基于改进Canny 算子的医学图像分割研究*

徐 立 武家敏 杨 洋 王宇晨 刘 亮

（内蒙古科技大学包头医学院计算机科学与技术学院 包头 014040）

1 引言

医学图像分割是AI 智慧医疗领域的研究热点，其任务是从医学影像，如超声图像、X 线图像、CT 图像、MRI 等图像中分割出病灶区域或器官组织区域［1］，进而为临床医师诊断提供依据，是AI 智慧医疗临床应用的关键技术［2］。传统的影像学诊断主要依赖于医师的肉眼判别和临床经验，具有一定的主观性［3～5］，同时，由于不同医师之间的水平差异，以及医师阅片量大等问题，极易造成漏诊、误诊，延误患者治疗时机。AI 智慧医疗计算机辅助诊断成为解决这一问题的有效手段，其中，从医学图像中准确定位和分割出感兴趣区域（ROI），即病灶区域或器官组织区域，是首要解决的技术难题［6～7］。

由于人体组织器官的复杂性和结构的多样性、医学成像设备固有噪声、医学影像数据量小等因素影响，对医学图像直接使用自然图像分割算法往往难以取得理想效果［8～9］。边缘检测是一种经典的图像分割算法，其原理是基于图像中不同区域之间的灰度差异，特别是区域边界，灰度值变化较大，通过求导运算检测出不同区域的边缘特征来解决区域分割问题［10～13］。在图像分割算法中，常用的边缘检测算子有很多，不同的算子分割效果不同，其中，Canny算子应用最为广泛［14～16］。但是在医学图像分割中，使用传统Canny 算子分割效果较差，分割后病灶或器官组织区域的边缘特征点连续性差，难以形成闭合区域，特别是在复杂细节区域极易出现大量细碎边缘特征点，影响后续计算机AI 辅助诊断。因此，本文结合医学图像特点，提出多尺度融合病灶区域或器官组织特征，改进传统的的Canny算子边缘检测医学图像分割算法，以实现医学图像的有效分割。

2 基于改进Canny 算子的边缘检测图像分割算法

Canny 算子边缘检测算法是一个多级边缘检测算法，因其准确度高、定位性好、最小响应等优点，被认为是最优的边缘检测算法。但由于医学影像不同于自然图像，有多种成像模态，且组织结构复杂，图像表现单一，病灶区域的纹理、界线、形状等信息也比较模糊，因此，本文提出融合多尺度图像特征，结合形态学方法进行图像增强，改进传统的Canny 算子边缘检测算法分割图像后病灶或器官组织区域的边缘特征点连续性差，无法形成闭合区域等问题，特别是高维细节区域的大量细碎边缘特征，得以较好的表达，具体改进算法实现如下：

步骤1：读取原始图像进行灰度转换等预处理操作；

步骤2：使用Canny算子进行初步的滤波分割，一般采用高斯滤波算法，先生成二维高斯分布矩阵：

再与灰度图像进行卷积实现滤波：

步骤3：计算梯度值和方向。通过对灰度图像求一阶有限差分近似，使差商近似取代微商，再分别取x和y方向上相邻的像素做差值运算替代求取x和y方向的一阶偏导，得到灰度值的梯度，即变化率。

其中，f 为图像的灰度值，P 为X 方向的梯度幅值，Q为Y 方向的梯度幅值，M 表示该点的幅值，θ为梯度方向，即角度。

步骤4：非极大值抑制，即沿着图像梯度变化方向，比较像素点前后的梯度值，寻找其局部最大值。具体就是在沿其方向上邻域的梯度幅值最大，则保留；否则，抑制。

步骤5：选取双阈值，进行边缘连接。选取高阈值TH 和低阈值TL，一般取TH=2TL或者3TL；取出非极大值抑制后图像中的最大梯度幅值，重新定义高低阈值，即：TH×Max，TL×Max；舍弃小于低阈值的像素点，赋值为0，保留大于高阈值的像素点，赋值为1，即边缘目标像素点；若介于二者之间，将大于TL、小于TH 的像素点使用8 连通区域确定，即，只有与TH像素连接时才会被接受，成为边缘特征点，赋值为1；由于没有标准确定阈值，自动检测阈值可能会造成边缘丢失、细节不突出等问题，所以根据专家经验，选择最优阈值。

步骤6：对处理后的初步边缘分割的图像，使用形态学方法来进行图像增强，通过膨胀腐蚀交叉开运算对图像进行二次处理，可以有效处理图像中出现的一些细小的点，提取病灶区域或组织器官的细碎边缘特征，进而得到边缘细节增强、显示效果较好的分割图像。具体地说，腐蚀可以使目标区域范围“变小”，其实质是使得图像的边界收缩，可以消除小且无意义的目标特征点：

上式表示用结构B腐蚀A，（x，y）为图像上的像素点。膨胀会使目标区域范围“变大”，将于目标区域黏合的背景点合并到该目标物中，使目标边界向外部扩张，其实质就是用来填补目标区域中某些空洞，并消除包含在目标区域中的小颗粒噪声：

上式表示用结构B膨胀A，（x，y）为图像上的像素点。再结合开运算，可以去掉目标区域外的孤立特征点，消除噪声点，在复杂纤细处分离目标边缘特征，并且在平滑较大目标边界的同时不改变其面积，形成形态学梯度，达到增强目标对象边缘，抑制同质区域的目的。

Canny 边缘检测算子是根据信噪比与定位乘积进行测度，得到最优化逼近算子，其对噪声点比较敏感，需要进行平滑处理，再计算两个方向上的梯度，然后算出梯度的方向，梯度其实已经表示了目标轮廓，但为了进一步筛选，可以在不同角度方向上再取局部极大值，再通过设定高低阈值实现目标区域的粗分割，最后对处理后的粗分割图像，使用形态学方法进行图像增强，进一步提取病灶区域或组织器官的微小边缘特征，得到显示效果较好的分割图像。改进的Canny算子边缘检测流程如图1所示。

图1 改进的Canny算子边缘检测流程图

3 实验与结果分析

3.1 实验数据与参数设置

实验分别选取了细胞显微图像、乳腺钼靶X 线图像作为实验样本，将改进的Canny 算子边缘检测算法应用到上述医学图像中，进行算法测试。实验中，高阈值TH、低阈值TL 分别取TH =0.3 或0.2，TL =0.1，迭代次数为5000。选用Windows 10 系统、Intel i5 处理器，运行内存为8 GB，编程软件为Matlab 2016a。

3.2 实验结果与分析

对细胞显微图像、乳腺钼靶X 线图像分别使用传统的Canny算子边缘检测算法和改进的Canny算子边缘检测算法进行对比分析，验证本文所提算法的有效性。

3.2.1 传统的Canny算子边缘分割算法

从原始图像中可以观察到细胞显微图像的图像特征较为分散，背景中有许多细微的颗粒；乳腺钼靶X线图像的组织结构较为复杂，这是由于乳腺图像中包含有很多乳腺腺体组织、血管等，如图2所示，直接使用传统的Canny 算子分割细胞或乳腺组织会产生一些细线状的噪声，影像图像分割效果，如图3所示。

图2 原始图像

图3 传统的Canny算子边缘检测图像分割实验结果

由于细胞显微图像是RGB 彩色图像，首先对其进行灰度化处理，由于图像噪声、阈值选取对分割区域质量的影响，运用传统的Canny 算子边缘检测算法得到的分割效果如图3（a）所示，由实验结果可以看出，显微细胞的目标边缘虽然尽可能多地被提取出来，但由于细胞重叠、破损、细胞液等噪声的干扰，一些噪声点也被当成目标边缘特征被提取；乳腺钼靶X线图像经灰度转换预处理后，再采用传统Canny 算子进行边缘检测处理，得到的乳腺组织边缘图像效果如图3（b）所示，由实验结果可以看出，传统的Canny 算子提取乳腺组织的线状特征效果较好，但由于乳腺图像中存在着大量、丰富的血管，因而提取出来的边缘特征就像一堆杂乱的线，图像特征过于分散，乳腺腺体组织目标几乎完全消失，分割效果不理想。

3.2.2 融合形态学图像增强的改进Canny 算子边缘检测算法

改进的Canny 算子边缘检测算法利用高阈值、低阈值相互补充，融合形态学方法进行图像增强，几乎所有的目标边缘信息都尽可能多地被保留，可以提取到较为完整的目标对象边缘特征，如图4 所示。

图4 改进的Canny算子边缘检测图像分割实验结果

由实验结果可以看出，对于边缘轮廓清晰的目标对象，如完整的细胞显微目标，因其边缘特征明显，与背景的对比度较高，噪声点影响小，可以得到完整的细胞分割结果；对于有重叠部分、或者破损的细胞显微图像，因细胞本身有重叠、凹凸或破损的组织纹路，在图像处理过程中极易将这些纹路当成目标分割边缘，且重叠或破损的细胞目标跟背景的区分度较差，通过叠加使用形态学方法进行图像增强处理后，实验效果有明显提升，如图4（a）所示。这表明改进的Canny 算子边缘检测算法对细胞显微图像的分割效果较好，尽管还是有些噪声点影响，但是已将大部分细胞目标与背景分割开来。

乳腺钼靶X 线图像作为一个复杂的组织结构，内部包含了乳腺腺体组织、血管等多种结构形态，图像结构特征比较分散，此外，由于医学成像设备的固有噪声等影响，图像受噪声点干扰较大。在进行乳腺腺体组织目标图像分割时，乳腺组织外部形态边缘信息较完整，内部区域的组织结构复杂、亮度明暗交叠，其中亮度较暗的组织区域与背景区域颜色接近，而乳腺腺体组织往往集中于这个区域，整个乳腺图像内部和外部的亮暗区别较大，仅靠灰度阈值分割不能很好地识别较暗的乳腺腺体组织区域，乳腺组织内部的细节信息很可能会丢失。传统Canny 算子边缘检测算法对目标对象分割后，会有大量的噪声点被当成目标边缘一起提取出来，且乳腺腺体组织的边缘比较模糊，特征点分散，导致分割效果较差。基于此，提出对乳腺钼靶X线图像进行双阶段处理，在传统Canny 算子边缘检测算法基础上，叠加形态学处理方法，如空洞填充、腐蚀等，融合形态学方法进行图像增强后，乳腺腺体组织等边缘特征得到有效提取，实验结果表明可以得到较好的分割效果，如图4（b）所示。

3.2.3 融合中值滤波的改进Canny 算子边缘检测算法

考虑滤波降噪、平滑处理的重要性，分析使用传统Canny 算子分割后，病灶或器官组织区域的边缘特征点连续性差，难以形成闭合区域，特别是在复杂细节区域极易出现大量细碎边缘特征点等，是由于Canny 算子在滤波阶段采用的是高斯滤波进行图片平滑降噪，会把离散的边缘特征点当做噪声清除掉，导致检测目标的边缘信息丢失。

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，对脉冲噪声有良好的滤除作用，特别是在滤除噪声的同时，能够有效保护信号的边缘特征，使之不被模糊，这些优良特性是高斯滤波所不具有的，更适于医学图像平滑降噪。

其中，f(x，y)为原始图像，Z(x，y)为处理后图像，W是二维模板，通常为3*3或5*5区域。

基于此，本文提出采用中值滤波替代传统Canny算子中的高斯滤波，尽可能的保留目标边缘细节信息，再结合形态学方法进行图像增强，得到最优的分割结果。实验结果表明，对于目标区域与背景区域黏连，且图像特征较为分散的医学图像，中值滤波可以取得较好的分割效果，如图5所示。

图5 中值滤波实验结果

在读取细胞显微RGB 彩色图像，对其预处理转化为灰度图像后，先进行二值化，再通过中值滤波进行平滑降噪处理，最后进行或运算选取二值图像与经处理后图像中的最优解。实验中，选取3*3的滤波窗口，使用中值滤波进行的显微细胞图像处理，实验结果如图5（a）所示。由实验结果可以看出，经中值滤波后的细胞显微图像分割处理效果更好，特别是对于噪声点的处理，相对于高斯滤波，细胞内部的细节信息更多的被提取出来，细胞核突出，分割效果更优。

同样，对乳腺钼靶X 线图像进行灰度转换、二值化、确定最优阈值、再选取滤波窗口进行中值滤波，由于乳腺组织结构复杂，内部腺体组织、血管等边缘特征不规则，为了增强分割效果，又增加了一次或运算，实验结果如图5（b）所示。由实验结果可以看出，对于乳腺钼靶X线图像中亮度较暗的内部腺体组织区域，融合中值滤波后会丢失细小的、不规则的边缘特征信息，但大部分腺体组织区域的信息被提取出来，分割效果较好。

3.3 算法分析

由图4、图5的实验结果可以看出，细胞显微图像中独立的细胞与背景区域区分较明显，在背景中占比较大，分割效果较好；重叠的细胞单层区域亮度较亮，重叠区域亮度偏暗，二者区别较大，单一阈值处理会造成目标分割不均匀，如，选取接近上半部分的阈值，显微图像中较暗的区域信息就会丢失，选取接近下半部分的阈值，图像中较亮的部分区域信息就会失真，但这部分细胞占比较小，因此，处理后细胞显微图像的提取效果是可以满足目标分割需求的，细胞的整个形态分割较为完整，虽然有细胞重叠、破损、残缺、组织液等噪声存在，会形成一些噪声点，但整体分割效果良好；乳腺钼靶X线图像较为复杂，乳腺中有很多腺体组织、血管等会影响目标分割效果，而且整个乳腺图像中有亮暗不同的区域组成，会造成部分细节信息的缺失，但整个乳腺组织的分割效果较好。通过叠加中值滤波，在目标对象上重复进行平滑去噪，目标图像分割效果比高斯滤波效果好。细胞显微图像的亮暗区域区分很明显，图像分割后细胞目标的整个形状较完整，进行取反运算后，细胞内部的细节方面得到较大程度的保留，细节特征清晰；采用高斯滤波进行乳腺X 线图像处理，会使得部分目标区域缺失，而且噪声特征点的滤除效果也较差，采用本文所提方法可以最大限度地保留边缘细节特征信息，得到较好的图像分割效果。总体说来，对于边缘特征明显的显微细胞图像，融合中值滤波算法后分割效果得到提升；对于乳腺钼靶X 线图像，虽然组织结构和图像特征比较复杂，但融合中值滤波的处理效果较好，目标纹理细节得到最大程度的保留。

综合上述实验结果可以看出，对于显微细胞类的规则图像，边缘轮廓特征明显，图像特征比较集中，采用改进的Canny 算子边缘检测算法进行目标分割可以得到较好的细胞分割效果；对于组织结构复杂的乳腺钼靶X线图像，由于腺体组织边缘轮廓特征模糊，图像特征点较为分散，采用Canny 算子结合形态学方法进行图像增强，进行分割后得到的图像效果较好。相较于传统的Canny 算子，改进Canny 算子边缘检测算法处理医学类图像效果更好。

4 结语

本文提出的融合多尺度医学图像特征，结合形态学方法进行图像增强的改进Canny 算子边缘检测算法，解决了传统算法分割图像后病灶或器官组织区域的边缘特征点连续性差，无法形成闭合区域等问题，特别是图像细节区域的细碎边缘特征，得以较好的表达，对于医学类图像具有较好的分割效果。