基于邊緣生長法的醫(yī)用超聲圖像特定區(qū)域邊緣提取

王明星

(唐山弘慈醫(yī)院， 河北， 唐山 063020)

0 引言

醫(yī)學超聲影像在現(xiàn)代臨床診療過程中發(fā)揮著重要的輔助作用，不僅能夠呈現(xiàn)患者特定部位的病變信息，還能夠在手術(shù)過程中引導(dǎo)醫(yī)師準確地找到目標部位。然而，由于對比度較差，再加上成像過程中散斑噪聲的干擾，使得醫(yī)學超聲影像的清晰度尚不能達到清晰辨識的要求，診療過程中所需的邊緣提取也無法較好地實現(xiàn)[1]。為此，本文采取預(yù)處理的方法去除影像噪聲并增強其清晰度，同時提出一種基于邊緣生長法的區(qū)域邊緣提取算法將影像中目標區(qū)域邊緣像素點的灰度值與設(shè)定的闕值進行比較，結(jié)合邊緣特征實現(xiàn)特定區(qū)域邊緣的提取。

1 醫(yī)學超聲影像的預(yù)處理

1.1 降噪預(yù)處理

通過B超掃描獲取的原始人體脊椎醫(yī)學影像如圖1所示。

圖1 人體脊椎B超影像

設(shè)備發(fā)出的超聲波在人體器官組織中相互疊加或抵消后返回接收器，按照干涉理論，在此過程中具有相同頻率與振動方向以及固定相位差的多條聲波在某些區(qū)域被強化，而在某些區(qū)域則被減弱甚至消失，這就是超聲影像中散斑噪聲的產(chǎn)生機理。除了這種乘性噪聲以外，超聲影像中還包含由電磁干擾和系統(tǒng)波動所產(chǎn)生的加性噪聲。

超聲影像的預(yù)處理流程如圖2所示。

圖2 超聲影像預(yù)處理流程

超聲影像中的噪聲干擾總量[2]為

F[x,y]=H[x,y]×M[x,y]+A[x,y]

(1)

式中，F(xiàn)[x,y]代表原始超聲影像，H[x,y]代表經(jīng)過降噪處理的超聲影像，M[x,y]代表乘性噪聲，A[x,y]代表乘加性噪聲，x、y代表影像中各像素點的位置坐標。

由于加性噪聲所造成的干擾極小，可以在計算過程中忽略不計，因此式(1)可簡化為

F[x,y]=H[x,y]×M[x,y]

(2)

通過同態(tài)濾波對乘性噪聲進行處理，式(2)兩側(cè)同時取對數(shù)后可轉(zhuǎn)換為[3]

logF[x,y]=logH[x,y]+logM[x,y]

(3)

將圖1中矩形框部分的影像提取出來并依次進行小波降噪、對數(shù)變換、指數(shù)變換處理，得到圖3(a)所示的影像，經(jīng)過對比可見，經(jīng)降噪處理后原始影像中的大量散斑噪聲被有效去除，不同區(qū)域的邊緣較原始圖像清晰度有所提升。通過中值濾波后進一步提升了降噪效果，如圖3(b)，最后設(shè)定的灰度閾值將圖3(b)轉(zhuǎn)化為二值影像，得到圖3(c)所示的影像，在該圖中各區(qū)域邊緣已經(jīng)很容易區(qū)分辨認。

(a)

1.2 超聲影像的增強

人體不同器官組織的聲阻抗差別并不大，因而超聲影像的對比度往往較低，必須采取一定的措施進行影像增強。圖3(b)所對應(yīng)的灰度直方圖如圖4(a)所示，由該圖可見影像像素點灰度值范圍為0.36～0.86。通過灰度增強的方式將圖3(b)的灰度值提高到0～1，具體方式為

grey[x,y]=

(4)

式中，grey[x,y]代表(x,y)像素點的灰度值。增強處理后得到圖4(b)所示的灰度直方圖。

(a) 圖3(b)的灰度直方圖

經(jīng)過增強處理的超聲影像如圖5所示，由該圖可見影像的整體清晰度得到了明顯的改善。

圖5 降噪、增強后的超聲影像

2 區(qū)域邊緣提取

2.1 算法設(shè)計

本文采用邊緣生長法對超聲影像中各區(qū)域的邊緣進行提取，將影像中目標區(qū)域邊緣位置像素點的灰度值與設(shè)定的閾值逐一進行比較，結(jié)合邊緣處所具有連續(xù)性、平滑性的特征進行選擇排除。該方法的實現(xiàn)結(jié)果如圖6所示。

步驟1 設(shè)定計算參數(shù)。選定部分顏色較深區(qū)域為提取側(cè)，在此基礎(chǔ)上進行參數(shù)設(shè)定，如圖6(a)所示。

像素點灰度闕值T1為用以判斷當前像素點的位置是否在提取側(cè)。設(shè)grey[x,y]為(x,y)坐標處像素點的灰度值，若[x,y]位于提取側(cè)內(nèi)，當設(shè)定T1=0.2時，則式(5)成立：

grey[x,y]≤T1

(5)

連續(xù)閾值T2為檢測邊緣點過程中連續(xù)找到位于提取側(cè)的邊緣點的數(shù)量，在這里設(shè)定T2=2。

(a) 設(shè)定計算參數(shù)

提取鄰域Dc是以當前像素點為中心，由其周圍N×N個像素點所形成的正方形區(qū)域，在這里設(shè)定N=9。

步驟2 選定計算起始點[4]。如果是開放型邊緣則應(yīng)選取邊緣線2個端點中的1個作為計算起始點，同時設(shè)定該點的生長延伸方向。在這里，生長方向通過該點切線與垂直方向的夾角θ表示，其取值范圍為-180°～+180°。根據(jù)影像的具體形式，應(yīng)自下而上掃描左邊線，利用各點灰度值與闕值的比較結(jié)果確定第一個邊緣點，在矩陣Dp中記錄該點的坐標值，其中橫坐標記為Dp[1,1]，縱坐標記為Dp[1,2]，同時測定θ的角度并將其記為Dp[1,3]。

步驟3 候選邊緣點搜索。在這里需要首先做出如下定義。

方向環(huán)：以鄰域Dc的中心點為圓心，以某一起始點為起點，逆時針連接各像素點所形成的封閉式圓環(huán)。在設(shè)定N=9的條件下，Dc鄰域內(nèi)共包括4個方向環(huán)，由里向外依次編號為1、2、3、4。

像素點方向角θ：Dc內(nèi)除圓心以外的任意像素點和圓心的連線與垂直方向的夾角。

方向環(huán)的優(yōu)先選擇區(qū)域：鄰域內(nèi)每個方向環(huán)的優(yōu)先選擇區(qū)域不同。對于1號方向環(huán)來講，其優(yōu)先選擇區(qū)域為與中心點θ值之差的絕對值為90°的像素點；2、3、4號方向環(huán)的優(yōu)先選擇區(qū)域與中心點θ值之差的絕對值分別為75°、50°、45°。

由里向外選取以計算起始點為中心的Dc鄰域內(nèi)的方向環(huán)，將其上各點的灰度值代入式(5)以確定其是否位于提取側(cè)，根據(jù)方向角θ來確定每個方向環(huán)的起始點和邊緣點的優(yōu)先選擇區(qū)域，若在搜索過程中已經(jīng)發(fā)現(xiàn)一個以上的符合條件的候選邊緣點，則結(jié)束在當前方向環(huán)的搜索過程直接開始在下一個方向環(huán)上進行搜索，否則就需要重復(fù)搜索過程到最后一個點。若某個像素點位于提取側(cè)內(nèi)且已發(fā)現(xiàn)至少T2-1個像素點同樣位于提取側(cè)內(nèi)，那么可將該點列為候選邊緣點。以上判定條件可總結(jié)為，假設(shè)某個方向環(huán)上的第m個像素點的灰度值為grey[m]，該點被列為候選邊緣點的條件為以下各式同時成立：

grey[m-1]≤T1

(6)

grey[m]≤T1

(7)

grey[m+1]>T1

(8)

步驟4 搜索新邊緣點。將已找到的候選邊緣點的θ值與計算起始點的θ值進行比較，找出連續(xù)性最強的那一組，記為新邊緣點，同時將其坐標值與θ值列入Dp矩陣中。每個方向環(huán)上只能選取最多一個新邊緣點。

步驟5 提取新邊緣點。以Dp矩陣中的最后一個點為Dc鄰域的中心點，重復(fù)步驟(3)、(4)，通過計算獲取該點的θ值。連續(xù)提取邊緣點，在干擾點的影像下，提取出的區(qū)域邊緣線存在不連續(xù)的情況[5]。

步驟6 結(jié)束邊緣點提取。需要根據(jù)邊緣的具體形式確定邊緣提取的結(jié)束條件，例如開放邊緣的提取結(jié)束條件為已搜索到影像邊緣，封閉邊緣的提取結(jié)束條件為Dp矩陣中再次出現(xiàn)計算起始點的坐標值。

步驟7 強化邊緣點連續(xù)性。根據(jù)提取邊緣點的連續(xù)性情況做出適當補充，使其呈現(xiàn)出更好的連續(xù)性。

步驟8 邊緣線增強。對于具有較高分辨率的超聲影像，由多個單點連接而成的邊緣線清晰度較差，此時可采取增加邊緣線寬度的方式對邊緣線進行增強，如圖6(b)所示。

2.2 超聲影像邊緣提取

運用邊緣生長法按以下步驟人體脊椎超聲影像的邊緣進行提取。

步驟1 設(shè)定計算參數(shù)。選定部分顏色較深區(qū)域為提取側(cè)，設(shè)定像素點灰度闕值T1=0.32，連續(xù)闕值T2=2，提取鄰域Dc像素點個數(shù)N=9。

步驟2 選定計算起始點。從上邊線自左向右掃描，利用各點灰度值與闕值的比較結(jié)果確定第一個邊緣點，在矩陣Dp中記錄該點的坐標值，其中橫坐標記為Dp[1,1]，縱坐標記為Dp[1,2]，同時將測定θ的角度-10°記為Dp[1,3]。

步驟3 搜索候選邊緣點。以計算起始點為鄰域Dc的中心點搜索其周圍的候選邊緣點。

步驟4 搜索新邊緣點。找出連續(xù)性最強的一組邊緣點，同時將其坐標值與θ值列入Dp矩陣中。每個方向環(huán)上只能選取最多一個新邊緣點。

步驟5 提取新邊緣點。以Dp矩陣中的最后一個點為Dc鄰域的中心點，重復(fù)步驟(3)、(4)，通過計算獲取該點的θ值。

步驟6 結(jié)束邊緣點提取。搜索到影像右側(cè)邊緣時結(jié)束提取邊緣點。

步驟7 強化邊緣點連續(xù)性。根據(jù)提取邊緣點的連續(xù)性情況做出適當補充，以強化邊緣點連續(xù)性。

步驟8 邊緣線增強。增加提取側(cè)邊緣線寬度，以增強邊緣線的清晰度。

3 算法應(yīng)用與先進性分析

采用多種邊緣提取算法對圖1所示影像中的矩形域邊緣進行提取，以驗證本文提出的邊緣生長法相對于其他算法是否具有性能優(yōu)勢。通過本文邊緣生長法提取的脊椎邊緣結(jié)果如圖7(a)所示。利用Sobel算子[6]提取的脊椎邊緣如圖7(b)所示。采用LoG算子[7]對影像進行邊緣提取的結(jié)果分別如圖7(c)所示。

3.1 算法準確性及連續(xù)性對比

通過圖7中所有提取結(jié)果的對比可見，利用Sobel算子、LoG算子提取出的脊椎邊緣普遍存在數(shù)量較多的假性邊緣點，且Sobel算子提取結(jié)果中右側(cè)出現(xiàn)的垂直線是在影像降噪時所產(chǎn)生的假性邊緣線。由于邊緣生長法是在N×N大小的鄰域內(nèi)進行邊緣的提取，因此所獲取的邊緣線是真實的，雖然同樣受到了一些噪聲的干擾，但仍能夠準確地提取出脊椎邊緣，由此可見邊緣生長法相對于其它算法具有更高的準確性。

(a) 本文算法提取

利用LoG算子從影像中提取出的脊椎邊緣出現(xiàn)了較多的斷點，其他幾種算法的提取結(jié)果都具有較好的連續(xù)性。采用邊緣生長法提取區(qū)域邊緣時，所有搜索到的邊緣點坐標都統(tǒng)一列入Dp矩陣中，且通過適當補充保持了邊緣線的連續(xù)性，又以增加寬度的方式提升了邊緣線的清晰度，因此提取出了圖8所示的連續(xù)性更好且更加清晰的脊椎邊緣，其中圖8(a)為本文算法提取后的局部放大圖，圖8(b)為采用LoG算法提取后的局部放大圖。

(a) 本文算法提取后的局部放大

3.2 算法運行效率對比

對于影像中區(qū)域邊緣的提取，與其他幾種算法相比，邊緣生長法具有以下特點：

1) 無需進行影像轉(zhuǎn)換，能夠直接從灰度影像中提取出特定區(qū)域的邊緣，其他幾種算法需要將原始影像轉(zhuǎn)換為二值影像后再進行邊緣提?。?/p>

2) 采用邊緣生長法提取區(qū)域邊緣時只需針對邊緣附近位置的像素點進行計算，由此節(jié)省了大量非邊緣點的計算時間；

3) 依據(jù)邊緣點的θ值可對優(yōu)先選擇區(qū)域內(nèi)的像素點進行計算，一旦檢測到邊緣點即可進入下一個方向環(huán)進行像素點的計算和判斷。

在相同的軟硬件環(huán)境中分別通過上述各種算法[8-10]對圖1原始影像中的脊椎邊緣進行提取，每種算法的總運行時間如圖9所示。數(shù)據(jù)可見，邊緣生長法的邊緣提取運行時間遠低于其他幾種算法，由此可證明該算法的運行效率更高。

圖9 不同算法的邊緣提取時間

4 總結(jié)

原始的醫(yī)用超聲影像對比度較低，且由于成像過程中散斑噪聲的干擾清晰度也并不理想，因此必須采取措施進行影像降噪和增強。本文采取小波降噪、對數(shù)變換、指數(shù)變換的方式進行影像變換和預(yù)處理，有效去除了干擾，降低了影像噪聲。同時，為了從轉(zhuǎn)換后的影像中提取出清晰的區(qū)域邊緣，提出了一種基于邊緣生長法的邊緣提取方法，選取邊緣附近的一個像素點作為計算起始點，通過設(shè)定的闕值在其鄰域內(nèi)搜索邊緣點，最終獲取清晰的特定區(qū)域邊緣線。實際應(yīng)用結(jié)果表明，本文所提出的算法相對于其他同類算法具有更好的連續(xù)性、準確性和更高的運行效率。