脊椎图像分割与椎体信息提取的算法及应用

李 滚，刘 欢，柯善群

（西安工业大学 电子信息工程学院，陕西 西安710021）

脊椎图像分割与椎体信息提取的算法及应用

李 滚，刘 欢，柯善群

（西安工业大学 电子信息工程学院，陕西 西安710021）

针对传统阈值分割算法的一些缺点，通过将数字形态学与阈值分割算法相互结合提出了一种改进的阈值分割算法来进行脊椎图像分割，并将分割结果与传统图像分割方法得到的结果进行分析对比。结果显示本论文改进的阈值分割算法得到的脊椎分割图像与传统方法分割的图像相比在抑制噪声方面有好的效果，在对比度方面也优于其他传统的医学图像分割方法，最后设计了计算脊椎相邻椎体间的相对距离、相对椎体厚度及其变化率的有效算法，可为临床进一步应用提供参考。

阈值分割；医学图像；图像分割；光学图像处理

在我国，脊柱不健康的人群越来越大，甚至儿童脊柱侧弯症这一病症在近年来也很常见。同时在其他国家如美国，有超过1/4的职业病表现为腰部脊椎疼痛等问题美国每年仅脊柱部位手术的病例就超过25万例，可见脊柱问题严重困扰着现代人的生活，脊柱图像的研究对揭示脊柱和椎管内病变都有重要的意义，对实际临床诊断也可提供帮助[1]。近些年来，随着计算机技术和数字信息技术的飞快发展，医学图像处理技术已经成为医学领域中用来辅助临床诊断的一个重要技术，由于它可以清晰地显示医学图像的骨骼解剖结构，所以医生可以利用这一特点，来达到诊断并且治疗脊椎上的不同疾病的目的[2]，如医学图像分割可以对人体的器官、相关组织或病灶的体积和形状进行测量[3]。然后通过对这些体积和形状在治疗前后通过一定的理论分析和测量，就可以帮助医生进行临床上一些疾病的例如，癌变范围，大小，形状等进行诊断，也可以根据这些分析的数据和测量结果，来制定或者修改病人现有的治疗方案，大大提高了治疗的效率。另外，对于脊椎图像的分割与椎体信息的提取可以便于外科手术医生利用准确分割的椎体，在进行矫正手术时准确定位，也可以帮助脊椎畸形的残疾人进行矫正，在临床医学及康复工程领域也有着实际应用价值[4]。在医学图像分割与应用方面，国际上已有一些研究，其中一种重要的分割方式是半自动分割，与早期的人工分割方法相比可减少人力，缩短时间，而且相比于早期的自动分割具有分割速度快，准确度精度高的一些优点，与早期的人工分割相同的一点是同样对操作者的知识和经验有很高的要求。

基于以上情况，若能从脊椎图像中分割出医生所需要进行诊断的一些部位，并对其中的有效信息进行提取分析，这样就可以便于医生对人体一些病变部位的观察，使得影像图像对病变部位情况的显示变得更加直接与清晰[5-6]，可以进一步提高疾病的确诊率和治愈率[7-8]。为此，本论文主要以脊椎医学图像的特点着手，首先分析了依据其形态学特征的分割方法，将形态学的分割算法与传统阈值分割算法中的迭代法分割算法相互结合起来，然后对处理后的图像结果进行分析和总结。并对分割结果提出了临床诊断与治疗过程中有望得到应用的结论。

1 脊椎图像分割算法

图像预处理指的是在对图像进行分析的过程中，为了消除一些无关的干扰信息，去除一些噪声，让所需要的一些图像信息显得更加清晰而进行的处理工作，从而提高图像分割的可靠性[9-11]。文中主要选用了中值滤波和对比度增强这两种方法对原始的脊椎图像进行预处理，预处理后的效果如图1为预处理后的效果图。

图1 预处理后的脊椎图

数学形态学图像处理在进行图像处理时是将一幅二值图像看成是一个集合，通过在图像中不断地移动一个结构元素，这种结构元素的移动操作方式类似于前述所提到的卷积方式。结构元素其实指的就是一个可以在图像上进行平移，尺寸要求比原图像小的一个集合。数学形态学的是通过结构元素和所存在的原始二值图像进行的一种特殊的逻辑运算，然后将运算后的结果存在处理后的图像中对应像素的位置上，形态学也就是通过利用原始图像的集合与所选取结构元素间的相互作用，从而达到提取感兴趣的图像信息的目的，其中不同的结构元素决定了所提取信息的不同[12]。数学形态学算子的基本思想原理框图如图2所示。

图2 数学形态学算子原理图

图像的形态学腐蚀可以消除图像中所有边缘点，腐蚀操作能很容易的去除一幅图像中比较小的干扰区域。腐蚀运算的计算公式为：

其中，E表示经过腐蚀后的效果图像集合，S表示腐蚀结构元素，B表示原图像集合。膨胀是将所要处理的原图像的所有背景点与原图像合并到一起的一个过程。处理的结果是使原图像中的物体的面积相比于原来增大了很多像素点。膨胀操作能容易的填补一些由于对图像进行分割所造成的一些空洞。膨胀运算的定义公式为：

其中，D表示经过膨胀后的效果图像集合，S表示膨胀结构元素，B表示原图像集合。先进行腐蚀操作再进行膨胀操作的过程称为开运算。开运算能够消除图像中的一些小物体，而且能够很好的分离图像中的一些细节部位，也不会对这些部位的其他像素也没有太大的影响。开运算的定义公式为：

先对图像进行膨胀操作，然后再进行腐蚀操作的过程称为闭运算。闭运算能够填充一些由于对图像进行分割后所造成的一些空洞，断点等。同时也能起到平滑边缘的作用。顶帽变换的算法思想是从原图像中减去开运算操作后的图像，在进行图像分析中，顶帽变换可以从较暗的背景中提取所需要的部分，从而达到提取细节，增强对比度的一些效果[13]。顶帽变换的定义如公式（4）所示：

其中，f′（x，y） 表示进行顶帽变换后的新图像；f（x，y）表示原图像；B表示所选取的结构元素。基于传统的阈值分割方法对于处理脊椎图像所存在的一些问题和不足，尤其是过分割的分割现象，提出了一种基于形态学的阈值分割方法。该方法是将形态学中的顶帽变换和传统阈值分割相互结合起来的一种新型分割算法，最后对处理后的脊椎图像进行一个腐蚀操作，目的是为了去除脊椎图像中的一些干扰部位[14]。算法流程图如图3所示。

图3 改进后的阈值分割算法流程图

根据上述的基本算法理论思想，采取的具体的算法步骤如下：1）首先提取所要进行图像分割的脊椎图像，并且将该图像定义为f（x，y）；2）对上述定义的图像f（x，y）进行预处理操作，其中预处理包括，中值滤波和对比度增强两种变换，将变换后的新图像定义为f1（x，y）中值滤波的目的是为了去除图片中的一些噪声；对比度增强的目的是为了使图像的细节部分显示的更加清晰，为后期进行的一些处理提供了方便；3）选择一个适合的结构元素对图像f1（x，y）进行顶帽变换（经过尝试，发现结构元素为ones（10，2）处理的效果最佳，进行顶帽变换的目的是为提取图像的一些细节部分，同时也增强了背景和物体的对比度，也可以消除一些图像中存在的噪声和干扰因素。将处理后的图像定义为f2（x，y）；4）对图像f2（x，y）进行直方图处理，然后求出图像的最大灰度值和最小灰度值和最大灰度值，分别记为M1和M2，然后设定阈值T0=（M0+M1）/2；5） 重新选择一个阈值T1，然后将图像分为两个部分的像素值，分别为背景和前景，然后分别求出两者的平均灰度值G1和G2；6）计算新的阈值 T2=（G2+G1）/2；7）如果|T2-T1|＜0，则T2就是新的阈值；如果不是，就将T2赋给T1，重复上述步骤5）～7），完成对图像的迭代法阈值分割；将处理后的新图像定义为f3（x，y）；8）选取一个合适的形态学腐蚀结构元素，对图像f3（x，y）进行一定的腐蚀操作，去除一些干扰部位，得到最终的图像 f4（x，y）。

2 脊椎图像分割的结果与应用

利用上述提出的分割算法对预处理后的脊椎图像进行了分割处理，图4是利用改进后的阈值分割算法进行图像分割后的结果。从上述处理的效果图可以看出来，结合形态学的阈值分割法分割出来的效果图（c）相比于单一的形态学处理后的效果图（b）而言，在对比度方面有了很明显的增强，脊椎信息也显示的更加清晰；相比于传统的阈值法分割后的脊椎图像而言，在很大程度上减少了原始脊椎图像脊椎管和背部脂肪的干扰。

图4 改进后的阈值算法处理效果图

对上述分割算法处理后的脊椎图像进行椎体参数的计算和分析，来达到真正实现医学图像分割与临床医学应用的相互结合的目的。对于椎体特征研究仅需要计算得出相邻两个椎体间的距离以及椎体本身形态学特征等内容即可[15]。利用图4中（c）是二值图的特点可容易计算出相邻椎体的相对间距和椎体相对厚度，脊椎厚度变化等参数，表1表示椎体特征的数据。

表1 由图像分割结果计算出的椎体信息

表1是改进后的阈值分割方法进行分割的脊椎图像的特征数据，可见不论是椎体间的距离，还是椎体间的厚度，变化规律都可以方便计算出结果，但是利用传统的阈值[16]分割方法分割的脊椎图像不便计算出诸多具有生理特征的量化数据结果，对于临床应用而言，改进后的阈值分割方法相比于传统的分割方法有很大的优点。

3 结 论

医学图像处理的目的是利用从视觉上处理图像的方法来达到辅助临床诊断。对于脊椎图像分割和椎体相关信息的研究弥补现有的医学图像本身所存在的一些弱点，进而准确地识别出椎体图像中的椎体形态，并可以进一步对椎体的形态学进行量化计算。论文结合形态学与阈值分割方法相结合的脊椎图像分割方法，结果表明该方法可以很好的解决传统阈值算法中所存在的过分割等一些问题，可以很好的为临床上脊椎疾病的诊断提供帮助。

[1]熊立志，陈立潮，潘理虎.基于多尺度轮廓结构元素的多形状边缘检测[J].计算机应用研究，2012，29（9）:3497-3500.

[2]冯炎.基于对比度补偿的古籍图像二值化算法研究[J].微电子学与计算机，2016，33（4）:50-55.

[3]李杨，彭瑞云.中国生物医学体视学发展现状与展望[J].中国体视学与图像分析，2016，21（1）:66-75.

[4]邓彩霞，土贵彬，杨鑫蕊.改进的抗噪形态学边缘检测算法[J].数据采集与处理，2013，28（6）:739-744.

[5]曹蕾，占杰，余晓愕，等.基于自动阈值的CT图像快速肺实质分割算法[J].计算机工程与应用，2008，44（12）:178-181.

[6]Shokhan M H.An efficient approach for improving canny edge detection algorithm [J].International Journal of Advances in Engineering and Technology，2014，7（1）:59-65.

[7]吴鹏，徐洪玲，宋文龙，等.基于非线性四阶图像插值的亚像素边缘检测算法[J].哈尔滨工程大学学报，2015，36（2）:1-6.

[8]Abhishek Gudipalli，Ramashri Tirumala.Comprehensive edge detection algorithm for satellite images[J].World Applied Sciences Journa1，2013，28（8）:1024-1047.

[9]刘清，林上胜.数学形态学的边缘检测算法研究[J].计算机工程与应用，2008，44（35）:188-189.

[10]马蒙蒙，顾梅花，杨婷婷，等.基于各向同性高斯的Canny边缘检测改进算法[J].电子设计工程，2016，24（8）:131-134.

[11]黄剑玲，邹辉.结合LOG算子和小波变换的图像边缘检测方法[J].计算机工程与应用，2009，45（21）:115-117.

[12]王军，毕龙，白建萍，等.显微CT与组织切片技术在骨形态计量研究中的比较[J].中国矫形外科杂志，2009，17（5）:381-384.

[13]SHUI Peng-Lang，ZHANG Wei-Chuan.Noiserobust edge dete ctorcombining isotropic and anisotropic Gaussian kernels[J].Pattern Recognition，2012，45（2）:806-820.

[14]刘超，周激流，何坤.基于Canny算法的自适应边缘检测方法[J].计算机工程与设计，2010，31（18）:4036-4039.

[15]蒲国林，邱玉辉.基于增强布谷鸟算法的彩色图像多阈值分割[J].电子设计工程，2016，24（12）:8-13.

[16]薛诚尤，聂万胜，何博.基于基元反应的总包机理建模及算法优化[J].火箭推进，2015(1)：36.

Application of spine images segment and extract information

LI Gun，LIU Huan，KE Shan-qun
（School of Electronic Information Engineering，Xi'an Technological University，Xi'an 710021，China）

In view of some disadvantages of the traditional threshold segmentation algorithm，an improved threshold segmentation algorithm is proposed by combining the digital morphology and the threshold segmentation algorithm，the results show that the improved threshold segmentation algorithm to segment after spine image compared to the segmentation of the traditional methods of image.In a large extent reduces over segmentation phenomenon and in the aspect of noise suppression also outperforms other traditional medical image segmentation method.Finally，the distance between the vertebrae，the spine adjacent vertebrae thickness and its change rate are all calculated，all of them provide for further clinical reference.

threshold segmentation； medical image； segmentation； optical image processing

TN911.73

A

1674－6236（2017）16-0183-04

2016-07-02稿件编号：201607007

西安工业大学校长基金(XAGDXJJ14011)

李 滚（1982—），男，江苏宿迁人，博士，讲师。研究方向：医学信号处理及其应用。