醫學影像亞像素邊緣檢測方法的改進

劉鵬 李冬寧

（1.天津市第一中心醫院 天津市 300192 2.天津醫學高等專科學校 天津市 300222）

1 引言

近年來，機器深度學習技術研究一直處于科研界的前沿。各行業開始對圖像和視頻進行大數據分析，并將其應用于各類場景。邊緣檢測是圖像分割、區域形狀提取、目標特征識別等醫學影像處理領域的核心。傳統醫學影像邊緣檢測方法最高只能達到整像素級的檢測精度。但隨著醫學影像輔助診斷技術的發展，對圖像精確檢測分析的要求日趨嚴苛，實際場景中測量分析精度需求與傳統的像素級邊緣檢測方法矛盾日益凸顯。而在保持醫學影像系統硬件固定投資前提下，利用機器深度學習算法進行亞像素級邊緣點定位，使影像分辨率得以拆分整像素級單位再行細分的圖像處理技術，不失為提高影像邊緣檢測精度的另一有效解決路徑。

2 醫學影像特點及處理難點

2.1 醫學影像與自然場景圖像檢測差別

自然場景圖像檢測由于需要檢測的類別多樣，其檢測目標是提高圖像的特征表示能力，以及更快的實時檢測速度[1]；而醫學影像的檢測目標更多是針對諸如結核、結節、腫瘤等某一特定的、細粒度的類別特征，以獲得更好的圖像邊緣檢測效果。

圖像邊緣即局部顯著亮度變化區域，其灰度值在狹小緩沖區域內的急劇變化，灰度剖面可視為階躍。醫學影像中目標團塊（Target blob）的邊緣部分集中了標識病灶的大量可置信信息，目標團塊邊緣的提取與病灶認定是醫學影像分割所依賴的重要特征，對于整個醫學影像場景的識別與理解至關重要，邊緣檢測主要針對于醫學影像中灰度變化目標團塊的定位、度量和檢測[2]。

2.2 醫學影像處理難點

（1）多模態性（CT、MRI、PET、超聲）；

（2）不確定性。目標團塊（結核、結節、腫瘤）形狀、尺寸、位置的不確定；

（3）局部效應。不同環境，目標外觀差異大；

（4）灰度上的模糊性，噪聲干擾及內部組織在成像過程中的相似性。可供識別的目標外觀差異小；

3 亞像素定位原理

亞像素邊緣點通常存在于影像中漸進灰度過渡的區域，其位置信息可通過多項式擬合方法計算獲取[3]。亞像素定位技術具有如下應用前提條件：

圖1：算法實現過程圖

（1）被檢測目標由一系列像素點耦合而成，具備無固定幾何形狀、多級灰度分布與松耦合特征等；

（2）通常，被檢測目標類型不同，諸如結核、結節或腫瘤，其各自特征亦不相同。通過對被檢測目標圖像運用機器深度學習算法，在識別分析已知的目標特征基礎上，通過多級浮點運算對目標團塊圖像進行重定位，最終確定目標的準確位置。在此分析過程中，得到的目標定位精度高于整像素級。

這種通過對醫學影像運用機器深度學習算法計算分析其中目標特征，找尋最符合此特征目標位置的方法稱為目標影像亞像素定位技術。

4 醫學影像亞像素邊緣檢測中改進形態學梯度與Zernike矩算法的運用

首先該算法在整像素級上確定邊緣點的坐標和梯度方向，對邊緣點施以改進的數學形態學梯度算子進行粗定位[4]；再根據構造邊緣點的參考閾和向量參數值，對邊緣點施以Zernike 矩算法，通過算法計算進行亞像素級的邊緣點重定位，實現目標團塊的亞像素邊緣檢測。

該影像亞像素邊緣檢測復合算法，有效汲取數學形態學梯度算子和Zernike 矩算法二者各自優點，兼具精確度更高的亞像素級定位能力和優異的抗噪性能。其計算規模的大幅降低亦使之獲得了相對較高的處理效率，能快速實現醫學影像的亞像素邊緣檢測，具備良好的應用前景。

4.1 具體流程

（1）醫學影像原圖通過開源計算機視覺庫OpenCV 調用K-Means 聚類接口進行二分類，并得到二值分割圖，以進行大尺度圖像區域分割；

（2）改進形態學梯度算子處理膨脹圖與腐蝕圖之差[5]。通過OpenCV 調用卷積核設定為5x5 的Scharr 梯度濾波器以去除噪聲，凸顯二值圖中目標團塊邊緣。將粘連區域拆分，去除連通區域內部空洞。其改進形態學梯度Scharr 算子結合了微分與高斯平滑兩種操作，并使用小卷積核以優化求解時的梯度角度；

（3）計算圖像梯度。對平滑后的圖像使用Scharr 算子計算水平和豎直兩方向的圖像梯度Tm、Tn。進而找到目標團塊邊緣的梯度和方向，改進形態學梯度計算公式如下：

（4）掩模后只保留邊緣輪廓內數據；

（5）提取輪廓并以面積為評估對象做篩選；

（6）對于離散的數字圖像，根據Zernike 矩的累加公式[6]

計算模板系數；

（7）通過OpenCV 中的Canny 函數進行亞像素邊緣點檢測。掃描整幅圖像像素點進行非極大值抑制，去除確非目標團塊邊緣點[7]。把步驟6 矩乘以角度校正系數，計算距離和灰度差。根據距離和灰度差參數，設定符合實際的滯后閾值MinThres、MaxThres。當目標團塊的灰度梯度高于MaxThres 時即認定為真邊界，介于兩者之間的像素點若與某個已確定真邊緣點相連，則認定該點也為邊緣點。如圖1 所示。

以下為基于OpenCV 的代碼實現：

4.2 實驗測試過程及結果

圖2：患者肝臟和腫瘤灰度值的重疊性

圖3：圖像邊緣檢測

實驗數據集隨機抽取我院2016 至2018年影像類型為肝臟腫瘤，總人數336 人按3:1 比例，將患者影像數據盲選分為訓練和測試數據兩組。患者肝臟影像劃分為三個等級：level1-3 級，肝臟與腫瘤對比度趨0 變化。訓練數據只選擇level1-2 級，使用Spark Mlib 對輸入數據進行機器深度學習，后續使用相同的處理方法與模型進行腫瘤影像的邊緣檢測。通過影像預處理，核查算法的有效性和關聯規則的正確性，驗證了患者肝臟和腫瘤灰度值的重疊性。如圖2 所示。

圖像邊緣檢測ROI 操作將真實肝臟分割結果與原圖做“與”操作，即將肝臟外非目標區域變黑，同時翻轉肝臟內目標區域顏色，肝臟變灰腫瘤變白，以讓深度學習網絡集中注意力于肝臟內部區域，突出病灶。針對發現的疑似腫瘤影像進行復勘，驗證近71%的影像存在于測試組中。實驗結果表明，實驗主要是探討結構效度的評估。通過測試，圖像邊緣檢測誤差客觀存在，但實驗效果總體接近預期水平，本研究方法可于醫學影像基礎上有效發現潛在肝臟腫瘤患者，因此可得出本研究的有效性與前瞻性。如圖3 所示。

5 結論

圖像邊緣檢測在影像學診斷中大有用處。圖像邊緣自識別能幫助醫生識別和甄別三維的CT 和磁共振數據中的病灶部位，減輕影像醫生的工作量，使之更專注于定量評價治療前后的效果。同時，通過機器深度學習分析海量數據，在醫學影像領域可為我們提供精簡信息并給出分析結論。深度學習的可發展性有相當的挖掘潛力，值得大家去探討挑戰。