(jié)節(jié)超聲圖像1的3種方法分割結(jié)果

圖像2結(jié)節(jié)與背景在部分區(qū)域?qū)Ρ榷容^低，噪聲有所增強(qiáng)，如圖2所示。從實(shí)驗(yàn)結(jié)果看本文方法可以準(zhǔn)確分割出結(jié)節(jié)，CV模型法的全局?jǐn)M合項(xiàng)，對(duì)于噪聲較強(qiáng)和邊緣不清晰的圖像分割結(jié)果很難準(zhǔn)確定位到邊緣，存在過分割現(xiàn)象。RSF模型法不具有全局?jǐn)M合特性，在邊緣附近明顯存在陷入局部極小值的錯(cuò)誤分割問題，分割出的不是結(jié)節(jié)的真正邊緣。其中本文水平集計(jì)算參數(shù)τ=0.02，υ=230.3，λ1=4.6，λ2=1.5，聚類后人工閾值選擇T=0.5。

圖2　甲狀腺結(jié)節(jié)超聲圖像2的3種方法分割結(jié)果

圖像3結(jié)節(jié)邊緣與背景區(qū)域?qū)Ρ榷容^低，背景區(qū)域噪聲較強(qiáng)，結(jié)節(jié)內(nèi)部有少量空洞區(qū)域，如圖3所示。從實(shí)驗(yàn)結(jié)果看本文方法可以準(zhǔn)確地分割出結(jié)節(jié)區(qū)域。RSF模型法的局部擬合項(xiàng)要明顯好于CV模型法的全局?jǐn)M合項(xiàng)。但是，RSF模型法對(duì)初始輪廓較敏感，手動(dòng)設(shè)置的輪廓始終會(huì)存在過分割現(xiàn)象。其中本文水平集計(jì)算參數(shù)τ=0.02，υ=217.3，λ1=4.3，λ2=1.4，聚類后人工閾值選擇T=0.7。

圖3　甲狀腺結(jié)節(jié)超聲圖像3的3種方法分割結(jié)果

圖像4結(jié)節(jié)與背景對(duì)比度較低，噪聲較大，結(jié)節(jié)邊緣模糊不清(見圖4)。從實(shí)驗(yàn)結(jié)果看本文算法可以準(zhǔn)確分割出結(jié)節(jié)區(qū)域，CV模型法已經(jīng)無法分割結(jié)節(jié)的弱邊界，明顯存在過分割現(xiàn)象。RSF模型法在手動(dòng)給予初始輪廓后，由于邊緣模糊度較大，人工設(shè)定的輪廓始終存在過分割和陷入局部極小值現(xiàn)象。其中本文水平集計(jì)算參數(shù)τ=0.03，υ=170.2，λ1=3.40，λ2=1.13，聚類后人工閾值選擇T=0.85。

圖4　甲狀腺結(jié)節(jié)超聲圖像4的3種方法分割結(jié)果

表1和表2為4幅圖像采用不同方法的迭代時(shí)間和迭代次數(shù)對(duì)比。從表中可以看出，本文方法的水平集演化時(shí)間明顯比其他兩種方法少，迭代的次數(shù)也較少。

表1水平集迭代時(shí)間t對(duì)比s

樣本迭代時(shí)間本文方法RSF模型CV模型圖像12.918.2315.74圖像26.4117.3412.63圖像34.186.5210.58圖像45.9112.9411.50

表2水平集迭代次數(shù)對(duì)比

樣本迭代次數(shù)本文方法RSF模型CV模型圖像166180600圖像2165500560圖像3124200300圖像4267600320

6　結(jié)論

針對(duì)超聲甲狀腺結(jié)節(jié)圖像分割，本文提出了一種SKFCM-RSF模型分割法。在分割之前，通過基于空間約束的聚類算法粗分割出感興趣的部位，并且對(duì)聚類后的圖像進(jìn)行二值化。二值化圖像標(biāo)記為1的部分作為改進(jìn)RSF模型法的初始輪廓，同時(shí)改進(jìn)了傳統(tǒng)RSF模型法的函數(shù)擬合項(xiàng)。實(shí)驗(yàn)表明，本文提出的方法可以準(zhǔn)確地分割出甲狀腺結(jié)節(jié)，同時(shí)加快了RSF模型的分割速度,縮短了收斂時(shí)間。

致謝：

感謝導(dǎo)師王昕對(duì)該論文做出的指導(dǎo)。

[1]朱玲，施心陵，劉亞杰，等. 基于蟻群算法的甲狀腺結(jié)節(jié)超聲圖像邊沿檢測(cè)法[J].計(jì)算機(jī)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]鄭偉，張晶，李凱玄，等.結(jié)合局部信息改進(jìn)的C-V超聲圖像分割模型[J].光電工程，2015，42(8)：67-71.

[8]趙杰，祁永梅，潘正勇.結(jié)合全局和雙核局部擬合的活動(dòng)輪廓分割模型[J].計(jì)算機(jī)應(yīng)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]張開華，周文罡，張振，等.一種改進(jìn)的C-V主動(dòng)輪廓模型[J].光電工程，2008，35(12)：112-116.

王昕(1972— )，女，博士，副教授，碩士生導(dǎo)師，主要研究領(lǐng)域?yàn)閳D像融合、圖像處理與機(jī)器視覺，為本文通信作者；

徐文杰(1989— )，碩士生，主研圖像處理與機(jī)器視覺。

責(zé)任編輯：時(shí)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

吉林省科技發(fā)展計(jì)劃項(xiàng)目(201201129)

2016-01-03

文獻(xiàn)引用格式：王昕，徐文杰.甲狀腺結(jié)節(jié)超聲圖像分割算法研究[J].電視技術(shù)，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.