生物醫(yī)學圖像預處理和分割算法實驗研究

沈 楠

(淮北師范大學 計算機科學與技術學院，安徽 淮北 235000)

0 前言

醫(yī)學影像技術的日益成熟使得各種醫(yī)學影像設備在醫(yī)院中大量使用。如何應用計算機圖像處理技術進行圖像處理和分析，輔助醫(yī)生診斷，具有重大的應用前景。生物大分子圖像處理是指對獲得的生物大分子圖像施加一系列圖像處理達到預期的結果，包括多種格式的圖像的讀取和存儲、圖像的線性和非線性變換、效果增強和重建，然后實現(xiàn)圖像的目標分割和特征提取，最終實現(xiàn)圖像的目標識別或者是實現(xiàn)目標的測量等。按照生物大分子圖像對象的處理目的不同可以將這些關鍵技術分為三個主要層面，即獲取的生物大分子圖像的降噪處理、圖像的生物大分子分割和目標分析、圖像的醫(yī)學相關目標的理解和識別。[1]

對生物大分子圖像預處理的目是消除圖像的冗余信息，增加圖像信息的可檢性，簡化要處理的數(shù)據(jù)或者改善圖像的可視性，提高圖像分割和特征抽取的準確性，降低圖像處理的數(shù)據(jù)運算量，為后面的模式識別和醫(yī)學目標理解奠定基礎。常用的圖像預處理算法包括圖像的線性或非線性變換、圖像降維、多種插值算法等。圖像預處理是圖像識別的必須步驟，但圖像預處理只是涉及圖像的基本性質，目的是為后續(xù)操作除去冗余信息，簡化運算，不涉及對圖像的理解。

圖像分析側重于對圖像中感興趣的目標進行有效分割，其目的是獲取醫(yī)學大分子圖像的特征數(shù)據(jù)，并在提取特征的基礎上對特征進行有效的描述。圖像分析在圖像識別中屬于最重要的操作，因為只有通過分析圖像獲取有效的圖像特征，才能實現(xiàn)圖像的正確理解，才能探索圖像特征數(shù)據(jù)的屬性和屬性之間的聯(lián)系，從而實現(xiàn)醫(yī)學大分子圖像內(nèi)容所代表的醫(yī)學信息的理解和分析。圖像理解主要是為完成特定的任務，基于獲取的圖像特征數(shù)據(jù)進行深入分析，得到有用的信息。例如通過數(shù)據(jù)庫技術將獲取的待檢測的圖像特征數(shù)據(jù)和和已有的醫(yī)學圖像數(shù)據(jù)庫進行對比，包括相似度匹配和相似性評估，并依據(jù)特征數(shù)據(jù)和標準數(shù)據(jù)的近似程度來推定待檢測的醫(yī)學圖像的特性和相關分類。圖像理解是圖像識別過程中的高層次操作，但最終對醫(yī)學圖像的分析并得出有效結論需要借助醫(yī)學相關知識和醫(yī)學專家積累的經(jīng)驗。[2]

本文通過研究醫(yī)學圖像預處理算法和分割算法，提高學生對數(shù)字圖像處理的理解。首先,應用基于邊緣定向增強的各向異性擴散抑噪法和彩色圖像增強方法對冷凍電子斷層掃描生物大分子圖像進行降噪和數(shù)據(jù)清洗；然后，采用參數(shù)自整定的區(qū)域生長的圖像分割算法和邊緣檢測算法對冷凍電子斷層掃描生物大分子圖像進行分割處理和生物大分子提取；最終，通過大量的實驗得出的數(shù)據(jù)計算出生物大分子的提取率。

1 圖像預處理

對醫(yī)學圖像采集，圖像來源于多種醫(yī)學影像設備。采集過程中由于不同傳感器的熱噪聲、光源和環(huán)境光的光照等原因的影響了圖像質量，影響圖像處理和分析的結果。因此，對圖像進行分析之前，圖像的降噪、圖像的多種集合變換、顏色分解和清洗等步驟非常關鍵。對于由于圖像亮度、曝光和對比度造成的圖像分辨率不足，需要進行圖像對比度增強，一般采用圖像灰度均衡化、自動白平衡和均值濾波等方法增強圖像的對比度。而對于噪聲的影響，一般都是高頻噪聲，通過對圖像進行降噪處理，一般采用邊緣定向增強的各向異性擴散抑噪方法來實現(xiàn)。

1.1 基于圖像邊緣增強的多向異性定向擴散的圖像降噪方法

圖像邊緣增強和圖像相干增強擴散算法主要基于圖像邊緣方向較大擴散和垂直方向擴散較小的思路來實現(xiàn)邊緣數(shù)據(jù)的提取。邊緣增強雖然有合理的擴散特征根，但不能對邊緣進行有效定向。采用相干增強擴散技術彌補了上述缺點，但其擴散張量特征值忽略了光滑區(qū)域與邊緣區(qū)域的差別，在光滑區(qū)域會產(chǎn)生假性邊緣，影響圖像的質量。[3]本文針對冷凍電鏡生物大分子圖像的噪聲信息建立了一個邊緣定向增強的降噪方法，降噪后效果如圖1所示。

圖1 邊緣定向增強的各向異性擴散降噪方法的實驗結果(a)生物大分子圖像;(b)降噪后的效果

對比圖1中(a)和(b)，原圖像中的圓形生物大分子的邊緣處出現(xiàn)輕度模糊狀態(tài)，經(jīng)過降噪處理后的邊緣較為清晰分明，圖像的背景部分區(qū)域也變得更加清晰。原因是降噪后圖像的各向異性擴散方程在降噪過程中對邊緣有更好的保護作用，得到的圖像更加清晰逼真。同時，該方法對圖像有一定的增強作用，有利于下一步的圖像增強和生物大分子的提取。

1.2 圖像灰度均衡化和中值濾波

灰度均衡化的目的是增強醫(yī)學圖像的全局明暗的層次，特別是當圖像像素的明暗程度比較接近的時候。通過灰度均衡化，可以提高圖像局部的明暗對比度而不影響整體的明暗程度。這種方法對一些醫(yī)學圖像的背景亮度和前景亮度很明亮或者非常暗時效果很好，[4]這種方法尤其對本次實驗中的生物大分子圖像，能夠彌補曝光過度或者曝光不足的影響，使圖像呈現(xiàn)更多的細節(jié)，而且該方法是一個可逆操作，能夠無損地恢復原始圖像，計算量也不大。圖像灰度均衡化后如圖2(a)所示。

圖像均值濾波法是一種有效的信號處理技術，它通過非線性擬合的方式將單一像素點的灰度值設置為鄰域周圍所有像素點平均灰度值來實現(xiàn)。均值濾波的原理是把序列中一點的值用該點周邊鄰域中各點的均值替換，目的是消除隨機的噪聲。[5]中值濾波后的圖像如圖2(b)所示。

圖2 生物大分子圖像灰度均衡化和中值濾波的實驗結果(a)灰度均衡化效果;(b)中值濾波效果

2 基于區(qū)域生長方法的圖像閾值分割

區(qū)域生長(region growing)按照預定的規(guī)則將圖像通過聚類方法，將單一像素發(fā)展到子區(qū)域，再發(fā)展成更大區(qū)域的過程。[6]區(qū)域生長的具體實現(xiàn)步驟是由圖像某一像素區(qū)域作為種子生長點，生長點可以是單個像素，可以是一個小的像素區(qū)域，將具有相似特征如圖像的亮度、對比度、紋理顏色等的單個種子點的鄰像素整合為種子的生長點。基本思路體現(xiàn)了迭代的過程，通過圖像中所有種子的像素點的迭代生長成區(qū)域，這些區(qū)域通過閉合邊界的多邊形來定義。

區(qū)域生長將圖像中具有相似性質的像素集合起來構成大的區(qū)域。首先需要從待分割的區(qū)域找到一個像素點作為生長的種子，將種子鄰域中與該像素有相似性質的像素合并到種子像素的區(qū)域。將形成的新的區(qū)域作為新的種子重復上面的過程，直到所有滿足條件的像素加入生長區(qū)域。[7]這樣，一個區(qū)域就長成了。

對圖像進行閾值分割的目的是實現(xiàn)基于圖像的色彩信息和生物大分子細胞形態(tài)特征提取生物大分子。分割系統(tǒng)以生物大分子為種子，基于生物大分子與背景之間顏色的不同，以HIS顏色空間中的顏色分量H(飽和度)的值為基礎，采用區(qū)域生長的方法得到生物大分子。但是由于生物大分子顏色的不均勻性和模糊性，使得區(qū)域生長的結果中生物大分子邊緣部分不清晰，與真實的生物大分子輪廓有一定差異，因此，需要對大分子白細胞輪廓作修正。其主要算法流程如圖4所示，包括初始化和循環(huán)兩個模塊。初始化模塊選取初始種子，然后初始化堆棧，將種子點壓入隊列。循環(huán)模塊確定當隊列為空時為循環(huán)結束條件，從隊列中取出頂元素的鄰域點，對于二維圖像，取八鄰域，對于三維圖像，取六鄰域。采用比較簡單的方法定義相似度條件：假設隊列頂端元素的灰度值為gc，當前相鄰點灰度值為gn，種子點的灰度值為gs，nv、cv為用戶設定的值，定義當│gc-gn│≤nv且│gs-gn│≤cv時，滿足相似度條件。最后，當相鄰點滿足相似度條件，則將其壓入堆棧繼續(xù)循環(huán)，如果不滿足則跳出循環(huán)，結束程序。

圖3 區(qū)域生長算法流程

經(jīng)區(qū)域生長算法進行圖像分割處理后的生物大分子圖像如圖4所示。

圖4 區(qū)域生長分割圖

圖4中，圖像中的大分子已經(jīng)較明顯分割出來，但背景較暗，得到的大分子圖像不是連通區(qū)域，不能看出生物大分子的細節(jié)，特別是原本比較模糊的分子不易識別。因此，需要進一步處理才能提取大分子。

3 基于Sobel模板邊緣檢測的生物大分子圖像二次分割

圖像邊緣檢測的目的是對圖像中一些像素亮度變化較大的點進行標注。因為圖像的亮度、色度等參數(shù)的變化反映了圖像代表的重要信息的變化，包括某些顏色分量的數(shù)據(jù)變化較大，呈現(xiàn)強度、方向上的不連續(xù)，體現(xiàn)圖像的屬性變化。[8]邊緣檢測技術是機器視覺和圖像處理領域一個重要的研究方向。

3.1 應用Sobel模板進行邊緣檢測的算法分析

Sobel算子屬于對應一階導數(shù)的正交梯度算子。對一個在x和y都連續(xù)的函數(shù)f(x,y)，兩個分量分別是沿X和Y方向的一階導數(shù)：

(1)

這個矢量的幅度和方向角分別為：

mag(f)=|

(2)

φ(x,y)=arctan(Gy/Gx)

(3)

對每個像素需要應用以上的計算公式進行計算，包括采用對應較小區(qū)域的卷積模板進行近似計算。(3)式中的Gx和Gy分別用對應的模板，兩個模板結合成一個有效的梯度算子。Sobel的模板是3×3的模板，通過類似卷積的方式將3×3模板對圖像上每個位置的像素進行計算得到中心像素的梯度值，[9]其二次分割效果如圖5。

圖5 Sobel模板邊緣檢測后的圖像結果

由圖5中可知，生物大分子被準確地提取出來了，并且成為連通區(qū)域，背景明顯減弱，生物大分子能夠較為明顯的顯示出來，成功提取出了生物大分子。

4 結論

本文研究了基于圖像預處理和圖像分割的實驗過程，并應用于生物醫(yī)學圖像，通過對冷凍電子斷層掃描的生物大分子圖像進行圖像預處理和圖像分割，有效降低了冷凍電鏡圖像中的冰粒對生物大分子的影響，提高了生物大分子的提取率及醫(yī)學圖像信息提取的準確性。通過實驗，學生掌握了圖像預處理和圖像分割的方法，認識到圖像處理在其他領域的重要性，增強了學習圖像處理的興趣。