Article Info

图像处理过程中图像分割具有重要作用，通过将图像中感兴趣部分提取，有助于后续图像数据分析。医学图像分割在患者精确量化诊断中发挥着关键性作用，因此对感兴趣部位做到快速、准确提取，对患者来说具有重要意义。但大部分医学图像结构相对复杂，并且其灰度差异较小，采取传统的分割方法提取图像的效果不理想[1]。无边缘主动轮廓（Chan-Vese，CV）模型是一种较为经典的模型，主要是根据图像全局信息，在目标、背景两个不同均值区域对比度图像分割过程中发挥着重要作用，通过探测图像模糊、离散边缘，在噪声干扰应用中具有较强的适应性[2-3]。CV模型以定位边界的方式选择图像全局信息，其缺点体现在复杂场景中计算效率相对较低，造成能量函数加权因子调节困难，具有局限性。李淑玲[4]研究指出，CV模型在灰度不均匀、边界不明显、噪声多等医学图像分割中效果不理想。肝脏图像变化较复杂，不同肝脏MR图像灰度特征存在不同的表现，因为组织、器官等灰度特征不具有单一性，成为腹部医学图像肝脏分割研究的难点[5]。CV模型改进引入轮廓线图像局部信息，在图像目标边缘处控制曲线演化，减少迭代次数，促进轮廓收敛效能提高[6]。本文旨在研究基于CV模型的肝脏核磁共振序列图像自动分割方法，为临床医学图像分割选择理想的方法提供理论依据。

1 基本原理

1.1 传统CV模型

CV模型属于一种经典的活动轮廓模型，以曲线演化和水平集方法为基础，将活动轮廓线间接表达为水平集函数的零水平集形式。假定定义域为Ω图像u0（x，y）被闭合曲线C划分为目标Ω1（C的内部）和背景Ω2（C的外部）两个同质区域，各区域的平均灰度值为c1和c2，则CV模型就是寻找真正的轮廓。在能量泛函中前两项主要是曲线平滑项，驱动曲线演化动力项为后两项。引入Heaviside函数以及一维Dirac函数后，得到轮廓线C，就是对应的分割目标边缘。

1.2 改进CV模型

将图像局部灰度信息引入目的是提高CV模型收敛速度，尽量减少主动轮廓线越过图像边界情况发生，消除Dirac函数对检测远离主动轮廓线C抑制，在能量函数过程中，引出图像局部信息主要是依靠单调递减函数g(R)完成，时间逐渐增加，曲线演化速度反而减慢，对目标轮廓曲线检测，能得到g(R)公式。曲线C与目标边缘接近，内外部的灰度平均值之间的差异逐渐增加，R值也随之增加，说明曲线与目标边缘接近，减缓曲线演化速度，确定目标边缘位置，减少演化过程中越过边界情况发生。将传统CV模型UI与当前演化主动轮廓线相互结合，引入图像局部信息，曲线演化快慢速度得到有效控制，提高分割速度，增强医学图像中目标物体的精准性。

1.3 算法实现

二维图像分割处理方式：首先将输入的医学图像预处理，采用直方图实现均衡化，有助于提高图像细节，保证图像中不同质区域比率。初始轮廓线通过人工选定的方式，将符号距离函数初始化后，水平集函数迭代主要是依靠参考相关参数、图像局部信息来完成，水平集函数变化低于阈值，说明能量泛函已经到达极值，零水平集函数主要体现目标轮廓，显示迭代停止，显示二维图像的分割结果。

1.4 图像序列分割

这是一种对二维医学图像的分割和扩展，CV模型在初始轮廓线位置上敏感性相对较强，图像序列，邻近的两张图像具有空间上延续性特点，邻近区域结构变化发生缓慢，图像序列分割过程中，图像分割的初始轮廓线以上一张图像的分割结果为参考，尽量避免每张图像进行初始轮廓线选取，有助于初始轮廓线接近目标边缘，确保分割精度，降低迭代次数，促进分割率提高。

1.5 统计学处理

采用SPSS 20.0软件进行数据处理。计量资料以（

±s）表示，两组间比较采用独立样本t检验，本文采用Jaccard系数和Dice系数两个相似性度量来对图像分割的结果进行定量评估。P＜0.05为差异有统计学意义。

2 结果

2.1 改进CV模型与传统CV模型分割效果图

改进CV模型具有抗噪性作用，对有干扰的图像进行分割实用性较强。传统CV模型只考虑了灰度信息，而对于复杂的腹部肝脏图像，改进CV模型依靠其灰度把肝脏和其他部分划分开来，并且由于其灰度分布的复杂性，对整幅图像做全局的模糊分割获得较好的效果。改进CV模型与传统CV模型分割效果图，见图1。

2.2 改进CV模型与传统CV模型相关数据对比

如表1所示，改进CV模型分割时间和迭代次数低于传统CV模型分割时间和迭代次数，具有统计学差异（P＜0.001）。说明采用改进的CV模型算法在精度符合要求的前提下，完成分割所需的迭代次数明显减少，从而提高运算速度。

2.3 改进CV模型与传统CV模型算法分割质量评估

如表2所示，改进CV模型Jaccard系数和Dice系数低于传统CV模型Jaccard系数和Dice系数，具有统计学差异（P＜0.001）。分割标准均是有经验专家对图像进行分割，说明改进CV模型在分割精度上略低于传统CV模型，但是在速度上有明显的提高，在分割精准度符合要求的前提下，分割时间有明显的优势。

3 讨论

医学图像常受各种固有噪声影响，使用边缘检测、单一阈值等传统方式行肝脏分割，效果不理想。由于肝脏图像特征不同，主要是从肝脏区域整体特征来解决肝脏分割问题，肝脏区域中的灰度跨度相对较大，肝脏内部邻接像素点相邻灰度变化程度较小，肝脏区域灰度从水平中心向上、下近线性增长[7-8]，因此从这一方面进行解决问题。肝脏分割有助于医生观察完整的脏器区域从而提高疾病准确诊断效率、促进诊断精度提高。目前临床中大部分医学图像是关于脑部CT图像的图像分割，关于内脏MR图像分割相关研究较少[9]。MRI技术的优点是多参数、多序列、多方位成像、软组织成像能力高，在临床医学诊断过程中发挥着重要作用。肝脏分割受肝脏内部组织浸润、个体差异、灰度不一致性影响[10]，因此难度增加。

CV模型原理是借用区域中的信息促进曲线演化，而不是凭借图像梯度，对噪声具有一定的敏感性，CV模型在边缘含糊、梯度无特点的图像进行分割较适用[11]。CV模型在图像分割中是一种最有前途的活动轮廓模型，其不利用图像局部区域信息，针对灰度不均的图像区域统计信息，不能真实的表达图像状况，导致灰度图像分割效果不理想[12-13]。因此为了解决CV模型的局限性，大多学者对CV模型不断的进行改进和优化。CV模型图像分为背景、目标两部分，通过变分法，将水平集函数向偏微分方程转化。张宁等[14]研究认为，CV模型的灰度不均匀，其图像边界不明显，受噪声影响多，导致医学图像分割过程效果不突出。解决这一问题，可通过局部项来优化改进CV模型。

本文研究结果显示，改进CV模型分割时间和迭代次数降低，说明采用改进CV模型算法能显著降低完成分割所需的迭代次数。与陈树越等[15]研究结果保持一致。分析原因：CV模型分割图像导致分割迭代次数多，需要处理的时间延长，通过改进CV模型算法分割法，迭代次数降低，显著提高分割速度。本文研究数据指出，改进CV模型Jaccard系数和Dice系数低于传统CV模型。说明改进CV模型的分割精度与传统CV模型相比降低。分割速度高于传统CV模型，在保持分割精准度情况下，改进CV模型分割时间具有一定的优势[16]。

经过本文分割效果图分析，对传统CV模型分割原始图像改进，得到正确的分割结果，分割精度准确并且分割时间短，提示通过改进CV模型发挥抗噪性作用，对干扰图像分割实用，并对复杂场景图像分割适用性也较强。相关研究指出，肝脏与相邻区域灰度相近的组织能较好的分割开，但是容易发生过度分割，肝脏左下部位置灰度较暗部位被分出来[17]。实际上，肝脏内部灰度显示为缓慢降低，周围相邻的胃、脾等部位与肝脏灰度相似，有些位置灰度部分有交叉重叠现象，C均值算法只考虑灰度信息，对于复杂腹部肝脏图像，并不能只依靠灰度把肝脏和其他部分划分开来；另外，由于灰度分布具有一定的复杂性，如果对整幅图像做全局模糊分割不能实现良好的效果[18-19]。

CV模型分割算法改进优化后，将传统CV模型图像全局性充分利用，将图像局部信息引入后，水平集函数在图像局部信息、当前曲线驱动下演化，有助于目标边缘能准确、快速地收敛，提高传统CV模型运算效率[20]。本文提出了一种改进的CV模型分割MRI图片肝脏通过引入新的局部项，将图像的局部信息加入到CV模型的能量泛函里，有助于改进后的CV模型更精确地分割目标区域，优化改进后的CV模型参数，能改善图像的分割速度。本文研究中在传统CV模型基础上，给予改进数据显示，改进CV模型算法优点是收敛速度较快，具有较好的全局性，抗噪声能力较强，是在临床医学中较实用。

综上所述，改进CV模型算法对肝脏的MRI图像的分割效果显著，基于CV模型的肝脏核磁共振序列图像自动分割方法能快速准确的提取目标，在医学图像分割中较理想。

[1] Kavur AE,Gezer NS,Bar?? M,et al.Comparison of semiautomatic and deep learning-based automatic methods for liver segmentation in living liver transplant donors[J].Diagn Interv Radiol,2020,26(1):11-21.

[2] 宋锦萍,罗守胜,庞志峰,等.局部自适应Chan-Vese图像分割模型[J].河南大学学报(自然科学版),2016,46(1):113-119.

[3] 杨名宇.基于改进Chan-Vese模型的图像分割[J].液晶与显示,2014,29(3):473-478.

[4] 李淑玲.基于径向基点插值的Chan-Vese模型图像分割算法[J].计算机工程与应用,2018,54(11):193-197.

[5] Cai J.Segmentation and diagnosis of liver carcinoma based on adaptive scale-kernel fuzzy clustering model for CT images[J].J Med Syst,2019,43(11):322.

[6] 李康,杨玉东.基于改进的Chan-Vese模型与边缘转换的图像分割算法[J].计算机工程与应用,2019,55(6):204-208.

[7] Dangi S,Linte CA,Yaniv Z.A distance map regularized CNN for cardiac cine MR image segmentation[J].Med Phys,2019,46(12):5637-5651.

[8] Jansen MJA,Kuijf HJ,Niekel M,et al.Liver segmentation and metastases detection in MR images using convolutional neural networks[J].J Med Imaging (Bellingham),2019,6(4):44003.

[9] Amiri S,Movahedi MM,Kazemi K,et al.3D cerebral MR image segmentation using multiple-classifier system[J].Med Biol Eng Comput,2017,55(3):353-364.

[10] Zheng S,Fang B,Li L,et al.A variational approach to liver segmentation using statistics from multiple sources[J].Phys

MedBiol.2018,63(2):25024.

[11] 顾鹏程,黄福珍.基于改进Chan-Vese模型的电力设备红外图像分割[J].计算机工程与应用,2017,(10):193-196.

[12] 张建伟,葛琦.基于局部统计信息的快速CV模型MR图像分割[J].中国图象图形学报A,2010,15(1):69-74.

[13] 兰红,韩纪东.基于CV模型改进的磁共振成像图像分割方法[J].科学技术与工程,2018,18(28):229-234.

[14] 张宁,余学飞,卢广文.基于方向Snake模型的心脏磁共振图像左心室内外膜分割[J].计算机应用,2012,32(7):1902-1905.

[15] 陈树越,李颖,刘佳镔,等.基于活动轮廓模型的图像分割改进算法[J].常州大学学报(自然科学版),2019,31(2):82-87.

[16] 唐子淑,刘杰,别术林.基于CV模型的CT图像分割研究[J].CT理论与应用研究,2014,23(2):193-202.

[17] 陆雪松,刘坤,谢勤岚.基于快速最小距离树的肝脏图像非刚性配准[J].中南民族大学学报(自然科学版),2018,37(3):48-52.

[18] 赵晓理,周浦城,薛模根.一种基于改进Chan-Vese模型的红外图像分割方法[J].红外技术,2016,38(9):774-778.

[19] 唐利明,方壮,向长城,等.结合L1拟合项的Chan-Vese模型[J].计算机辅助设计与图形学学报,2015,27(9):1707-1715.

[20] Femina MA,Raajagopalan SP.Anatomical structure segmentation from early fetal ultrasound sequences using global pollination CAT swarm optimizer-based Chan-Vese model[J].Med Biol Eng Comput,2019,57(8):1763-1782.

基于CV模型的肝脏核磁共振序列图像自动分割方法

引言