左心室超聲圖像分割及特征分析

劉艷麗

（承德醫(yī)學(xué)院，河北 承德 067000）

心功能的定量測定是臨床對超聲心動圖檢查的一個基本要求。但是由于超聲心動圖的圖像質(zhì)量較差，噪聲高、分辨率低、對比度低、邊界缺失和邊界不連續(xù)等阻礙了心功能超聲定量測定的發(fā)展。要對左心室心功能進行定量分析，準確地勾畫左心室的心內(nèi)膜邊界則是首要條件[1]，而較差的超聲圖像質(zhì)量使心內(nèi)膜面的勾畫變得很困難。KRIPS R[2]等提出了一種離散小波變換結(jié)合time-space算法來實現(xiàn)心肌組織與血液的鑒別，這樣不需要事先確定ROI區(qū)域，雖實現(xiàn)了鑒別但并沒有確切地提取出內(nèi)膜的邊界；LACERDA S G[3]等提出了一個結(jié)合圖像處理技術(shù)的徑向搜索算法對左心室進行分割；姚等提出了一個新的全自動勾畫心內(nèi)膜算法[4]，該算法應(yīng)用中心起源的心形搜索，用改進的Sobel算子進行放射形邊界探測，并且依據(jù)相鄰離心距差進行邊界點修正。通過對12幅質(zhì)量不同的超聲圖像進行實驗，準確率達到了56%，已經(jīng)是比較好的效果。

心臟的運動是永不停息的，所以僅對某一時刻的靜態(tài)圖像分析是遠遠不夠的，本文采用高解析度的M型超聲成像，應(yīng)用類似腹部超聲顯像中所使用的標準的B掃描聲像儀，用心電圖作為顯波顯像的控制閘門，記錄心動周期中每一個舒張或收縮狀態(tài)，集合許多心動周期成一個斷面圖像[5]。本文以此作為原始材料進行研究，在進行自適應(yīng)閾值的簡單預(yù)處理后，應(yīng)用改進的CV水平集方法進行實驗，力求從另外的方向來精確地提取左心室的內(nèi)、外膜邊緣，進而進行參數(shù)測量等后續(xù)工作。

1 改進的CV水平集算法

活動輪廓模型是基于邊緣像素信息的，傳統(tǒng)的CV模型是基于區(qū)域信息的，但是前提是區(qū)域是同質(zhì)的，即假設(shè)同一區(qū)域內(nèi)像素強度均一[6]，但實際應(yīng)用中，由于技術(shù)限制或采集時的人為原因，多數(shù)醫(yī)學(xué)圖像都很難達到區(qū)域同質(zhì)的要求，比如本文討論的心室心肌纖維層。Li Chunming[7]等提出了一種基于區(qū)域擴展性擬合能量的水平集算法，提出了一個RSF擬合區(qū)域擴展性能量函數(shù)，以一個邊界輪廓C和在近似邊界兩端圖像強度的兩個擬合函數(shù) f1（x）和 f2（x）來定義，區(qū)域擴展的能量依賴于特定參數(shù)的核函數(shù)，利用可控范圍內(nèi)區(qū)域強度信息，從小的領(lǐng)域擴展到整個的圖像域，然后將這個能量并入到變水平集公式中，最終曲線經(jīng)演化獲得能量函數(shù)的極小化值，應(yīng)用可控范圍的局部區(qū)域強度信息來計算這兩個擬合函數(shù)，引導(dǎo)曲線擴展向目標的邊界。

這里引入了一個正性的高斯核函數(shù)。

RSF局部強度擬合在給定一個中心點x處的能量函數(shù) εFx（加權(quán)平均誤差）定義如下：

其中，I（y）為圖像亮度，λ1和 λ2為正常數(shù)，C 為圖像區(qū)域中一個閉合邊界，Ω1為邊界外部，Ω2為邊界內(nèi)部。文中將擬合函數(shù)定位在點x附近，是因為任一點y的強度由K（x-y）計算，根據(jù)核函數(shù)的局域化性質(zhì)，當(dāng)點 y遠離中心點x時，強度 I（y）對擬合能量的貢獻會逐漸消失，高斯核 K（x-y）會同時徹底減少到 0，因此說能量函數(shù)是被鄰近x的y指針的強度控制的。一般來說，當(dāng)x-y>3σ，高斯核為0，因此，只有鄰近點的強度才對能量函數(shù)有支配地位。當(dāng)對εFx的積分極小化處理后就能找到一個邊界C能對所有x的擬合能量最小化，從而獲得整個目標邊界。為了實現(xiàn)拓撲，則將積分公式轉(zhuǎn)化為規(guī)則化的水平集公式進行處理。

其中，M1（φ）=H（φ），M2（φ）=1-H（φ），固定 φ，極小化能量泛函，得到 f1（x）、f2（x），它們的值由尺度 σ 控制，一般來說σ大，則圖像評定的范圍要大些。

實驗過程中首先采用隱性活動輪廓將初始輪廓標記圖上，基于此進行水平集演化。此外，參數(shù)的設(shè)定對圖像分割結(jié)果影響較大。本文在參數(shù)λ1和λ2的選擇上進行了部分研究，由于能量函數(shù)值是由輪廓內(nèi)部和外部兩部分決定，如果取 λ1=λ2，則拓撲同時發(fā)生，朝向整個圖像。而為了剔除非心肌組織的干擾，需要拓撲向輪廓限制區(qū)域內(nèi)，即設(shè)定了 2λ1=λ2。

2 實驗及仿真結(jié)果

圖1所示為一張包含4個心動周期的心室肌舒張和收縮過程的經(jīng)食道胃底短軸切面超聲圖像。從圖中可看到，中空部分的上下兩側(cè)是由很多層心肌纖維層組成的左心室心肌，這樣的層結(jié)構(gòu)導(dǎo)致左心室心肌剖面圖像的灰度是明暗相間的，也就是說心肌區(qū)域是灰度不均勻的，這在圖像分割上是一個很大的難題。

圖1 4個心動周期的左心室剖面超聲圖像

首先是圖像ROI區(qū)域的選擇，實驗先選取了一個心動周期的剖面圖像，應(yīng)用傳統(tǒng)的CV模型進行仿真實驗，發(fā)現(xiàn)傳統(tǒng)的基于區(qū)域同質(zhì)的分割方法不適用于左心室剖面的圖像分割。因此，本文針對ROI圖像的特點，應(yīng)用了基于區(qū)域擴展性擬合能量的水平集模型分割，希望能得到好的結(jié)果。

應(yīng)用改進的CV水平集能量擬合方法進行圖像分割的結(jié)果如圖2所示。

圖2 基于區(qū)域擴展性擬合能量的水平集模型分割結(jié)果

以上仿真中σ取3.0，比較結(jié)果可得，本文應(yīng)用基于隱性區(qū)域擴展性擬合能量的水平集模型分割取得了預(yù)期的結(jié)果，分割效果比較滿意。實驗中參數(shù)的設(shè)定包括迭代次數(shù)、λ1和 λ2，比較圖 2（a）和（f），若 λ1=λ2=1，則拓撲向整個圖像，這樣的多目標尋找與多相位方法優(yōu)缺參半，對于圖 2（e）和（f），若設(shè)定 2λ1=λ2=2 和 2λ1=λ2=6的兩種情況，心肌邊緣清晰可見，完全濾掉了腱索和肌小梁的干擾。實驗對原圖像4個周期的ROI進行分析，設(shè)定 λ1=3，λ2=6，iter=400， 圖 3為另外 3個心動周期的仿真結(jié)果，除了第4個周期的圖像效果較差外，其他的圖像都能準確得到心室上邊界的內(nèi)外膜。M型超聲隨時間變化而高速采樣，時間越長，圖像的效果越差，造成分割的困難，而對于左心室下半部分，從4個周期可見，邊界都比較模糊，暫不做分析。基于隱性的區(qū)域擴展性擬合能量的水平集模型分割實現(xiàn)了準確提取上半部分的內(nèi)外膜目的。這樣的分割的方法同時應(yīng)用于心室邊界。分割還需要結(jié)合醫(yī)生的經(jīng)驗，來識別正確的邊緣，以免出現(xiàn)誤分割。

圖3 另外3個心動周期的左心室內(nèi)外膜邊界提取

3 左心室超聲圖像的特征參數(shù)分析

首先依據(jù)得到的邊界信息來分析內(nèi)外膜收縮和舒張的速度變化，如圖4所示。利用樣條插值擬合方法得到了曲線上對應(yīng)的各點梯度變化，實驗證明這種擬合方法更貼近左心室內(nèi)外膜邊界的變化。最終得到內(nèi)外膜收縮期和舒張期速度情況如表1所示。

圖4 心室后壁內(nèi)外膜與梯度變化

表1 內(nèi)外膜速度變化參數(shù)表

由表1可見，心室外膜的速度變化小于內(nèi)膜的速度變化，對于心室內(nèi)膜還可以得出心肌收縮階段的平均速度變化要小于舒張階段，舒張過程在加速，但在收縮末期附近速度變化比較均勻，而在舒張的末期會出現(xiàn)速度變化比較大的情況。由4個周期分割后的邊界輪廓還可以得到，內(nèi)膜收縮時間和舒張時間比約為 9：10，這與正常心動周期內(nèi)舒張過程比收縮過程長是一致的，這樣既有利于血液流回心臟，又能使心肌有充分的時間休息。

接著進行了舒張期與收縮期紋理比較。首先采用共生矩陣方法，如表2所示，從4個方向進行紋理灰度共生矩陣統(tǒng)計后各個值。為了統(tǒng)計各參數(shù)的影響，選取了4個周期的狀態(tài)最后各參數(shù)取平均值。

表2 4個心動周期特征參數(shù)均值

由表2可以分析得出，除了IDM相差不大外，其他參數(shù)（如對比度、角二階矩和相關(guān)等）均相差較大，其中在水平方向上，收縮期與舒張期的對比度相差不大，但在其他方向上有COND>CONS，這表明在取樣區(qū)域內(nèi)舒張期出現(xiàn)了大的灰度差異頻移，而收縮期內(nèi)的紋理相對細膩柔和，與人眼的感知相符。同時，對于角二階矩ASMS>ASMD，也反映收縮過程中的紋理是規(guī)則變化的。兩個過程圖像的熵和紋理方差都有一定差異，這都反映出了心肌緊縮階段的紋理變化比較均勻。分析引起該狀況的原因主要是：收縮期心肌增厚，小梁相互交叉，心肌分層達最大值，層與層之間的力學(xué)特征基本一致，比較舒張過程中心肌之間的回聲一致性下降的結(jié)果。

另一方面，由于分形維數(shù)直觀上與物體表面的租糙程度相吻合，而自然界中的不同物體租糙度有很大差別，可用分形維數(shù)作為區(qū)分不同類別物體的有效參數(shù)。因此如何準確地估計計算分形維數(shù)成為研究的重點。本文應(yīng)用差分盒維數(shù)法，采集到的2個心動周期的左心室舒張收縮過程AVI幀進行分析，找到整個過程的分形值的規(guī)律，然后再比較舒張過程和收縮過程心室壁的分形維信息，找到它們之間的聯(lián)系。

在提取了二維B超心室心肌收縮和舒張過程中AVI幀后，選取了一個完整的心動周期的左心室圖像，圖 5（a）、（b）顯示的是舒張末和收縮末左心室的形態(tài)及紋理。選取了一個心動周期共55幀B超圖像來計算左心室的分形維數(shù)，得到的差分分形維數(shù)FD值曲線（圖5（c）），可以看到分形維的變化：在心肌收縮末點時最小，舒張末取得最大值，有FDmax=1.715 7、FDmax=1.556 7。

從曲線走勢來看，在收縮過程中的值是下降的，舒張過程中是上升的，也可以得出舒張過程的時間要長于收縮時間。這與之前分割出來的心室內(nèi)膜邊界的走勢是極為相似的，與參考文獻[8]中是利用聲學(xué)造影劑后得出的結(jié)論基本一致。

圖5 分形紋理的提取

另外，比較如圖6(b)(圖片來源于維基百科left ventricular pressure)心動周期各時相心室內(nèi)壓所示，心室在心動周期中的壓力變化在收縮期和舒張期也體現(xiàn)的比較明顯，具體為：心室肌的收縮使室內(nèi)壓突然增加，等容收縮期內(nèi)心室內(nèi)壓上升的速率加快，當(dāng)心室收縮結(jié)束，立即開始心室舒張，室內(nèi)壓會下降，在等容舒張期內(nèi)左心室內(nèi)壓急劇下降。這一過程與圖5中分析的分形值的反向變化(圖 6(a)所示)趨勢相關(guān)，推測可以進一步應(yīng)用分形維在估計心室壓力曲線的變化值。

為了比較左心室超聲心動圖心肌纖維層的紋理變化，本文進行了統(tǒng)計，計算心室收縮過程的25幀圖像與舒張過程中的30幀圖像各自的平均分形維數(shù)，結(jié)果如下：mean（FDS）=1.644 1

M型超聲心動圖最早應(yīng)用于心臟結(jié)構(gòu)的探測，隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展，尤其是解剖型、全方向M型超聲的發(fā)展，使得M型超聲圖像的每秒掃描取樣線大大增加，因而更能準確掌握室壁在心動周期不同時相中的活動規(guī)律，了解心壁各層在收縮期跨壁速度梯度的差異。由于圖像紋理灰度的差異不同，因而醫(yī)學(xué)分割方法不盡相同。本文針對結(jié)構(gòu)復(fù)雜的左心室剖面，在分析前首先找出心肌組織，應(yīng)用改進的CV水平集方法，基于區(qū)域擴展性擬合能量的水平集模型，通過更改參數(shù)準確得到了心室的內(nèi)外膜的邊界，從而為后面的特征分析奠定了基礎(chǔ)。最后，重點對心肌收縮和舒張過程的紋理變化作比較分析，得出了心肌運動的過程中收縮期和舒張期的時間、共生矩陣各特性參數(shù)、分形維等均有差別，可為醫(yī)生的臨床診斷提供參考。

[1]FOLLAND E D， PARISI A F， MOYNIHAM P F， et al.Assessment of left ventricular ejection fraction and volumes by real time two dimensional ec-hocardiography：a comparison of cineangio-graphic and radionuclide techniques[J].Circ，1979， 60 （4）： 760-766.

[2]KRIPS R，ADAM D R.Left ventricular wall segmentation in ultrasound cross-sectional images computer in cardiology in 1996[C].IEEE Conference， 1999： 141-144.

[3]LACERDA S G， DA ROCHA A F， VASCONCELOS D F，et al.Left ventricle segmentation in echocardiography using a radial-search based image processing algorithm[C].30th An-nual International Conference of IEEE EMBS 2008，2008：222-225.

[4]姚煒，田建明，趙寶珍，等.關(guān)于一個全自動勾畫超聲左心室內(nèi)膜算法的初步研究 [J].中國超聲醫(yī)學(xué)雜志，2002，18（10）.

[5]徐智章.左心室超聲心動圖檢查[J].國際心血管病雜志：1975（5）.

[6]VESE L A，CHAN T F.A multiphase level set framework for image segmentation using the Mumford and Shah model[J].International Journal of Computer Vision， 2002，50（3）：271-293.

[7] Li Chunming， Kao Chiuyen， GORE J C， et al.Minimization of Region-Scalable Fitting Energy for Image Segmentation[J].IEEE Transactions on Image Processing 2008， 17：1940-1949.

[8]SARKAR N，CHAUDHUTIB B.An efficient approach to estimate fractal dimension of textural images[J].Pattern Recognition， 1992， 25（9）：1035-1041.