基于改進DRLSE模型的甲狀腺3D超聲圖像自動分割

冉冬梅 嚴加勇 崔崤峣

摘 ?要： 從超聲圖像中準確分割甲狀腺區域是甲狀腺疾病手術計劃的關鍵之一。本文一方面，針對甲狀腺超聲3D圖像，提出利用邊緣指示函數和面積項系數改進的距離正則化水平集演化（Distance Regularized Level Set Evolution，DRLSE）模型來實現甲狀腺區域的有效分割;另一方面，根據3D超聲圖像相鄰幀之間甲狀腺變化較小的特點，通過計算已分割圖像的質心，作為相鄰幀圖像分割初始點來實現3D圖像的自動分割。實驗表明，采用本文改進DRLSE模型分割甲狀腺3D超聲圖像，平均分割精度可以達到90%以上。

關鍵詞： 甲狀腺三維超聲圖像;圖像分割;DRLSE模型;邊緣指示函數

中圖分類號： R318.5 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.04.012

本文著錄格式：冉冬梅，嚴加勇，崔崤峣，等. 基于改進DRLSE模型的甲狀腺3D超聲圖像自動分割[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

隨著甲狀腺疾病發展，甲狀腺腺體的大小會產生相應的變化，因此，要實現對甲狀腺病變的有效診斷和治療[1]，往往需要對甲狀腺進行分割，以便更準確地描述出甲狀腺的病變區域及周圍組織。

醫學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噪聲、形態不規則、對比度低且邊緣模糊等因素。目前，國內外學者運用多種算法，已經做了很多關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（RBF，radial basis function）神經網絡自動分割甲狀腺，并使用粒子群優化算法較為準確地實現甲狀腺體積估計;2011年，Selvathi[10]等開發了一種使用機器學習的算法對甲狀腺圖像自動分類、分割的系統，主要使用SVM、ELM分類器，分割精度分別可達80%，90%;Zhao[11]等人2012年對比了多種用于醫學圖像分割的方法，如邊緣檢測、閾值、區域分裂與合并、主動輪廓模型、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、分割耗時和精度，即無邊緣的活動輪廓（Active Contour without edges，ACWE）、基于局部區域的活動輪廓（Localized region Based active contour，LRAC）和DRLSE模型，實驗表明LRAC分割性能最佳，分割精度為80%以上。

除此之外，針對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穩定質量彈簧模型（3D Stable Mass-Spring Models，SMSMs）來創建用于甲狀腺軟骨分割的3D可變形形狀模型，該模型可適應患者特定的形狀變化和病理形變;Poudel[14-15]等提出使用活動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，但受甲狀腺結構復雜性和超聲成像質量的影響，各類算法均不具有普適性。大多算法計算過程復雜、耗時，而且，不同方法分割結果大多會出現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缺點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現甲狀腺的分割。針對現有甲狀腺3D超聲圖像數據，本文采用可在濾除噪聲的同時很好保持圖像邊緣信息的各向異性擴散模型，實現對原始圖像的濾波操作，降低斑點噪聲對分割結果的影響;為提高分割效率，本文在Li模型基礎上采用改進的邊緣指示函數和可變權系數來控制曲線的演化，實現甲狀腺的分割。考慮到連續圖像相鄰幀圖像間像素變化不大的特點，本文每分割完一幅圖像，就計算其質心，并將其作為相鄰的下一幅圖像初始點繼續分割。實驗表明，本文改進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，可以實現視頻圖像的自動分割。

1 ?預處理

甲狀腺超聲圖像復雜度較高，斑點噪聲較重，并且具有灰度對比度低、邊緣模糊等特點。各向異性擴散濾波模型是基于物理學中熱傳遞中熱傳導的原理來實現圖像的平滑過程，該算法能夠在平滑圖像噪聲的同時保留圖像的邊緣。因此，本文采用各向異性擴散[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

傳統的水平集演化方法穩定性差，并且計算復雜、耗時，曲線演化速度慢，導致圖像分割精度和效率都較低。DRLSE模型通過在能量函數中添加水平集正則化項，補償了水平集函數和符號距離函數的偏差，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目標區域邊界，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避免了重新初始化過程，使得計算相對簡單、分割速度加快。但是，DRLSE模型的外部能量項都依賴于控制曲線演化位置的邊緣指示函數g，由式（9）知，函數g利用圖像梯度信息來控制演化曲線的停止，而圖像邊緣點和噪聲點梯度值均很高，因此在圖像噪聲處g容易陷入局部極小，對噪聲及其敏感，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。本文提出一個新的邊緣指示函數和面積項系數。

2.2 ?改進邊緣指示函數

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

2.2.1 ?基于相位信息的函數g1

圖像的相位信息對亮度和對比度不敏感。基于相位的邊緣檢測是通過計算圖像的相位一致性的特征算子來實現[18-19]，該方法對圖像局部的光照變化具有不變性，對于低對比度圖像也能較好檢測出邊緣信息，更有利于超聲圖像的邊緣檢測。其中，相位一致性函數定義為：

函數 具有局部性質，因此 值與圖像局部區域有關，曲線演化過程中可以自適應的根據圖像的特點自適應調整大小，提高了圖像目標邊緣的檢驗能力。

3 ?實驗步驟及結果分析

本文實驗均采用前述改進的DRLSE模型來實現甲狀腺3D超聲圖像的分割。實驗環境為Intel（R） Core（TM） i7-6700 CPU 3.40 GHz，RAM：8 GB。操作系統：Windows 7，軟件環境：MATLAB 2014a。本文實驗圖像來源于南京同仁醫院。

3.1 ?實驗步驟

本次實驗采用了兩個以視頻方式呈現的甲狀腺3D超聲圖像集，分別稱為DATA1、DATA2。因此實驗步驟主要分為兩步：第一步是預處理：分別將DATA1、DATA2解碼成順序排列的連續幀圖像（分別有104幀和168幀圖像），然后使用各向異性擴散濾波平滑噪聲;第二步為采用本文改進的DRLSE模型實現甲狀腺超聲圖像的分割。針對連續幀圖像相鄰圖像間像素變化不大的特點，本文通過計算分割結果的質心作為相鄰幀圖像的初始輪廓點，其中第一幀圖像初始輪廓點需手動給定。

3.2 ?實驗結果分析

圖2為本文改進模型分割準確度驗證，分別對比了采用不同函數分割甲狀腺的結果，其中（a）圖為初始輪廓;（b）為采用 和 的Li模型;（c）為采用 和 相結合的分割結果;（d）為采用 和 相結合的分割結果;（e）是采用 和 結合的分割結果;（f）為手動分割結果。

在保證其他條件均相同的情況下，本文分割準確度的判斷主要通過DC[20]（Dice Coefficient）和HD[16]（Hausdorff Distance）兩個指標來體現，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，采用本文改進邊緣指示函數 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，想要達到較好的分割效果，則需要更多的迭代次數和運行時間。本文改進的DRLSE算法明顯提高了分割精度和分割效率。

圖3、圖4分別對DATA1的第45-54幀和DTA2第108-117幀圖像進行分割實驗后的結果圖，其中每一幀圖像分割所得質心坐標均作為相鄰下一幀圖像的初始輪廓點（第17和108幀圖像手動選取）。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模型和本文改進后的模型分別對DATA1、DATA2超聲圖像集進行分割實驗的平均精度。在保證其他實驗條件相同的情況下，采用本文改進的DRLSE模型，同時把每幅圖像的質心作為相鄰下一幀圖像的初始點來分割甲狀腺超聲圖像，可以達到較好的分割效果。對于兩個數據集分割精度均達到了90%以上，明顯提高了甲狀腺超聲圖像的分割效率。

4 ?結論

本文針對甲狀腺3D超聲圖像的特點，首先對數據集圖像進行預處理，降低噪聲影響，然后采用改進邊緣指示函數和面積項系數的DRLSE模型來實現甲狀腺超聲圖像的分割。根據連續幀圖像的特點，通過計算每一幅分割圖像的質心來實現連續幀圖像的自動分割，分割精度可以達到90%以上。實驗表明，改進算法明顯提高了分割精度和效率。

參考文獻

[1] 張波， 徐景竹， 吳瓊. 2015年美國甲狀腺學會《成人甲狀腺結節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. 醫學圖像分割方法綜述[J]. 模式識別與人工智能， 2002， 15（2）.

[4] 楊玚， 謝華成. 基于馬爾科夫隨機場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. 基于優化初始聚類中心的改進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BP的神經網絡模型參考自適應控制[J]. 軟件， 2015（7）： 118-123.

[7] 王宏濤， 孫劍偉. 基于BP神經網絡和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聚類算法研究與實現[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.