基于改進Canny 算子的醫學圖像分割研究*

徐 立 武家敏 楊 洋 王宇晨 劉 亮

（內蒙古科技大學包頭醫學院計算機科學與技術學院 包頭 014040）

1 引言

醫學圖像分割是AI 智慧醫療領域的研究熱點，其任務是從醫學影像，如超聲圖像、X 線圖像、CT 圖像、MRI 等圖像中分割出病灶區域或器官組織區域［1］，進而為臨床醫師診斷提供依據，是AI 智慧醫療臨床應用的關鍵技術［2］。傳統的影像學診斷主要依賴于醫師的肉眼判別和臨床經驗，具有一定的主觀性［3～5］，同時，由于不同醫師之間的水平差異，以及醫師閱片量大等問題，極易造成漏診、誤診，延誤患者治療時機。AI 智慧醫療計算機輔助診斷成為解決這一問題的有效手段，其中，從醫學圖像中準確定位和分割出感興趣區域（ROI），即病灶區域或器官組織區域，是首要解決的技術難題［6～7］。

由于人體組織器官的復雜性和結構的多樣性、醫學成像設備固有噪聲、醫學影像數據量小等因素影響，對醫學圖像直接使用自然圖像分割算法往往難以取得理想效果［8～9］。邊緣檢測是一種經典的圖像分割算法，其原理是基于圖像中不同區域之間的灰度差異，特別是區域邊界，灰度值變化較大，通過求導運算檢測出不同區域的邊緣特征來解決區域分割問題［10～13］。在圖像分割算法中，常用的邊緣檢測算子有很多，不同的算子分割效果不同，其中，Canny算子應用最為廣泛［14～16］。但是在醫學圖像分割中，使用傳統Canny 算子分割效果較差，分割后病灶或器官組織區域的邊緣特征點連續性差，難以形成閉合區域，特別是在復雜細節區域極易出現大量細碎邊緣特征點，影響后續計算機AI 輔助診斷。因此，本文結合醫學圖像特點，提出多尺度融合病灶區域或器官組織特征，改進傳統的的Canny算子邊緣檢測醫學圖像分割算法，以實現醫學圖像的有效分割。

2 基于改進Canny 算子的邊緣檢測圖像分割算法

Canny 算子邊緣檢測算法是一個多級邊緣檢測算法，因其準確度高、定位性好、最小響應等優點，被認為是最優的邊緣檢測算法。但由于醫學影像不同于自然圖像，有多種成像模態，且組織結構復雜，圖像表現單一，病灶區域的紋理、界線、形狀等信息也比較模糊，因此，本文提出融合多尺度圖像特征，結合形態學方法進行圖像增強，改進傳統的Canny 算子邊緣檢測算法分割圖像后病灶或器官組織區域的邊緣特征點連續性差，無法形成閉合區域等問題，特別是高維細節區域的大量細碎邊緣特征，得以較好的表達，具體改進算法實現如下：

步驟1：讀取原始圖像進行灰度轉換等預處理操作；

步驟2：使用Canny算子進行初步的濾波分割，一般采用高斯濾波算法，先生成二維高斯分布矩陣：

再與灰度圖像進行卷積實現濾波：

步驟3：計算梯度值和方向。通過對灰度圖像求一階有限差分近似，使差商近似取代微商，再分別取x和y方向上相鄰的像素做差值運算替代求取x和y方向的一階偏導，得到灰度值的梯度，即變化率。

其中，f 為圖像的灰度值，P 為X 方向的梯度幅值，Q為Y 方向的梯度幅值，M 表示該點的幅值，θ為梯度方向，即角度。

步驟4：非極大值抑制，即沿著圖像梯度變化方向，比較像素點前后的梯度值，尋找其局部最大值。具體就是在沿其方向上鄰域的梯度幅值最大，則保留；否則，抑制。

步驟5：選取雙閾值，進行邊緣連接。選取高閾值TH 和低閾值TL，一般取TH=2TL或者3TL；取出非極大值抑制后圖像中的最大梯度幅值，重新定義高低閾值，即：TH×Max，TL×Max；舍棄小于低閾值的像素點，賦值為0，保留大于高閾值的像素點，賦值為1，即邊緣目標像素點；若介于二者之間，將大于TL、小于TH 的像素點使用8 連通區域確定，即，只有與TH像素連接時才會被接受，成為邊緣特征點，賦值為1；由于沒有標準確定閾值，自動檢測閾值可能會造成邊緣丟失、細節不突出等問題，所以根據專家經驗，選擇最優閾值。

步驟6：對處理后的初步邊緣分割的圖像，使用形態學方法來進行圖像增強，通過膨脹腐蝕交叉開運算對圖像進行二次處理，可以有效處理圖像中出現的一些細小的點，提取病灶區域或組織器官的細碎邊緣特征，進而得到邊緣細節增強、顯示效果較好的分割圖像。具體地說，腐蝕可以使目標區域范圍“變小”，其實質是使得圖像的邊界收縮，可以消除小且無意義的目標特征點：

上式表示用結構B腐蝕A，（x，y）為圖像上的像素點。膨脹會使目標區域范圍“變大”，將于目標區域黏合的背景點合并到該目標物中，使目標邊界向外部擴張，其實質就是用來填補目標區域中某些空洞，并消除包含在目標區域中的小顆粒噪聲：

上式表示用結構B膨脹A，（x，y）為圖像上的像素點。再結合開運算，可以去掉目標區域外的孤立特征點，消除噪聲點，在復雜纖細處分離目標邊緣特征，并且在平滑較大目標邊界的同時不改變其面積，形成形態學梯度，達到增強目標對象邊緣，抑制同質區域的目的。

Canny 邊緣檢測算子是根據信噪比與定位乘積進行測度，得到最優化逼近算子，其對噪聲點比較敏感，需要進行平滑處理，再計算兩個方向上的梯度，然后算出梯度的方向，梯度其實已經表示了目標輪廓，但為了進一步篩選，可以在不同角度方向上再取局部極大值，再通過設定高低閾值實現目標區域的粗分割，最后對處理后的粗分割圖像，使用形態學方法進行圖像增強，進一步提取病灶區域或組織器官的微小邊緣特征，得到顯示效果較好的分割圖像。改進的Canny算子邊緣檢測流程如圖1所示。

圖1 改進的Canny算子邊緣檢測流程圖

3 實驗與結果分析

3.1 實驗數據與參數設置

實驗分別選取了細胞顯微圖像、乳腺鉬靶X 線圖像作為實驗樣本，將改進的Canny 算子邊緣檢測算法應用到上述醫學圖像中，進行算法測試。實驗中，高閾值TH、低閾值TL 分別取TH =0.3 或0.2，TL =0.1，迭代次數為5000。選用Windows 10 系統、Intel i5 處理器，運行內存為8 GB，編程軟件為Matlab 2016a。

3.2 實驗結果與分析

對細胞顯微圖像、乳腺鉬靶X 線圖像分別使用傳統的Canny算子邊緣檢測算法和改進的Canny算子邊緣檢測算法進行對比分析，驗證本文所提算法的有效性。

3.2.1 傳統的Canny算子邊緣分割算法

從原始圖像中可以觀察到細胞顯微圖像的圖像特征較為分散，背景中有許多細微的顆粒；乳腺鉬靶X線圖像的組織結構較為復雜，這是由于乳腺圖像中包含有很多乳腺腺體組織、血管等，如圖2所示，直接使用傳統的Canny 算子分割細胞或乳腺組織會產生一些細線狀的噪聲，影像圖像分割效果，如圖3所示。

圖2 原始圖像

圖3 傳統的Canny算子邊緣檢測圖像分割實驗結果

由于細胞顯微圖像是RGB 彩色圖像，首先對其進行灰度化處理，由于圖像噪聲、閾值選取對分割區域質量的影響，運用傳統的Canny 算子邊緣檢測算法得到的分割效果如圖3（a）所示，由實驗結果可以看出，顯微細胞的目標邊緣雖然盡可能多地被提取出來，但由于細胞重疊、破損、細胞液等噪聲的干擾，一些噪聲點也被當成目標邊緣特征被提取；乳腺鉬靶X線圖像經灰度轉換預處理后，再采用傳統Canny 算子進行邊緣檢測處理，得到的乳腺組織邊緣圖像效果如圖3（b）所示，由實驗結果可以看出，傳統的Canny 算子提取乳腺組織的線狀特征效果較好，但由于乳腺圖像中存在著大量、豐富的血管，因而提取出來的邊緣特征就像一堆雜亂的線，圖像特征過于分散，乳腺腺體組織目標幾乎完全消失，分割效果不理想。

3.2.2 融合形態學圖像增強的改進Canny 算子邊緣檢測算法

改進的Canny 算子邊緣檢測算法利用高閾值、低閾值相互補充，融合形態學方法進行圖像增強，幾乎所有的目標邊緣信息都盡可能多地被保留，可以提取到較為完整的目標對象邊緣特征，如圖4 所示。

圖4 改進的Canny算子邊緣檢測圖像分割實驗結果

由實驗結果可以看出，對于邊緣輪廓清晰的目標對象，如完整的細胞顯微目標，因其邊緣特征明顯，與背景的對比度較高，噪聲點影響小，可以得到完整的細胞分割結果；對于有重疊部分、或者破損的細胞顯微圖像，因細胞本身有重疊、凹凸或破損的組織紋路，在圖像處理過程中極易將這些紋路當成目標分割邊緣，且重疊或破損的細胞目標跟背景的區分度較差，通過疊加使用形態學方法進行圖像增強處理后，實驗效果有明顯提升，如圖4（a）所示。這表明改進的Canny 算子邊緣檢測算法對細胞顯微圖像的分割效果較好，盡管還是有些噪聲點影響，但是已將大部分細胞目標與背景分割開來。

乳腺鉬靶X 線圖像作為一個復雜的組織結構，內部包含了乳腺腺體組織、血管等多種結構形態，圖像結構特征比較分散，此外，由于醫學成像設備的固有噪聲等影響，圖像受噪聲點干擾較大。在進行乳腺腺體組織目標圖像分割時，乳腺組織外部形態邊緣信息較完整，內部區域的組織結構復雜、亮度明暗交疊，其中亮度較暗的組織區域與背景區域顏色接近，而乳腺腺體組織往往集中于這個區域，整個乳腺圖像內部和外部的亮暗區別較大，僅靠灰度閾值分割不能很好地識別較暗的乳腺腺體組織區域，乳腺組織內部的細節信息很可能會丟失。傳統Canny 算子邊緣檢測算法對目標對象分割后，會有大量的噪聲點被當成目標邊緣一起提取出來，且乳腺腺體組織的邊緣比較模糊，特征點分散，導致分割效果較差。基于此，提出對乳腺鉬靶X線圖像進行雙階段處理，在傳統Canny 算子邊緣檢測算法基礎上，疊加形態學處理方法，如空洞填充、腐蝕等，融合形態學方法進行圖像增強后，乳腺腺體組織等邊緣特征得到有效提取，實驗結果表明可以得到較好的分割效果，如圖4（b）所示。

3.2.3 融合中值濾波的改進Canny 算子邊緣檢測算法

考慮濾波降噪、平滑處理的重要性，分析使用傳統Canny 算子分割后，病灶或器官組織區域的邊緣特征點連續性差，難以形成閉合區域，特別是在復雜細節區域極易出現大量細碎邊緣特征點等，是由于Canny 算子在濾波階段采用的是高斯濾波進行圖片平滑降噪，會把離散的邊緣特征點當做噪聲清除掉，導致檢測目標的邊緣信息丟失。

中值濾波是基于排序統計理論的一種能有效抑制噪聲的非線性信號處理技術，對脈沖噪聲有良好的濾除作用，特別是在濾除噪聲的同時，能夠有效保護信號的邊緣特征，使之不被模糊，這些優良特性是高斯濾波所不具有的，更適于醫學圖像平滑降噪。

其中，f(x，y)為原始圖像，Z(x，y)為處理后圖像，W是二維模板，通常為3*3或5*5區域。

基于此，本文提出采用中值濾波替代傳統Canny算子中的高斯濾波，盡可能的保留目標邊緣細節信息，再結合形態學方法進行圖像增強，得到最優的分割結果。實驗結果表明，對于目標區域與背景區域黏連，且圖像特征較為分散的醫學圖像，中值濾波可以取得較好的分割效果，如圖5所示。

圖5 中值濾波實驗結果

在讀取細胞顯微RGB 彩色圖像，對其預處理轉化為灰度圖像后，先進行二值化，再通過中值濾波進行平滑降噪處理，最后進行或運算選取二值圖像與經處理后圖像中的最優解。實驗中，選取3*3的濾波窗口，使用中值濾波進行的顯微細胞圖像處理，實驗結果如圖5（a）所示。由實驗結果可以看出，經中值濾波后的細胞顯微圖像分割處理效果更好，特別是對于噪聲點的處理，相對于高斯濾波，細胞內部的細節信息更多的被提取出來，細胞核突出，分割效果更優。

同樣，對乳腺鉬靶X 線圖像進行灰度轉換、二值化、確定最優閾值、再選取濾波窗口進行中值濾波，由于乳腺組織結構復雜，內部腺體組織、血管等邊緣特征不規則，為了增強分割效果，又增加了一次或運算，實驗結果如圖5（b）所示。由實驗結果可以看出，對于乳腺鉬靶X線圖像中亮度較暗的內部腺體組織區域，融合中值濾波后會丟失細小的、不規則的邊緣特征信息，但大部分腺體組織區域的信息被提取出來，分割效果較好。

3.3 算法分析

由圖4、圖5的實驗結果可以看出，細胞顯微圖像中獨立的細胞與背景區域區分較明顯，在背景中占比較大，分割效果較好；重疊的細胞單層區域亮度較亮，重疊區域亮度偏暗，二者區別較大，單一閾值處理會造成目標分割不均勻，如，選取接近上半部分的閾值，顯微圖像中較暗的區域信息就會丟失，選取接近下半部分的閾值，圖像中較亮的部分區域信息就會失真，但這部分細胞占比較小，因此，處理后細胞顯微圖像的提取效果是可以滿足目標分割需求的，細胞的整個形態分割較為完整，雖然有細胞重疊、破損、殘缺、組織液等噪聲存在，會形成一些噪聲點，但整體分割效果良好；乳腺鉬靶X線圖像較為復雜，乳腺中有很多腺體組織、血管等會影響目標分割效果，而且整個乳腺圖像中有亮暗不同的區域組成，會造成部分細節信息的缺失，但整個乳腺組織的分割效果較好。通過疊加中值濾波，在目標對象上重復進行平滑去噪，目標圖像分割效果比高斯濾波效果好。細胞顯微圖像的亮暗區域區分很明顯，圖像分割后細胞目標的整個形狀較完整，進行取反運算后，細胞內部的細節方面得到較大程度的保留，細節特征清晰；采用高斯濾波進行乳腺X 線圖像處理，會使得部分目標區域缺失，而且噪聲特征點的濾除效果也較差，采用本文所提方法可以最大限度地保留邊緣細節特征信息，得到較好的圖像分割效果。總體說來，對于邊緣特征明顯的顯微細胞圖像，融合中值濾波算法后分割效果得到提升；對于乳腺鉬靶X 線圖像，雖然組織結構和圖像特征比較復雜，但融合中值濾波的處理效果較好，目標紋理細節得到最大程度的保留。

綜合上述實驗結果可以看出，對于顯微細胞類的規則圖像，邊緣輪廓特征明顯，圖像特征比較集中，采用改進的Canny 算子邊緣檢測算法進行目標分割可以得到較好的細胞分割效果；對于組織結構復雜的乳腺鉬靶X線圖像，由于腺體組織邊緣輪廓特征模糊，圖像特征點較為分散，采用Canny 算子結合形態學方法進行圖像增強，進行分割后得到的圖像效果較好。相較于傳統的Canny 算子，改進Canny 算子邊緣檢測算法處理醫學類圖像效果更好。

4 結語

本文提出的融合多尺度醫學圖像特征，結合形態學方法進行圖像增強的改進Canny 算子邊緣檢測算法，解決了傳統算法分割圖像后病灶或器官組織區域的邊緣特征點連續性差，無法形成閉合區域等問題，特別是圖像細節區域的細碎邊緣特征，得以較好的表達，對于醫學類圖像具有較好的分割效果。