倪 波，呂 璐，袁 涌，紀(jì) 鵬

(湖北理工學(xué)院 計算機(jī)學(xué)院，湖北 黃石 435003)

基于形狀相似性的活動輪廓模型

倪 波，呂 璐，袁 涌，紀(jì) 鵬

(湖北理工學(xué)院 計算機(jī)學(xué)院，湖北 黃石 435003)

從超聲圖像中準(zhǔn)確地分割出病灶區(qū)域在基于圖像引導(dǎo)的放射治療中具有重要的臨床意義?；顒虞喞Ｐ捅粡V泛地應(yīng)用于醫(yī)學(xué)圖像的分割，但超聲圖像的低信噪比、灰度分布不均勻等缺點導(dǎo)致活動輪廓容易搜索到錯誤的區(qū)域。為解決以上問題，提出了一種基于形狀相似性的活動輪廓模型，將低秩屬性作為圖像序列中目標(biāo)形狀的先驗知識融入到活動輪廓分割框架中，利用矩陣的秩對圖像序列中目標(biāo)形狀變化的相似性進(jìn)行度量，證明了目標(biāo)形狀的變化符合低秩屬性。為了驗證該方法的性能，采用真實的超聲圖像序列作為訓(xùn)練和測試集合，并與其他3種分割方法在同一測試集合下進(jìn)行比較。實驗結(jié)果顯示，針對超聲圖像中出現(xiàn)的邊緣模糊、缺失等缺點，該方法能夠提供更準(zhǔn)確和魯棒性更高的分割結(jié)果。

超聲圖像序列分割;活動輪廓模型;形狀相似性

高強(qiáng)度超聲聚焦(High Intensity Ultrasound Focused，HIFU)是一種基于超聲圖像引導(dǎo)的計算機(jī)輔助治療方法[1-2]。HIFU治療流程如圖1所示。對超聲圖像中的病灶區(qū)域進(jìn)行準(zhǔn)確定位是制定HIFU術(shù)前計劃的重要環(huán)節(jié)。目前，制定HIFU術(shù)前計劃需要有經(jīng)驗的超聲影像醫(yī)生在超聲圖像上手動標(biāo)注目標(biāo)區(qū)域，但是手動標(biāo)注的準(zhǔn)確性受醫(yī)生的主觀認(rèn)知影響，具有不準(zhǔn)確性。因此，超聲圖像分割方法對提高制定HIFU術(shù)前計劃效率具有重要的臨床應(yīng)用價值。然而，超聲圖像分割方法依然面臨以下挑戰(zhàn)：

1)超聲成像的特點造成圖像具有低信噪比和灰度分布不均勻等特點。

2)體內(nèi)軟組織受呼吸或外力作用的影響產(chǎn)生形變，反映在超聲圖像上則為復(fù)雜的目標(biāo)區(qū)域形變。

3)在成像過程中，部分目標(biāo)區(qū)域容易受到周邊組織的干擾，產(chǎn)生誤導(dǎo)性邊緣特征。

以上因素導(dǎo)致超聲圖像的目標(biāo)分割是一個具有挑戰(zhàn)性的課題。

圖1 HIFU治療流程圖

過去十幾年，圖像分割一直是醫(yī)學(xué)圖像處理領(lǐng)域的一個研究熱點[3-4]，其中，活動輪廓模型(Active Contour Model， ACM)對不同組織的分割取得了令人滿意的效果。ACM通常用一個有序的標(biāo)記點[5-6]或者一個水平集(Level Set, LS)函數(shù)[7-8]作為目標(biāo)形狀的參數(shù)化表達(dá)模型。然后，把目標(biāo)分割轉(zhuǎn)化為對一個能量方程進(jìn)行最優(yōu)化的過程。在優(yōu)化過程中，來自圖像的目標(biāo)特征驅(qū)動ACM對目標(biāo)邊緣進(jìn)行搜索。早期的ACM采用圖像的梯度信息、灰度統(tǒng)計信息[9]、紋理特征[10]等作為圖像的目標(biāo)特征[6,11-12]。在圖像質(zhì)量較高的情況下，以上目標(biāo)特征能夠驅(qū)動ACM搜索到準(zhǔn)確的目標(biāo)區(qū)域。由于超聲成像所具有的局限性，造成超聲圖像的質(zhì)量往往不夠理想，導(dǎo)致ACM在圖像的噪聲、模糊邊緣等因素的干擾下搜索到錯誤的目標(biāo)區(qū)域。為了提高ACM在不同圖像質(zhì)量上分割目標(biāo)的精確度和魯棒性，有學(xué)者通過機(jī)器學(xué)習(xí)對一些組織器官的輪廓形狀進(jìn)行學(xué)習(xí)，構(gòu)建相應(yīng)的形狀先驗?zāi)Ｐ?，進(jìn)而約束ACM的演化。活動形狀模型(Active shape model, ASM)[10，13]代表了其中的一類方法。ASM 分為2個步驟：

1)對訓(xùn)練集中每一張圖像的目標(biāo)形狀用一個有序的標(biāo)記點序列進(jìn)行標(biāo)記，該標(biāo)記點序列組成的一維向量表示一個目標(biāo)形狀的參數(shù)化模型，則訓(xùn)練集中的目標(biāo)形狀可用向量組成的矩陣表示。

2)利用主成分分析對該矩陣進(jìn)行奇異值分解，則目標(biāo)形狀的先驗?zāi)Ｐ涂杀硎緸橛?xùn)練集中形狀的平均值和奇異值分解后最顯著分量的線性組合。針對不同圖像質(zhì)量的分割，由于目標(biāo)形狀的先驗?zāi)Ｐ涂梢詫喞难莼M(jìn)行約束，因此ASM對不同超聲質(zhì)量的目標(biāo)分割具有一定的魯棒性。文獻(xiàn)[14-16]則構(gòu)建了不同的形狀先驗?zāi)Ｐ妥鳛橐粋€約束項被融入到LS中。Zhang等[17]為了更加精確地描述目標(biāo)形狀變化的復(fù)雜性，采用基于流形的方法對訓(xùn)練集中形狀變化的非線性部分進(jìn)行學(xué)習(xí)，所構(gòu)建的目標(biāo)形狀先驗?zāi)Ｐ湍軌蛱岣逜CM分割復(fù)雜形狀變化的能力。近年來，有學(xué)者針對目標(biāo)組織的形變規(guī)律，引入了非線性時間序列、流體模型等物理學(xué)方法對形變規(guī)律進(jìn)行建模，從而提高形狀先驗?zāi)Ｐ蛯CM在分割復(fù)雜目標(biāo)時的約束能力[18-19]。Zhang等[20]將訓(xùn)練集中的目標(biāo)形狀用一個過完備的矩陣表示，該矩陣為目標(biāo)形狀的變化空間，然后利用稀疏表達(dá)生成目標(biāo)形狀的先驗?zāi)Ｐ?。近年來，有學(xué)者利用圖像序列中目標(biāo)形狀的相似性對目標(biāo)形狀進(jìn)行建模。其中，Yan等[21]針對前列腺超聲圖像中目標(biāo)的底部形狀容易受到周邊組織干擾的情況，利用引入超聲圖像序列中圖像之間的目標(biāo)底部形狀具有相似性的特點對目標(biāo)的先驗形狀進(jìn)行建模。

由此可知，形狀先驗?zāi)Ｐ褪翘岣逜CM對超聲圖像分割魯棒性的一種有力工具，但以上的工作也存在一定的局限。

1)目前對目標(biāo)圖像特征的提取方法大多屬于概率統(tǒng)計類。該方法首先需要用概率分布函數(shù)對目標(biāo)灰度概率進(jìn)行描述，然后通過大量樣本對概率密度函數(shù)的參數(shù)進(jìn)行最大似然估計。然而，超聲成像固有的缺陷使得用一個或幾個明確的概率分布函數(shù)很難準(zhǔn)確地描述目標(biāo)灰度的統(tǒng)計特征。

2)目前對形狀先驗?zāi)Ｐ偷挠?xùn)練主要屬于基于有監(jiān)督的學(xué)習(xí)方法。然而，有監(jiān)督學(xué)習(xí)得到的模型性能取決于訓(xùn)練樣本的規(guī)模，如果樣本數(shù)量不夠，容易造成模型泛化能力不足。在臨床實踐中，搜集并標(biāo)注大量的訓(xùn)練樣本是一件十分困難的事情，而且有監(jiān)督的學(xué)習(xí)中樣本的質(zhì)量直接影響模型的欠擬合或過擬合。

本文利用超聲圖像序列中圖像之間目標(biāo)形狀具有相似性的特點，用矩陣的秩對形狀的相似性進(jìn)行度量，證明了組成圖像序列形狀的矩陣符合低秩屬性；然后將低秩屬性作為目標(biāo)形狀變化先驗知識整合進(jìn)ACM分割框架中，構(gòu)建一個目標(biāo)方程用于對超聲圖像序列的分割；最后，通過一種鄰近梯度優(yōu)化算法對目標(biāo)方程進(jìn)行最優(yōu)化，從而實現(xiàn)對超聲圖像序列的分割。實驗結(jié)果顯示，本文方法在不同的超聲圖像質(zhì)量下，能夠取得令人滿意的分割結(jié)果，提高了制定HIFU術(shù)前計劃的效率。

1 基于矩陣秩度量的形狀先驗

當(dāng)超聲成像設(shè)備對目標(biāo)進(jìn)行連續(xù)掃描時，超聲圖像序列內(nèi)目標(biāo)形狀的變化具有一定的相似性。本文用一個矩陣[P1,P2,…,Pn]表示該圖像序列所構(gòu)成的目標(biāo)形狀空間，其中，向量Pi(1≤i≤n)表示一個輪廓上標(biāo)記點的集合。通常情況下，可以通過計算不同輪廓上對應(yīng)標(biāo)記點的平均歐式距離對輪廓的相似性進(jìn)行度量。但是，當(dāng)一個輪廓形狀通過尺度變化得到另一個輪廓時，通過平均歐式距離進(jìn)行度量會顯示兩者之間屬于2個不同的目標(biāo)形狀，這與本文所描述的目標(biāo)形變狀況不相符。本文使用矩陣的秩對不同輪廓之間形狀變化的相關(guān)性進(jìn)行度量。當(dāng)矩陣[P1,P2,…,Pn]的秩為1時，則該空間中所有輪廓屬于同一個目標(biāo)形狀，如果矩陣[P1,P2,…,Pn]是一個滿秩矩陣，則矩陣中所有輪廓均表示不同的目標(biāo)形狀。假設(shè)目標(biāo)形狀空間中任意一個目標(biāo)形狀輪廓可由其中一個目標(biāo)輪廓通過線性變化而產(chǎn)生，并且組成目標(biāo)形狀空間矩陣的秩滿足低秩屬性，具體的推導(dǎo)過程如下：

Pi=MP1+T,?Pi∈{P1,P2,…,Pn},i≠1

(1)

式(1)中，矩陣A表示線性變化系數(shù)；B表示一個平移向量。由文獻(xiàn)[22]可知， [P1,P2,…,Pn]可表示為公式(2)的形式：

[P1,P2,…,Pn]T=ω[φ1,φ2,…,φn]

(2)

式(2)中，

定理1 針對A∈m×k和 B∈k×n,矩陣的秩滿足以下性質(zhì)：

rank(A)+rank(B)-k≤rank(AB)≤

min{rank(A),rank(B)}

(3)

式(3)中rank(·)表示求矩陣秩的操作。因此，P1可表示為形狀空間[P1,P2,…,Pn]的一個基向量，φi可看作為該基向量的變化系數(shù)。當(dāng)φi在線性變化情況下，可用矩陣的低秩屬性來描述形狀空間[P1,P2,…,Pn]中形狀變化的相似性。使用該低秩屬性作為圖像序列中目標(biāo)形狀變化的先驗知識，可以看作是對目標(biāo)形狀變化的無監(jiān)督學(xué)習(xí)。該形狀先驗可以避免基于有監(jiān)督學(xué)習(xí)形狀先驗的過擬合或欠擬合所帶來的問題，從而提高ACM分割結(jié)果的魯棒性。

2 本文方法

給出一個超聲圖像序列I1,I2,…,In，本文首先使用文獻(xiàn)[23]中的活動輪廓分割方法對每一幀圖像進(jìn)行分割，如公式(4)：

(4)

式(4)中Ω1和Ω2分別表示輪廓內(nèi)部和外部的區(qū)域;μ1和μ2分別表示Ω1和Ω2內(nèi)部的灰度均值;Ii(x1)和Ii(x2)分別表示活動輪廓上標(biāo)記點的灰度值;系數(shù)β被用來控制活動輪廓的平滑度。在分割過程中，低秩屬性作為形狀先驗被整合進(jìn)ACM框架用于圖像序列的分割，如公式(5)：

(5)

式(5)中f(Pi)代表公式(4)，C=[P1,P2,…,Pn];rank(C)表示對矩陣C進(jìn)行求秩運算;K是一個閾值。由于求矩陣的秩運算是一個非凸運算，因此核范數(shù)常被用作求矩陣秩的凸的近似逼近，則公式(5)可轉(zhuǎn)化為：

(6)

式(6)中‖C‖*表示矩陣C的核范數(shù)，即C的奇異值分解的和;β表示一個權(quán)重系數(shù), 該權(quán)重系數(shù)意義在后面小結(jié)詳細(xì)討論。本文使用一種近似梯度(Proximal Gradient，PG)算法對公式(6)進(jìn)行優(yōu)化[23]。PG算法主要用以對以下目標(biāo)方程的優(yōu)化：

(7)

(8)

式(8)中〈·,·〉表示計算2個向量之間的內(nèi)積;‖·‖F(xiàn)表示Frobenius范數(shù);μ表示一個常數(shù)。優(yōu)化過程中的X' 可以通過公式(9)計算：

(9)

引理1 已知X∈m×n，公式(8)的解:

(10)

由X*=Dα(Z)給出：

(11)

式(11)中ui和vi分別表示矩陣Z經(jīng)過奇異值分解后的向量;σi表示矩陣Z的主要變化分量；Dα(Z)代表對矩陣Z進(jìn)行奇異值分解操作。因此，本文算法的更新步驟可以表示為：

(12)

▽fi(pi)=(1-λ)e(Pi(m))N(m)-

λK(m)N(m)

(13)

(14)

式(14)中tk是一個人工設(shè)定的值。算法1描述了公式(6)的整個計算流程，即：首先根據(jù)目標(biāo)的圖像特征對初始化的ACM進(jìn)行驅(qū)動，在ACM搜索目標(biāo)邊緣的過程中，由圖像序列中的目標(biāo)形狀先驗?zāi)Ｐ蛯CM的活動形狀進(jìn)行約束。

算法1：基于PG算法計算公式(6)。初始化：X0=X-1，t0=t-1=1，threshold=0．011) Dowhile2) Yk=Xk+tk-1-1tk(Xk-Xk-1)3) While i≤n4) yki←-1μ?è???÷▽fi(yki)5) i=i+16) EndWhile7) Xk+1=Dλ-(Yk)8) tk+1=1+μ1+4(tk)229) IF‖Xk+1-Xk‖F(xiàn)

3 實驗與分析

3.1材料和評價標(biāo)準(zhǔn)

心臟和子宮肌瘤的超聲圖像在超聲圖像分割領(lǐng)域具有一定的代表性。因為，在超聲成像過程中心臟的跳動會對真實的目標(biāo)邊緣有干擾。子宮肌瘤在超聲成像過程中受到腹部其他組織器官的擠壓或外力影響也會對目標(biāo)的成像特征有干擾。實驗采集50個真實的心動和子宮肌瘤超聲圖像序列，共1 760張圖像作為訓(xùn)練樣本集，并采取隨機(jī)抽取交叉驗證的方式對本文方法的性能進(jìn)行測試。為了提高運算效率，將每幀圖像的尺寸等比例縮小為200×150個像素，每個像素的尺寸為0.15 mm×0.15 mm。選用經(jīng)驗豐富的臨床醫(yī)生對目標(biāo)的輪廓進(jìn)行標(biāo)注作為分割的Ground Truth。實驗的硬件計算環(huán)境為英特爾酷睿i7-6700，主頻 3.40 G赫茲，運行內(nèi)存是16 G，所有算法均在MATLAB2015a環(huán)境下進(jìn)行。

使用TP(The true position)和FP(The false position)對計算得到的分割區(qū)域和目標(biāo)區(qū)域之間的重疊率進(jìn)行定量分析, 定義如下：

(15)

(16)

式(15)～(16)中Ωm和Ωa分別表示目標(biāo)區(qū)域和計算區(qū)域上的像素集合，TP值越高表示分割的區(qū)域與目標(biāo)區(qū)域的覆蓋率越高，F(xiàn)P值越高表示計算的分割區(qū)域與錯誤區(qū)域的覆蓋率越高。此外，還使用平均最小歐式距離(Average minimum Euclidean distance, AMED)和霍斯多夫距離 (Hausdorff distance, HD) 這2個指標(biāo)定量分析計算分割輪廓和目標(biāo)輪廓相應(yīng)標(biāo)記點之間的距離，AMED和HD分別定義如下：

(17)

HD(A,B)=

(18)

(19)

AMED值越低，說明2個輪廓上標(biāo)記點的平均距離越近；HD值越低表示2個輪廓中對應(yīng)標(biāo)記點之間的距離越近。

3.2不同方法分割結(jié)果的比較

選擇文獻(xiàn)[25]和文獻(xiàn)[26]的方法作為參考方法與本文方法進(jìn)行比較。文獻(xiàn)[25]方法使用低秩子空間聚類方法對視頻中目標(biāo)運動在不同圖像幀之間的紋理特征相關(guān)性進(jìn)行建模，并結(jié)合graph-cut分割方法將視頻中的運動目標(biāo)從背景信息中分割出來。文獻(xiàn)[26]方法提出了一種新的ACM分割方法，該方法通過構(gòu)建稀疏形狀字典對形狀先驗進(jìn)行建模，通過增量學(xué)習(xí)構(gòu)建目標(biāo)的圖像特征空間，使用主成分分析來生成目標(biāo)邊緣特征的生成模型。通過對形狀先驗?zāi)Ｐ秃湍繕?biāo)邊緣特征生成模型的優(yōu)化驅(qū)動ACM逼近圖像中的目標(biāo)邊緣。圖2顯示了不同方法在5個圖像序列上的分割結(jié)果，其中序列1～3為超聲心動圖像序列；序列4和序列5 為子宮肌瘤圖像序列。從最值上觀察，文獻(xiàn)[25]方法和文獻(xiàn)[26]方法在不同序列中均出現(xiàn)優(yōu)于本文方法的分割結(jié)果，但根據(jù)平均值比較，本文方法在一個序列上的整體分割性能要優(yōu)于其他的方法。從各個分割序列箱型圖的中值線觀察，本文方法與其他2種方法相比中位值和平均值更接近，上、下分位的波動幅度也小于其他方法。這說明針對不同類型的超聲圖像序列，本文方法能提供更為穩(wěn)定的分割結(jié)果，而其他方法的分割結(jié)果容易受到圖像質(zhì)量的影響而出現(xiàn)分割結(jié)果不穩(wěn)定的現(xiàn)象。這一點可以在圖2中AMED指標(biāo)上得到進(jìn)一步驗證，本文方法的AMED值不僅比其他方法的AMED值低，而且在5個圖像序列中保持比較穩(wěn)定。這說明文獻(xiàn)[25]方法和文獻(xiàn)[26]方法容易受到噪聲、邊緣泄漏、誤導(dǎo)性目標(biāo)特征等影響，導(dǎo)致對整個圖像序列進(jìn)行分割的AMED值波動較大。比較文獻(xiàn)[25]和文獻(xiàn)[26]的方法，由于文獻(xiàn)[26]方法采用目標(biāo)形狀的先驗?zāi)Ｐ?，其分割結(jié)果要比單純使用目標(biāo)圖像特征的文獻(xiàn)[25]方法的魯棒性較高。這進(jìn)一步說明了在對超聲圖像進(jìn)行分割時，構(gòu)建目標(biāo)的形狀先驗是提高ACM分割魯棒性的一種有力工具。但文獻(xiàn)[25]的方法在構(gòu)建目標(biāo)的圖像特征時采用增量學(xué)習(xí)方法，該方法容易造成序列前期分割的誤差積累到后期目標(biāo)特征模型中，從而造成序列后期的圖像分割結(jié)果越來越不理想。

綜上所述，相對于單純地依靠目標(biāo)的圖像特征和基于有監(jiān)督學(xué)習(xí)的形狀先驗?zāi)Ｐ?，本文利用無監(jiān)督學(xué)習(xí)所構(gòu)建的基于圖像序列之間形狀相似性的形狀先驗?zāi)Ｐ蛯Τ晥D像序列中的噪聲、模糊邊緣等缺點具有良好的魯棒性。

圖2 不同指標(biāo)下不同方法分割結(jié)果的量化比較

圖3顯示了不同方法對一個超聲圖像序列分割結(jié)果的示例，圖中顯示的超聲圖像是從該序列中選擇的圖像，其中虛線表示手動標(biāo)注結(jié)果，實線表示不同方法分割的結(jié)果。

圖3 不同方法在超聲圖像序列分割實例

3.3參數(shù)β對分割結(jié)果的影響

參數(shù)β被用來控制圖像序列中目標(biāo)形狀變化的權(quán)重，當(dāng)選擇一個較大的β值時，分割的目標(biāo)輪廓形狀之間會具有很高的相似度，這就會導(dǎo)致在一些圖像中目標(biāo)區(qū)域的形變特征沒有被活動輪廓搜索到；而當(dāng)選擇一個較小的β值時，容易導(dǎo)致形狀先驗對活動輪廓的約束變小，從而降低活動輪廓分割不同質(zhì)量超聲圖像結(jié)果的魯棒性。 本文采用AMED和HD來觀察不同β值對分割結(jié)果的影響，參數(shù)β對分割結(jié)果的影響如圖4所示。

圖4 參數(shù)β的影響

圖4顯示隨著β取值的增大，AMED和HD值分別呈現(xiàn)了近似二次多項式曲線，選擇在曲線最低(β= 35)時作為本文實驗的參數(shù)值。

3.4不同方法的運算效率比較

不同分割方法的運算效率比較見表1。本文方法的運算時間比文獻(xiàn)[26]方法短，比文獻(xiàn)[25]方法要長。文獻(xiàn)[26]方法在活動輪廓的初始化時是利用前一幀的分割結(jié)果作為分割下一幀的初始化輪廓，減少了活動輪廓收斂到目標(biāo)邊緣的距離。文獻(xiàn)[25]方法在分割過程中采用的graph-cut方法對圖像的每個像素信息進(jìn)行計算,然后構(gòu)建目標(biāo)的特征方程，導(dǎo)致對圖像序列的分割，文獻(xiàn)[25]方法運行效率最低。

表1 不同方法的運行時間和迭代次數(shù)比較

3.5本文方法的局限性

本文方法是假設(shè)圖像序列之間的目標(biāo)形狀變化發(fā)生在線性空間時,圖像序列的形狀矩陣的秩才滿足低秩的要求。然而，在超聲成像過程中，部分目標(biāo)組織的形變受許多復(fù)雜因素的影響，如胃、肝臟等組織，這些目標(biāo)形狀的變化往往不滿足線性變化的過程，則基于低秩屬性的形狀先驗會遺失圖像序列中目標(biāo)形狀變化的細(xì)節(jié)，圖像中目標(biāo)形狀相似性作為一種無監(jiān)督學(xué)習(xí)的形狀先驗?zāi)Ｐ碗m然可以避免有監(jiān)督學(xué)習(xí)形狀先驗?zāi)Ｐ偷木窒?，但不合理的相似度?quán)重也會讓部分目標(biāo)區(qū)域沒有被分割到。因此設(shè)置參數(shù)β經(jīng)驗值需要耗費大量前期的時間。

4 結(jié)論與展望

本文根據(jù)圖像序列之間目標(biāo)形狀變化具有低秩屬性，提出了一種基于無監(jiān)督學(xué)習(xí)的形狀先驗?zāi)Ｐ?，并將該模型和活動輪廓模型用于對超聲圖像序列的分割。實驗證明，本文所提出的形狀先驗?zāi)Ｐ驮趯D像序列進(jìn)行分割時比基于有監(jiān)督學(xué)習(xí)的形狀先驗?zāi)Ｐ湍軌蛱峁└喾指钅繕?biāo)形狀的信息，提高了不同質(zhì)量下超聲圖像活動輪廓模型分割的魯棒性，對提高HIFU的治療效果具有一定的應(yīng)用價值。下一階段，我們設(shè)想構(gòu)建一個不同組織器官的超聲圖像大數(shù)據(jù)平臺，利用深度學(xué)習(xí)等方法提高對不同病灶區(qū)域的分類和識別精度，并將利用云計算平臺實現(xiàn)不同算法的高效率。

[1] Zhang L,Wang ZB.High-intensity focused ultrasound tumor ablation:review of ten years of clinical experience[J].Frontiers of Medicine in China,2010,4(3):294-302.

[2] Leung JH,Yu SC,Cheung EC,et al.Safety and efficacy of sonographically guided high-intensity focused ultrasound for symptomatic uterine fibroids:preliminary study of a modified protocol[J].Journal of Ultrasound in Medicine Official Journal of the American Institute of Ultrasound in Medicine,2014,33(10):1811-1818.

[3] Saini K,Dewal ML,Rohit M.Ultrasound imaging and image segmentation in the area of ultrasound:a review[J].International Journal of Advanced Science & Technology,2010,24(24):41-60.

[4] He BS,Zhu F,Shi YG.Medical image segmentation[J].International Journal on Computer Science & Engineering,2013,3(4):1209-1218.

[5] Cootes TF,Taylor CJ,Cooper DH,et al.Active shape models-their training and application[J].Computer Vision & Image Understanding,1995,61(1):38-59.

[6] Xu C,Prince JL.Snakes,shapes,and gradient vector flow[J].IEEE Transactions on Image Processing,1998,7(3):359-36.

[7] Malladi R,Sethian JA,Vemuri BC.Shape modeling with front propagation:a level set approach[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,1995,17(2):158-175.

[8] Chan TF,Vese LA.Active contours without edges[J].IEEE Transactions on Image Processing,2001,10(2):266-277.

[9] Yezzi A,Tsai A,Willsky A.A statistical approach to snakes for bimodal and trimodal imagery.In:Proceedings of International Conference on Computer Vision[C].Kerkyra(Corfu):IEEE Computer Society,1999:898-903.

[10] Ginneken BV,Frangi AF,Staal JJ,et al.Active shape model segmentation with optimal features[J].IEEE Transactions on Medical Imaging,2002,21(8):924-933.

[11] Mcinerney T,Terzopoulos D.T-snakes:topology adaptive snakes[J].Medical Image Analysis,2000,4(2):73-91.

[12] Goldenberg R,Kimmel R,Rivlin E,et al.Fast geodesic active contours[J].IEEE Transactions on Image Processing,2001,10(10):1467-1475.

[13] Yuan HE,Luo YP,Dong-Cheng HU.Unsupervised texture segmentation based on geodesic active regions[J].Journal of Software,2007,18(3):592-599.

[14] Paragios N.A level set approach for shape-driven segmentation and tracking of the left ventricle[J].IEEE Transactions on Medical Imaging,2003,22(6):773-776.

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

[16] Li C,Huang R,Ding Z,et al.A level set method for image segmentation in the presence of intensity inhomogeneities with application to MRI[J].IEEE Transactions on Image Processing,2011,20(7):2007-2016.

[17] Zhang Q,Zhang Q,Zhang L,et al.Ensemble manifold regularized sparse low-rank approximation for multiview feature embedding[J].Pattern Recognition,2015,48(10):3102-3112.

[18] Shepherd T,Prince SJ,Alexander DC.Interactive lesion segmentation with shape priors from offline and online learning[J].IEEE Transactions on Medical Imaging,2012,31(9):1698-1712.

[19] Ni Bo,He Fazhi,Yuan Zhiyong.A novel ultrasound image segmentation based on a dynamical statistical shape model[J].Science China Information Sciences,2015,45(11):1449-1465.

[20] Zhang S,Zhan Y,Dewan M,et al.Sparse shape composition:A new framework for shape prior modeling[J].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition,2011,42(7):1025-1032.

[21] Yan P,Xu S,Turkbey B,et al.Adaptively learning local shape statistics for prostate segmentation in ultrasound[J].IEEE Transactions on Biomedical Engineering,2011,58(3):633-641.

[22] 張賢達(dá).矩陣分析與應(yīng)用[M].北京：清華大學(xué)出版社,2013:41-53.

[23] Nesterov Y.Gradient methods for minimizing composite objective function[J].Core Discussion Papers,2015,38(3):768-785.

[24] Xie Xiaomin,Wang Changming,Zhang Aijun,et al.A robust level set method based on local statistical information for noisy image segmentation[J].Optik-International Journal for Light and Electron Optics,2014,125(9):2199-2204.

[25] Li S,Li K,Fu Y.Temporal subspace clustering for human motion segmentation[C].Proceedings of the IEEE International Conference on Computer Vision,2015:4453-4461.

[26] Qin X,Tian Y,Yan P.Feature competition and partial sparse shape modeling for cardiac image sequences segmentation[J].Neurocomputing,2015,149:904-913.

(責(zé)任編輯高嵩)

Active Contour Model Based on Shape Similarity

NiBo,LüLu,YuanYong,JiPeng

(School of Computer,Hubei Polytechnic University,Huangshi Hubei 435003)

The exact segmentation of the lesions region in ultrasound image sequences plays a crucial role in many clinical applications of image-based radiation therapy.Active contour models have been widely used in medical image segmentation.But,the inherent limitations of ultrasound image such as low signal-to-noise ratio,inhomogeneous distribution of intensity and deformation of softer tissues have prevented the classical active contours from yielding desired results.To cope with the limitations,the similarity of object shapes in the images sequences is also exploited as a shapes prior through proving that the variation of object shapes has the low-rank property,which can be interpreted as a unsupervised approach of shapes prior modeling.In order to verify the performance of this method,the clinical image sequences are used as the training and test set to validate.The proposed method is compared with three well-known methods in the same test set.The results demonstrate that the proposed method can consistently improve the performance of active contour models and increase the robustness against image defects consequently,which improves the efficiency and effect of the computer assisted therapy.

ultrasound image sequence segmentation;active contour model;shape similarity

2017-04-05

湖北省教育廳青年人才項目(項目編號：Q20154404)。

倪波，講師，博士，研究方向：計算機(jī)視覺。

10.3969/j.issn.2095-4565.2017.04.007

TP309

：A

：2095-4565(2017)04-0031-08