淺談星型膠質(zhì)細胞圖像的邊緣檢測與圖像分割

鐘娟　賴宏慧

摘 要：隨著計算機圖像技術(shù)的飛速發(fā)展，醫(yī)學圖像處理漸漸地在從人工識別向計算機自動識別的方向發(fā)展。星型膠質(zhì)細胞，是哺乳動物腦內(nèi)分布最廣泛的一類細胞，也是膠質(zhì)細胞中體積最大的一種。其細胞圖像的特性，給圖像的邊緣檢測不習慣分割技術(shù)帶來很大的難度，星型膠質(zhì)細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)細胞；醫(yī)學圖像；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)果的精準程度，對后續(xù)特征提取、目標識別、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)學圖像已成為臨床診斷、病理分析、跟蹤治療、遠程醫(yī)學交流的重要途徑。在對醫(yī)學圖像進行處理的過程中，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)以及設備的更新?lián)Q代和計算機技術(shù)的迅猛發(fā)展，使得醫(yī)學圖像處理技術(shù)對醫(yī)學科研和臨床實踐的作用、影響日益增大。從檢測設備獲取來的醫(yī)學圖像經(jīng)過醫(yī)學圖像處理技術(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)學研究提供了強有力的保證。因此，醫(yī)學圖像處理技術(shù)一下被國內(nèi)外相關(guān)研究人員所重視，而醫(yī)學圖像分割是圖像處理技術(shù)中的一個經(jīng)典難題，不僅是進行圖像分析和識別首要解決的問題，同時也是制約醫(yī)學圖像處理中可視化、不同模態(tài)圖像配準和融合、三維重建等相關(guān)技術(shù)發(fā)展與應用的瓶頸[1]。

2 醫(yī)學圖像分割的意義

醫(yī)學圖像分割就是把醫(yī)學圖像中特定的解剖器官或者病灶提取出來，是自動進行圖像模式識別的一個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)學圖像數(shù)據(jù)庫檢索研究。通過建立醫(yī)學圖像數(shù)據(jù)庫，可對醫(yī)學圖像數(shù)據(jù)進行語義學意義上的存取和查找。可以說，沒有有效可行的醫(yī)學圖像分割方法，研究人員就無法利用計算機自動分析醫(yī)學圖像，無法實現(xiàn)高層次的圖像理解。

3 星型膠質(zhì)細胞圖像的特性

星型膠質(zhì)細胞，是哺乳動物腦內(nèi)分布最廣泛的一類細胞，也是膠質(zhì)細胞中體積最大的一種。細胞圖像成樹根狀，由細胞中心向四周發(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胞中心輻射的范圍，因為有些很小的“枝末”存在。這將給用醫(yī)學圖像處理技術(shù)對星型膠質(zhì)細胞圖像進行邊緣檢測并分割帶來很后續(xù)的問題，導致很多傳統(tǒng)的圖像邊緣檢測算法將不再適用。

4 星型膠質(zhì)細胞圖像的邊緣檢測與分割

醫(yī)學圖像處理技術(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)學圖像進行分割、識別、定量分析成為了臨床輔助診斷和醫(yī)學研究的重要工具。利用圖像分割技術(shù)對細胞圖像進行分割，提取精確的細胞輪廓，是下一步進行細胞形態(tài)分析和定量計算的基礎。

圖像邊緣檢測過程如圖1所示，原始的圖像大都是彩色的，首先對圖像進行灰度處理，以便設置閾值后利用灰度值的不同來檢測邊緣點；其次，對圖像進行增強處理，圖像鄰域或局部強度值有明顯變化的點突出出來；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行判斷；最后進行定位，確定圖像的邊緣位置，以便后續(xù)進行分割處理。

5 星型膠質(zhì)細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好的邊緣檢測算法和方法應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[2]。可往往這些特點之間是互相矛盾的，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)細胞本身成中心輻射狀，邊緣很難確定，造成在進行圖像檢測時出現(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，然后對其進行一階或者二階微分運算，并求出最大梯度值或者二階導數(shù)零點，再選取合適的閾值對邊界進行提取。然而這些算法對噪聲比較敏感，并且不能夠自適應地對閾值進行選擇，所以會產(chǎn)生不理想的檢測效果，這些都是存在的缺點。因此，研究人員不斷地對對原有算法的不斷改進。新方法、新概念的引入和多種方法的有效綜合運用。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、合成孔徑雷達圖像、深度圖像、紋理圖像、超聲圖像、計算機斷層掃描、磁共振圖像、共聚焦激光掃描顯微鏡圖像以及運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的研究和對評價系統(tǒng)的研究越來越關(guān)注。

根據(jù)星型膠質(zhì)細胞圖像的特點，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：對原始圖像進行灰度處理，再用預編譯自定義函數(shù)（血管增強函數(shù)FrangiFilter2D）進行圖像增強，確定其范圍，再對其輻射周邊進行分割檢測。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，雖然此方法以做準確地把細胞中心周圍連續(xù)的非交叉的“血管”進行檢測并分割，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)學圖像作為現(xiàn)代醫(yī)療診斷水平的有力依據(jù)，使實現(xiàn)風險低、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)學圖像，結(jié)合計算機處理，數(shù)字醫(yī)學圖像越來越準確化、智能化，為臨床治療、醫(yī)學診斷等方面提供了寶貴的信息，有力地促進了當代醫(yī)療水平和醫(yī)學研究的發(fā)展。而醫(yī)學圖像邊緣檢測作業(yè)醫(yī)學圖像處理的一個重要環(huán)節(jié)，對其檢測要求也是越來越高，將會有更多的專家學者對其進行研究。

參考文獻

[1] 陳浩， 李本富. 醫(yī)學圖像處理技術(shù)新進展[J]. 第四軍醫(yī)大學學報， 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， 2009， 9.