浅谈星型胶质细胞图像的边缘检测与图像分割

钟娟　赖宏慧

摘 要：随着计算机图像技术的飞速发展，医学图像处理渐渐地在从人工识别向计算机自动识别的方向发展。星型胶质细胞，是哺乳动物脑内分布最广泛的一类细胞，也是胶质细胞中体积最大的一种。其细胞图像的特性，给图像的边缘检测不习惯分割技术带来很大的难度，星型胶质细胞图像处理也即将成为研究者热门的课题。

关键词：星型胶质细胞；医学图像；边检检测；图像分割

边缘是图像最基本的特征，指周围像素灰度有变化的那些像素集合，主要表现为图像局部特征的不连续性，也就是通常说的信号发生突变的地方。图像边缘包含了图像大量的信息，边缘检测是图像处理领域中的基本问题之一，检测结果的精准程度，对后续特征提取、目标识别、图像重建、图像匹配以及定量分析等诸多方面有着重要影响。医学图像已成为临床诊断、病理分析、跟踪治疗、远程医学交流的重要途径。在对医学图像进行处理的过程中，边缘检测的结果会直接影响到后续的治疗过程。

1 医学图像处理技术发展的现状与意义

新型成像技术以及设备的更新换代和计算机技术的迅猛发展，使得医学图像处理技术对医学科研和临床实践的作用、影响日益增大。从检测设备获取来的医学图像经过医学图像处理技术处理后，使科研人员和临床工作者对人体内部正常和病变位置的观察更加直观、更加清晰，提高了确诊率，为临床诊断和生物医学研究提供了强有力的保证。因此，医学图像处理技术一下被国内外相关研究人员所重视，而医学图像分割是图像处理技术中的一个经典难题，不仅是进行图像分析和识别首要解决的问题，同时也是制约医学图像处理中可视化、不同模态图像配准和融合、三维重建等相关技术发展与应用的瓶颈[1]。

2 医学图像分割的意义

医学图像分割就是把医学图像中特定的解剖器官或者病灶提取出来，是自动进行图像模式识别的一个特别重要的处理步骤，以及用于人体器官、组织或病灶的尺寸、体积或容积的测量。也是低层次图像处理发展到高层次图像理解的桥梁。此外，也用于基于内容的医学图像数据库检索研究。通过建立医学图像数据库，可对医学图像数据进行语义学意义上的存取和查找。可以说，没有有效可行的医学图像分割方法，研究人员就无法利用计算机自动分析医学图像，无法实现高层次的图像理解。

3 星型胶质细胞图像的特性

星型胶质细胞，是哺乳动物脑内分布最广泛的一类细胞，也是胶质细胞中体积最大的一种。细胞图像成树根状，由细胞中心向四周发散，尽管是放大数十倍的图像用肉眼似乎也很难看出细胞中心辐射的范围，因为有些很小的“枝末”存在。这将给用医学图像处理技术对星型胶质细胞图像进行边缘检测并分割带来很后续的问题，导致很多传统的图像边缘检测算法将不再适用。

4 星型胶质细胞图像的边缘检测与分割

医学图像处理技术是医疗领域发展不可或缺的一部分，用图像处理技术对医学图像进行分割、识别、定量分析成为了临床辅助诊断和医学研究的重要工具。利用图像分割技术对细胞图像进行分割，提取精确的细胞轮廓，是下一步进行细胞形态分析和定量计算的基础。

图像边缘检测过程如图1所示，原始的图像大都是彩色的，首先对图像进行灰度处理，以便设置阈值后利用灰度值的不同来检测边缘点；其次，对图像进行增强处理，图像邻域或局部强度值有明显变化的点突出出来；然后是检测，最简单的边缘检测判断依据就是对梯度幅值阈值进行判断；最后进行定位，确定图像的边缘位置，以便后续进行分割处理。

5 星型胶质细胞图像边缘检测与分割存在的问题与发展趋势

边缘检测是图像处理和理解的基本课题之一，一个好的边缘检测算法和方法应该具备可以正确地检测有效边缘、精度高地定位边缘、无漏检现象、不对噪声敏感等特点[2]。可往往这些特点之间是互相矛盾的，所以很难找到一种适合的、能满足以上所有的要求边缘检测方法加之星型胶质细胞本身成中心辐射状，边缘很难确定，造成在进行图像检测时出现错检和漏检的象。

边缘检测的一些经典算法主要有：Roberts，Sobel，Prewitt，Kirsch，Laplaee 等[3]。这些算法基本上都是针对原始图像的小邻域像素来构造出边缘检测算子，然后对其进行一阶或者二阶微分运算，并求出最大梯度值或者二阶导数零点，再选取合适的阈值对边界进行提取。然而这些算法对噪声比较敏感，并且不能够自适应地对阈值进行选择，所以会产生不理想的检测效果，这些都是存在的缺点。因此，研究人员不断地对对原有算法的不断改进。新方法、新概念的引入和多种方法的有效综合运用。使得图像边缘检测与图像分割技术越来越趋于成熟。

目前有很多针对立体图像、彩色图像、多光谱图像、合成孔径雷达图像、深度图像、纹理图像、超声图像、计算机断层扫描、磁共振图像、共聚焦激光扫描显微镜图像以及运动图像等特殊图像的边缘检测技术的研究。另外，人们对图像边缘检测评价的研究和对评价系统的研究越来越关注。

根据星型胶质细胞图像的特点，我们采取检测与分割血管流图像的算法，发现可以取得较好的效果，即：对原始图像进行灰度处理，再用预编译自定义函数（血管增强函数FrangiFilter2D）进行图像增强，确定其范围，再对其辐射周边进行分割检测。问题是，图像噪声影响、图像提取效果不佳、粘连分割困难等诸多因素的约制，虽然此方法以做准确地把细胞中心周围连续的非交叉的“血管”进行检测并分割，但对于弱信号图像即一些“血管枝末”易出现漏检或错检现象。因此，对此类算法还需要进行后续的优化。

6 结语

随着医疗技术的蓬勃发展，医学图像作为现代医疗诊断水平的有力依据，使实现风险低、创伤性小的化疗和手术方案成为可能，尤其是数字医学图像，结合计算机处理，数字医学图像越来越准确化、智能化，为临床治疗、医学诊断等方面提供了宝贵的信息，有力地促进了当代医疗水平和医学研究的发展。而医学图像边缘检测作业医学图像处理的一个重要环节，对其检测要求也是越来越高，将会有更多的专家学者对其进行研究。

参考文献

[1] 陈浩， 李本富. 医学图像处理技术新进展[J]. 第四军医大学学报， 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] 刘丽君， 熊泽林， 骆婷. 一种基于边缘检测的图像平滑算法[J]. 中国水运， 2009， 9.