基于改进的CV-RSF模型的甲状腺结节超声图像自适应分割算法

摘要

cqvip:目的甲状腺结节超声图像的精确分割对甲状腺结节的良恶性诊断尤为重要。目前,对于甲状腺结节超声图像的分割,有学者提出利用主动轮廓模型分割算法,但是由于活动轮廓分割算法需要手动设置迭代次数,未实现模型的自适应性。因此,本文提出了一种基于改进的无边缘主动轮廓-局部区域可控的拟合(Chan-Vese-region scalable fitting,CV-RSF)模型的甲状腺结节超声图像自适应分割算法。方法选取南京同仁医院12例患者的甲状腺结节超声图像用于实验。首先,在无边缘主动轮廓(Chan-Vese,CV)模型中,引入一个基于梯度的边缘引导函数,根据面积变化率,自适应地获取甲状腺结节的粗分割轮廓;然后,将粗分割轮廓作为局部区域可控的拟合(region-scalable fitting,RSF)模型的初始轮廓,并根据面积变化率,自适应地获取甲状腺结节最终分割结果。将改进模型分割的结果与CV模型、RSF模型分割的结果进行比较,并分析甲状腺结节边缘清晰度对分割结果的影响。结果本文模型算法分割结果的平均迭代次数、平均面积重叠率、平均Hausdorff分别达到了134、90.34%、9.77,均优于CV模型、RSF模型的分割算法。结论该算法有效地分割出边缘清晰和不清晰的甲状腺结节超声图像,并解决手动设置迭代次数的问题,从而实现甲状腺结节的有效、准确、自动分割。