CT圖像椎骨分割的局部模糊主動輪廓方法

蔣冬梅，張建州，閆 超

四川大學 計算機學院，成都 610064

CT圖像椎骨分割的局部模糊主動輪廓方法

蔣冬梅，張建州，閆 超

四川大學 計算機學院，成都 610064

1 引言

隨著科技的進步，面對計算機久坐的辦公人員越來越多。因而，患椎骨病變的人數增多，并且越來越年輕化，如腰椎間盤突出等。目前，臨床上診斷腰椎疾病的常用方法是借助于計算機斷層攝影技術，簡稱CΤ（Computer Τomography）。CΤ椎骨的分割對計算機的輔助診斷和外科手術具有重要的意義。

人體結構很復雜，而CΤ圖像又是反映人體各組織器官的復雜圖像，因而CΤ圖像的灰度值分布不均勻，對于同一器官，不同部位的組織也有差別，在CΤ圖像上表現為同一組織器官內部的灰度值分布不均勻，并且其對比度較低，還有噪聲的影響，從而，使CΤ圖像的分割較為困難，成為醫學圖像處理的嚴峻挑戰。

目前，針對醫學圖像的分割問題，專家們研究得較多且效果也較好的方法是基于CV模型的圖像分割[1-5]，該方法與初始輪廓位置無關，它定義輪廓曲線的能量函數，并運用水平集方法使輪廓曲線延能量降低的方向動態演化，直到找到目標邊界[6-8]。水平集方法具有拓撲變化的特點，李春明等人在文獻[9-10]中提出了局部二值擬合（Local Binary Fitting，LBF）算法，該算法基于水平集的理論，利用局部區域內像素的加權信息，因而具有局部性，這使灰度值不均勻的醫學圖像的分割效果在一定程度上得到了改善，對血管圖像的分割效果較好。文獻[7]中提出了一種基于局部區域的CV（LCV）模型，該方法對于血管圖像的分割效果較好。文獻[8]中，提出了一種基于模糊能量主動輪廓方法，該方法在輪廓演化中，用的是全局像素灰度值的平均值，可以將椎骨輪廓完整檢測出來，但由于CΤ灰度值分布不均勻，導致對CΤ椎骨的過分割現象。

上述的LBF和LCV算法對血管的分割效果較好，但對CΤ椎骨的分割不完整。本文針對CΤ灰度值分布得不均勻導致模糊能量主動輪廓方法的過分割現象，對其所用的全局像素灰度值的平均值，用高斯窗內灰度值的加權平均值代替，從而使均值為局部化的均值，這可以緩解灰度值分布不均勻的現象，從而能較好地分割出CΤ椎骨。

2 理論基礎

2.1 基于模糊能量的主動輪廓模型（FEAC模型）

FEAC模型[8]是基于CV模型[1]的改進，主要是對能量函數模型的改進，其能量函數F(C，c1，c2，u)的形式如下：其中u(x)是定義輪廓C的函數，在C的內部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)為待處理的圖像。固定公式（1）中的u時，使能量函數F(C，c1，c2，u)最小化時，求得c1和c2的表達式分別如下：

由公式（2）和（3）可知，c1和c2分別是曲線C內部和外部的全局的均值。固定c1和c2，得u的表達式如下：

2.2 圖像反轉

所取的CΤ原圖像窗寬和窗位的CΤ值分別是400 Hu（亨氏單位）和40 Hu，在做分割處理前，先將DICOM格式的CΤ圖像保存為BMP的格式。從灰度直方圖可知，椎骨內部的灰度值大多分布在150～200之間，經反轉后，則在55～105之間，從文獻[11]可知，經反轉后，會增強人眼視覺的分辨力。

2.3 高斯濾波

高斯平滑濾波對去除服從正態分布的噪聲有很好的效果，對隨機噪聲的去處效果也比較好。

原始的圖像在拍攝獲取和傳輸的過程中會受到隨機噪聲的干擾，使圖像質量下降，并且醫學圖像的灰度值分布也不均勻，椎骨內部的灰度值分布也是很不均勻，因而對圖像中目標的分割在很大程度上帶來不利的影響，為了改善圖像的質量，要對圖像進行平滑處理。本文采用高斯濾波的方法，使圖像更為平滑，更利于目標椎骨的分割。

3 改進的模糊能量主動輪廓模型

在FEAC模型中，由于c1和c2分別是輪廓曲線C內部和外部的全局平均值，因而得到的是全局的圖像分割結果，而醫學圖像的信息非常復雜，目標的灰度值范圍較大，因而，出現了過分割現象，本文采用文獻[9]中的局部化方式對能量函數進行改進，即得能量函數F(u，f1，f2)表達如下：

其中，Kσ為高斯核函數，*為卷積運算符號。

再固定f1(x)和f2(x)，使能量函數最小化，求得關于u進化的表達式如下：

在計算時H(?)取值如下：

算法步驟如下：

4 CT椎骨分割的具體實現

實驗環境：Intel?Pentium?4 CPU 2.80 GHz內存1 GB，GHOSΤXP專業版V9.2，MAΤLAB R2009（a）。

參數的選取為λ1=1，λ2=1，m=0.02，ε=0.3，K=400，Δ=0.5。

第一步：CΤ椎骨圖像預處理的步驟如下：

（1）圖像反轉：這是根據椎骨部分的灰度值分布情況，將圖像反轉后可以增強人類的視覺效應。

（2）高斯濾波：高斯濾波去除圖像中的隨機噪聲。

第二步：用LFEAC的方法對出來后的圖像進行椎骨的分割，主要步驟見第3章的算法步驟。

5 實驗結果及分析

給出了一幅CΤ圖像的處理過程：圖1（a）是CΤ椎骨原圖像。

圖1 圖像預處理過程

其中圖1（b）是（a）通過反轉后的圖像，（c）是（b）經過高斯濾波后的圖像。

圖2是用CV方法對圖1（c）的椎骨進行檢測后的圖像。其中，（a）圖上面的白色曲線即為椎骨的輪廓曲線，（b）是用穩定后的矩陣u生成的圖片，也即分割出來的椎骨區域。

圖2 用CV法分割效果

圖3是用FEAC的方法對圖1（c）中椎骨檢測的結果。其中，（a）圖上面的白色曲線即為目標椎骨的輪廓曲線，（b）是用穩定后的輪廓生成的圖片，也即分割出來的椎骨所在區域部分的圖片。

圖3 用FEAC法分割效果

圖4是用LFEAC法對圖1（c）中椎骨的檢測結果。其中，（a）圖像里面的白色曲線即為目標椎骨的輪廓曲線，（b）是用穩定后的矩陣u生成的圖片，也即分割出來的椎骨所在區域部分的圖片。

圖4 用本文的LFEAC法分割效果

圖5是用本文的LFEAC法對腹部CΤ椎骨的分割效果。

圖5 用LFEAC法對腹部椎骨的分割

從圖2～5的對比可以看出，圖2用CV的方法分割的圖片很不完整，在椎骨內部有很多輪廓先包圍的小區域；圖3用FEAC的方法分割的圖片也不完整，但比CV的方法要好些，該方法分出了椎骨的大輪廓，但非椎骨區域也有很多小輪廓，椎骨內部也有小輪廓；圖4、圖5用本文的LFEAC方法進行分割的效果較好，很完整地得到了椎骨的輪廓，椎骨內只有一個很小的輪廓。從圖2～5中明顯可知，LFEAC的方法對醫學CΤ椎骨圖像的分割具有很好的效果。

6 結論與展望

本文對局部模糊能量主動輪廓法進行改進，并用該方法對醫學CΤ圖像椎骨進行分割。實驗結果表明該方法能較好地分割出椎骨，為椎骨的病變診斷提供了重要的基礎。但本文的結果不是很理想，主要是由于椎骨內部的灰度值分布不均勻，導致內部出現少許小輪廓，并且在椎骨的外部分割出了一些沒有用的信息，這還需要進一步的努力去解決。

[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]楊青，何明一.改進CV模型的醫學圖像分割[J].計算機工程與應用，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，楊佳鋒，王保保.基于無需要重新初始化CV模型的醫學圖像分割[J].電子科技，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.結合人眼視覺特性的紅外圖像增強新技術[J].紅外與激光工程，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）

針對醫學CΤ圖像灰度值分布不均勻的問題，由于模糊能量主動輪廓（FEAC）模型用全局灰度信息對圖像進行分割，導致過分割現象。對該方法作出改進，即一種局部化FEAC（LFEAC）模型，利用局部的加權平均值代替全局的均值。將該方法用于醫學CΤ圖像椎骨分割，實驗表明分割效果比FEAC模型和CV模型好。

醫學圖像；計算機斷層攝影技術（CΤ）椎骨；圖像分割；局部模糊能量活動輪廓

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.

蔣冬梅（1986—），女，碩士，主要研究領域：計算機視覺。E-mail：jdmsjc@163.com

2011-11-17

2011-12-23

1002-8331（2013）15-0201-03