甲狀腺結節超聲圖像分割算法研究

王　昕，徐文杰

(長春工業大學　計算機科學與工程學院，吉林 長春 130012)

?

甲狀腺結節超聲圖像分割算法研究

王昕，徐文杰

(長春工業大學計算機科學與工程學院，吉林 長春 130012)

超聲甲狀腺結節分割是發現與識別甲狀腺良惡性腫瘤的關鍵技術之一。針對模糊聚類法無法準確分割超聲圖像甲狀腺結節邊緣，而局部擬合(RSF)模型法對手動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模型的分割結節方法。用空間約束模糊C均值聚類法(SKFCM)對圖像進行聚類并二值化聚類結果作為RSF模型法初始輪廓，克服了RSF模型法對初始輪廓敏感問題，水平集演化參數也將通過聚類結果自動給出，不再需要人為設定。同時改進了RSF模型法擬合項，并利用高斯正則化規則RSF模型水平集，提高了RSF模型演化效率，縮短了收斂時間。仿真實驗結果表明，提出的甲狀腺結節超聲圖像分割方法能夠快速準確地分割出結節區域。

甲狀腺結節分割；空間約束聚類；局部擬合模型；高斯正則化

甲狀腺結節準確分割是甲狀腺結節病變診斷的基礎。結節指在甲狀腺內部的腫塊，可隨吞咽動作在甲狀腺內部上下移動，是臨床常見病癥，可由多種病因引起。早期結節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，在甲狀腺內只形成單結節[1]。不同病變期結節的結構復雜多樣，一定程度上增加了鑒別難度[2]。如果能充分認識甲狀腺結節的各種超聲特點，正確地識別判斷，就可以減少誤診機會，提高診斷符合率，使許多病人免予不必要的手術，對指導臨床治療有重要價值。

傳統的圖像分割大致可以分為區域分割方法和邊緣分割方法兩種。區域分割方法主要包括：區域合并法、聚類法以及閾值法等。邊緣分割方法主要包括：微分算子法、邊緣串行檢測法等。隨著偏微分方程的運用，越來越多的學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。國內外針對超聲甲狀腺結節分割也在以上三大類方法中展開，最近幾年典型甲狀腺結節分割方法有：文獻[1]改進的蟻群算法，通過目標與背景區域的邊緣信息，調節蟻群算法中的閾值分割出感興趣區域，但該方法速度慢，分割準確度不高。文獻[7]結合局部信息改進了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初始輪廓。文獻[8]結合全局和雙核局部擬合的活動輪廓分割模型法，該模型法克服了RSF對初始輪廓敏感的問題，但該方法仍然需要人工給出適當初始輪廓，水平集參數需要人工給出。此外文獻[9-10]，運用各自方法分割出甲狀腺結節。

為了克服上述方法的缺陷，本文運用帶空間約束SKFCM聚類方法粗分割出結節區域，然后將目標和背景區域分割為二值圖像，目標部分被標記為1，背景被標記為0。粗分割結果作為水平集初始輪廓，不再需要人為設定初始輪廓，水平集參數將根據聚類二值圖像自動計算給出，不再需要人為根據不同圖像特征設定，增加了水平集自適應能力，使水平集完全自動化演化分割圖像。同時，在RSF模型擬合項中增加了全局指向性面積能量項，克服了模型會陷入局部極小值問題，實現了甲狀腺結節準確分割。

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對聚類的影響，在FCM算法引入核函數，得到一個模糊核的聚類方法。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算法基礎上充分考慮了相鄰像素間的影響，在KFCM算法的目標函數中加入了局部領域懲罰函數，增加了局部空間約束項，提高了聚類分割的準確度。其定義目標函數為

(1)

(2)

(3)

利用空間約束聚類法分割甲狀腺結節時，由于聚類算法固有的缺陷，分割結果不能準確定位到結節邊緣，但是可以利用聚類算法獲得結節區域的大概位置，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。同時聚類結果二值化后，可以使用二值圖像進一步計算出水平集的各項參數，使水平集完全自動演化分割，這大大增加了水平集的自適應分割能力。

2　RSF模型

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

(4)

式中：f1(x)和f2(x)分別為圖像在像素點x處的數值擬合值；λ1，λ2>0為數值擬合項的權系數；K(x-y)是偏差為δ的高斯內核；Ω為整個圖像區域，x∈Ω。

水平集表達式為

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初始輪廓敏感，初始輪廓的位置、大小、形狀直接影響分割結果，水平集參數也需要根據不同圖像，手動設置不同的演化參數，自適應能力較差，且該模型法容易陷入局部極小值的分割問題。

3　改進的RSF模型

3.1自適應水平集參數

傳統水平集模型在分割圖像時都需根據不同圖像特征手動給出演化參數，不具有自適應性，因圖像不同,而需要繁瑣地調節參數。為了能夠讓水平集具有自動調節參數的能力，本文在聚類二值化圖像給出初始輪廓時，利用初始區域的面積和曲線長度自動計算出需要調節的參數，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定義為：τ=a/ζ，λ1=0.1/τ，λ2=0.3/τ，υ=5/τ。

3.2構造全局指向性面積能量項

RSF模型法具有局部擬合特點，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。在分割甲狀腺結節時，聚類結果給出的初始化輪廓只是粗分割區域，并不能精確到目標邊界，所以RSF模型法在分割結節時依然存在陷入局部極小值的可能性。文獻[12]提出的改進CV模型法中用了一種全局擬合的水平集函數，該函數計算均勻、噪聲較少圖像簡潔且高效。在此方法基礎上，本文構造出了具有全局指向特性的能量項，在避免RSF模型陷入局部極小值時，還可以在圖像均勻區域加快模型的演化速度，減少分割的收斂時間。改進CV模型法中的全局擬合水平集函數為

(9)

本文定義一種可以用來表示輪廓線內部面積項的函數式

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去掉，同時結合式(10)提出一種具有全局指向性面積能量項，函數表達式為

Es(φ)=∫ΩG(x)H(-φ(x))dx

(11)

3.3高斯正則化規則水平集

利用高斯正則化后，RSF模型水平集函數表示為

(12)

4　本文水平集函數

綜合第三節中改進的RSF模型，根據梯度流下降法本文得到新的水平集函數為

(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的區域作為水平集的初始化輪廓，初始化輪廓不再是人為設置的固定形狀、位置及大小，而是根據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節區域，可以避免水平集初始化敏感問題。當水平集處于圖像平坦區域或者處于局部極小值區域時，水平集全局指向性面積能量項將起主要控制作用，控制水平集曲線向邊界靠近，當水平集曲線處于結節邊界時，局部擬合項將起主要作用，控制曲線在邊界處停止，使分割結果更加準確。同時，利用了高斯正則化規則水平集，避免了傳統RSF模型懲罰項規則水平集引起擴散率趨于無窮的問題。

本文算法流程主要步驟如下：

1)輸入甲狀腺結節圖像，設置聚類總數c，模糊度控制參數m，空間約束系數a，并設定最大迭代次數N；

3)判斷式(1)是否達到最小，否則跳轉步驟2)，是則執行下一步；

4)提取分類結果中包含感興趣區域的m類粗分割結果和m類的隸屬度矩陣uij，根據閾值T對聚類結果二值化，感興趣部位設置為1，背景部位設置為0；

5)計算改進RSF模型的參數λ1，λ2，τ，υ，將二值化圖像設置為1的區域作為初始輪廓；

6)根據式(13)演化水平集方程，并用高斯正則化規則水平集；

7)檢查水平集方程是否收斂，是跳轉步驟8)，否則跳轉步驟6)；

8)輸出分割后的圖像。

5　實驗結果分析

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

圖像1噪聲較少，結節與背景區域對比度較高，結節邊緣明顯，如圖1所示。從實驗結果看本文方法和CV模型法都可相對準確地分割出結節區域。RSF模型法在選擇合適的人工初始輪廓后存在過分割現象，導致錯誤分割結節區域。其中本文水平集計算參數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　甲狀腺結節超聲圖像1的3種方法分割結果

圖像2結節與背景在部分區域對比度較低，噪聲有所增強，如圖2所示。從實驗結果看本文方法可以準確分割出結節，CV模型法的全局擬合項，對于噪聲較強和邊緣不清晰的圖像分割結果很難準確定位到邊緣，存在過分割現象。RSF模型法不具有全局擬合特性，在邊緣附近明顯存在陷入局部極小值的錯誤分割問題，分割出的不是結節的真正邊緣。其中本文水平集計算參數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　甲狀腺結節超聲圖像2的3種方法分割結果

圖像3結節邊緣與背景區域對比度較低，背景區域噪聲較強，結節內部有少量空洞區域，如圖3所示。從實驗結果看本文方法可以準確地分割出結節區域。RSF模型法的局部擬合項要明顯好于CV模型法的全局擬合項。但是，RSF模型法對初始輪廓較敏感，手動設置的輪廓始終會存在過分割現象。其中本文水平集計算參數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　甲狀腺結節超聲圖像3的3種方法分割結果

圖像4結節與背景對比度較低，噪聲較大，結節邊緣模糊不清(見圖4)。從實驗結果看本文算法可以準確分割出結節區域，CV模型法已經無法分割結節的弱邊界，明顯存在過分割現象。RSF模型法在手動給予初始輪廓后，由于邊緣模糊度較大，人工設定的輪廓始終存在過分割和陷入局部極小值現象。其中本文水平集計算參數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　甲狀腺結節超聲圖像4的3種方法分割結果

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

表1水平集迭代時間t對比s

樣本迭代時間本文方法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水平集迭代次數對比

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

6　結論

針對超聲甲狀腺結節圖像分割，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，并且對聚類后的圖像進行二值化。二值化圖像標記為1的部分作為改進RSF模型法的初始輪廓，同時改進了傳統RSF模型法的函數擬合項。實驗表明，本文提出的方法可以準確地分割出甲狀腺結節，同時加快了RSF模型的分割速度,縮短了收斂時間。

致謝：

感謝導師王昕對該論文做出的指導。

[1]朱玲，施心陵，劉亞杰，等. 基于蟻群算法的甲狀腺結節超聲圖像邊沿檢測法[J].計算機工程，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.結合局部信息改進的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.結合全局和雙核局部擬合的活動輪廓分割模型[J].計算機應用，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.一種改進的C-V主動輪廓模型[J].光電工程，2008，35(12)：112-116.

王昕(1972— )，女，博士，副教授，碩士生導師，主要研究領域為圖像融合、圖像處理與機器視覺，為本文通信作者；

徐文杰(1989— )，碩士生，主研圖像處理與機器視覺。

責任編輯：時雯

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

吉林省科技發展計劃項目(201201129)

2016-01-03

文獻引用格式：王昕，徐文杰.甲狀腺結節超聲圖像分割算法研究[J].電視技術，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.