邊緣檢測(cè)算法在醫(yī)學(xué)超聲液性病變圖像中的應(yīng)用

摘要：醫(yī)學(xué)超聲液性病變圖像多見(jiàn)數(shù)個(gè)無(wú)回聲區(qū)，呈“蜂窩狀”，邊界不清晰，為了清晰地提取醫(yī)學(xué)超聲液性病變圖像的邊緣，進(jìn)一步為臨床診斷提供可靠依據(jù)，在此將幾種不同的邊緣檢測(cè)算法應(yīng)用于醫(yī)學(xué)超聲液態(tài)病變圖像中，經(jīng)實(shí)驗(yàn)結(jié)果得出，經(jīng)典的邊緣檢測(cè)算法不能很好地提取圖像的邊緣，而基于Snake模型的邊緣檢測(cè)算法，人為設(shè)定邊緣控制點(diǎn)，智能動(dòng)態(tài)調(diào)整曲線，獲得了很好的邊緣提取效果，具有很高的臨床應(yīng)用價(jià)值。
關(guān)鍵詞：醫(yī)學(xué)超聲圖像；液性病變；邊緣提??；Snake模型

0 引言
鑒于醫(yī)學(xué)圖像可以看到人體組織的局部器官病變，所以醫(yī)學(xué)成像成為疾病檢查的重要手段，但由于設(shè)備、技術(shù)等原因，得到的醫(yī)學(xué)圖片邊緣往往模糊不清，因此醫(yī)學(xué)圖像邊緣檢測(cè)是醫(yī)學(xué)圖像處理和分析的一個(gè)非常重要的分支。目前醫(yī)學(xué)成像方法主要有：X光成像、核磁共振成像、超聲成像以及正電子發(fā)射斷層成像，其中，超聲成像從成像成本、成像時(shí)間以及對(duì)病人的傷害等方面都顯示出了它的優(yōu)勢(shì)，本文就以醫(yī)學(xué)超聲圖像為例，對(duì)超聲診斷中常見(jiàn)的液性病變圖像進(jìn)行邊緣提取算法分析。
經(jīng)典的邊緣檢測(cè)算子利用邊緣處一階或二階導(dǎo)數(shù)來(lái)檢測(cè)梯度變化情況，基本的微分檢測(cè)算子有Roberts算子、Sobel算子、拉普拉斯算子和Canny算子等。近年來(lái)，隨著數(shù)學(xué)理論和人工智能的發(fā)展，又出現(xiàn)了許多新的邊緣檢測(cè)方法，比如基于分?jǐn)?shù)階微分法、小波變換法、Snake模型法、模糊檢測(cè)法、數(shù)學(xué)形態(tài)學(xué)法、神經(jīng)網(wǎng)絡(luò)法等。這些邊緣檢測(cè)方法最終目的都是檢測(cè)出圖像的邊緣信息，但在解決特定特征圖像時(shí)也顯現(xiàn)出各自的優(yōu)勢(shì)和不足之處。所以，如何采用合適的技術(shù)對(duì)醫(yī)學(xué)圖像進(jìn)行邊緣提取，為臨床醫(yī)生提供更準(zhǔn)確的病人數(shù)據(jù)是目前研究的一個(gè)熱點(diǎn)。
本文首先對(duì)幾種邊緣檢測(cè)方法進(jìn)行分析，然后將其應(yīng)用于超聲液性病變圖像的邊緣提取中，得出不同的提取效果，與采用改進(jìn)的Snake模型邊緣提取算法進(jìn)行比較，實(shí)驗(yàn)表明，基于Snake模型的邊緣提取算法邊緣提取效果較好。

1 邊緣檢測(cè)算法
邊緣檢測(cè)目的是要檢測(cè)出圖像中灰度變化的不連續(xù)區(qū)域，確定它們?cè)趫D像中的精確位置，為后期的圖像分析和處理提供信息，圖像的邊緣包含了物體形狀的重要信息，主要存在于目標(biāo)與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域(包括不同色彩)之間，是圖像分割、紋理特征和形狀特征等圖像分析的重要基礎(chǔ)。圖像邊緣檢測(cè)的實(shí)質(zhì)是采用某種算法來(lái)提取出圖像中對(duì)象與背景間的交界線。
1．1 基于一階微分的邊緣檢測(cè)算法
圖像中的邊緣通常與圖像強(qiáng)度或圖像強(qiáng)度的一階導(dǎo)數(shù)的不連續(xù)性有關(guān)。圖像強(qiáng)度的不連續(xù)可分為：
(1)階躍不連續(xù)，即圖像強(qiáng)度在不連續(xù)處的兩邊的像素灰度值有著顯著的差異；
(2)線條不連續(xù)，即圖像強(qiáng)度突然從一個(gè)值變化到另一個(gè)值，保持一個(gè)較小的行程后又返回到原來(lái)的值。
在一維情況下，階躍邊緣同圖像的一階導(dǎo)數(shù)局部峰值有關(guān)。梯度是函數(shù)變化的一種度量，而一幅圖像可以看作是圖像強(qiáng)度連續(xù)函數(shù)的取樣點(diǎn)陣列。因此，圖像灰度值的顯著變化可用梯度的離散逼近函數(shù)來(lái)檢測(cè)。
梯度是一階導(dǎo)數(shù)的二維等效式，定義為向量：

有2個(gè)重要的性質(zhì)與梯度有關(guān)：
(1)向量G(x，y)的方向就是函數(shù)f(x，y)增大時(shí)的最大變化率方向；
(2)梯度的幅值由下式給出：

數(shù)字圖像中，求導(dǎo)數(shù)是利用差分近似微分來(lái)完成的。根據(jù)模板的大小以及權(quán)值的不同，人們提出了很多梯度算子，比如Roberts算子、Sobel算子、Prewitt算子都是基于一階微分的梯度經(jīng)典算子。
1．1．1 Roberts算子
根據(jù)計(jì)算梯度原理，采用對(duì)角線方向相鄰2像素之差得到的就是Reberts算子。Roberts算子是22模板的一階微分算子，是一種斜向偏差分的梯度計(jì)算方法，梯度的大小代表邊緣的強(qiáng)度，梯度的方向與邊緣走向垂直，因此，Roberts梯度算子檢測(cè)水平和垂直邊緣的效果好，定位精度高，但容易丟失部分邊緣。因?yàn)镽oberts沒(méi)進(jìn)行平滑處理，對(duì)噪聲較敏感，經(jīng)常會(huì)出現(xiàn)孤立點(diǎn)。用該算子處理邊緣陡峭度高且噪聲小的圖像效果較佳。
1．1．2 Sobel算子
Sobel算子是使用3 x 3模板的一階微分算子，采用帶權(quán)值的方法計(jì)算差分，是在Roberts算子的基礎(chǔ)上將方向差分運(yùn)算與局部平均結(jié)合起來(lái)的一種方法。Sobel算子以f(x，y)為中心的33的鄰域上計(jì)算x和y方向上的偏導(dǎo)數(shù)Gx，Gy。利用像素上、下、左、右相鄰點(diǎn)的灰度加權(quán)算法，根據(jù)在邊緣點(diǎn)處達(dá)到極值進(jìn)行邊緣檢測(cè)。Sobel算子很容易在空間上實(shí)現(xiàn)，對(duì)噪聲具有較好的平滑作用，能提供比較準(zhǔn)確的邊緣方向信息，但定位精度不高，容易產(chǎn)生偽邊緣，其測(cè)得邊緣寬度一般至少為2個(gè)像素。但由于實(shí)際中很多情形下對(duì)定位精度的要求都不是很高，因此它是一種較為常用的邊緣檢測(cè)算子。