基于形态滤波和Sobel算子的微钙化簇边缘检测算法

钟明霞

摘 要： 以数字化医学X光片为例，检测和确定图像中癌症标志物—微钙化簇（MCC）的位置和数量。在算法上，主要采用“对比度增强—Tophat滤波—边缘检测—确定MCC数量”四个步骤来实现。首先采用限制对比度自适应直方图均衡（CLAHE）算法增强图像对比度，再用Tophat形态学滤波增强图像细节以区分背景区域，然后采用Sobel梯度算子和形态学操作进行边缘检测，最后确定微钙化点的边缘和MCC的数量。

关键词： 微钙化簇； 数学形态学； 滤波； 边缘检测； Sobel梯度算子

中图分類号：TP391.7 文献标志码：A 文章编号：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

根据《Cancer statistics in China，2015》报告，癌症正成为中国首位的死亡原因和一个重要的公共卫生问题，女性中最普遍的5种癌症依次为：乳腺癌，肺和支气管癌，胃癌，结直肠癌，食道癌，这些占到了所有癌症病例的60%。单是乳腺癌就占到了所有女性癌症的15%[1]。而早期治疗仍然是癌症治愈的关键，因此，癌症的早期确诊和良恶性判断变得尤为重要，以女性乳腺X光片的检测为例，微钙化是癌症标志物，通常，将一平方厘米出现3个以上微钙化点作为恶性诊断的依据。经过多年研究，医学工作者和计算机图像处理技术的专业人员研究了很多医学辅助CAD系统，运用了基于小波、高斯滤波、人工神经网络，以及纹理分析、数学形态学和模糊逻辑[2]等等原理或算法，进行微钙化的检测。

本文以数字化乳腺X光片为例，研究主要包含两个方面：第一，将图像中的ROI进行处理为了得到可疑微钙化（MCC）内容；第二，计算可疑微钙化（MCC）的位置和数量。

1 主要方法

1.1 对比度增强

由于X光片灰度图像对比度较差，微钙化点经常隐藏于背景图像中，所以图像处理第一步就是对ROI可疑区域先进行对比度增强操作。这里采用限制对比度自适应直方图均衡（CLAHE）算法。尽管自适应直方图均衡化（AHE）算法[3]被证明非常适合于改进图像的局部对比度以获得更多的图像细节，但该算法通常会导致过度放大噪声，会导致诊断假阳性的增多。而CLAHE可以通过限制AHE算法的对比提高程度来克服这个问题。在算法上，在指定的像素值周边的对比度放大主要是由变换函数的斜度决定的，这个斜度与领域的累积直方图的斜度是成比例的。CLAHE算法通过在计算像素周边的累积直方图函数（CDF）前用预先定义的阈值来裁剪直方图以达到限制放大幅度的目的[4]。图1（a）和（b）分别是原始ROI图像和CLAHE算法增强后的图像。

1.2 TOPHAT滤波

形态学中的Top-Hat算子是一种极好的高通滤波算子，利用该算子通过选择合适的结构元，就可以将需要的目标从复杂的背景中提取出来[5]。Top-Hat算子是形态学中膨胀、腐蚀等基本算子的组合，TOPHAT滤波非常适用于背景较暗的图像。图2是对图1中（b）图像应用TOPHAT滤波技术的结果图像，在致密组织中的微钙化细小的标志物也可以在视觉上大大增强，与背景乳腺区域区分开来。

1.3 Sobel边缘检测

Sobel梯度算子主要用作边缘检测，在技术上，它是一离散性差分算子，用来运算图像亮度函数的灰度之近似值[6]。通常情况下，梯度算子是两个各向同性Sobel算子的组合，一个是检测x方向，另一个是检测y方向。算子包含两组3×3的矩阵，分别为横向和纵向，将之与图像作平面卷积，即可分别得出横向和纵向的亮度差分近似值。

Sobel梯度算子是用来在背景图像中准确提取微钙化点，微钙化点的边缘应该是一个封闭的轮廓，这些隐藏的信息可能不能直接用肉眼分辨，所以要利用边缘检测算法提供闭环边缘的信息以区分背景图像中的微钙化点。图3是对图2进行Sobel梯度算子运算后的图像。

1.4 形态学操作

如图3所示，Sobel边缘检测算法操作后提取了所有背景上的组织边缘，这些边缘其中一部分是封闭边缘，即可疑病灶点，而很多只是孤立的像素信息，并不能形成闭环信息，这些孤立的像素信息便是图像噪声。所以接下来使用形态学腐蚀操作，移除這些噪声，这一步是为了彻底的移除MCC簇的周围组织结构形成的图像噪声，提取出MCC簇的精确边缘。图4显示了对图3的图像应用形态学腐蚀操作后的结果图像。

2 实验结果

为了验证算法的有效性，将该算法应用在不同类型的ROI图像上，采用了定量分析方法，检查能否将MCC簇清晰的显示出来，并通过基于SOBEL边缘检测的分割技术精确的MCC边缘，增加乳腺癌的诊断正阳性。图5和图6中的五副图像（a）（b）（c）（d）（e）分别展示了对图像经过四个步骤处理后的结果。其中（a）代表原始图像，（b）通过CLAHE对比度增强后的图像，（c）TOPHAT滤波增强后的图像，（d）Sobel梯度算子的边缘检测，（e）形态学操作MCC簇的分割。

从图5中可看出，该ROI图像区域可疑微钙化点数量是2个，其位于图像中心和右下部分。而图6中，经过形态学结构化操作后，检测出的可疑数量是106个，基本上集中在图像中间区域。

3 结束语

本文提出的算法可以在ROI图像上自动检测和诊断MCC的数量，其优势在于能够通过自动检测和分割图像来识别在ROI区域中MCC的数量，先对图像进行对比度增强，而后进行基于Sobel边缘检测的图像分割，以此获取MCC的封闭的边缘，从而区分图像噪声（假阳性），结果显示该方法在不同类型的ROI图像上都非常有效。该算法是完全自动的检测MCC簇群方法，其算法可以作为一个辅助诊断技术，若是应用在早期乳腺癌检测阶段，能有效地帮助放射科医生确定病灶区，从而减少医生的工作量。

参考文献（References）：

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

[2] 宋颖.MRI计算机辅助诊断系统在乳腺小肿块中的诊断价值[D].北京协和医学院中国医学科学院，2015.4.

[3] 扈佃海.一种改进的直方图均衡化图像增强方法[J].光电技术应用，2012.3：65-68

[4] 孙冬梅.一种改进CLAHE算法在医学试纸条图像增强中的应用[J].中国生物医学工程学报，2016.35（4）：502-506

[5] 叶斌.基于形态学Top-hat算子的小目标检测方法[J].中国图象图形学报，2002.9（7）：638-842

[6] 沈德海.一种基于Sobel算子梯度增强的边缘检测算法[J].电子设计工程，2015.23（10）：162-165