基于改進(jìn)DRLSE模型的甲狀腺3D超聲圖像自動(dòng)分割

冉冬梅 嚴(yán)加勇 崔崤峣

摘 ?要： 從超聲圖像中準(zhǔn)確分割甲狀腺區(qū)域是甲狀腺疾病手術(shù)計(jì)劃的關(guān)鍵之一。本文一方面，針對(duì)甲狀腺超聲3D圖像，提出利用邊緣指示函數(shù)和面積項(xiàng)系數(shù)改進(jìn)的距離正則化水平集演化（Distance Regularized Level Set Evolution，DRLSE）模型來實(shí)現(xiàn)甲狀腺區(qū)域的有效分割;另一方面，根據(jù)3D超聲圖像相鄰幀之間甲狀腺變化較小的特點(diǎn)，通過計(jì)算已分割圖像的質(zhì)心，作為相鄰幀圖像分割初始點(diǎn)來實(shí)現(xiàn)3D圖像的自動(dòng)分割。實(shí)驗(yàn)表明，采用本文改進(jìn)DRLSE模型分割甲狀腺3D超聲圖像，平均分割精度可以達(dá)到90%以上。

關(guān)鍵詞： 甲狀腺三維超聲圖像;圖像分割;DRLSE模型;邊緣指示函數(shù)

中圖分類號(hào)： R318.5 ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.04.012

本文著錄格式：冉冬梅，嚴(yán)加勇，崔崤峣，等. 基于改進(jìn)DRLSE模型的甲狀腺3D超聲圖像自動(dòng)分割[J]. 軟件，2019，40（4）：6166

【Abstract】： Accurate segmentation of the thyroid region from ultrasound images is one of the keys to a surgical plan for thyroid disease. On the one hand， this paper proposes utilizing an improved edge indicator function and the area regular coefficient to improve the Distance Regularized Level Set Evolution （DRLSE） model to achieve effective segmentation of the thyroid region. On the other hand， according to the characteristics of small thyroid change between adjacent frames of the three-dimensional ultrasound image， the centroid of the segmented image is used as the initial point for the adjacent frame image. Thus the segmentation of the three-dimensional image is performed automatically. Experiments show that the improved DRLSE model can segment the thyroid three-dimensional ultrasound image effectively， and the average segmentation accuracy is about 90%.

【Key words】： Thyroid three-dimensional ultrasound image; Edge indication function; Image segmentation; DRLSE model

0 ?引言

隨著甲狀腺疾病發(fā)展，甲狀腺腺體的大小會(huì)產(chǎn)生相應(yīng)的變化，因此，要實(shí)現(xiàn)對(duì)甲狀腺病變的有效診斷和治療[1]，往往需要對(duì)甲狀腺進(jìn)行分割，以便更準(zhǔn)確地描述出甲狀腺的病變區(qū)域及周圍組織。

醫(yī)學(xué)圖像分割算法種類豐富[2-8]，但是甲狀腺超聲圖像分割受限于斑點(diǎn)噪聲、形態(tài)不規(guī)則、對(duì)比度低且邊緣模糊等因素。目前，國內(nèi)外學(xué)者運(yùn)用多種算法，已經(jīng)做了很多關(guān)于如何在二維或三維超聲圖像中分割甲狀腺的研究。Chang[9]等人在2010年提出使用徑向基函數(shù)（RBF，radial basis function）神經(jīng)網(wǎng)絡(luò)自動(dòng)分割甲狀腺，并使用粒子群優(yōu)化算法較為準(zhǔn)確地實(shí)現(xiàn)甲狀腺體積估計(jì);2011年，Selvathi[10]等開發(fā)了一種使用機(jī)器學(xué)習(xí)的算法對(duì)甲狀腺圖像自動(dòng)分類、分割的系統(tǒng)，主要使用SVM、ELM分類器，分割精度分別可達(dá)80%，90%;Zhao[11]等人2012年對(duì)比了多種用于醫(yī)學(xué)圖像分割的方法，如邊緣檢測(cè)、閾值、區(qū)域分裂與合并、主動(dòng)輪廓模型、圖論（Graph theory）及歸一化割（Ncut）等，并最終選取歸一化割作為甲狀腺腫瘤的分割算法;2013年Kaur[12]等比較了三種甲狀腺分割方法的迭代次數(shù)、分割耗時(shí)和精度，即無邊緣的活動(dòng)輪廓（Active Contour without edges，ACWE）、基于局部區(qū)域的活動(dòng)輪廓（Localized region Based active contour，LRAC）和DRLSE模型，實(shí)驗(yàn)表明LRAC分割性能最佳，分割精度為80%以上。

除此之外，針對(duì)甲狀腺三維超聲圖像分割的方法也很多，2006年Dornheim[13]等人使用3D穩(wěn)定質(zhì)量彈簧模型（3D Stable Mass-Spring Models，SMSMs）來創(chuàng)建用于甲狀腺軟骨分割的3D可變形形狀模型，該模型可適應(yīng)患者特定的形狀變化和病理形變;Poudel[14-15]等提出使用活動(dòng)輪廓和三維重建工具來獲取甲狀腺的三維模型，隨后，還加入均方誤差比（ratio of mean square error）和直方圖之間的相關(guān)性（correlation between histograms），將甲狀腺超聲圖像分割精度提高到86.7%。

甲狀腺超聲圖像分割算法多種多樣，但受甲狀腺結(jié)構(gòu)復(fù)雜性和超聲成像質(zhì)量的影響，各類算法均不具有普適性。大多算法計(jì)算過程復(fù)雜、耗時(shí)，而且，不同方法分割結(jié)果大多會(huì)出現(xiàn)不同程度的過分割和欠分割等問題。綜合考慮前述分割算法的優(yōu)缺點(diǎn)以及分割效率和精度等因素，本文選取了Li[16]提出的距離正則化水平集演化模型來實(shí)現(xiàn)甲狀腺的分割。針對(duì)現(xiàn)有甲狀腺3D超聲圖像數(shù)據(jù)，本文采用可在濾除噪聲的同時(shí)很好保持圖像邊緣信息的各向異性擴(kuò)散模型，實(shí)現(xiàn)對(duì)原始圖像的濾波操作，降低斑點(diǎn)噪聲對(duì)分割結(jié)果的影響;為提高分割效率，本文在Li模型基礎(chǔ)上采用改進(jìn)的邊緣指示函數(shù)和可變權(quán)系數(shù)來控制曲線的演化，實(shí)現(xiàn)甲狀腺的分割。考慮到連續(xù)圖像相鄰幀圖像間像素變化不大的特點(diǎn)，本文每分割完一幅圖像，就計(jì)算其質(zhì)心，并將其作為相鄰的下一幅圖像初始點(diǎn)繼續(xù)分割。實(shí)驗(yàn)表明，本文改進(jìn)的算法融入了圖像的全局信息，提高了甲狀腺分割速度和精度，可以實(shí)現(xiàn)視頻圖像的自動(dòng)分割。

1 ?預(yù)處理

甲狀腺超聲圖像復(fù)雜度較高，斑點(diǎn)噪聲較重，并且具有灰度對(duì)比度低、邊緣模糊等特點(diǎn)。各向異性擴(kuò)散濾波模型是基于物理學(xué)中熱傳遞中熱傳導(dǎo)的原理來實(shí)現(xiàn)圖像的平滑過程，該算法能夠在平滑圖像噪聲的同時(shí)保留圖像的邊緣。因此，本文采用各向異性擴(kuò)散[17]（Anisotropic Diffusion）濾波來平滑待處理的甲狀腺超聲圖像。

2 ?本文分割算法

2.1 ?DRLSE模型

傳統(tǒng)的水平集演化方法穩(wěn)定性差，并且計(jì)算復(fù)雜、耗時(shí)，曲線演化速度慢，導(dǎo)致圖像分割精度和效率都較低。DRLSE模型通過在能量函數(shù)中添加水平集正則化項(xiàng)，補(bǔ)償了水平集函數(shù)和符號(hào)距離函數(shù)的偏差，從而避免了演化過程中曲線的初始化問題，使得水平集曲線的演化無需重新初始化過程即能到達(dá)目標(biāo)區(qū)域邊界，極大地提高了圖像分割效率。該模型的能量泛函為：

DRLSE模型通過增加正則化項(xiàng)避免了重新初始化過程，使得計(jì)算相對(duì)簡單、分割速度加快。但是，DRLSE模型的外部能量項(xiàng)都依賴于控制曲線演化位置的邊緣指示函數(shù)g，由式（9）知，函數(shù)g利用圖像梯度信息來控制演化曲線的停止，而圖像邊緣點(diǎn)和噪聲點(diǎn)梯度值均很高，因此在圖像噪聲處g容易陷入局部極小，對(duì)噪聲及其敏感，不利于甲狀腺超聲圖像的分割。DRLSE模型還存在曲線演化方向單一、難以分割弱邊緣圖像等問題。本文提出一個(gè)新的邊緣指示函數(shù)和面積項(xiàng)系數(shù)。

2.2 ?改進(jìn)邊緣指示函數(shù)

針對(duì)甲狀腺超聲圖像的對(duì)比度低、邊界模糊等特點(diǎn)，提出基于相位信息的函數(shù)g1和綜合考慮圖像控制噪聲和甲狀腺邊界強(qiáng)弱的函數(shù)g2相結(jié)合的邊緣指示函數(shù)gp。

2.2.1 ?基于相位信息的函數(shù)g1

圖像的相位信息對(duì)亮度和對(duì)比度不敏感?；谙辔坏倪吘墮z測(cè)是通過計(jì)算圖像的相位一致性的特征算子來實(shí)現(xiàn)[18-19]，該方法對(duì)圖像局部的光照變化具有不變性，對(duì)于低對(duì)比度圖像也能較好檢測(cè)出邊緣信息，更有利于超聲圖像的邊緣檢測(cè)。其中，相位一致性函數(shù)定義為：

函數(shù) 具有局部性質(zhì)，因此 值與圖像局部區(qū)域有關(guān)，曲線演化過程中可以自適應(yīng)的根據(jù)圖像的特點(diǎn)自適應(yīng)調(diào)整大小，提高了圖像目標(biāo)邊緣的檢驗(yàn)?zāi)芰Α?/p>

3 ?實(shí)驗(yàn)步驟及結(jié)果分析

本文實(shí)驗(yàn)均采用前述改進(jìn)的DRLSE模型來實(shí)現(xiàn)甲狀腺3D超聲圖像的分割。實(shí)驗(yàn)環(huán)境為Intel（R） Core（TM） i7-6700 CPU 3.40 GHz，RAM：8 GB。操作系統(tǒng)：Windows 7，軟件環(huán)境：MATLAB 2014a。本文實(shí)驗(yàn)圖像來源于南京同仁醫(yī)院。

3.1 ?實(shí)驗(yàn)步驟

本次實(shí)驗(yàn)采用了兩個(gè)以視頻方式呈現(xiàn)的甲狀腺3D超聲圖像集，分別稱為DATA1、DATA2。因此實(shí)驗(yàn)步驟主要分為兩步：第一步是預(yù)處理：分別將DATA1、DATA2解碼成順序排列的連續(xù)幀圖像（分別有104幀和168幀圖像），然后使用各向異性擴(kuò)散濾波平滑噪聲;第二步為采用本文改進(jìn)的DRLSE模型實(shí)現(xiàn)甲狀腺超聲圖像的分割。針對(duì)連續(xù)幀圖像相鄰圖像間像素變化不大的特點(diǎn)，本文通過計(jì)算分割結(jié)果的質(zhì)心作為相鄰幀圖像的初始輪廓點(diǎn)，其中第一幀圖像初始輪廓點(diǎn)需手動(dòng)給定。

3.2 ?實(shí)驗(yàn)結(jié)果分析

圖2為本文改進(jìn)模型分割準(zhǔn)確度驗(yàn)證，分別對(duì)比了采用不同函數(shù)分割甲狀腺的結(jié)果，其中（a）圖為初始輪廓;（b）為采用 和 的Li模型;（c）為采用 和 相結(jié)合的分割結(jié)果;（d）為采用 和 相結(jié)合的分割結(jié)果;（e）是采用 和 結(jié)合的分割結(jié)果;（f）為手動(dòng)分割結(jié)果。

在保證其他條件均相同的情況下，本文分割準(zhǔn)確度的判斷主要通過DC[20]（Dice Coefficient）和HD[16]（Hausdorff Distance）兩個(gè)指標(biāo)來體現(xiàn)，其中DC值表示分割精度，DC越高、HD越小說明分割效果越好。由表1和圖2可以看出，采用本文改進(jìn)邊緣指示函數(shù) 和 的DRLSE模型來分割甲狀腺超聲圖像的精度明顯高于其他情況。若（b）、（c）、（d）圖采用的組合，想要達(dá)到較好的分割效果，則需要更多的迭代次數(shù)和運(yùn)行時(shí)間。本文改進(jìn)的DRLSE算法明顯提高了分割精度和分割效率。

圖3、圖4分別對(duì)DATA1的第45-54幀和DTA2第108-117幀圖像進(jìn)行分割實(shí)驗(yàn)后的結(jié)果圖，其中每一幀圖像分割所得質(zhì)心坐標(biāo)均作為相鄰下一幀圖像的初始輪廓點(diǎn)（第17和108幀圖像手動(dòng)選?。?。DATA1第45-54幀和DATA2第108幀-117幀的平均分割精度分別為92.1%和97.9%。

表2所示為采用DRLSE模型和本文改進(jìn)后的模型分別對(duì)DATA1、DATA2超聲圖像集進(jìn)行分割實(shí)驗(yàn)的平均精度。在保證其他實(shí)驗(yàn)條件相同的情況下，采用本文改進(jìn)的DRLSE模型，同時(shí)把每幅圖像的質(zhì)心作為相鄰下一幀圖像的初始點(diǎn)來分割甲狀腺超聲圖像，可以達(dá)到較好的分割效果。對(duì)于兩個(gè)數(shù)據(jù)集分割精度均達(dá)到了90%以上，明顯提高了甲狀腺超聲圖像的分割效率。

4 ?結(jié)論

本文針對(duì)甲狀腺3D超聲圖像的特點(diǎn)，首先對(duì)數(shù)據(jù)集圖像進(jìn)行預(yù)處理，降低噪聲影響，然后采用改進(jìn)邊緣指示函數(shù)和面積項(xiàng)系數(shù)的DRLSE模型來實(shí)現(xiàn)甲狀腺超聲圖像的分割。根據(jù)連續(xù)幀圖像的特點(diǎn)，通過計(jì)算每一幅分割圖像的質(zhì)心來實(shí)現(xiàn)連續(xù)幀圖像的自動(dòng)分割，分割精度可以達(dá)到90%以上。實(shí)驗(yàn)表明，改進(jìn)算法明顯提高了分割精度和效率。

參考文獻(xiàn)

[1] 張波， 徐景竹， 吳瓊. 2015年美國甲狀腺學(xué)會(huì)《成人甲狀腺結(jié)節(jié)與分化型甲狀腺癌診治指南》解讀： 超聲部分[J]. 中國癌癥雜志， 2016， 26（1）： 19-24.

[2] Pham D L， Xu C， Prince J L. Current methods in medical image segmentation[J]. Annual Review of Biomedical Engineering， 2000， 2（2）： 315-337.

[3] 林瑤， 田捷. 醫(yī)學(xué)圖像分割方法綜述[J]. 模式識(shí)別與人工智能， 2002， 15（2）.

[4] 楊玚， 謝華成. 基于馬爾科夫隨機(jī)場(chǎng)與模擬退火算法的圖像分割[J]. 軟件， 2015， 36（4）： 40-43.

[5] 鄭金志， 鄭金敏， 汪玉琳. 基于優(yōu)化初始聚類中心的改進(jìn)WFCM圖像分割算法[J]. 軟件， 2015， 36（4）： 136-142.

[6] 張敏， 徐啟華. 基于改進(jìn)BP的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制[J]. 軟件， 2015（7）： 118-123.

[7] 王宏濤， 孫劍偉. 基于BP神經(jīng)網(wǎng)絡(luò)和SVM的分類方法研究[J]. 軟件， 2015， 36（11）： 96-99.

[8] 李斌， 李蓉， 周蕾. 分布式K-means聚類算法研究與實(shí)現(xiàn)[J]. 軟件， 2018.

[9] Chang C Y， Lei Y F， Tseng C H， et al. Thyroid segmentation and volume estimation in ultrasound images[J]. IEEE transactions on bio-medical engineering， 2010， 57（6）： 1348-1357.

[10] Selvathi D， Sharnitha V S. Thyroid classification and segmentation in ultrasound images using machine learning algorithms[C]// International Conference on Signal Processing. IEEE， 2011.

[11] Zhao J， Zheng W， Zhang L， et al. Segmentation of ultrasound images of thyroid nodule for assisting fine needle aspiration cytology[J]. Health Information Science & Systems， 2012， 1（1）： 1-12.

[12] Kaur J， Jindal A. Comparison of Thyroid Segmentation Algorithms in Ultrasound and Scintigraphy Images [J]. International Journal of Computer Applications， 2013， 50（23）： 24-27.

[13] Dornheim J， Dornheim L， Preim B， et al. Stable 3d mass- spring models for the segmentation of the thyroid cartilage[C]// Proc. of the DAGM. Springer-Verlag， 2006.

[14] Poudel P， Hansen C， Sprung J， et al. 3D segmentation of thyroid ultrasound images using active contours [J]. Current Directions in Biomedical Engineering， 2016， 2（1）： 467-470.

[15] Poudel P， Illanes A， Arens C， et al. Active contours extension and similarity indicators for improved 3D segmentation of thyroid ultrasound images[C]//Spie. International Society for Optics and Photonics， 2017.

[16] 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.

[17] Weickert J. Anisotropic Diffusion In Image Processing[J]. B.g.teubner Stuttgart， 1998， 16（1）： 272.

[18] Morrone M C， Burr D C. Feature detection in human vision： a phase-dependent energy model[J]. Proceedings of the Royal Society of London， 1988， 235（1280）： 221-245.

[19] Zheng W， Pan Z， Hao D. The improved DRLSE ultrasound image segmentation model based on phase congruency[J]. Opto-Electronic Engineering， 2014， 41（1）： 60-64.

[20] Shattuck D W， Sandorleahy S R， Schaper K A， et al. Magnetic resonance image tissue classification using a partial volume model[J]. Neuroimage， 2001， 13（5）： 856-876.

[21] Dubuisson M P， Jain A K. A modified Hausdorff distance for object matching[C]//Pattern Recognition， 1994. Vol. 1 - Conference A： Computer Vision & Image Processing. Proceedings of the 12th IAPR International Conference on. IEEE， 1994.