CT图像椎骨分割的局部模糊主动轮廓方法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (15): 201-203.

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

出版日期:2013-08-01 发布日期:2013-07-31

Vertebrae segmentation based on local fuzzy energy-based active contours

JIANG Dongmei, ZHANG Jianzhou, YAN Chao

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

Online:2013-08-01 Published:2013-07-31

摘要/Abstract

摘要： 针对医学CT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CT图像椎骨分割，实验表明分割效果比FEAC模型和CV模型好。

关键词: 医学图像, 计算机断层摄影技术（CT）椎骨, 图像分割, 局部模糊能量活动轮廓

Abstract: The gray values of the medical CT image are uneven distributed. The 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. This paper presents an improved model for FEAC. That is localized for FEAC（LFEAC）. In LFEAC model, instead of global gray value information it uses the local gray value information. This paper segments the medical CT vertebral with the method of LFEAC, and gets a satisfied result. The result is better than the result of FEAC model and CV model.

Key words: medical image, Computer Tomography（CT） vertebrae, image segment, Local Fuzzy Energy-based Active Contour（LFEAC）

蒋冬梅，张建州，闫超. CT图像椎骨分割的局部模糊主动轮廓方法[J]. 计算机工程与应用, 2013, 49(15): 201-203.

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

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	赵阳，张俊华. 多尺度特征融合的脊柱X线图像分割方法[J]. 计算机工程与应用, 2021, 57(8): 214-219.
[3]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.
[4]	董鹏，周烽，赵悰悰，王亚飞，米泽田，付先平. 基于双目视觉的水下海参尺寸自动测量方法[J]. 计算机工程与应用, 2021, 57(8): 271-278.
[5]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[6]	彭璟，罗浩宇，赵淦森，林成创，易序晟，陈少洁. 深度学习下的医学影像分割算法综述[J]. 计算机工程与应用, 2021, 57(3): 44-57.
[7]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[8]	高爽，徐巧枝. 迁移学习方法在医学图像领域的应用综述[J]. 计算机工程与应用, 2021, 57(24): 39-50.
[9]	刘锐，丁辉，尚媛园，邵珠宏，刘铁. COVID-19医学影像数据集及研究进展[J]. 计算机工程与应用, 2021, 57(22): 15-27.
[10]	周绍光，吴昊，赵婵娟，陈仁喜. 利用同质区特性的高光谱图像迁移学习分类[J]. 计算机工程与应用, 2021, 57(21): 224-233.
[11]	黎英. 迁移学习在医学图像分析中的应用研究综述[J]. 计算机工程与应用, 2021, 57(20): 42-52.
[12]	丁成，翁理国，夏旻，崔逸尘，钱俊豪，刘佳. 多注意力机制网络卫星图像分割算法[J]. 计算机工程与应用, 2021, 57(2): 223-229.
[13]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[14]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[15]	郭艳芬，崔喆，杨智鹏，彭静，胡金蓉. 基于深度学习的医学图像配准技术研究进展[J]. 计算机工程与应用, 2021, 57(15): 1-8.