CT圖像椎骨分割的局部模糊主動(dòng)輪廓方法

蔣冬梅，張建州，閆 超

四川大學(xué) 計(jì)算機(jī)學(xué)院，成都 610064

CT圖像椎骨分割的局部模糊主動(dòng)輪廓方法

蔣冬梅，張建州，閆 超

四川大學(xué) 計(jì)算機(jī)學(xué)院，成都 610064

1 引言

隨著科技的進(jìn)步，面對(duì)計(jì)算機(jī)久坐的辦公人員越來(lái)越多。因而，患椎骨病變的人數(shù)增多，并且越來(lái)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(jì)算機(jī)斷層攝影技術(shù)，簡(jiǎn)稱CΤ（Computer Τomography）。CΤ椎骨的分割對(duì)計(jì)算機(jī)的輔助診斷和外科手術(shù)具有重要的意義。

人體結(jié)構(gòu)很復(fù)雜，而CΤ圖像又是反映人體各組織器官的復(fù)雜圖像，因而CΤ圖像的灰度值分布不均勻，對(duì)于同一器官，不同部位的組織也有差別，在CΤ圖像上表現(xiàn)為同一組織器官內(nèi)部的灰度值分布不均勻，并且其對(duì)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(yī)學(xué)圖像處理的嚴(yán)峻挑戰(zhàn)。

目前，針對(duì)醫(yī)學(xué)圖像的分割問(wèn)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(wú)關(guān)，它定義輪廓曲線的能量函數(shù)，并運(yùn)用水平集方法使輪廓曲線延能量降低的方向動(dòng)態(tài)演化，直到找到目標(biāo)邊界[6-8]。水平集方法具有拓?fù)渥兓奶攸c(diǎn)，李春明等人在文獻(xiàn)[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(qū)域內(nèi)像素的加權(quán)信息，因而具有局部性，這使灰度值不均勻的醫(yī)學(xué)圖像的分割效果在一定程度上得到了改善，對(duì)血管圖像的分割效果較好。文獻(xiàn)[7]中提出了一種基于局部區(qū)域的CV（LCV）模型，該方法對(duì)于血管圖像的分割效果較好。文獻(xiàn)[8]中，提出了一種基于模糊能量主動(dòng)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(cè)出來(lái)，但由于CΤ灰度值分布不均勻，導(dǎo)致對(duì)CΤ椎骨的過(guò)分割現(xiàn)象。

上述的LBF和LCV算法對(duì)血管的分割效果較好，但對(duì)CΤ椎骨的分割不完整。本文針對(duì)CΤ灰度值分布得不均勻?qū)е履：芰恐鲃?dòng)輪廓方法的過(guò)分割現(xiàn)象，對(duì)其所用的全局像素灰度值的平均值，用高斯窗內(nèi)灰度值的加權(quán)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(xiàn)象，從而能較好地分割出CΤ椎骨。

2 理論基礎(chǔ)

2.1 基于模糊能量的主動(dòng)輪廓模型（FEAC模型）

FEAC模型[8]是基于CV模型[1]的改進(jìn)，主要是對(duì)能量函數(shù)模型的改進(jìn)，其能量函數(shù)F(C，c1，c2，u)的形式如下：其中u(x)是定義輪廓C的函數(shù)，在C的內(nèi)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(shí)，使能量函數(shù)F(C，c1，c2，u)最小化時(shí)，求得c1和c2的表達(dá)式分別如下：

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

2.2 圖像反轉(zhuǎn)

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(nèi)部的灰度值大多分布在150～200之間，經(jīng)反轉(zhuǎn)后，則在55～105之間，從文獻(xiàn)[11]可知，經(jīng)反轉(zhuǎn)后，會(huì)增強(qiáng)人眼視覺的分辨力。

2.3 高斯濾波

高斯平滑濾波對(duì)去除服從正態(tài)分布的噪聲有很好的效果，對(duì)隨機(jī)噪聲的去處效果也比較好。

原始的圖像在拍攝獲取和傳輸?shù)倪^(guò)程中會(huì)受到隨機(jī)噪聲的干擾，使圖像質(zhì)量下降，并且醫(yī)學(xué)圖像的灰度值分布也不均勻，椎骨內(nèi)部的灰度值分布也是很不均勻，因而對(duì)圖像中目標(biāo)的分割在很大程度上帶來(lái)不利的影響，為了改善圖像的質(zhì)量，要對(duì)圖像進(jìn)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(biāo)椎骨的分割。

3 改進(jìn)的模糊能量主動(dòng)輪廓模型

在FEAC模型中，由于c1和c2分別是輪廓曲線C內(nèi)部和外部的全局平均值，因而得到的是全局的圖像分割結(jié)果，而醫(yī)學(xué)圖像的信息非常復(fù)雜，目標(biāo)的灰度值范圍較大，因而，出現(xiàn)了過(guò)分割現(xiàn)象，本文采用文獻(xiàn)[9]中的局部化方式對(duì)能量函數(shù)進(jìn)行改進(jìn)，即得能量函數(shù)F(u，f1，f2)表達(dá)如下：

其中，Kσ為高斯核函數(shù)，*為卷積運(yùn)算符號(hào)。

再固定f1(x)和f2(x)，使能量函數(shù)最小化，求得關(guān)于u進(jìn)化的表達(dá)式如下：

在計(jì)算時(shí)H(?)取值如下：

算法步驟如下：

4 CT椎骨分割的具體實(shí)現(xiàn)

實(shí)驗(yàn)環(huán)境：Intel?Pentium?4 CPU 2.80 GHz內(nèi)存1 GB，GHOSΤXP專業(yè)版V9.2，MAΤLAB R2009（a）。

參數(shù)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(yù)處理的步驟如下：

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

（2）高斯濾波：高斯濾波去除圖像中的隨機(jī)噪聲。

第二步：用LFEAC的方法對(duì)出來(lái)后的圖像進(jìn)行椎骨的分割，主要步驟見第3章的算法步驟。

5 實(shí)驗(yàn)結(jié)果及分析

給出了一幅CΤ圖像的處理過(guò)程：圖1（a）是CΤ椎骨原圖像。

圖1 圖像預(yù)處理過(guò)程

其中圖1（b）是（a）通過(guò)反轉(zhuǎn)后的圖像，（c）是（b）經(jīng)過(guò)高斯濾波后的圖像。

圖2是用CV方法對(duì)圖1（c）的椎骨進(jìn)行檢測(cè)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(wěn)定后的矩陣u生成的圖片，也即分割出來(lái)的椎骨區(qū)域。

圖2 用CV法分割效果

圖3是用FEAC的方法對(duì)圖1（c）中椎骨檢測(cè)的結(jié)果。其中，（a）圖上面的白色曲線即為目標(biāo)椎骨的輪廓曲線，（b）是用穩(wěn)定后的輪廓生成的圖片，也即分割出來(lái)的椎骨所在區(qū)域部分的圖片。

圖3 用FEAC法分割效果

圖4是用LFEAC法對(duì)圖1（c）中椎骨的檢測(cè)結(jié)果。其中，（a）圖像里面的白色曲線即為目標(biāo)椎骨的輪廓曲線，（b）是用穩(wěn)定后的矩陣u生成的圖片，也即分割出來(lái)的椎骨所在區(qū)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(duì)腹部CΤ椎骨的分割效果。

圖5 用LFEAC法對(duì)腹部椎骨的分割

從圖2～5的對(duì)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(nèi)部有很多輪廓先包圍的小區(qū)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(qū)域也有很多小輪廓，椎骨內(nèi)部也有小輪廓；圖4、圖5用本文的LFEAC方法進(jìn)行分割的效果較好，很完整地得到了椎骨的輪廓，椎骨內(nèi)只有一個(gè)很小的輪廓。從圖2～5中明顯可知，LFEAC的方法對(duì)醫(yī)學(xué)CΤ椎骨圖像的分割具有很好的效果。

6 結(jié)論與展望

本文對(duì)局部模糊能量主動(dòng)輪廓法進(jìn)行改進(jìn)，并用該方法對(duì)醫(yī)學(xué)CΤ圖像椎骨進(jìn)行分割。實(shí)驗(yàn)結(jié)果表明該方法能較好地分割出椎骨，為椎骨的病變?cè)\斷提供了重要的基礎(chǔ)。但本文的結(jié)果不是很理想，主要是由于椎骨內(nèi)部的灰度值分布不均勻，導(dǎo)致內(nèi)部出現(xiàn)少許小輪廓，并且在椎骨的外部分割出了一些沒(méi)有用的信息，這還需要進(jìn)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(jìn)CV模型的醫(yī)學(xué)圖像分割[J].計(jì)算機(jī)工程與應(yīng)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(wú)需要重新初始化CV模型的醫(yī)學(xué)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(jié)合人眼視覺特性的紅外圖像增強(qiáng)新技術(shù)[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(duì)醫(yī)學(xué)CΤ圖像灰度值分布不均勻的問(wèn)題，由于模糊能量主動(dòng)輪廓（FEAC）模型用全局灰度信息對(duì)圖像進(jìn)行分割，導(dǎo)致過(guò)分割現(xiàn)象。對(duì)該方法作出改進(jìn)，即一種局部化FEAC（LFEAC）模型，利用局部的加權(quán)平均值代替全局的均值。將該方法用于醫(yī)學(xué)CΤ圖像椎骨分割，實(shí)驗(yàn)表明分割效果比FEAC模型和CV模型好。

醫(yī)學(xué)圖像；計(jì)算機(jī)斷層攝影技術(shù)（CΤ）椎骨；圖像分割；局部模糊能量活動(dòng)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(lǐng)域：計(jì)算機(jī)視覺。E-mail：jdmsjc@163.com

2011-11-17

2011-12-23

1002-8331（2013）15-0201-03