鐘明霞

摘 要： 以數(shù)字化醫(yī)學X光片為例，檢測和確定圖像中癌癥標志物—微鈣化簇（MCC）的位置和數(shù)量。在算法上，主要采用“對比度增強—Tophat濾波—邊緣檢測—確定MCC數(shù)量”四個步驟來實現(xiàn)。首先采用限制對比度自適應(yīng)直方圖均衡（CLAHE）算法增強圖像對比度，再用Tophat形態(tài)學濾波增強圖像細節(jié)以區(qū)分背景區(qū)域，然后采用Sobel梯度算子和形態(tài)學操作進行邊緣檢測，最后確定微鈣化點的邊緣和MCC的數(shù)量。

關(guān)鍵詞： 微鈣化簇； 數(shù)學形態(tài)學； 濾波； 邊緣檢測； Sobel梯度算子

中圖分類號：TP391.7 文獻標志碼：A 文章編號：1006-8228（2017）03-65-03

Abstract： In this paper， the digital medical image is used as an example to detect and determine the cancer markers micro calcification clusters' （MCC） position and quantity in an image. The algorithm consists of four steps， contrast enhancement， Tophat filtering， edge detection and the number determination of MCC. Firstly， the image contrast is enhanced by using contrast limited adaptive histogram equalization （CLAHE） algorithm， and next the details of the image are enhanced by using the Tophat morphological filter to distinguish the background area， and then the edges are detected with Sobel gradient operator and morphological operations， finally the edges and the number of MCC are determined.

Key words： micro calcification cluster； mathematical morphology； filtering； edge detection； Sobel gradient operator

0 引言

根據(jù)《Cancer statistics in China，2015》報告，癌癥正成為中國首位的死亡原因和一個重要的公共衛(wèi)生問題，女性中最普遍的5種癌癥依次為：乳腺癌，肺和支氣管癌，胃癌，結(jié)直腸癌，食道癌，這些占到了所有癌癥病例的60%。單是乳腺癌就占到了所有女性癌癥的15%[1]。而早期治療仍然是癌癥治愈的關(guān)鍵，因此，癌癥的早期確診和良惡性判斷變得尤為重要，以女性乳腺X光片的檢測為例，微鈣化是癌癥標志物，通常，將一平方厘米出現(xiàn)3個以上微鈣化點作為惡性診斷的依據(jù)。經(jīng)過多年研究，醫(yī)學工作者和計算機圖像處理技術(shù)的專業(yè)人員研究了很多醫(yī)學輔助CAD系統(tǒng)，運用了基于小波、高斯濾波、人工神經(jīng)網(wǎng)絡(luò)，以及紋理分析、數(shù)學形態(tài)學和模糊邏輯[2]等等原理或算法，進行微鈣化的檢測。

本文以數(shù)字化乳腺X光片為例，研究主要包含兩個方面：第一，將圖像中的ROI進行處理為了得到可疑微鈣化（MCC）內(nèi)容；第二，計算可疑微鈣化（MCC）的位置和數(shù)量。

1 主要方法

1.1 對比度增強

由于X光片灰度圖像對比度較差，微鈣化點經(jīng)常隱藏于背景圖像中，所以圖像處理第一步就是對ROI可疑區(qū)域先進行對比度增強操作。這里采用限制對比度自適應(yīng)直方圖均衡（CLAHE）算法。盡管自適應(yīng)直方圖均衡化（AHE）算法[3]被證明非常適合于改進圖像的局部對比度以獲得更多的圖像細節(jié)，但該算法通常會導致過度放大噪聲，會導致診斷假陽性的增多。而CLAHE可以通過限制AHE算法的對比提高程度來克服這個問題。在算法上，在指定的像素值周邊的對比度放大主要是由變換函數(shù)的斜度決定的，這個斜度與領(lǐng)域的累積直方圖的斜度是成比例的。CLAHE算法通過在計算像素周邊的累積直方圖函數(shù)（CDF）前用預(yù)先定義的閾值來裁剪直方圖以達到限制放大幅度的目的[4]。圖1（a）和（b）分別是原始ROI圖像和CLAHE算法增強后的圖像。

1.2 TOPHAT濾波

形態(tài)學中的Top-Hat算子是一種極好的高通濾波算子，利用該算子通過選擇合適的結(jié)構(gòu)元，就可以將需要的目標從復雜的背景中提取出來[5]。Top-Hat算子是形態(tài)學中膨脹、腐蝕等基本算子的組合，TOPHAT濾波非常適用于背景較暗的圖像。圖2是對圖1中（b）圖像應(yīng)用TOPHAT濾波技術(shù)的結(jié)果圖像，在致密組織中的微鈣化細小的標志物也可以在視覺上大大增強，與背景乳腺區(qū)域區(qū)分開來。

1.3 Sobel邊緣檢測

Sobel梯度算子主要用作邊緣檢測，在技術(shù)上，它是一離散性差分算子，用來運算圖像亮度函數(shù)的灰度之近似值[6]。通常情況下，梯度算子是兩個各向同性Sobel算子的組合，一個是檢測x方向，另一個是檢測y方向。算子包含兩組3×3的矩陣，分別為橫向和縱向，將之與圖像作平面卷積，即可分別得出橫向和縱向的亮度差分近似值。

Sobel梯度算子是用來在背景圖像中準確提取微鈣化點，微鈣化點的邊緣應(yīng)該是一個封閉的輪廓，這些隱藏的信息可能不能直接用肉眼分辨，所以要利用邊緣檢測算法提供閉環(huán)邊緣的信息以區(qū)分背景圖像中的微鈣化點。圖3是對圖2進行Sobel梯度算子運算后的圖像。

1.4 形態(tài)學操作

如圖3所示，Sobel邊緣檢測算法操作后提取了所有背景上的組織邊緣，這些邊緣其中一部分是封閉邊緣，即可疑病灶點，而很多只是孤立的像素信息，并不能形成閉環(huán)信息，這些孤立的像素信息便是圖像噪聲。所以接下來使用形態(tài)學腐蝕操作，移除這些噪聲，這一步是為了徹底的移除MCC簇的周圍組織結(jié)構(gòu)形成的圖像噪聲，提取出MCC簇的精確邊緣。圖4顯示了對圖3的圖像應(yīng)用形態(tài)學腐蝕操作后的結(jié)果圖像。

2 實驗結(jié)果

為了驗證算法的有效性，將該算法應(yīng)用在不同類型的ROI圖像上，采用了定量分析方法，檢查能否將MCC簇清晰的顯示出來，并通過基于SOBEL邊緣檢測的分割技術(shù)精確的MCC邊緣，增加乳腺癌的診斷正陽性。圖5和圖6中的五副圖像（a）（b）（c）（d）（e）分別展示了對圖像經(jīng)過四個步驟處理后的結(jié)果。其中（a）代表原始圖像，（b）通過CLAHE對比度增強后的圖像，（c）TOPHAT濾波增強后的圖像，（d）Sobel梯度算子的邊緣檢測，（e）形態(tài)學操作MCC簇的分割。

從圖5中可看出，該ROI圖像區(qū)域可疑微鈣化點數(shù)量是2個，其位于圖像中心和右下部分。而圖6中，經(jīng)過形態(tài)學結(jié)構(gòu)化操作后，檢測出的可疑數(shù)量是106個，基本上集中在圖像中間區(qū)域。

3 結(jié)束語

本文提出的算法可以在ROI圖像上自動檢測和診斷MCC的數(shù)量，其優(yōu)勢在于能夠通過自動檢測和分割圖像來識別在ROI區(qū)域中MCC的數(shù)量，先對圖像進行對比度增強，而后進行基于Sobel邊緣檢測的圖像分割，以此獲取MCC的封閉的邊緣，從而區(qū)分圖像噪聲（假陽性），結(jié)果顯示該方法在不同類型的ROI圖像上都非常有效。該算法是完全自動的檢測MCC簇群方法，其算法可以作為一個輔助診斷技術(shù)，若是應(yīng)用在早期乳腺癌檢測階段，能有效地幫助放射科醫(yī)生確定病灶區(qū)，從而減少醫(yī)生的工作量。

參考文獻（References）：

[1] Wanqing Chen PhD.Cancer statistics in China，2015[R].CA-Cancer J Clin，2016.1.5.

[2] 宋穎.MRI計算機輔助診斷系統(tǒng)在乳腺小腫塊中的診斷價值[D].北京協(xié)和醫(yī)學院中國醫(yī)學科學院，2015.4.

[3] 扈佃海.一種改進的直方圖均衡化圖像增強方法[J].光電技術(shù)應(yīng)用，2012.3：65-68

[4] 孫冬梅.一種改進CLAHE算法在醫(yī)學試紙條圖像增強中的應(yīng)用[J].中國生物醫(yī)學工程學報，2016.35（4）：502-506

[5] 葉斌.基于形態(tài)學Top-hat算子的小目標檢測方法[J].中國圖象圖形學報，2002.9（7）：638-842

[6] 沈德海.一種基于Sobel算子梯度增強的邊緣檢測算法[J].電子設(shè)計工程，2015.23（10）：162-165