改进的 Chan-Vese 模型在甲状腺结节超声图像分割中的应用

本文主要探讨了在甲状腺结节超声图像诊断中，如何运用 Chan-Vese 模型进行高精度的分割，以提高计算机辅助诊断的准确性。甲状腺结节的早期检测和诊断对于保障人类健康具有重要意义，因为医疗超声因其成本低、无辐射等优点而被广泛应用。然而，甲状腺结节的个体差异，如位置、大小和形状，使得传统的图像分割方法如阈值分割、区域分割和边缘分割可能效果不佳，特别是活动轮廓模型和水平集方法。 Chan 和 Vese 提出的 Chan-Vese 模型是基于 Mumford-Shah 分形理论的一种简化形式，它结合了区域的简化能量表达式，减少了计算复杂度。相比于原始模型，Chan-Vese 更加依赖于图像梯度变化和亮度对比，但在实际应用中可能会导致分割不精确。为解决这一问题，研究者们不断探索改进方法，例如韩斌等人通过整合全局和局部信息，使用图像灰度差异替代内外区域能量权重，提升了模型的分割效率。张爱华等人采用 K-means 聚类技术优化了内部像素处理，增强了模型对目标图像的适应性。 然而，超声甲状腺图像本身的低分辨率和噪声问题是导致分割不准确的主要因素。因此，本文提出了一种基于闭运算的 Chan-Vese 分割方法，利用形态学的膨胀和腐蚀操作来消除不准确的分割区域，从而提高分割的精度和稳定性。这种方法通过对图像进行形态学处理，减少了噪声的影响，并且通过精确控制膨胀和腐蚀的程度，优化了分割结果，使得甲状腺结节区域的分割更加准确，有助于提升计算机辅助甲状腺临床诊断的效能。