基于Chan-Vese模型的甲状腺结节超声图像分割方法

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Mum-ford-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Mumford-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：
F()
c1,c2,C=μ∙Leng th()C+λ1∙∫inside(C)|
|u0(x,y)-c12d x d y
+λ1∙λ2∙∫inside(c)|
|u0(x,y)-c22d x d y(1)通常情况下，令λ1=λ2=1，c1和c2代表图像演化曲线C内
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）
[摘要]针对使用Chan-Vese模型分割甲状腺结节时出现的不准确分割现象，提出结合形态学闭运算的超声图像甲状腺结节分割方法。

首先，对超声甲状腺图像做预处理，包含图像去噪、增强等操作；然后，做闭运算以及图像归一化；最后，使用Chan-Vese方法分割甲状腺结节区域。

实验验证结果表明，结合闭运算的分割可以有效分割出甲状腺结节，并为分割部分甲状腺结节提供了一种有效的分割方法。

[关键词]Chan-Vese模型；闭运算；结节分割；超声图像；甲状腺
中图分类号：TP391.41文献标识码：A文章编号：1008-6609(2018)06-0004-04
——————————————
作者简介：郑斌（1994-），男，山东济南人，硕士，CCF学生会员（51001G），研究方向为数字图像处理、深度学习。

*通讯作者：刘立波（1974-），女，宁夏银川人，博士后，教授，CCF会员（14770M），研究方向为智能信息处理、深度学习。

基金项目：宁夏自然科学基金项目，项目编号：NZ17010；2016宁夏回族自治区研究生教育创新计划，项目编号：YKC201604；国家自然科学基金项目，项目编号：61751215。

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：F ()c 1,c 2,C =μ∙∫inside (C )δ(ϕ(x ,y )|∇ϕ（x ,y )d x dy
+λ1∙
∫inside (C )||u 0(x ,y )-c 12H ε(ϕ(x ,y ))dxdy +λ1∙∫inside (c )||u 0(x
,y )-c 22(1-H ε(ϕ(x ,y )))d x d y (2)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：∂∅∂t =δ()∅éëêêùûúúμdiv æèçöø÷∇∅|∇∅|-λ1()u 0-c 12+λ2()u 0-c 22(3)
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：
A ⊕Y ={}A |Y =a ∪a ≠ϕ(4)同理可以把腐蚀表示如下：
A ΘY ={}a |Y +a ⊆A (5)闭运算是由先膨胀再腐蚀表示A ∙Y ，定义为：
A ∙Y =()Y ⊕A ΘY (6)
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。

(a)超声甲状腺原始图(b)超声甲状腺滤波图
(c)超声甲状腺闭运算图
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。

(a)原甲状腺超声图(b)Chan-Vese模型分割图
(c)Chan-Vese模型分割二值图
(d)闭运算后甲状腺超声图(e)本文方法分割图
(f)本文方法分割二值图
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。

(a)原超声图(b)Chan-Vese模型分割二值图
(c)闭运算图(d)本文方法分割二值图
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。

参考文献：
[1]Osher S，Sethian J A．Fronts propagating with curva-ture dependent speed：Algorithms based on Hamilton-jacobi formulations[J]．Journal of Computational Physics，1988(79)：12-49．
[2]徐文杰．超声甲状腺结节图像分割算法研究[D]．长春：长春工业大学，2017．
[3]L．A．Vese，T．F．Chan．Reduced non-convex functional approximations for image restoration&segmentation [R]．UCLA CAM Reports，1997．
[4]D．Mumford，J．Shah．Optimal approximation by piecewise smooth functions and associated variational problems [J]．Communications on Pure and Applied Mathematics，1989( 42)：577-685．
[5]Pascal Getreuer．Chan-Vese Segmentation[J]．Image Processng on Line，2012(2)：214-224．
[6]Chan T，Vese L．Active contours without edges[J]．IEEE Transactions on image processing，2001，10(2)：266-277．
[7]韩斌，吴一全，倪康．利用改进CV模型分割煤矿井下早期火灾图像[J]．中国矿业大学学报，2018，47(02)：429-435．
[8]张爱华，王帆，陈海燕．基于改进CV模型的目标多色彩图像分割[J]．华中科技大学学报(自然科学版)，2018，46 (01)：63-66，86．
Thyroid Nodule Ultrasound Image Segmentation Method Based on Chan-Vese Model
ZHENG Bin XU Feng GUO Jinxiang LIU Libo*
(Ningxia University，Yinchuan750021,Ningxia)
【Abstract】With regard to the presence of inaccurate segmentation phenomenon in the segmentation of thyroid nodules using Chan-Vese model,an ultrasound image thyroid nodule segmentation method is proposed in combining with morphological closure. First of all,the ultrasound thyroid image is pre-processed,including image denoising,enhancement and other operations;then the closing operation and image normalization are carried on;finally,the Chan-Vese method is used to segment the thyroid nodule re-gion.The experimental verification results show that the segmentation combined with closed operations can effectively segment thy-roid nodules and provide an effective method for the segmentation of some thyroid nodules.
【Keywords】Chan-Vese model;closed operation;nodule segmentation;ultrasound image;thyroid。