基于深度學(xué)習(xí)的頸動(dòng)脈超聲圖像內(nèi)中膜厚度測(cè)量

孫萍 李鏘 關(guān)欣 滕建輔

300072天津大學(xué)電子信息工程學(xué)院

基于深度學(xué)習(xí)的頸動(dòng)脈超聲圖像內(nèi)中膜厚度測(cè)量

孫萍 李鏘 關(guān)欣 滕建輔

300072天津大學(xué)電子信息工程學(xué)院

目的 頸動(dòng)脈血管內(nèi)中膜厚度（IMT）是衡量動(dòng)脈粥樣硬化程度的重要標(biāo)準(zhǔn)。一般采用人工標(biāo)定進(jìn)行測(cè)量，該過程耗時(shí)且繁瑣，由此提出一種總體性能較好的全自動(dòng)分割（AS）算法。方法 該算法首先利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）識(shí)別出頸動(dòng)脈血管遠(yuǎn)端，進(jìn)而提取包含頸動(dòng)脈內(nèi)膜、中膜部分的感興趣區(qū)域（ROI）。采用基于堆棧式自編碼器（SAE）構(gòu)造的模式分類器將ROI中的像素進(jìn)行分類。最后利用分類區(qū)域的面積信息和位置信息對(duì)分類結(jié)果進(jìn)行甄別，運(yùn)用曲線擬合提取邊界完成測(cè)量任務(wù)。結(jié)果 針對(duì)本研究所用圖像庫中的84幅頸動(dòng)脈超聲圖像進(jìn)行實(shí)驗(yàn)，金標(biāo)準(zhǔn)（GT）由兩名專家4次測(cè)量的平均值產(chǎn)生，其與AS之間的絕對(duì)誤差和標(biāo)準(zhǔn)差為（13.3±20.5）μm，協(xié)方差系數(shù)為0.990 7。結(jié)論 實(shí)驗(yàn)結(jié)果表明，此算法總體性能較好，能夠?qū)崿F(xiàn)超聲頸動(dòng)脈血管內(nèi)中膜全自動(dòng)、快速、準(zhǔn)確分割，從而滿足臨床需要。

內(nèi)中膜厚度； 圖像分割； 深度學(xué)習(xí)； 卷積神經(jīng)網(wǎng)絡(luò)； 堆棧式自編碼器

Fund program：National Natural Science Foundation of Chine(61472163)

0 引 言

近年來，心腦血管疾病已成為危害人類健康的首要疾病。世界衛(wèi)生組織的調(diào)查顯示，2012年全球死于心腦血管疾病的人數(shù)高達(dá)1 750萬，約占全球總死亡人數(shù)的30%[1]。動(dòng)脈粥樣硬化是引發(fā)心腦血管疾病的首要原因，其早期追蹤診斷對(duì)于心腦血管疾病的預(yù)防極其重要。研究結(jié)果表明，頸動(dòng)脈血管內(nèi)中膜厚度（intima-media thickness，IMT）即管腔-內(nèi)膜邊界（lumen-intima interface，LII）與中膜-外膜邊界（media-adventitia interface，MAI）之間的距離（圖1），可有效反映動(dòng)脈粥樣硬化的程度，是預(yù)測(cè)心腦血管疾病的重要指標(biāo)和主要標(biāo)準(zhǔn)[2-3]。

圖1 頸動(dòng)脈超聲軸向截面圖

超聲圖像因具有無侵入、價(jià)格低、成像快等優(yōu)點(diǎn)在臨床中得到廣泛應(yīng)用。為保證IMT測(cè)量的可重復(fù)性，需在無斑塊的頸動(dòng)脈遠(yuǎn)端處（一般在頸動(dòng)脈分叉以下至少5 mm處）進(jìn)行測(cè)量[4]，該部位存在明顯的雙線性結(jié)構(gòu)。臨床中IMT通常由醫(yī)務(wù)人員手動(dòng)進(jìn)行標(biāo)定、勾勒出LII和MAI來計(jì)算；但手動(dòng)測(cè)量存在觀察者間和觀察者內(nèi)的差異，不可重復(fù)，耗時(shí)且繁瑣，無法滿足現(xiàn)代醫(yī)學(xué)海量數(shù)據(jù)處理的需要。基于以上原因，采用圖像處理技術(shù)以實(shí)現(xiàn)全自動(dòng)、快速、準(zhǔn)確的計(jì)算機(jī)輔助診斷十分必要。1986年，Pignoli等[5]首先提出了IMT分割算法，之后的30年中大量算法和方案相繼被提出[6-13]。這些測(cè)量方案大致由兩部分組成，第1步提取感興趣區(qū)域（region of interest，ROI）并獲取初始輪廓線，第2步獲取精確輪廓線。依據(jù)第1步中人工干預(yù)程度，現(xiàn)存的這些算法又可分為全自動(dòng)算法和半自動(dòng)算法，半自動(dòng)分割需要人為選定ROI[6]或感興趣點(diǎn)[7]，而全自動(dòng)的方法則不需人為干預(yù)[8-10]；第2步涉及動(dòng)態(tài)規(guī)劃[11-12]、活動(dòng)輪廓模型[6-8]、神經(jīng)網(wǎng)絡(luò)模型[10]、統(tǒng)計(jì)建模[13]等眾多理論。

基于以上算法的總體性能欠佳，即無法同時(shí)滿足全自動(dòng)、快速、準(zhǔn)確、魯棒性強(qiáng)的要求，筆者提出一種總體性能較好的IMT測(cè)量方法，即全自動(dòng)分割（automatic segmentation，AS）算法。該法首先提取ROI，然后將ROI中的像素進(jìn)行分類，最終提取LII和MAI兩條邊界。本研究通過介紹深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）與自編碼器的基本理論、算法細(xì)節(jié)及實(shí)驗(yàn)結(jié)果，證明此算法能夠?qū)崿F(xiàn)超聲頸動(dòng)脈血管內(nèi)中膜全自動(dòng)、快速、準(zhǔn)確分割以滿足臨床診斷的需要。

1 深度學(xué)習(xí)

生物神經(jīng)學(xué)研究表明，哺乳動(dòng)物的大腦在對(duì)視覺圖像進(jìn)行處理時(shí)需將信號(hào)輸入一個(gè)由大量神經(jīng)元組成的深度網(wǎng)絡(luò)，經(jīng)過網(wǎng)絡(luò)的層層傳遞最終學(xué)習(xí)到信號(hào)的多層隱式表達(dá)。這一生物科學(xué)的發(fā)現(xiàn)為深度學(xué)習(xí)的發(fā)展提供了生物學(xué)依據(jù)。

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種受哺乳動(dòng)物視覺啟發(fā)而設(shè)計(jì)出的多層感知器，每層由多個(gè)二維平面組成，每個(gè)平面由多個(gè)獨(dú)立神經(jīng)元組成。典型的CNN結(jié)構(gòu)包括輸入層、卷積層、子采樣層、全連接層和輸出層。

（一）卷積過程和子采樣過程

式中：Mj為神經(jīng)元j對(duì)應(yīng)的局部感受野為（l-1）層神經(jīng)元i的輸出，為第l層的神經(jīng)元i的第j個(gè)輸入對(duì)應(yīng)的權(quán)值為l層的第i個(gè)偏置量。f（·）為激活函數(shù)。

式中：βl為可訓(xùn)練參數(shù)為下采樣，bl為可訓(xùn)練偏置。f（·）為激活函數(shù)。

（二）全連接層

式中：wji為網(wǎng)絡(luò)中第l-i層的第i個(gè)輸入到第l層的第j個(gè)輸出的連接權(quán)重，bl為第l層的可訓(xùn)練偏置。f（·）為激活函數(shù)。

（三）輸出層

計(jì)算輸入樣本屬于各類別的概率，輸入樣本歸屬于所屬概率最大的類別，最后完成分類任務(wù)。

1.2 堆棧式自編碼器

自編碼神經(jīng)網(wǎng)絡(luò)（auto encoder，AE）是一種無監(jiān)督學(xué)習(xí)算法，其使用反向傳播算法，并使目標(biāo)值等于輸入值，即Z≈X（圖2）。其算法執(zhí)行過程包括編碼過程和解碼過程。其運(yùn)算過程如式（4）、（5）所示。

圖2 單層自編碼器示意圖

式中：x為輸入，y為隱藏層輸出（即構(gòu)造數(shù)據(jù)），z為輸出（即輸入數(shù)據(jù)的重建），wy、by分別為輸入層到隱藏層的權(quán)重和偏置，wz、bz分別為隱藏層到輸出層的權(quán)重和偏置。f（·）為激活函數(shù)。

其訓(xùn)練過程即最小化誤差函數(shù)的過程，即

調(diào)節(jié)下面的4個(gè)參數(shù)，使得層c（x，y）最小。

一般選擇下列規(guī)則更新權(quán)重項(xiàng)和偏置項(xiàng)，以實(shí)現(xiàn)誤差函數(shù)的最小化

式中：c（x，y）為代價(jià)函數(shù)，η為學(xué)習(xí)步長。

堆棧式自編碼器（stacked auto encoder,SAE）是一個(gè)由多層自編碼器組成的神經(jīng)網(wǎng)絡(luò)，其前一層自編碼器的輸出作為其后一層自編碼器的輸入，最深層隱藏單元的激活值向量是對(duì)輸入值的更高階的表示。

2 全自動(dòng)分割算法原理

圖3是本研究分割方法的總框架。原始超聲圖像中包含受試者的一些個(gè)人信息，對(duì)于圖像分割來說這些屬冗余信息，因此應(yīng)首先剪除這些冗余信息，然后應(yīng)用已訓(xùn)練好的CNN自動(dòng)識(shí)別出超聲頸動(dòng)脈血管壁的遠(yuǎn)端，提取ROI；其后，應(yīng)用選定的窗對(duì)ROI進(jìn)行操作，將選定區(qū)域內(nèi)的模式信息送入同樣訓(xùn)練好的SAE特征提取層、Sigmoid函數(shù)分類層構(gòu)建的模式分類器，將非邊界像素和邊界像素分類，再將后者分類出LII和MAI像素；最后對(duì)得到的分類結(jié)果進(jìn)行甄選，提取最終的LII和MAI，從而完成超聲頸動(dòng)脈血管IMT的測(cè)量。

2.1 圖像獲取

本實(shí)驗(yàn)所用的測(cè)試圖像庫來自塞普洛斯神經(jīng)醫(yī)學(xué)院，圖像庫中不包含出現(xiàn)斑塊等嚴(yán)重病變的情況。圖像來源于不同的測(cè)試者，年齡為26～95歲，平均年齡54歲。圖像分辨率為576×768像素，像素灰度級(jí)為256，像素密度為16.66像素/mm。

2.2 ROI提取

在超聲頸動(dòng)脈圖像中，“管腔—內(nèi)膜—中膜—外膜”具有“暗—亮—暗—亮”結(jié)構(gòu)。但由于超聲圖像的分辨率和對(duì)比度較低，同時(shí)廣泛存在于超聲圖像中的散斑噪聲會(huì)破壞圖像的一些重要細(xì)節(jié)，因此實(shí)際獲取的圖像中“暗—亮—暗—亮”結(jié)構(gòu)并不十分明顯。CNN特有的卷積層和子采樣層交替出現(xiàn)的二次特征提取結(jié)構(gòu)可保證卷積網(wǎng)絡(luò)對(duì)有較大形變的輸入數(shù)據(jù)具有一定的容忍能力，對(duì)噪聲具有一定的魯棒性[13]。本研究運(yùn)用CNN（結(jié)構(gòu)如圖4所示），識(shí)別圖像中包含“暗—亮—暗—亮”結(jié)構(gòu)的區(qū)域，定位超聲頸動(dòng)脈遠(yuǎn)端并自動(dòng)獲取ROI。具體步驟如下。

（一）剪除原始超聲圖像邊緣中包含的對(duì)圖像分析無用的信息。將裁剪后的圖像按列均勻五等分。沿子圖像的對(duì)稱軸（圖5A紅色線所示），順次取出28×28圖像塊。（圖5）

（二）將圖像塊作為已經(jīng)訓(xùn)練好的CNN的輸入，進(jìn)行預(yù)測(cè)分類，類別數(shù)為2，據(jù)是否包含“暗—亮—暗—亮”結(jié)構(gòu)，選出同一子圖像中歸屬包含此結(jié)構(gòu)類的預(yù)測(cè)值最大的圖像塊。

（三）將所得圖像塊的行索引值，即圖5A中藍(lán)色標(biāo)記進(jìn)行排序，甄選出能有效標(biāo)定頸動(dòng)脈遠(yuǎn)端的行索引值，即圖5A中綠色標(biāo)記，并依據(jù)該索引值提取ROI，選取規(guī)則如下

其中：r1、r2、r3分別為行索引值的最大值、次大值和中間值，m1，m2分別為r1、r2和r3、r2的均值，v為一設(shè)定的閾值。本研究首選r3作為有效頸動(dòng)脈遠(yuǎn)端索引值，通常頸動(dòng)脈遠(yuǎn)端位于整張超聲圖像中間偏下位置，因此如果r3小于某一閾值，則認(rèn)為r3不能有效定義頸動(dòng)脈遠(yuǎn)端，此時(shí)需借助m1或m2。圖5B所示區(qū)域?yàn)樽罱K提取的ROI。

2.3 像素分類

深度學(xué)習(xí)架構(gòu)由多層非線性運(yùn)算單元組成，研究表明函數(shù)族提取出的深層特征表達(dá)較單一函數(shù)提取的淺層特征更為有效[14]；且通過多層次的深度學(xué)習(xí)，網(wǎng)絡(luò)能夠迭代地抽取到輸入數(shù)據(jù)的本質(zhì)特征[15]，這些由深度網(wǎng)絡(luò)結(jié)構(gòu)提取出的特征對(duì)輸入數(shù)據(jù)的局部變化具有一定的魯棒性[16]。SAE以數(shù)值模型構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)，其隱層節(jié)點(diǎn)是具有實(shí)際意義的計(jì)算單元，其對(duì)連續(xù)性和確定性的數(shù)值數(shù)據(jù)會(huì)獲得更好的訓(xùn)練效果[17]。

本研究運(yùn)用模式識(shí)別的相關(guān)技術(shù)解決圖像像素分類的問題，最終完成圖像分割。首先運(yùn)用深度學(xué)習(xí)中的SAE提取輸入模式的深層特征。Sigmoid函數(shù)能進(jìn)行非線性映射，因其輸出范圍有限，使數(shù)據(jù)在其傳遞過程中不易發(fā)散，因此選取Sigmoid函數(shù)作為編解碼器的激活函數(shù)。設(shè)定wy=wz=w，以減少訓(xùn)練參數(shù)的復(fù)雜度，在預(yù)訓(xùn)練過程中，網(wǎng)絡(luò)主要學(xué)習(xí)3個(gè)參數(shù)即w、by、bz。在設(shè)定參數(shù)更新規(guī)則前，需合理確定誤差項(xiàng)即代價(jià)函數(shù)。因激活函數(shù)選用Sigmoid函數(shù)，所以代價(jià)函數(shù)的導(dǎo)數(shù)會(huì)因神經(jīng)元輸出為0或1而趨近于0。如采用交叉熵，即使網(wǎng)絡(luò)節(jié)點(diǎn)趨于飽和，參數(shù)仍會(huì)繼續(xù)更新，最終選擇交叉熵作為代價(jià)函數(shù)；同時(shí)將整個(gè)訓(xùn)練數(shù)據(jù)均分為小塊數(shù)據(jù)，因此對(duì)于整個(gè)數(shù)據(jù)集，采用以小塊數(shù)據(jù)更新參數(shù)。網(wǎng)絡(luò)訓(xùn)練完成后，去除網(wǎng)絡(luò)的數(shù)據(jù)重建，隱藏層的輸出為所學(xué)特征。后續(xù)的網(wǎng)絡(luò)層以前一層的輸出為輸入，并用同樣的方式訓(xùn)練，即逐層貪婪訓(xùn)練網(wǎng)絡(luò)，可避免網(wǎng)絡(luò)因初始權(quán)值過小而陷入局部最優(yōu)解。最后將網(wǎng)絡(luò)的各層結(jié)合在一起，利用網(wǎng)絡(luò)學(xué)習(xí)到的特征進(jìn)行分類，在預(yù)訓(xùn)練網(wǎng)絡(luò)后面添加Sigmoid分類層并精細(xì)調(diào)整整個(gè)預(yù)訓(xùn)練網(wǎng)絡(luò)以完成分類任務(wù)。

為保證所構(gòu)造網(wǎng)絡(luò)系統(tǒng)具有良好的泛化性，從6張包含不同對(duì)比度、灰度值和不同內(nèi)中膜結(jié)構(gòu)的圖像中，對(duì)上述3種類型的點(diǎn)均衡取樣12 000、6 000、6 000個(gè)組成具有代表性的數(shù)據(jù)集。學(xué)習(xí)過程中將整個(gè)數(shù)據(jù)集隨機(jī)分為3個(gè)子集，60%的數(shù)據(jù)集作為訓(xùn)練集，余下的數(shù)據(jù)均分為驗(yàn)證集和測(cè)試集。

所用圖像庫中頸動(dòng)脈內(nèi)中膜所占像素約為13個(gè)，因此模式分類器輸入的模式信息為以擬分類的像素點(diǎn)為中心的13×3鄰域內(nèi)的像素灰度值信息。根據(jù)實(shí)際需要搭建兩個(gè)由SAE特征提取層和Sigmoid分類層構(gòu)建的模式分類器，記為SAE_NB和SAE_LM，其分類過程[18]如圖6所示。SAE_NB含有3個(gè)隱藏層，圖7為3個(gè)隱藏層節(jié)點(diǎn)同時(shí)從2到39變化時(shí)對(duì)應(yīng)的分類準(zhǔn)確率，圖8為SAE_LM兩個(gè)隱藏層節(jié)點(diǎn)同時(shí)從2到39變化時(shí)對(duì)應(yīng)的分類性能。通過權(quán)衡網(wǎng)絡(luò)的復(fù)雜性和準(zhǔn)確性，最終確定兩個(gè)分類器隱藏層節(jié)點(diǎn)數(shù)分別為7和10，SAE_NB和SAE_LM各層節(jié)點(diǎn)構(gòu)成分別為39—7—7—7—2和39—10—10—2[19]。

代價(jià)函數(shù)c為

式中：d為輸入向量維數(shù)，m為數(shù)據(jù)塊大小，xik（zik）為所選塊中第i個(gè)輸入數(shù)據(jù)的第k個(gè)分量，zik為xik作為輸入時(shí)對(duì)應(yīng)的輸出。

圖9A為運(yùn)用SAE_NB分類圖5B中像素的結(jié)果，9B為利用SAE_LM對(duì)圖A進(jìn)行再分類的結(jié)果。分類圖像中包含錯(cuò)誤分類的區(qū)域，應(yīng)對(duì)其進(jìn)行移除。

2.4 邊界提取

由于超聲圖像的分辨率和信噪比較低，模式的相似性較高，因此對(duì)像素進(jìn)行分類時(shí)會(huì)出現(xiàn)錯(cuò)分類現(xiàn)象。假陽性錯(cuò)誤，即將非邊界點(diǎn)錯(cuò)誤地分類為邊界點(diǎn)，其對(duì)最終的結(jié)果影響較大，因此需要對(duì)分類結(jié)果進(jìn)行篩選甄別。

（一）分別對(duì)LII和MAI連通域進(jìn)行操作，計(jì)算圖像中各個(gè)目標(biāo)區(qū)域的重心，記下其行值，并將其行值與ROI提取階段的行索引值比較。對(duì)于LII連通域，基于統(tǒng)計(jì)學(xué)原理，如果兩者之差大于20，則刪除圖像中對(duì)應(yīng)的區(qū)域；對(duì)于MAI連通域,如果目標(biāo)區(qū)域行值與行索引值之差大于30，則刪除該區(qū)域。

（二）再次對(duì)經(jīng)過（一）操作后的LII和MAI連通域進(jìn)行操作，計(jì)算圖像中各個(gè)目標(biāo)區(qū)域的面積和重心，將最大區(qū)域的行值與各區(qū)域行值比較，如果兩者之差大于20且其區(qū)域面積小于50，則刪除該對(duì)應(yīng)區(qū)域。

（三）合并LII和MAI，重新搜索每一列，移除只包含LII或MAI的列。

事實(shí)上，由于超聲圖像的質(zhì)量較差，得出的邊界并不是單像素寬度，這正是手動(dòng)測(cè)量出現(xiàn)觀察者間差異的主要原因[17]。為消除此差異性，需對(duì)分類邊界進(jìn)行曲線擬合，根據(jù)最小二乘原理擬合出兩條最終邊界。

圖10為最終分類結(jié)果及最終邊界提出示意圖，其中A為去除圖9B假陽性錯(cuò)誤后的分類結(jié)果，B為最終邊界提取的示意圖。

3 結(jié)果與討論

為了保證測(cè)量結(jié)果的準(zhǔn)確性，圖像庫中的84張圖像均無斑塊等嚴(yán)重病變的情況出現(xiàn)。算法在Windows 8 Intel Core i7-4790 CPU 16G RAM@3.6GHz計(jì)算機(jī)上的Matlab2014a平臺(tái)上進(jìn)行測(cè)試。圖11是應(yīng)用本研究算法針對(duì)不同形態(tài)的內(nèi)中膜結(jié)構(gòu)的邊界提取結(jié)果，圖A、B分別為內(nèi)中膜結(jié)構(gòu)彎曲方向不同的邊界提取結(jié)果，圖C為內(nèi)中膜厚度非均勻狀態(tài)下的邊界提取效果，圖D顯示目標(biāo)結(jié)構(gòu)模糊。

為評(píng)估分割算法的性能，本研究將自動(dòng)測(cè)量結(jié)果與金標(biāo)準(zhǔn)（ground truth,GT）進(jìn)行比較。自動(dòng)測(cè)量結(jié)果為運(yùn)用筆者所提算法獲得，手動(dòng)測(cè)量由兩名專家（Ex1和Ex2）分別進(jìn)行間隔時(shí)間為20 d的2次測(cè)量，GT取兩名專家4次測(cè)量的平均值。

首先筆者采用不同測(cè)量結(jié)果之間的絕對(duì)偏差和皮爾森相關(guān)系數(shù)來評(píng)估不同測(cè)量方法的一致性（表1）。由公式（12）計(jì)算AS與GT絕對(duì)偏差為（13.3± 20.5）μm；兩名專家測(cè)量結(jié)果的絕對(duì)偏差為（22.3± 40.0）μm；由公式（13）計(jì)算GT與AS間的相關(guān)系數(shù)為99.07%，兩名專家測(cè)量結(jié)果的相關(guān)系數(shù)為96.97%。

其次，筆者采用線性回歸分析和Bland-Altman圖直觀顯示自動(dòng)測(cè)量與手動(dòng)測(cè)量間的一致性（圖12），由圖可見，A中直線斜率近似于1，截距很小，說明自動(dòng)測(cè)量與手動(dòng)測(cè)量之間的一致性較高；B中虛線表示95%的置信區(qū)間的邊界，可見圖中大部分?jǐn)?shù)據(jù)位于95%的一致性界限內(nèi)。

表1 不同方法測(cè)量的IMT數(shù)據(jù)（x±s）

式中：IMTgti

式中：n為本文圖像庫的大小，AS（i）和GT（i）分別為對(duì)第i張圖像自動(dòng)測(cè)量和手動(dòng)測(cè)量的結(jié)果，as和gt分別為自動(dòng)測(cè)量和手動(dòng)測(cè)量的均值。

本研究算法與目前主流算法有關(guān)測(cè)量誤差、時(shí)間復(fù)雜度、是否全自動(dòng)進(jìn)行比較的結(jié)果見表2。文獻(xiàn)[10]利用4個(gè)含有單隱層的感知器神經(jīng)網(wǎng)絡(luò)完成IMT的全自動(dòng)測(cè)量。在IntelCorei5-8GRAM@2.8GHz的硬件條件下，算法運(yùn)行3.44 s，平均絕對(duì)偏差為37.0 μm，誤差百分比為6%。文獻(xiàn)[9]提出CAMES的全自動(dòng)測(cè)量算法，其誤差百分比為8%。但上述算法不適合處理含有噪聲和擾動(dòng)的圖像，而超聲圖像中噪聲的存在十分普遍。文獻(xiàn)[8]提出利用水平集和活動(dòng)輪廓模型測(cè)量IMT，在8G RAM 2.5GHz處理器的計(jì)算機(jī)平臺(tái)中運(yùn)行21 s，誤差百分比為15%。文獻(xiàn)[6]提出的算法采用雙snake輪廓模型，誤差百分比為5.8%，在人為提取ROI的前提下，算法在i5 430M CPU 2GB RAM硬件條件下運(yùn)行0.43 s。

本研究算法在已有硬件條件下運(yùn)行時(shí)間為0.36 s，誤差百分比為2.0%，且算法中應(yīng)用的CNN和SAE構(gòu)造的模式分類器對(duì)噪聲具有一定的魯棒性，該算法具有全自動(dòng)、快速、準(zhǔn)確且抗噪的特性。

表2 全自動(dòng)分割算法與相關(guān)算法比較結(jié)果（x±s）

4 結(jié) 論

圖12 線性回歸分析與Bland-Altman圖

本研究是基于深度學(xué)習(xí)的全自動(dòng)頸動(dòng)脈血管內(nèi)中膜厚度（IMT）測(cè)量算法。卷積神經(jīng)網(wǎng)絡(luò)（CNN）的抗噪性保證其在超聲圖像質(zhì)量較差時(shí)仍能準(zhǔn)確識(shí)別頸動(dòng)脈的遠(yuǎn)端；堆棧式自編碼器（SAE）的多層次深度學(xué)習(xí)可確保對(duì)有局部變化的輸入數(shù)據(jù)仍能提取出有效特征，因此由SAE構(gòu)建的模式分類器能夠準(zhǔn)確分類受噪聲干擾的像素點(diǎn)。但若圖像中內(nèi)中膜結(jié)構(gòu)破損嚴(yán)重，盡管模式分類器能準(zhǔn)確識(shí)別邊界點(diǎn)像素，仍會(huì)出現(xiàn)曲線欠擬合的情況，結(jié)果會(huì)影響測(cè)量結(jié)果的準(zhǔn)確性；且圖像中嚴(yán)重的噪聲也會(huì)影響測(cè)量結(jié)果。此外筆者所用的第一個(gè)模式分類器的分類準(zhǔn)確率尚有待提高。筆者今后的研究重點(diǎn)需著重于提高曲線擬合的準(zhǔn)確性及模式分類器的準(zhǔn)確性及魯棒性，同時(shí)致力于開發(fā)本研究算法的應(yīng)用軟件，以服務(wù)于大數(shù)據(jù)時(shí)代的臨床醫(yī)學(xué)。

利益沖突 無

（圖3～11見插頁5-3、5-4）

[1]WorldHealthOrganization."CardiovascularDisease(CVDS)"[EB/OL]. [2015-06-09].http://www.who.int/mediacen-ter/factsheets/fs317/en.

[2]Robertson CM,Gerry F,Fowkes R,et al.Carotid intima-media thickness and the prediction of vascular events[J].Vasc Med,2012, 17(4):239-248.DOI:10.1177/1358863X12445103.

[3]Lorenz MW,Markus HS,Bots ML,et al.Prediction of clinical cardiovascular events with carotid intima-media thickness:a systematic review and meta-analysis[J].Circulation,2007,115(4): 459-467.DOI:10.1161/CIRCULATIONAHA.106.628875.

[4]Touboul PJ,Hennerici MG,Meairs S,et al.Mannheim carotid intima-media thickness and plaque consensus(2004-2006-2011)[J]. Cerebrovasc Dis,2012,34(4):290-296.DOI:10.1159/000343145.

[5]Pignoli P,Tremoli E,Poli A,et al.Intimal plus medial thickness of the arterial wall:a direct measurement with ultrasound imaging[J]. Circulation,1986,74(6):1399-1406.DOI:10.1161/01.CIR.74.6.1399.

[6]Xu XY,Zhou Y,Cheng XY,et al.Ultrasound intima-media segmentation using Hough transform and dual snake model[J]. Comput Med Imaging Graph,2012,36 (3):249-258.DOI: 10.1016/j.compmedimag.2011.06.007.

[7]Cheng DC,Schmidt-Trucks覿ss A,Cheng KS,et al.Using snakes to detect the intimal and adventitial layers of the common carotid artery wall in sonographic images[J].Comput Methods Programs Biomed, 2002,67(1):27-37.DOI:10.1016/S0169-2607(00)00149-8.

[8]Petroudi S,Loizou C,Pantziaris M,et al.Segmentation of the common carotid intima-media complex in ultrasound images using active contours[J].IEEE Trans Biomed Eng,2012,59(11):3060-3069.DOI:10.1109/TBME.2012.2214387.

[9]Molinari F,Pattichis CS,Zeng G,et al.Completely automated multiresolution edge snapper—a new technique for an accurate carotid ultrasound IMT measurement:clinical validation and benchmarking on a multi-institutional database[J].IEEE Trans Image Process,2012,21(3):1211-1222.DOI:10.1109/TIP.2011.2169270.

[10]Menchón-Lara RM,Bastida-Jumilla MC,Morales-Sánchez J,et al. Automatic detection of the intima-media thickness in ultrasound images of the common carotid artery using neural networks[J].Med Biol Eng Comput,2014,52(2):169-181.DOI:10.1007/s11517-013-1128-4.

[11]Liang Q,Wendelhag I,Wikstrand J,et al.A multiscale dynamic programming procedure for boundary detection in ultrasonic artery images[J].IEEE Trans Med Imaging,2000,19(2):127-142.DOI: 10.1109/42.836372.

[12]Cheng DC,Jiang XY.Detections of arterial wall in sonographic artery images using dual dynamic programming[J].IEEE Trans Inf Technol Biomed,2008,12(6):792-799.DOI:10.1109/TITB.2008. 926413.

[13]Destrempes F,Meunier J,Giroux MF,et al.Segmentation in ultrasonic B-mode images of healthy carotid arteries using mixtures of Nakagami distributions and stochastic optimization[J].IEEE Trans MedImaging,2008,28(2):215-229.DOI:10.1109/TMI.2008.929098.

[14]Bengio Y,Delalleau O.On the expressive power of deep architectures[C]//Discovery Science,Finland,2011.Berlin:Springer,2011: 18-36.

[15]Hinton GE,Salakhutdinov RR.Reducing the dimensionality of data with neural networks[J].Science,2006,313(5786):504-507.DOI: 10.1126/science.1127647.

[16]Neubauer C.Shape,position and size invariant visual pattern recognition based on principles of neocognitron and perception[C]// Aleksander I,Taylor J,European Neural Network Society,et al. Proceedings of the 1992 International Conference on Artifical Neural Networks,Brighton,1992.Amsterdam:North-Holland,1992: 833-837.

[17]Bengio Y,Courville A,Vincent P.Representation learning:a review and new perspectives[J].IEEE Trans Pattern Anal Mach Intell, 2013,35(8):1798-1828.DOI:10.1109/TPAMI.2013.50.

[18]劉一學(xué),李鏘,關(guān)欣,等.基于支持向量機(jī)的頸動(dòng)脈超聲圖像內(nèi)中膜厚度測(cè)量[J].中國醫(yī)學(xué)物理學(xué)雜志,2016,33(5):451-455. DOI:10.3969/j.issn.1005-202X.2016.05.005. Liu YX,Li Q,Guan X,et al.Carotid intima-media thickness measurementinultrasoundimagebasedonsupportvectormachine[J]. Chin J Med Phys,2016,33(5):451-455.DOI:10.3969/j.issn.1005-202X.2016.05.005.

[19]Chen YS,Lin ZH,Zhao X,et al.Deep learning-based classification of hyperspectral data[J].IEEE J-STARS,2014,7(6):2094-2107. DOI:10.1109/JSTARS.2014.2329330.

Carotid intima-media thickness measurement in ultrasound image based on deep learning

Sun Ping,Li Qiang,Guan Xin,Teng Jianfu

School of Electronic Information Engineer,Tianjin University,Tianjin 300072,China

Li Qiang，Email:liqiang@tju.edu.cn

Objective The common carotid artery intima-media thickness(IMT)is a widely accepted and important marker of early atherosclerosis,and measurement of IMT based on manual tracing is time-consuming and complicated.A fully automatic segmentation(AS)method was proposed in this study for the IMT measurement to overcome the drawbacks.Methods First,convolutional neural network(CNN)was applied to identify carotid artery distal and region of interest(ROI)was extracted,which included intima-media complex(IMC).The pattern classifier based on the stacked auto encoder(SAE)was added to classify pixels of ROI.Reliable classification regions were chosen based on region area and region center,and the IMT measurement was completed by extracting final boundary with the method of curve fitting.A total of 84 ultrasound images from 84 corresponding patients were tested with the proposed method.The ground truth(GT)of IMT was manually measured for four times by two experts and then averaged,and the automatic segmented IMT was computed using the proposed method.Results The mean of the absolute error and standard deviation between AS and GT IMT was(13.3±20.5)μm,and the correlation coefficient was 0.990 7.Conclusions Experimental results show that the over all performance of the proposed method is better,and it can achieve automatic,fast and accurate segmentation of intima-media of common carotid artery,which satisfy the clinical requirements.

Intima-media thickness; Image segmentation; Deep learning; Convolutional neural network;Stacked auto encoder

李鏘，Email:liqiang@tju.edu.cn

10．3760/cma．j．issn．1673-4181．2016．05．001

國家自然科學(xué)基金（61472163）

2016-07-10）