[论文解读] Contrast Enhancement of Medical X-Ray Image Using Morphological Operators with Optimal Structuring Element

Rafsanjany Kushol, Md Nishat Raihan+2 more|arXiv (Cornell University)|May 21, 2019

Image and Signal Denoising Methods参考文献 17被引用 25

一句话总结

本文提出一种基于梯度幅值选择结构元素（SE）尺寸的形态学顶帽与底帽变换的自动化医学X射线图像对比度增强方法。该方法提升了骨骼和软组织结构的视觉清晰度，在多种X射线数据集上的定性和定量评估中均优于CLAHE，展现出鲁棒性与增强的诊断实用性。

ABSTRACT

To guide surgical and medical treatment X-ray images have been used by physicians in every modern healthcare organization and hospitals. Doctor's evaluation process and disease identification in the area of skeletal system can be performed in a faster and efficient way with the help of X-ray imaging technique as they can depict bone structure painlessly. This paper presents an efficient contrast enhancement technique using morphological operators which will help to visualize important bone segments and soft tissues more clearly. Top-hat and Bottom-hat transform are utilized to enhance the image where gradient magnitude value is calculated for automatically selecting the structuring element (SE) size. Experimental evaluation on different x-ray imaging databases shows the effectiveness of our method which also produces comparatively better output against some existing image enhancement techniques.

研究动机与目标

• 解决低对比度、噪声多的医学X射线图像导致诊断准确性和特征提取困难的问题。
• 开发一种自动化方法，用于在形态学运算中选择最优结构元素（SE）尺寸，以增强图像对比度，避免人工调参。
• 改善X射线图像中关键解剖结构（尤其是骨骼和软组织）的可视化效果，以支持更好的临床决策。
• 在多种公开X射线数据集（包括胸部、牙科和骨骼X射线）上评估该方法的性能，涵盖不同条件下的应用。

提出的方法

• 该方法采用形态学顶帽与底帽变换，分别提取图像中的微小亮区与暗区，以增强对比度。
• 结构元素（SE）的尺寸通过输入图像的梯度幅值自动确定，确保对图像内容的自适应性。
• 利用梯度幅值指导SE尺寸选择，在抑制噪声与增强特征之间实现平衡。
• 该方法在MATLAB中实现，采用基于分块的策略，分块大小为8×8，直方图分箱数为128，以便与CLAHE进行比较。
• 该方法应用于多种X射线图像类型，包括前后位胸部X射线、牙科X射线和骨骼X射线，覆盖六个公开数据集。
• 通过视觉对比进行定性评估，并利用标准指标进行定量评估，尽管提供的文本中未详细说明具体指标。

实验结果

研究问题

• RQ1 基于自动选择SE尺寸的形态学算子是否能改善低对比度医学X射线图像的对比度？
• RQ2 基于梯度幅值的SE尺寸选择与固定或人工调优的SE相比，在提升诊断可见度方面表现如何？
• RQ3 该方法在增强多种X射线图像类型和数据集的结构细节方面是否优于CLAHE？
• RQ4 在噪声多、亮度低的X射线图像中，该方法在增强对比度的同时，能在多大程度上保持图像质量？
• RQ5 该方法是否可泛化应用于不同医学影像模态，如胸部、牙科和骨骼X射线？

主要发现

• 与CLAHE相比，所提方法在ChestX-ray8和NLM（Open-i）数据集的样本图像中，能产生更优的视觉对比度增强效果，显著提升骨骼结构和软组织的可视化清晰度。
• 利用梯度幅值实现SE尺寸的自动选择，使方法能够自适应增强图像特征，无需人工参数调整。
• 该方法在多种X射线图像类型中表现出鲁棒性，包括前后位胸部X射线、牙科X射线和骨骼X射线，已在六个公开数据集上得到验证。
• 在定性比较中，所提方法输出的图像边界更清晰，组织区分度更高，优于CLAHE。
• 该方法在高分辨率图像中也能有效提升图像质量，支持其在不同分辨率临床环境中的应用。
• 作者观察到，增强后的图像有助于更准确、更高效地进行疾病检测，支持临床工作流中实现更快的诊断。