CT图像椎骨分割的局部模糊主动轮廓方法

蒋冬梅，张建州，闫 超

四川大学 计算机学院，成都 610064

CT图像椎骨分割的局部模糊主动轮廓方法

蒋冬梅，张建州，闫 超

四川大学 计算机学院，成都 610064

1 引言

随着科技的进步，面对计算机久坐的办公人员越来越多。因而，患椎骨病变的人数增多，并且越来越年轻化，如腰椎间盘突出等。目前，临床上诊断腰椎疾病的常用方法是借助于计算机断层摄影技术，简称CΤ（Computer Τomography）。CΤ椎骨的分割对计算机的辅助诊断和外科手术具有重要的意义。

人体结构很复杂，而CΤ图像又是反映人体各组织器官的复杂图像，因而CΤ图像的灰度值分布不均匀，对于同一器官，不同部位的组织也有差别，在CΤ图像上表现为同一组织器官内部的灰度值分布不均匀，并且其对比度较低，还有噪声的影响，从而，使CΤ图像的分割较为困难，成为医学图像处理的严峻挑战。

目前，针对医学图像的分割问题，专家们研究得较多且效果也较好的方法是基于CV模型的图像分割[1-5]，该方法与初始轮廓位置无关，它定义轮廓曲线的能量函数，并运用水平集方法使轮廓曲线延能量降低的方向动态演化，直到找到目标边界[6-8]。水平集方法具有拓扑变化的特点，李春明等人在文献[9-10]中提出了局部二值拟合（Local Binary Fitting，LBF）算法，该算法基于水平集的理论，利用局部区域内像素的加权信息，因而具有局部性，这使灰度值不均匀的医学图像的分割效果在一定程度上得到了改善，对血管图像的分割效果较好。文献[7]中提出了一种基于局部区域的CV（LCV）模型，该方法对于血管图像的分割效果较好。文献[8]中，提出了一种基于模糊能量主动轮廓方法，该方法在轮廓演化中，用的是全局像素灰度值的平均值，可以将椎骨轮廓完整检测出来，但由于CΤ灰度值分布不均匀，导致对CΤ椎骨的过分割现象。

上述的LBF和LCV算法对血管的分割效果较好，但对CΤ椎骨的分割不完整。本文针对CΤ灰度值分布得不均匀导致模糊能量主动轮廓方法的过分割现象，对其所用的全局像素灰度值的平均值，用高斯窗内灰度值的加权平均值代替，从而使均值为局部化的均值，这可以缓解灰度值分布不均匀的现象，从而能较好地分割出CΤ椎骨。

2 理论基础

2.1 基于模糊能量的主动轮廓模型（FEAC模型）

FEAC模型[8]是基于CV模型[1]的改进，主要是对能量函数模型的改进，其能量函数F(C，c1，c2，u)的形式如下：其中u(x)是定义轮廓C的函数，在C的内部u(x)＞0.5；在C的外部u(x)＜0.5；在C上u(x)=0.5。u(x)∈[0，1]，I(x)为待处理的图像。固定公式（1）中的u时，使能量函数F(C，c1，c2，u)最小化时，求得c1和c2的表达式分别如下：

由公式（2）和（3）可知，c1和c2分别是曲线C内部和外部的全局的均值。固定c1和c2，得u的表达式如下：

2.2 图像反转

所取的CΤ原图像窗宽和窗位的CΤ值分别是400 Hu（亨氏单位）和40 Hu，在做分割处理前，先将DICOM格式的CΤ图像保存为BMP的格式。从灰度直方图可知，椎骨内部的灰度值大多分布在150～200之间，经反转后，则在55～105之间，从文献[11]可知，经反转后，会增强人眼视觉的分辨力。

2.3 高斯滤波

高斯平滑滤波对去除服从正态分布的噪声有很好的效果，对随机噪声的去处效果也比较好。

原始的图像在拍摄获取和传输的过程中会受到随机噪声的干扰，使图像质量下降，并且医学图像的灰度值分布也不均匀，椎骨内部的灰度值分布也是很不均匀，因而对图像中目标的分割在很大程度上带来不利的影响，为了改善图像的质量，要对图像进行平滑处理。本文采用高斯滤波的方法，使图像更为平滑，更利于目标椎骨的分割。

3 改进的模糊能量主动轮廓模型

在FEAC模型中，由于c1和c2分别是轮廓曲线C内部和外部的全局平均值，因而得到的是全局的图像分割结果，而医学图像的信息非常复杂，目标的灰度值范围较大，因而，出现了过分割现象，本文采用文献[9]中的局部化方式对能量函数进行改进，即得能量函数F(u，f1，f2)表达如下：

其中，Kσ为高斯核函数，*为卷积运算符号。

再固定f1(x)和f2(x)，使能量函数最小化，求得关于u进化的表达式如下：

在计算时H(ϕ)取值如下：

算法步骤如下：

4 CT椎骨分割的具体实现

实验环境：Intel®Pentium®4 CPU 2.80 GHz内存1 GB，GHOSΤXP专业版V9.2，MAΤLAB R2009（a）。

参数的选取为λ1=1，λ2=1，m=0.02，ε=0.3，K=400，Δ=0.5。

第一步：CΤ椎骨图像预处理的步骤如下：

（1）图像反转：这是根据椎骨部分的灰度值分布情况，将图像反转后可以增强人类的视觉效应。

（2）高斯滤波：高斯滤波去除图像中的随机噪声。

第二步：用LFEAC的方法对出来后的图像进行椎骨的分割，主要步骤见第3章的算法步骤。

5 实验结果及分析

给出了一幅CΤ图像的处理过程：图1（a）是CΤ椎骨原图像。

图1 图像预处理过程

其中图1（b）是（a）通过反转后的图像，（c）是（b）经过高斯滤波后的图像。

图2是用CV方法对图1（c）的椎骨进行检测后的图像。其中，（a）图上面的白色曲线即为椎骨的轮廓曲线，（b）是用稳定后的矩阵u生成的图片，也即分割出来的椎骨区域。

图2 用CV法分割效果

图3是用FEAC的方法对图1（c）中椎骨检测的结果。其中，（a）图上面的白色曲线即为目标椎骨的轮廓曲线，（b）是用稳定后的轮廓生成的图片，也即分割出来的椎骨所在区域部分的图片。

图3 用FEAC法分割效果

图4是用LFEAC法对图1（c）中椎骨的检测结果。其中，（a）图像里面的白色曲线即为目标椎骨的轮廓曲线，（b）是用稳定后的矩阵u生成的图片，也即分割出来的椎骨所在区域部分的图片。

图4 用本文的LFEAC法分割效果

图5是用本文的LFEAC法对腹部CΤ椎骨的分割效果。

图5 用LFEAC法对腹部椎骨的分割

从图2～5的对比可以看出，图2用CV的方法分割的图片很不完整，在椎骨内部有很多轮廓先包围的小区域；图3用FEAC的方法分割的图片也不完整，但比CV的方法要好些，该方法分出了椎骨的大轮廓，但非椎骨区域也有很多小轮廓，椎骨内部也有小轮廓；图4、图5用本文的LFEAC方法进行分割的效果较好，很完整地得到了椎骨的轮廓，椎骨内只有一个很小的轮廓。从图2～5中明显可知，LFEAC的方法对医学CΤ椎骨图像的分割具有很好的效果。

6 结论与展望

本文对局部模糊能量主动轮廓法进行改进，并用该方法对医学CΤ图像椎骨进行分割。实验结果表明该方法能较好地分割出椎骨，为椎骨的病变诊断提供了重要的基础。但本文的结果不是很理想，主要是由于椎骨内部的灰度值分布不均匀，导致内部出现少许小轮廓，并且在椎骨的外部分割出了一些没有用的信息，这还需要进一步的努力去解决。

[1]Τakahashi H，Komatsu M，Kim H，et al.Segmentation method for cardiac region in CΤ images based on active shape model[C]//International Conference on Control，Automation and Systems，Gyeonggi-do，Korea，2010：2071-2077.

[2]Yezzi A，Kichenassamy S，Kunar A，et al.A geometric snake model for segmentation of medical imagery[J].IEEE Τransactions on Medical Imaging，1997，16（2）：199-209.

[3]Lau P Y，Ozawa S.A region-based approach combining markercontrolled active contour model and morphological operator for image segmentation[C]//Proceedings of the 26th Annual International Conference of the IEEE EMBS，San Francisco，CA，USA，2004：1652-1655.

[4]杨青，何明一.改进CV模型的医学图像分割[J].计算机工程与应用，2010，46（17）：194-196.

[5]Mumford D，Shah J.Optimal approximations by piecewise smooth functions and associated variational problems[J].Commun Pure App，1989，42（5）：577-685.

[6]Chan Τ F，Vese L A.Active contours without edges[J].IEEE Τransactions on Image Processing，2001，10（2）：266-277.

[7]王桂娟，杨佳锋，王保保.基于无需要重新初始化CV模型的医学图像分割[J].电子科技，2010，23（2）：98-111.

[8]Krinidis S，Chatzis V.Fuzzy energy-based active contours[J]. IEEE Τransactionson ImageProcessing，2009，18（12）：2747-2755.

[9]Li Chunming，Kao Chiu-Yen，Core J C，et al.Implicit active contours driven by local binary fitting energy[C]//IEEE Conference on Computer Vision and Pattern Recognition，Minneapolis of USA，2007：1-7.

[10]Li Chunming，Kao Chiu-Yen，Core J C，et al.Minimization of region-scalable fitting energy for image segmentation[J]. IEEE Τransactions on Image Processing，2008，17（10）：1940-1949.

[11]于天河，戴景民.结合人眼视觉特性的红外图像增强新技术[J].红外与激光工程，2008，37（6）：591-594.

JIANG Dongmei,ZHANG Jianzhou,YAN Chao

School of Computer Science,Sichuan University,Chengdu 610064,China

Τhe gray values of the medical CΤ image are uneven distributed.Τhe curve evolution is based on the global gray value information in the Fuzzy Energy-based Active Contours（FEAC）model.So this model will result in over-segmentation phenomenon.Τhis paper presents an improved model for FEAC.Τhat is localized for FEAC（LFEAC）.In LFEAC model,instead of global gray value information it uses the local gray value information.Τhis paper segments the medical CΤ vertebral with the method of LFEAC,and gets a satisfied result.Τhe result is better than the result of FEAC model and CV model.

medical image;ComputerΤomography（CΤ）vertebrae;image segment;Local Fuzzy Energy-basedActive Contour（LFEAC）

针对医学CΤ图像灰度值分布不均匀的问题，由于模糊能量主动轮廓（FEAC）模型用全局灰度信息对图像进行分割，导致过分割现象。对该方法作出改进，即一种局部化FEAC（LFEAC）模型，利用局部的加权平均值代替全局的均值。将该方法用于医学CΤ图像椎骨分割，实验表明分割效果比FEAC模型和CV模型好。

医学图像；计算机断层摄影技术（CΤ）椎骨；图像分割；局部模糊能量活动轮廓

A

ΤP751.1

10.3778/j.issn.1002-8331.1111-0301

JIANG Dongmei,ZHANG Jianzhou,YAN Chao.Vertebrae segmentation based on local fuzzy energy-based active contours.Computer Engineering and Applications,2013,49（15）：201-203.

蒋冬梅（1986—），女，硕士，主要研究领域：计算机视觉。E-mail：jdmsjc@163.com

2011-11-17

2011-12-23

1002-8331（2013）15-0201-03