基于視頻的舌下微循環(huán)血流灌注自動評價方法

呂 菲，趙興群

東南大學生物科學與醫(yī)學工程學院，南京市，210096

基于視頻的舌下微循環(huán)血流灌注自動評價方法

【作 者】呂 菲，趙興群

東南大學生物科學與醫(yī)學工程學院，南京市，210096

目的 微循環(huán)灌注的評價結(jié)果為早期發(fā)現(xiàn)膿毒癥微循環(huán)改變提供了重要依據(jù)，基于血管分割得到的功能性毛細血管密度能夠有效反映微血管灌注情況。方法 首先，通過預處理操作改善圖像的質(zhì)量，增強血管與背景的對比度；其次利用自適應局部閾值法對圖像進行初次分割，得到大致的血管區(qū)域；最后，通過后處理環(huán)節(jié)去除偽影并連接血管片段，根據(jù)最終血管分割結(jié)果計算功能性毛細血管密度。結(jié)果 經(jīng)過實際采集的舌下微循環(huán)血管數(shù)據(jù)的驗證，上述方法與AVA軟件測量結(jié)果的吻合率達到92%以上。 結(jié)論 上述方法可以快速準確地實現(xiàn)舌下微循環(huán)血流灌注的自動化評價，具有較強的臨床應用價值。

舌下微循環(huán)；血流灌注；功能性毛細血管密度；閾值分割；區(qū)域生長

0 引言

重癥膿毒癥是繼發(fā)于感染的急性器官功能障礙，是威脅人類健康的重要疾病，在重癥膿毒癥發(fā)生的最初幾個小時內(nèi)得到及時和適當?shù)闹委?，可明顯改善病情[1]。研究證實在膿毒癥患者中，微循環(huán)的改善決定患者的病況，因此治療膿毒癥的關(guān)鍵即改善微循環(huán)[2]。側(cè)流暗場(Sidestream Dark Field，SDF)成像技術(shù)的問世，實現(xiàn)了無創(chuàng)、無毒、相對廉價的微循環(huán)可視化視頻監(jiān)測[3]。SDF對舌下粘膜微循環(huán)的監(jiān)測在膿毒癥患者的早期診斷中很敏感，臨床研究證實膿毒癥患者微循環(huán)血管密度下降，小血管灌注比例下降，在死亡患者中這種病理變化更為明顯。

功能性毛細血管密度(Functional Capillary Density，F(xiàn)CD)能夠有效反映微血管灌注情況，因而常用于微循環(huán)血流灌注評價[4]。FCD定義為功能性毛細血管區(qū)域與成像視野范圍的比值，因此對功能性毛細血管進行有效分割是準確計算FCD的前提。

目前微循環(huán)領(lǐng)域的血管分割方法主要針對高質(zhì)量的視網(wǎng)膜圖像，但是同樣的方法應用于低對比度的舌下微循環(huán)圖像中，準確度會大幅下降。針對SDF圖像分析，Dobbe等人研發(fā)了一款商業(yè)軟件AVA(Automated Vascular Analysis)，能夠?qū)崿F(xiàn)半自動、高精度的血管密度分析，雖然該軟件得到了廣泛應用，但該方法耗時長并且需要大量人工交互，因此無法適用于微循環(huán)的實時分析[5]。本文提出了一種快速、準確且易于實現(xiàn)的舌下微循環(huán)血管的自動化分割算法，并根據(jù)分割結(jié)果計算FCD，實現(xiàn)舌下微循環(huán)血流灌注的自動化評價。

1 方法

舌下微循環(huán)血流灌注自動評價方法主要包括：預

處理、閾值分割和后處理三部分。

1.1 預處理

舌下微循環(huán)血管圖像通常對比度低，血管圖像灰度動態(tài)范圍小，在臨床采集過程中，由于呼吸、心跳常造成圖像抖動和模糊，因此預處理工作是必不可少的步驟。預處理通常包含一系列操作來改善圖像的質(zhì)量，增強血管與背景的對比度。文中圖像預處理操作主要包括：抖動矯正、匹配濾波、限制對比度自適應直方圖均衡化及中值濾波。

通過抖動矯正而獲得穩(wěn)定的視頻序列對于后續(xù)研究有著重要的作用，通常采用的圖像配準方法包括互相關(guān)方法，交互信息方法以及一些在醫(yī)學圖像配準中常用的鮑威爾方法，梯度下降法，單純形法等[6]。經(jīng)過抖動矯正后，對每5幀圖像進行加權(quán)計算得到一幅平均圖像。

匹配濾波器用于增強血管區(qū)域特征。匹配濾波器的形狀必須和目標信號類似，由于血管橫截面的分布是關(guān)于血管中心線對稱的，并且血管在一定長度內(nèi)直徑和方向都是確定的，因此可以選取高斯濾波器作為匹配血管模型的濾波器。如果濾波器的方向與血管方向一致時，則產(chǎn)生峰值響應，而舌下微循環(huán)血管形態(tài)復雜，方向不定，因此需要對高斯濾波器進行旋轉(zhuǎn)，以檢測不同方向的血管，對于每個像素點，只保留各個方向上響應的最大值[7]。

使用限制對比度自適應直方圖均衡化(Contrast Limited Adaptive Histogram Equalization， CLAHE)，重新分布亮度來改變圖像對比度，從而進一步降低背景噪聲的影響以及增強血管邊緣對比度。在CLAHE之后進行中值濾波，一方面能較好地去除噪聲(尤其是椒鹽噪聲)，同時能夠較好地保持目標圖像的細節(jié)，對圖像進行平滑。

1.2 閾值分割

通過閾值法得到血管與背景分離的初始結(jié)果，并用于后續(xù)處理。閾值法是圖像分割中的一種十分重要的方法，常用的閾值分割算法有最大熵法，最大類間方差法等[8]。由于SDF圖像中，背景灰度分布不均勻性以及血管區(qū)域灰度的多變性，全局閾值法往往不能兼顧圖像中各個區(qū)域的實際情況，分割后易出現(xiàn)塊狀現(xiàn)狀，導致分割失效。為此，文中選擇自適應局部閾值法進行圖像的初次分割，自適應局部閾值法基于圖像信息度量將圖像分成可變尺寸的窗口，選擇局部閾值對子圖像進行閾值分割[9]。

將圖像轉(zhuǎn)化為具有k個大小最大灰度分布的灰度值的圖像時，所需調(diào)整灰度級的最小像素數(shù)定義為該圖像的歸一化圖像信息度量(Normalized Picture Information Measure，NPIM)。對于圖像函數(shù) f (x, y)，其歸一化的直方圖為：g(i)=h(i)/N(f), (i=0, 1, ..., L-1)，其中h(i)為圖像的直方圖取值，N(f)為像素總數(shù)，L為灰度級數(shù)。定義g'(i)為圖像灰度的頻率，使圖像灰度的頻率按由小到大重新排序g'(0)≤g'(1)≤ ... ≤g'(L-2)≤g'(L-1)：，于是圖像f(x, y)的歸一化圖像信息度量為：

通過實驗選擇合適的截斷值，用于自適應調(diào)整子圖像的尺寸，保證每個分割的子圖像中都包含背景以及血管。

在一幅尺度為M×N，灰度級L為的灰度 f(x, y)圖像中，g(x, y)為f(x, y)在每個對應點(x, y)的k×k鄰域灰度均值圖像，定義k(i, j)為同時使 f(x, y)=i，g(x, y)=j的像素點對數(shù)。假設(shè)分割閾值適量為(s, t)，則灰度-鄰域灰度均值直方圖被分為四塊。由于圖像中背景以及目標所占比例最大，灰度及鄰域灰度均值相差不大，因此將沿對角線分布的區(qū)域分布視為背景B以及目標O。因此，應該在B區(qū)以及O區(qū)根據(jù)點灰度-鄰域灰度均值二維最大熵法確定最佳閾值，使代表背景以及目標的信息量最大[10]。

背景B區(qū)以及目標O區(qū)的熵分別為：

其中，

則整體熵判別函數(shù)為：

根據(jù)最大熵原則，使H取最大值的(s*, t*)為最佳閾值。

在進行閾值分割前，首先將圖像分成Q×R的子圖像，并計算子圖像的NPIM，如果NPIM 〉 δ（其中δ為通過實驗選擇的最佳值），則子圖像采用上述熵閾值分割法進行閾值分割，否則調(diào)整子圖像的尺度。對

整幅圖像的每個子圖像重復上述閾值分割，最終得到二值圖像，毛細血管為黑色像素，背景為白色像素。

1.3 后處理

盡管在預處理步驟中，能夠有效去除噪聲，但是經(jīng)過閾值分割后的圖像包含許多分散的斑塊偽影。為此，在后處理環(huán)節(jié)中通過形態(tài)學操作降低斑塊偽影的干擾，主要操作包括：連通域分析及基于連通域的區(qū)域生長[11]。

經(jīng)過初次閾值分割后的二值圖像 f 中，f (x, y)=0的黑色像素表示毛細血管，f (x, y)=255的白色像素表示背景。連通域分析的步驟如下：

(1) 初始化，令起始標號值k為1，存儲數(shù)組M清空；

(2) 對圖像從左到右、從上到下進行掃描，若為背景點則繼續(xù)掃描，重復(2)；一旦遇到血管點，則加入M中，執(zhí)行(3)；若整幅圖像掃描完畢，則執(zhí)行(5)；

(3) 得到M中的第一個元素(x', y')，置，f (x', y')=K，并將其從M中移除，搜索(x', y')的四鄰域點，一旦遇到血管點，則加入M中，并置其灰度值為K。判斷M是否為空，若不為空，則重復(3)；否則執(zhí)行(4)；

(4) 此時視為已經(jīng)完成一個連通域的搜索，并且該連通域的灰度值均為K。K = K+1，并且將M清空，執(zhí)行(2)；

(5) 根據(jù)實驗得到閾值T，對于所有檢測到的連通域，若連通域內(nèi)的像素點數(shù)小于T，則認為是閾值分割產(chǎn)生的偽影，并置其灰度值為255；否則認為是真實存在的血管，并置其灰度值為0。

經(jīng)過連通域分析后的圖像中，雖然去除了斑塊偽影的影響，但是卻誤刪了許多血管片段，并且可能出現(xiàn)血管不連續(xù)的情況。為此，在連通域分析后的圖像中，將片段血管的端點保存起來，生成種子點隊列，作為后面區(qū)域生長的種子點。

在進行區(qū)域生長時，需要參考預處理后尚未進行閾值分割的圖像Ir。為了降低算法計算量，只搜索經(jīng)過連通域分析后的圖像中Ia 的背景中可能存在的血管像素點。由于在舌下微循環(huán)血管圖像中，大小血管的灰度值有一定的差距，如果使用統(tǒng)一判定閾值則效果并不理想，因此取當前種子點i所在連通域區(qū)域中的像素點在Ir中的灰度均值ζ(i)作為區(qū)域生長的閾值，很好地利用了圖像的局部灰度信息，有利于最終的生長效果。對于每個種子點，搜索其八鄰域內(nèi)的像素點，若存在像素點(x", y")滿足條件：Ia(x", y")=255且│Ir (x", y")-ζ(i)│≤ ε， 其中ε為判定誤差，則將該像素點加入種子點隊列，重復上述步驟，直到種子點隊列中不再新增像素。

經(jīng)過后處理環(huán)節(jié)，既能有效去除噪聲點，又能連接不連續(xù)的血管片段，從而得到舌下微循環(huán)血管圖像的最終分割結(jié)果，F(xiàn)CD的值為分割出的血管區(qū)域與整幅圖像區(qū)域的比值。

2 結(jié)果與討論

實驗采用手持SDF成像設(shè)備(MicroScan，Microvision Medical)實際采集了8組舌下微循環(huán)血管數(shù)據(jù)。圖1(a)為其中一組原始采集圖像；圖1(b)為經(jīng)過預處理后的結(jié)果，圖像中血管部分明顯增強；圖1(c)為閾值分割后的結(jié)果，圖像中可以得到大致的血管區(qū)域，但卻包含許多分散的斑塊偽影；圖1(d)為后處理的結(jié)果，圖中偽影干擾明顯得到改善，并且斷裂的血管也變得連續(xù)，取得了良好的結(jié)果，并且完整地保留了血管的結(jié)構(gòu)網(wǎng)絡(luò)。

圖1 血管分割結(jié)果Fig.1 Vessel segmentation results

為了評價本文所提出方法的分割結(jié)果，將AVA分割的結(jié)果作為評價分割準確性的標準，并以兩個對應區(qū)域的重疊指數(shù)作為分割結(jié)果的評價指標。重疊指數(shù)定義為：

其中V1和V2是兩幅需要對照的分割結(jié)果圖像，V0是兩幅圖像的重疊區(qū)域。OM的范圍在0到1之間，0代

表兩幅圖像之間沒有重疊部分，1代表兩幅圖像完全重疊。文中V1由AVA分割獲得，V2則為本文方法分割結(jié)果。實驗中處理的8組舌下微循環(huán)血管數(shù)據(jù)，最終分割的平均重疊指數(shù)為0.853±0.036，表明本文方法與AVA分割的結(jié)果在很大程度上吻合。

FCD的值為分割出的血管區(qū)域與整幅圖像區(qū)域的比值，表1顯示了分別使用AVA以及本文方法測量的FCD結(jié)果與相對誤差，結(jié)果顯示本文方法與AVA的測量結(jié)果吻合度高于92%。在處理速度上，通常AVA計算一組實驗數(shù)據(jù)所用時間平均為(15～20) min，并且操作人員的熟練程度將直接影響計算結(jié)果，而本文方法的自動化算法計算一組實驗數(shù)據(jù)所用的時間平均為(30～50) s，很大程度上加快了計算速度并且減輕了人工負擔。因此本文提出的舌下微循環(huán)血流灌注自動評價方法是準確可行的，具有較強的臨床應用價值。

表1 本文方法與AVA計算FCD結(jié)果比較Tab.1 Calculated FCD values comparison of the proposed method and AVA

3 總結(jié)與展望

本文提出了一種基于視頻的舌下微循環(huán)血流灌注自動評價方法，可以快速、準確且自動地完成血管分割，且基于分割結(jié)果計算的FCD與AVA的測量結(jié)果吻合度高于92%，能夠替代原來耗時費力的半自動測量方法，并幫助科研人員進行后續(xù)臨床研究。

本文接下來將在以下兩個方面繼續(xù)開展工作：(1) 改進血管分割方法，主要改進閾值分割方法，降低初次分割結(jié)果中錯誤分割率；(2) 測量更多的微循環(huán)血管特征參數(shù)，例如灌注血管密度(Perfused Vessel Density，PVD)、微血管流動參數(shù)(Microvascular Flow Index，MFI)等。

[1] Levy MM, Dellinger RP, Townsend SR, et al. The Surviving Sepsis Campaign: results of an international guideline-based performance improvement program targeting severe sepsis[J]. Intensive Car Med, 2010, 36(2): 222-231.

[2] Trzeciak S, McCoy JV, Dellinger RP, et al. Early increases in microcirculatory perfusion during protocol-directed resuscitation are associated with reduced multi-organ failure at 24 h in patients with sepsis[J]. Intensive Car Med, 2008, 34(12): 2210-2217.

[3] Goedhart PT, Khalilzada M, Bezemer R, et al. Sidestream Dark Field (SDF) imaging: a novel stroboscopic LED ring-based imaging modality for clinical assessment of the microcirculation[J]. Optics Exp, 2007, 15(23): 15101-15114.

[4] Demir SU, Hakimzadeh R, Hargraves RH, et al. An automated method for analysis of microcirculation videos for accurate assessment of tissue perfusion[J]. BMC Med Imag, 2012, 12(1): 37.

[5] Dobbe JGG, Streekstra GJ, Atasever B, et al. Measurement of functional microcirculatory geometry and velocity distributions using automated image analysis[J]. Med Biol Eng Comput, 2008, 46(7): 659-670.

[6] Damas S, Cordón O, Santamari a J. Medical image registration using evolutionary computation: An experimental survey[J]. IEEE Comput Intell Mag, 2011, 6(4): 26-42.

[7] Zhang B, Zhang L, Zhang L, et al. Retinal vessel extraction by matched fi lter with fi rst-order derivative of Gaussian[J]. Computers in biology and medicine, 2010, 40(4): 438-445.

[8] 許修, 鄭彩仙, 王成, 等. 基于血管增強濾波的腦部靜脈分割新方法[J]. 中國醫(yī)療器械雜志, 2013, 37(4): 240-243.

[9] Mirshahi N, Demir S, Ward K, et al. An adaptive entropic thresholding technique for image processing and diagnostic analysis of microcirculation videos[J]. Int J Advanc Life Sci, 2011, 2(3 and 4): 133-142.

[10] 張新明, 鄭延斌. 二維直方圖準分的 Tsallis 熵閾值分割及其快速實現(xiàn)[J]. 儀器儀表學報, 2011, 32(8): 1796-1802.

[11] Bhalla N, Kanwal N, Girdhar A, et al. An approach for contrast enhancement of color images with the help of adaptive region growing segmentation[J]. Int J Comput, Int Manag, 2011, 19(3): 28-33.

An Automated Method for Assessment of Sublingual Microcirculatory Perfusion Based on Videos

【 Writers 】Lv Fei, Zhao Xingqun
School of Biological Science & Medical Engineering, Southeast University, Nanjing, 210096

【 Abstract 】Objective The assessment result of microcirculatory perfusion provides significant evidence for the detection of microcirculatory alterations in sepsis patients, and functional capillary density based on vessel segmentation can re fl ect microcirculatory perfusion effectively. Methods First, preprocessing comprise operations to improve the quality of images in order to maximize the contrast between background and vessels. Secondly, adaptive local thresholding is used for initial segmentation to get the general vessel region. Finally, post-processing technique reduces the image artifacts and links the vessel fragment, and then functional capillary density is calculated based on the segmentation results. Results Several sublingual microcirculatory data have been tested, and the agreement between the results by AVA and the proposed algorithm reached up to 92%. Conclusions The method can realize automated assessment of sublingual microcirculatory perfusion rapidly and accurately, and has strong clinical value.

sublingual microcirculation, microcirculatory perfusion, functional capillary density, threshold segmentation, region growing

TP391.41

A

10.3969/j.issn.1671-7104.2014.04.005

2014-01-14

趙興群，E-mail: ndt@seu.edu.cn.

1671-7104(2014)04-0251-04