肺部CT分割算法实现

肺部CT分割算法实现

蒋黎丽，吕英华

北京邮电大学通信网络综合技术研究所，北京（100876）

E-mail： blueriffle@https://www.360docs.net/doc/0d5040885.html,

摘要：医学图像分割技术发展至今，其相关算法的可谓种类繁多，层出不穷，但依然无法完全满足人们的实际需求。针对医学图像的特点，研究更有效的医学图像分割方法有着重要意义。本文重点介绍了医学图像分割算法中的基于小波的分割算法，并对肺CT图像进行切割，得到较好的实验结果。

关键词：肺，CT图像，分割

中图分类号：TP

1. 引言

近年来，随着计算机及其相关技术的迅速发展及图形图像技术的日渐成熟，使得该技术渗入医学领域中，开创了数字医疗的新时代。自20世纪90年代起，借助计算机影像处理与分析、计算机图形学、虚拟现实和计算机网络等技术的医学影像处理与分析，一直是国内外研究与应用的热点，也逐渐形成了具有特色的一门交叉学科。借助图形图像技术的有力手段，使得诊疗水平大大提高[1]。

医学图像分割技术发展至今，其相关算法的可谓种类繁多，层出不穷，但依然无法完全满足人们的实际需求。包括：无法完全用数学模型来简单描述人们说面临的实际问题；图像结构性质的千差万别；导致图像退化性质迥异以及人们对分割结果预期目标互不相同等。这些都决定了难以实现一种通用的分割方法。因此，针对医学图像的特点，研究更有效的医学图像分割方法有着重要意义。

2. 图像分割技术

图像分割（image segmentation）是一种重要的图像技术，它不仅得到人们广泛的重视和研究，也在实际中得到大量的应用。其实在不同领域中说到的目标轮廓技术、阈值化技术、图像区分或求差技术、目标检测技术、目标识别技术和目标跟踪技术等，这些技术本身或核心实际上也是图像分割技术[2]。

因此，围绕着图像分割的研究，至今为止，产生了许多分割技术。这里，根据处理图像性质的不同将分割算法划分为两类：一类就是对一般的数字图像进行处理的算法，称为传统的分割技术；一类就是对特殊的数字图像（例如医学图像等）进行处理的算法。

2.1传统的分割技术

这里所说的传统的分割方法是指那些已经被人们广泛运用于图像分割的方法，这些方法的特点就是经过时间的验证，对一些常用而比较普遍的图像分割处理问题能比较理想的解决。但是现在社会的高速发展必定会提出更高层次的分割问题，所以我们必须要发掘新的理论领域来结合图像的特征要求，从而发现新的方法。

传统的分割算法有阀值分割算法，边缘检测算法，腐蚀运算，边界跟踪与拟合，直方图等算法，这里就不详细说明。本文重点介绍下面的基于小波的分割技术。

2.2基于小波的分割技术

2.2.1小波变换简介

小波变换是近年得到广泛应用的数学工具。与傅立叶（Fourier ）变换、窗口傅立叶变换（Gabor 变换）相比，小波变换是空间（时间）和频率的局域变换，因而能有效地从信号中提取信息。它通过伸缩和平移等运算对函数或信号进行多尺度细化分析，解决了傅立叶变换不能解决的许多困难问题，因而被誉为“数学显微镜” [3]。作为多尺度多通道分析工具，小波变换为信号在不同尺度上的分析和表征提供了一个精确和统一的框架。从图像分割的角度看，小波变换的以下几个优点值得注意：

1．小波分解可以覆盖整个频域（提供了一个数学上完备的描述）；

2．小波变换通过选取合适的滤波器，可以极大地减少或去除所提取的不同特征之间的相关性；

3．小波变换具有“变焦”（zooming ）特性，在低频段可用高频率分辨率和低时间分辨率（宽分析窗口），在高频段可用低频率分辨率和高时间分辨率（窄分析窗口）；

4．小波变换实现上有快速算法（Mallat 小波分解算法）[4]。

设函数()x ψ，满足()0x dx ψ+∞

?∞=∫，用尺度因子S 对()x ψ进行放缩得到一组函数()(/)/s x x S S ψψ=，则在位置处，函数f(x)的尺度为S 的小波变换定义为：

[()]()()()()S s s W f x f x t f x x t dt

ψψ+∞

?∞

=?=

?∫

2.2.1

其中()x ψ称为小波函数，上式称为连续小波变换式。

如尺度S 以二进方式离散取值，2i

S =（i 是整数），则可得到相应的二进小波变换：

22[()]()()

i i W f x f x t ψ=? 2.2.2

反变换为

22()[()]()

i

i i f x W

f x r x +∞

=?∞

=

?∑ 2.2.3

其中r(x)为重构小波函数，其傅立叶变换为：

(2)(2)1

i

i

i w R w ψ+∞

=?∞

=∑ 2.2.4

小波变换可利用半带低通和半带高通滤波器来实现。一般来说的小波变换仅对低通滤波器的输出递归进行。如图2.10所示，给出对2-D 图像的二级分解示意图，其中在每个尺度上分解为四个频道，即LL ，HL ，LH ，HH 。这也称为金字塔结构小波分解。

图2.10 2-D 图像的二级小波分解示意图

如果不仅对低通滤波器的输出进行递归分解，而且也对高通滤波器的输出进行递归分解，这称为小波包变换。如图2.11所示，对2-D 图像的小波包变换形成四叉树结构，给出二级分解的示意图。

图2.11 2-D 图像的二级小波包分解示意图

2.2.2二进小波变换

在实际应用中，特别是计算机信号与图像处理方法的实施中，为了确定有效算法，只考

虑离散抽样。对于连续小波来说，若取尺度

2,j

a j z =∈，并仅考虑时间轴上的进值2j

b K =，而不是所有的b Z ∈，就可以实现均匀离散抽样，由此形成的小波是二进小波[5]。

当信号频带为有限时，移位因子同样可被二进离散化。假定小波函数()x ψ的尺度和移位因子经离散化后可写成

,/2

1

()(),,2

2m n m m x

x n m n Z ψψ=

?∈ 2.2.5

函数

2

()()f x L R ∈对应的二进小波变换便可被写成 *,/221()(),()()()22m m n m m x

W f n f x x f x n dx ψψ∞?∞≤≥?∫ 2.2.6

称此为离散二进小波变换。

离散小波变换具有以下的特性： 1．

,()

j k x ψ是小波函数()x ψ在尺度上的伸缩和时频上的平移得到的。随的变化，

,()

j k x ψ在频域上处于不同的频段上，随k 的变化，

,()

j k x ψ在时域上处于不同的时段。

2．尺度j 增大时，

,()

j k x ψ在时域上伸展，在频域上收缩，中心频率降低，变换的时域

分辨率降低，频域分辨率提高；尺度j 减小时，

,()

j k x ψ在时域上收缩，在频域上伸展，中

心频率升高，变换的时域分辨率提高，频域分辨率降低。

综上可见，离散小波变换时一种多分辨率的时－频分析。 2.2.3多分辨率分析及Mallat 算法

小波变换中，当尺度a 较大时视野宽而分析频率低，可以作概貌的观察；当尺度较小时视野窄而分析频率高，可以作细节的观察；但不同a 值下分析的品质因数（中心频率域带宽之比）却保持不变。这种又粗到细地对事物进行的逐级分析称为多分辨率分析，亦称多尺度分析，是小波分析的核心内容之一，其分析过程符合人类视觉特点和思维方式。它的基本思想是将原始信号按不同分辨率分解为多个信号，然后选择合适的分辨率或者同时在各级分辨率上对该信号进行分析处理。

多分辨率分析是由Mallat 提出的，可用于正交小波的分解和重建，也称金字塔算法，或Mallat 算法[6]。

关于多分辨率的理解，下面以一个三层的分解予以说明，其小波分解树如图2.12可以看出，多分辨率分析只是对信号的低频部分进行进一步的分解，而对高频部分则不予考虑。分解具有关系S=A3+D3+D2+D1。依此类推可进行更多层次的分解。

图2.12小波多尺度分解

定义1 空间2()L R 中的多分辨分析是指2

()L R 中满足如下条件的一个空间序列

{}j j z V ∈:

1） 单调性：1j j V V +∈,对于任意j Z ∈； 2） 逼近性：

{0}j

j Z

V

∈=U ，2{}()j close V L R ∞

?∞

=I ；

3） 伸缩性：1()(2)j j f t V f t V +∈?∈；

4） 平移不变性：k Z ?∈，有/2

/2(2

)(2)j j j j j j t V t k V ????∈??∈；

5）Riesz 基存在性：存在0()j t V ?∈，使得/2

{(2)}j j t k k Z ???∈构成j V 的Riesz 基。

对于条件5，可以证明，存在0()j t V ?∈，使它的整数平移系/2

{(2

)}j j t k k Z ???∈构成

j V 的规范正交基，称()t ?为尺度函数。若定义函数,()j k t ?为：

/2,()2(2)j j j k t k ????=? ,j k Z ∈ 2.2.7

则函数系,{()}j k t k Z ?∈是规范正交的。 尺度函数和小波函数满足二尺度差分方程：

0()()(2)k t h k t k ??∞

=?∞

=?∑ 2.2.8

1()()(2)k t h k t k ψ?∞

=?∞

=?∑ 2.2.9

其中0()h k ，1()h k 是加权系数。二尺度差分方程揭示了相邻尺度下小波函数和尺度函 数之间的联系，是多分辨率分析中小波函数和尺度函数的一个重要性质。用小波对信号进行分析时，需要先求小波基函数，求小波基主要集中在求尺度函数上。具体做法是首先找到一个()t φ函数，使它既能满足二尺度差分方程又能满足频域Riesz 条件，然后将()t φ转换为归一正交基，则小波基可由尺度函数()t φ的平移和伸缩的线性组合获得。

在上述多分辨率分析的基础上，下述两个定理给出了如何通过滤波器组实现信号的小波变换及反变换。

定理1：令()j a k ，()j d k 是多分辨率分析中的离散逼近系数，0()h k 、1()h k 是满足二尺度差分方程的两个滤波器，则()j a k 、()j d k 存在如下递推关系：

10

()()(2)j j

n a k a n h n k ∞

+=?∞

=?∑ 2.2.10

11

()()(2)j j

n d k a n h n k ∞

+=?∞

=

?∑

2.2.11

如果令j 由0逐渐增大，即可得到多分辨率的逐级实现。

定理2：若1()j a k +、1()j d k +由上两式得到，则()j a k 可由下式重构：

1

1()()(2)()(2)j j

j n n a k a k h k n d

k h k n ∞∞

+=?∞

=?∞

=

?+?∑∑ 2.2.12

若j 递减，则整个重构过程正好是逆过程。

定理1、定理2给出的迭代算法即是一维情形下的Mallat 小波快速分解重构算法。

因为图像信号为二维信号，所以把小波变换推广到二维：令12(,)f x x 表示一个二维信号， x1 和x2分别是横坐标与纵坐标。设12(,)x x ψ为二维基本小波，12,,12(,)a r r x x ψ表示12(,)x x ψ的的尺度伸缩和位移：

12

1122

,,121(,)(

,)a r r x x x x a a a

ττψψ??= 2.2.13 则二维连续小波变换的定义为：

121122

1212,,1212121(,,)(,),(,)(,)(,)f a r r x x W T a f x x x x f x x dx dx a a a

ττττψψ??==

∫∫ 2.2.14 为把一维多分辨率分析推广到二维多分辨率分析。设：12(,)f x x 是2

()L R 二维实空间内的二维函数，尺度a 按2的幂级数做函数空间的二剖分，其基本尺度函数是

1212(,)()()x x x x φφφ=。有三个基本小波：

(1)1212(2)

1221(3)

1212(,)()()

(,)()()(,)()()

x x x x x x x x x x x x ψφψψφψψψψ?=?=??=? 2.2.15 在二维可分离的情况下，多分辨率分析可分为两步。如图2.13所示，先沿1x 方向分别用

11()()x x φψ作分析，把图像信号12(,)f x x 分解成平滑逼近和细节两部分，然后对这两部分

再沿2x 方向分别用2()x φ和2()x ψ分解，由此得到四路输出，其中有一路平滑逼近

112(,)A f x x 和三路细节输出(1)112(,)D f x x 、(2)112(,)D f x x 和(3)112(,)D f x x 对第j 级分析类

似于以上结果。重构过程为以上分解过程的逆过程。

图2.13 二维小波的多尺度分解

2.2.4多尺度边缘检测

多尺度一般指空间尺度（也有考虑灰度尺度的），它常与多分辨率的方法相联系。一般认为再较大尺度下常能较可靠地消除误检和检测到真正的边缘点，但在大尺度下对边缘的定位不易准确。相反，在较小尺度下对真正边缘点的定位常比较准确，但在小尺度下误检的比例会增加。所以可考虑先在较大尺度下检测出真正的边缘点，再在较小尺度下对真正边缘点进行较精确的定位。

小波变换和分析作为一种多尺度多通道分析工具，比较适合对图像进行多尺度的边缘检测[6]。例如可利用高斯函数的一阶和二阶导数作为小波函数，利用Mallat 算法分解小波，然后基于马尔算子进行多尺度边缘检测。这里小波分解的级数可以控制观察距离的“调焦”，而

改变高斯函数的标准差可选择所检测边缘的细节程度。小波变换的计算复杂度较低，抗噪声能力较强。理论证明以零点为对称点的对称二进小波适合检测屋顶状边缘，而以零点为反对称点的反对称二进小波适合检测阶跃状边缘。近年来多进制小波也开始用于边缘检测。另外，利用正交小波基的小波变换也可提取多尺度边缘，并可通过对图像奇异度的计算和估计来区分一些边缘的类型。

下面介绍一种利用对小波模极大值的计算来进行多尺度边缘检测的方法。

定义θ(x)为二维平滑函数，它在整个平面上的积分为1，并且它在x 或为无限远处收敛

到0。现定义两个小波函数

(1)()x ψ和(2)

()x ψ为： (1)(,)

()x y x x θψ?=? 2.2.16 (2)(,)

()x y x y θψ?=

? 2.2.17

这样，图像f(x,y)的小波变换的两个分量在尺度为S 时定义为：

(1)*(1)[(,)](,)S s W f x y f x y ψ= 2.2.18 (2)*(2)[(,)](,)S s W f x y f x y ψ= 2.2.19

对于二进小波变换，就有

(1)

222(2)22()(,)[(,)]22)(,)[(,)]()(,)i i i i i i i

f x y W f x y x f x y W f x y f x y y θθθ→

???

??????????==?????

???????????? 2.2.20

可以看出，式中小波变换的两个分量正比于梯度矢量2)(,)

i f x y θ→

??的两个分量。在

任一尺度2i

，梯度矢量的模等于

2[(,)]i M f x y = 2.2.21

梯度矢量与水平轴的夹角为：

(1)(2)222[(,)]arg([(,)][(,)])

i i i A f x y W f x y jW f x y =+ 2.2.22

2(,)(,)

i f x y x y θ?上变化剧烈的点就是沿着梯度方向

2[(,)]i A f x y 上模

2[(,)]

i M f x y 为局

部极大值的那些点。在θ(x,y)是高斯函数的特殊情况下，小波模极大值对外界的检测与坎尼算子对边界的检测是一致的。 2.2.5多分辨率阈值选取

小波变换的多分辨率能力也可用直方图分析，有一种基于直方图分析的阈值选取方法主要有以下两个步骤：

1）利用在粗分辨率下的直方图细节信息确定分割区域的类数 引入尺度函数φ(x)，它的傅立叶变换满足条件：

2

2

()()(2)

i ωωωΦ=Φ 2.2.23

可见，φ(x)相当于低通滤波器，这样图像直方图H(x)的低通分量为：

22[()]()()

i i S H x H x x φ=? 2.2.24

设原始图像直方图信号的分辨率为1，最低分辨率尺度为2I

，则尺度2I

和2i

之间的各阶小波变换为

{}

222(),1i I i W H x i I <<。对信号在尺度为2I

时被平滑掉的高频部分可以用

尺度在2I

和2i

之间的小波变换来恢复。这里集合22{[()]},[()],1}

I i S H x W H x i I ≤≤就是直

方图的多分辨率小波分解表示。

先在分辨率为2i

时确定初始的区域分割类数。这可通过判断直方图中独立峰的 个数来进行，这里要求独立峰应满足三个条件：①具有一定的灰度范围；②具有一定的峰下面积；③具有一定的峰谷差。

2）在直方图的相邻峰之间确定最优阈值

可利用多分辨率的层次结构进行。首先在最低分辨率一层进行，然后逐渐向高层推进，直到最高分辨率层。选高斯函数作为平滑函数()x θ，如再选小波函数为()x ψ：

22()

()d x x dx θψ=

2.2.25

则()x ψ对于对应的二进小波变换为：

2

2

2

22[()](2)[()()]i i i d W f x f x x dx θ=? 2.2.26

由上式可知小波变换的零交叉表示了在分辨率2i

时的低通信号

2()()

i f x x θ?，的剧烈

变化点。当尺度2i

减小时，信号的局部细节增多；而当尺度2i

增加时，信号中结构较大的轮廓比较明显。给定直方图，考虑其多分辨率小波分解表示的零交叉点和极值点来确定直方图的峰值点和谷点[7]。

图2.14直方图的峰点和谷点的确定

具体可用以下四个准则（参考图2.14所示）：

1）用从负值变化到正值的零交叉点确定峰的起点（图中各s 点）； 2）用从正值变化到负值的零交叉点确定峰的终点（图中各e 点）； 3）用起点和终点间的最大值点确定峰的位置（图中各T 点）；

4）用前一个峰的终点和后一个峰的起点间的最大值点确定这两个峰之间谷点的位置（图中各B 点）。

当分辨率逐渐增加时，阈值数目也会逐渐增加。可用最小距离判据来解决两相邻尺度之

间阈值并非一一对应的问题。设在两相邻尺度1

2i +和2i

所对应的阈值为

1j i T +和j

k T 。这样可对在最低分辨率一层选取的所有阈值逐层跟踪，最后选取相应的最高分辨率一层的对应阈值作为最优阈值。

2.2.6基于小波变换的阈值法分割

其基本思想是首先由二进制小波变换将图像的直方图分解为不同层次的小波系数，然后依照给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。整个分

割过程是从粗到细，由尺度变化来控制，即起始分割由粗略的2

()L R 子空间上投影的直方图

来实现，如果分割不理想，则利用直方图在粗细的子空间上的小波系数逐步细化图像分割。分割算法的计算量与图像尺寸大小呈线性变化。在这里，先介绍直方图的多分辨率分析。对

于每个整数j Z ∈（Z 是整数集合），j d

表示在分辨率下的二进制有有理数。因此，对于任何j Z ∈，j d 是一组在实数轴上等间隔采样点集合，如果i

表示低分辨（较粗）的

采样点；反之，i>j ，则

j

d 表示高分辨（较细）的采样点。假定f 表示为一幅图像，g 是图像

f 中最大灰度，则直方图表示为

{}()(,):(,);[0,]

f h k x y f x y k k

g ==∈ 2.2.28

式中，“

...

”表示计数操作，

()

f h k 是离散函数。令

()(),[,1]

f f h k h x x k k =∈+离散函数

()

f h k 表示成连续函数

()

f h x ，

()

f h k 看作是由几个分段常数函数组成。对于j Z ∈，f h

按

采样点

{}

j d 采样，则

j

f h 表示在分辨率下的直方图。进一步

j

f h 可以用Harr

尺度函数()x φ的平移与伸缩表示，即

1,01()0x x φ≤≤?=?

?其他

2.2.29

()(2)(2)

j j j f f n Z

h k h n x n φ??∈=?∑ 2.2.30

由于连续函数()

f h x 有若干个分段常数函数组成，存在阶梯现象，需用滤波操作平滑处

理函数

()

f h x ，去掉其高频成分。

对于多层表达曲线

()

f h x 的有两种表达方式

方式一：,,(),{}{,}

f k j k k f j k k Z

h x a a h φφ∈==∑ 2.2.31

在这里，

/2,()2(2);j j j k x x k φφ=??

表示内积。

方式二：

0,,,0()J

f k k j k j k

n Z

i k z

h x a b φψ∈=∈=+∑∑∑ 2.2.32

在这里

0,,,,{}{,},{}{,},{},{}

k f k j k f j k k j k a h b h a b φφ==统称为小波系数。根据式（2.2.31）

和（2.2.32），有两种阈值分割算法。

算法1[8]：对光滑的直方图曲线按式（2.2.31）进行多分辨分解，利用分解系数{}k a 从

粗到细，找出分割阈值。步骤如下：

1．预设分割区域为M ，分解级数2log ()j L =?L 为图像中的最大灰度值；

2．按上式分解曲线f

h ，得到

,{}{,}k j f j k k z

a h φ∈=；

3．从分解系数{}k j

a 找出满足

1l l a a ?>和1l l a a +<条件的标号l （灰度），并且统计标

号l 的个数；

4．如果n

{}k j

a 中找到多阈值

1,{}i n i i i

l δδ≥≥=

6．象素值与阈值

1,

{}i n i δ≥≥比较，标出其所在区域。

算法2[9]：对直方图进行小波分解，利用小波系数

,{{},{}}

k j k a b 按式（2.2.32）重建直

方图，从近似直方图中选择阈值，完成分割阈值。步骤如下：

1．预设分割区域为M ，分解级数2log ()J L =,L 为图像中的最大灰度值；

2．小波分解曲线f

h ,得到

,{{},{}}k j k a b 令=0,

,,{}{}

j k j k d b =

3．

,,{}{}

j k j k d b =将大于j 分解层次的

,{}

j k b 系数置为零，用式（2.2.32）重建，在重建

直方图~

f h 中，找出满足~

~

,1,f l f l h h +>和~

~

,1,f l f l h h ?>条件的标号l （灰度），并且统计标号l 的个数n ；

4．如果n

f h 中，找到多阈值1,{}i n i i i

l δδ≥≥=

6．象素值与阈值

1,

{}i n i δ≥≥比较，标出其所在区域。

3. 分割算法实现的结果与分析

由于肺部区域内部除肺泡之外包含了血管，小气管，淋巴管和神经，如果有的话还将包括病变组织，这就形成了它的多细节性。加上此类组织都很微小，所以要将它们分割出来必须要采取特定的数学工具。文中就采用了如上面详细描述的有“数学显微镜”之称的小波变换

的方法，很好地利用其的多分辨率的特性，求出肺实质中的多阈值，进行基于小波变换的多阈值分割。

具体实现方法：求出整个区域内CT 值的最大模值，然后就得到分解级数

2log ()1

j L =?+，其中

A

表示不大于A 的最大整数。对于每一个分解级数从小到大求出分解系数

,{}{,}k j f j k k Z a h φ∈=，其中

,j k

φ由Harr 尺度函数平移和伸缩得到。从分解系数

{}k j

a 中，找出满足

1l l a a ?>和1l l a a +<条件的标号l （灰度）。由此对于整个分解级数序列

可以相应的得到一个多阈值

1,

{}i n i δ≥≥从中选出最为理想的阈值（实验中采取的是它们的平均

值）作为最后小波变换得到的分割阈值。

图3.1 肺部CT 图像原始图

图3.2 肺CT图像分割结果

要分割的原始图像如图3.1所示，最后的分割结果如图3.2所示，可见肺区域内那些大大小小的非呼吸组织都能很好的被分割出来了，留下了整个肺部的呼吸组织。

4. 总结

以上结果可见，利用本文的方法能去除图像背景和位于胸腔中的大气管的干扰，正确地分割出肺实质，并保证左右两肺相互分开，最后通过小波变换的分割方法精确搜索和检测肺瘤组织。本文的方法简单、易于实现，且分割速度非常快，能对一个CT图像序列中的每一个图像分别采用阈值、基于形态学和小波变换相结合的方法，完全自动、准确地分割出图像序列中每一帧图像的肺部区域并剔除其中的病变组织。

参考文献

[1] 章毓晋，《图像分割》，科学出版社 2001.2

[2] 孙即祥，《图像分析》，科学出版社，2005.7

[3] 庄天戈，《CT 原理与算法》，上海交通大学出版社，1992.5

[4] 聂生东等，《自动分割CT 图像中肺实质的方法》，上海理工大学出版社，2000.9

[5] R.C.Gonzalez, R.E Woods, Digital Image Processing, Addison-Wesley, 2002

[6] 陈旭，庄天戈，胸部高分辨率CT 片中肺实质的自动分割，上海交通大学学报，2002

[7] R.Wiemker, Optimal thresholding for 3D segmentation of pulmonary nodulesin high resolution CT. International Congress Series, 2001

[8] 薛以锋等，基于CT 图像的肺结节计算机辅助诊断系统，中国医学物理学杂志，2006

[9] Samuel G. William F. Sensakovic. Automated lung segmentation for thoracic CT. Academic Radiology, 2004

The segmentation method for lung parenchyma of CT image

Jiang Lili，Lu Yinghua

Beijing University of Posts and Telecommunications, Beijing, PRC, (100876)

Abstract

There are many kinds of methods of segmentation with the development of medical image segmentation technology, but people’s practical requirement can not be satisfied. In the light of features of medical image, it is very important to search effective segmentation methods. This paper mainly introduces a segmentation method based on wavelet transform, and segmented the CT image of lung, and got a good result.

Keywords: lung , CT image , segmentation