鐘娟 賴宏慧
摘 要:隨著計(jì)算機(jī)圖像技術(shù)的飛速發(fā)展,醫(yī)學(xué)圖像處理漸漸地在從人工識別向計(jì)算機(jī)自動識別的方向發(fā)展。星型膠質(zhì)細(xì)胞,是哺乳動物腦內(nèi)分布最廣泛的一類細(xì)胞,也是膠質(zhì)細(xì)胞中體積最大的一種。其細(xì)胞圖像的特性,給圖像的邊緣檢測不習(xí)慣分割技術(shù)帶來很大的難度,星型膠質(zhì)細(xì)胞圖像處理也即將成為研究者熱門的課題。
關(guān)鍵詞:星型膠質(zhì)細(xì)胞;醫(yī)學(xué)圖像;邊檢檢測;圖像分割
邊緣是圖像最基本的特征,指周圍像素灰度有變化的那些像素集合,主要表現(xiàn)為圖像局部特征的不連續(xù)性,也就是通常說的信號發(fā)生突變的地方。圖像邊緣包含了圖像大量的信息,邊緣檢測是圖像處理領(lǐng)域中的基本問題之一,檢測結(jié)果的精準(zhǔn)程度,對后續(xù)特征提取、目標(biāo)識別、圖像重建、圖像匹配以及定量分析等諸多方面有著重要影響。醫(yī)學(xué)圖像已成為臨床診斷、病理分析、跟蹤治療、遠(yuǎn)程醫(yī)學(xué)交流的重要途徑。在對醫(yī)學(xué)圖像進(jìn)行處理的過程中,邊緣檢測的結(jié)果會直接影響到后續(xù)的治療過程。
1 醫(yī)學(xué)圖像處理技術(shù)發(fā)展的現(xiàn)狀與意義
新型成像技術(shù)以及設(shè)備的更新?lián)Q代和計(jì)算機(jī)技術(shù)的迅猛發(fā)展,使得醫(yī)學(xué)圖像處理技術(shù)對醫(yī)學(xué)科研和臨床實(shí)踐的作用、影響日益增大。從檢測設(shè)備獲取來的醫(yī)學(xué)圖像經(jīng)過醫(yī)學(xué)圖像處理技術(shù)處理后,使科研人員和臨床工作者對人體內(nèi)部正常和病變位置的觀察更加直觀、更加清晰,提高了確診率,為臨床診斷和生物醫(yī)學(xué)研究提供了強(qiáng)有力的保證。因此,醫(yī)學(xué)圖像處理技術(shù)一下被國內(nèi)外相關(guān)研究人員所重視,而醫(yī)學(xué)圖像分割是圖像處理技術(shù)中的一個(gè)經(jīng)典難題,不僅是進(jìn)行圖像分析和識別首要解決的問題,同時(shí)也是制約醫(yī)學(xué)圖像處理中可視化、不同模態(tài)圖像配準(zhǔn)和融合、三維重建等相關(guān)技術(shù)發(fā)展與應(yīng)用的瓶頸[1]。
2 醫(yī)學(xué)圖像分割的意義
醫(yī)學(xué)圖像分割就是把醫(yī)學(xué)圖像中特定的解剖器官或者病灶提取出來,是自動進(jìn)行圖像模式識別的一個(gè)特別重要的處理步驟,以及用于人體器官、組織或病灶的尺寸、體積或容積的測量。也是低層次圖像處理發(fā)展到高層次圖像理解的橋梁。此外,也用于基于內(nèi)容的醫(yī)學(xué)圖像數(shù)據(jù)庫檢索研究。通過建立醫(yī)學(xué)圖像數(shù)據(jù)庫,可對醫(yī)學(xué)圖像數(shù)據(jù)進(jìn)行語義學(xué)意義上的存取和查找??梢哉f,沒有有效可行的醫(yī)學(xué)圖像分割方法,研究人員就無法利用計(jì)算機(jī)自動分析醫(yī)學(xué)圖像,無法實(shí)現(xiàn)高層次的圖像理解。
3 星型膠質(zhì)細(xì)胞圖像的特性
星型膠質(zhì)細(xì)胞,是哺乳動物腦內(nèi)分布最廣泛的一類細(xì)胞,也是膠質(zhì)細(xì)胞中體積最大的一種。細(xì)胞圖像成樹根狀,由細(xì)胞中心向四周發(fā)散,盡管是放大數(shù)十倍的圖像用肉眼似乎也很難看出細(xì)胞中心輻射的范圍,因?yàn)橛行┖苄〉摹爸δ贝嬖?。這將給用醫(yī)學(xué)圖像處理技術(shù)對星型膠質(zhì)細(xì)胞圖像進(jìn)行邊緣檢測并分割帶來很后續(xù)的問題,導(dǎo)致很多傳統(tǒng)的圖像邊緣檢測算法將不再適用。
4 星型膠質(zhì)細(xì)胞圖像的邊緣檢測與分割
醫(yī)學(xué)圖像處理技術(shù)是醫(yī)療領(lǐng)域發(fā)展不可或缺的一部分,用圖像處理技術(shù)對醫(yī)學(xué)圖像進(jìn)行分割、識別、定量分析成為了臨床輔助診斷和醫(yī)學(xué)研究的重要工具。利用圖像分割技術(shù)對細(xì)胞圖像進(jìn)行分割,提取精確的細(xì)胞輪廓,是下一步進(jìn)行細(xì)胞形態(tài)分析和定量計(jì)算的基礎(chǔ)。
圖像邊緣檢測過程如圖1所示,原始的圖像大都是彩色的,首先對圖像進(jìn)行灰度處理,以便設(shè)置閾值后利用灰度值的不同來檢測邊緣點(diǎn);其次,對圖像進(jìn)行增強(qiáng)處理,圖像鄰域或局部強(qiáng)度值有明顯變化的點(diǎn)突出出來;然后是檢測,最簡單的邊緣檢測判斷依據(jù)就是對梯度幅值閾值進(jìn)行判斷;最后進(jìn)行定位,確定圖像的邊緣位置,以便后續(xù)進(jìn)行分割處理。
5 星型膠質(zhì)細(xì)胞圖像邊緣檢測與分割存在的問題與發(fā)展趨勢
邊緣檢測是圖像處理和理解的基本課題之一,一個(gè)好的邊緣檢測算法和方法應(yīng)該具備可以正確地檢測有效邊緣、精度高地定位邊緣、無漏檢現(xiàn)象、不對噪聲敏感等特點(diǎn)[2]??赏@些特點(diǎn)之間是互相矛盾的,所以很難找到一種適合的、能滿足以上所有的要求邊緣檢測方法加之星型膠質(zhì)細(xì)胞本身成中心輻射狀,邊緣很難確定,造成在進(jìn)行圖像檢測時(shí)出現(xiàn)錯檢和漏檢的象。
邊緣檢測的一些經(jīng)典算法主要有:Roberts,Sobel,Prewitt,Kirsch,Laplaee 等[3]。這些算法基本上都是針對原始圖像的小鄰域像素來構(gòu)造出邊緣檢測算子,然后對其進(jìn)行一階或者二階微分運(yùn)算,并求出最大梯度值或者二階導(dǎo)數(shù)零點(diǎn),再選取合適的閾值對邊界進(jìn)行提取。然而這些算法對噪聲比較敏感,并且不能夠自適應(yīng)地對閾值進(jìn)行選擇,所以會產(chǎn)生不理想的檢測效果,這些都是存在的缺點(diǎn)。因此,研究人員不斷地對對原有算法的不斷改進(jìn)。新方法、新概念的引入和多種方法的有效綜合運(yùn)用。使得圖像邊緣檢測與圖像分割技術(shù)越來越趨于成熟。
目前有很多針對立體圖像、彩色圖像、多光譜圖像、合成孔徑雷達(dá)圖像、深度圖像、紋理圖像、超聲圖像、計(jì)算機(jī)斷層掃描、磁共振圖像、共聚焦激光掃描顯微鏡圖像以及運(yùn)動圖像等特殊圖像的邊緣檢測技術(shù)的研究。另外,人們對圖像邊緣檢測評價(jià)的研究和對評價(jià)系統(tǒng)的研究越來越關(guān)注。
根據(jù)星型膠質(zhì)細(xì)胞圖像的特點(diǎn),我們采取檢測與分割血管流圖像的算法,發(fā)現(xiàn)可以取得較好的效果,即:對原始圖像進(jìn)行灰度處理,再用預(yù)編譯自定義函數(shù)(血管增強(qiáng)函數(shù)FrangiFilter2D)進(jìn)行圖像增強(qiáng),確定其范圍,再對其輻射周邊進(jìn)行分割檢測。問題是,圖像噪聲影響、圖像提取效果不佳、粘連分割困難等諸多因素的約制,雖然此方法以做準(zhǔn)確地把細(xì)胞中心周圍連續(xù)的非交叉的“血管”進(jìn)行檢測并分割,但對于弱信號圖像即一些“血管枝末”易出現(xiàn)漏檢或錯檢現(xiàn)象。因此,對此類算法還需要進(jìn)行后續(xù)的優(yōu)化。
6 結(jié)語
隨著醫(yī)療技術(shù)的蓬勃發(fā)展,醫(yī)學(xué)圖像作為現(xiàn)代醫(yī)療診斷水平的有力依據(jù),使實(shí)現(xiàn)風(fēng)險(xiǎn)低、創(chuàng)傷性小的化療和手術(shù)方案成為可能,尤其是數(shù)字醫(yī)學(xué)圖像,結(jié)合計(jì)算機(jī)處理,數(shù)字醫(yī)學(xué)圖像越來越準(zhǔn)確化、智能化,為臨床治療、醫(yī)學(xué)診斷等方面提供了寶貴的信息,有力地促進(jìn)了當(dāng)代醫(yī)療水平和醫(yī)學(xué)研究的發(fā)展。而醫(yī)學(xué)圖像邊緣檢測作業(yè)醫(yī)學(xué)圖像處理的一個(gè)重要環(huán)節(jié),對其檢測要求也是越來越高,將會有更多的專家學(xué)者對其進(jìn)行研究。
參考文獻(xiàn)
[1] 陳浩, 李本富. 醫(yī)學(xué)圖像處理技術(shù)新進(jìn)展[J]. 第四軍醫(yī)大學(xué)學(xué)報(bào), 2004, 25;
[2] Nipon Theera-Umpon. Patch-Based White Blood Cell Nucleus Segmentation Using Fuzzy Clustering[J].Electrical Eng, Electronics, And Communications, 2005, 3(1):15-19
[3] 劉麗君, 熊澤林, 駱婷. 一種基于邊緣檢測的圖像平滑算法[J]. 中國水運(yùn), 2009, 9.