鄭 斌 徐 峰 郭進祥 劉立波*

（寧夏大學(xué)信息工程學(xué)院，寧夏 銀川 750021）

1 引言

甲狀腺結(jié)節(jié)已嚴重危害人類健康，臨床診斷中用醫(yī)療超聲圖像對甲狀腺部位信息進行探測，由于費用低廉、不產(chǎn)生輻射等主要優(yōu)點得以廣泛使用。計算機輔助甲狀腺臨床診斷要求甲狀腺結(jié)節(jié)高精度分割，且是整個過程的重難點。

圖像分割方法有閾值分割、區(qū)域分割、邊緣分割以及活動輪廓模型和水平集[1]方法等。根據(jù)甲狀腺結(jié)節(jié)的位置、大小、形狀等個體性差異，使基于活動輪廓模型和水平集等方法效果更佳。在此基礎(chǔ)上，Chan和Vese[3]提出了基于Mumford-Shah[4]的Chan-Vese模型[5]，解決了表達式中一次長度項，二次面積項所帶來的計算難度大的問題。Chan-Vese模型是一種是基于Mum ford-Shah的簡化模型和水平集方法相結(jié)合的方法[6]，此方法重點并過度依靠梯度變化和亮度對比，從而使得分割結(jié)果不準確。

韓斌[7]等人提出了綜合利用圖像全局信息和局部信息改進的Chan-Vese模型，將原有的內(nèi)外區(qū)域能量權(quán)重利用曲線內(nèi)外區(qū)域像素灰度的最小絕對差來取代，以提高模型分割效率。張愛華[8]等人對K-means聚類對圖像演化曲線內(nèi)部像素進行處理，有效提高了Chan-Vese 模型對目標圖像分割的靈活適應(yīng)性。

使用Chan-Vese模型分割甲狀腺結(jié)節(jié)區(qū)域，出現(xiàn)了不準確分割區(qū)域。造成不準確分割原因在于超聲甲狀腺圖像分辨率低，噪聲嚴重，從而對分割結(jié)果造成嚴重影響。針對此問題，本文提出來一種基于閉運算的Chan-Vese分割方法。此方法利用形態(tài)學(xué)閉運算的膨脹與腐蝕消除不準確分割，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，在于構(gòu)建能量函數(shù)，然后通過水平集理論思想，用水平集函數(shù)來代替能量函數(shù)中曲線。最后，水平集演化過程需要利用能量泛函及其對應(yīng)的Euler-Lagrange求解獲取。

2.1 能量泛函

Chan-Vese模型是基于區(qū)域的水平集方法，根據(jù)定義可以得到Chan-Vese模型的能力公式：

通常情況下，令λ1=λ2=1，c1和c2代表圖像演化曲線C內(nèi)部和外部的灰度均值。能量泛函的第一項是長度約束，此長度約束用于演化曲線C規(guī)則約束，以保證得到的曲線足夠短；而后面的兩項統(tǒng)稱為保真項，目的是將演化曲線C逐漸向目標輪廓靠攏。用高一維水平集函數(shù)φ(x,y)來代替演化曲線C，并假定水平集函數(shù)φ(x,y)＞0，表示該點在曲線內(nèi)部；水平集函數(shù)φ(x,y)＜0，表示該點在曲線外部；水平集函數(shù)φ(x,y)=0，表示該點在曲線上。最終可以將上述公式(1)轉(zhuǎn)化為：

2.2 演化過程

水平集演化過程需要利用能量泛函及其對應(yīng)的Euler-Lagrange求解獲取，對公式(2)求解得：

于是曲線的演化過程得以展現(xiàn)，Chan-Vese模型的過程可以總結(jié)為:

(1)水平集初始化；

(2)計算（估算）前景和背景灰度均值；

(3)對每一個像素點進行演化。

3 基于Chan-Vese模型的圖像分割

本實驗處理采用形態(tài)學(xué)閉運算方法與Chan-Vese模型相結(jié)合的方法，主要包含圖像的預(yù)處理、閉運算處理、圖像分割等過程，具體流程如圖1所示：

圖1 甲狀腺結(jié)節(jié)分割流程

3.1 圖像預(yù)處理

由于超聲甲狀腺圖像的特性，分辨率和對比度較低，從而導(dǎo)致超聲甲狀腺圖像噪聲嚴重，進而對下一步工作產(chǎn)生一定影響。因此，采用高斯濾波做平滑處理。其次，對圖像進行對比度增強、邊緣增強等處理，使圖像信息更加容易區(qū)分。

高斯濾波是一種線性平滑濾波，處理超聲甲狀腺圖像上的高斯噪聲效果顯著，實驗采用的是5x5的模板掃描圖像中的每一個像素點，高斯濾波有效地抑制了噪聲，結(jié)節(jié)邊緣也有增強的效果。

3.2 形態(tài)學(xué)閉運算

閉運算是由膨脹和腐蝕有機結(jié)合的方法，可以分析處理圖像的形狀以及結(jié)構(gòu)等問題。閉運算的重點在于結(jié)構(gòu)元素，通過結(jié)構(gòu)元素對圖像探測，可以獲取到圖像每個區(qū)域存在的各種關(guān)系，從而更詳細地獲取圖像的結(jié)構(gòu)特性。給予一幅目標圖像A和結(jié)構(gòu)元素Y，把膨脹集合的方式表示為：

同理可以把腐蝕表示如下：

閉運算是由先膨脹再腐蝕表示A·Y，定義為：

圖2(b)中除結(jié)節(jié)區(qū)域呈現(xiàn)較暗，周圍正常組織同樣存在呈現(xiàn)較暗區(qū)域，稱之為孔洞，孔洞會影響甲狀腺結(jié)節(jié)分割效果。閉運算對填充物體內(nèi)細小孔洞、連接鄰近物體、平滑其邊界效果顯著。因此為消除孔洞的影響，采用閉運算消除孔洞。

圖2 圖像處理

4 實驗結(jié)果與分析

本算法是在Matlab 8.0編程環(huán)境下實現(xiàn)，實驗所需數(shù)據(jù)是由50例患者且每位患者采用1-2張，共80張格式為png的甲狀腺超聲圖像組成，圖像的分辨率統(tǒng)一轉(zhuǎn)化為256×256。采用Chan-Vese模型與本文算法對患者甲狀腺超聲圖像進行分割。

4.1 實驗結(jié)果

本實驗按照圖1的工作流程與傳統(tǒng)方法進行實驗。對傳統(tǒng)方法和本文提出的方法進行對比實驗，圖3是對超聲甲狀腺處理結(jié)果圖，圖4是對更加復(fù)雜的超聲甲狀腺處理結(jié)果圖。

圖3 超聲甲狀腺處理圖

4.2 結(jié)果分析

圖3(a-c)是Chan-Vese模型處理的分割結(jié)果，圖3(a)是未經(jīng)閉運算處理的圖像，圖3(b)傳統(tǒng)方法的成功分割出甲狀腺結(jié)節(jié)區(qū)域，但是甲狀腺結(jié)節(jié)標出的同時在結(jié)節(jié)左側(cè)出現(xiàn)了兩處不準確標注，在分割結(jié)果二值化圖3(c)可以清楚地看到兩處不準確分割區(qū)域。

針對此問題提出的結(jié)合閉運算的方法，處理結(jié)果如圖3(d-f)所示。圖3(d)是經(jīng)過膨脹和腐蝕處理的圖像，甲狀腺結(jié)節(jié)區(qū)域被準確分割如圖3(e)所示。在傳統(tǒng)方法分割結(jié)果中的兩處不準確分割區(qū)域已被解決。

在此基礎(chǔ)上，本文對于更加復(fù)雜的甲狀腺超聲圖像進行分割，分割結(jié)果如圖4所示。傳統(tǒng)方法的分割結(jié)果中存在多處且較大面積的不準確，分割效果較差。而結(jié)合閉運算方法后的分割結(jié)果雖然仍然存在兩處較小不準確分割區(qū)域，但是不會出現(xiàn)大面積不準確的分割現(xiàn)象，本文方法可以有效去除傳統(tǒng)方法的不足，提高了超聲甲狀腺結(jié)節(jié)區(qū)域的分割準確性。

圖4 復(fù)雜環(huán)境

5 結(jié)論

鑒于超聲圖像具有自己獨特的特點，超聲圖像分割問題相對較困難。為此，本文提出了一種基于Chan-Vese模型結(jié)合閉運算的甲狀腺結(jié)節(jié)分割方法，有效地完成了甲狀腺結(jié)節(jié)分割的目的，經(jīng)閉運算處理，該方法有效降低了甲狀腺結(jié)節(jié)分割的不準確率。

實驗結(jié)果表明，本文的分割方法分割不準確率得到大幅度降低，提高了分割的準確性，分割后的超聲圖像有助于臨床應(yīng)用中的準確判斷，具有較高的使用價值。

由于采用了閉運算，導(dǎo)致了圖像邊緣信息部分缺失，今后還需對此分割方法做進一步深入研究。