基于改進(jìn)模糊C均值算法的頸動脈超聲圖像分割

李?鏘，張琦珺，關(guān)?欣，滕建輔

?

基于改進(jìn)模糊C均值算法的頸動脈超聲圖像分割

李?鏘，張琦珺，關(guān)?欣，滕建輔

(天津大學(xué)微電子學(xué)院，天津 300072)

超聲圖像分割；內(nèi)中膜厚度測量；模糊C均值；隱馬爾可夫隨機(jī)場模型；感興趣區(qū)域

心血管疾病(cardiovascular diseases，CVDs)是危害人類生命健康的首要因素，需早期發(fā)現(xiàn)、合理干預(yù)．CVDs的初期表現(xiàn)為在多種致病因素的作用下，動脈壁中內(nèi)中膜厚度(intima media thickness，IMT)增加的現(xiàn)象．頸部主動脈(common carotid artery，CCA)血管是動脈硬化的常見部位，其位置靠近皮膚表層且近似與皮膚平行，容易測量．相關(guān)研究[1]表明：CCA血管壁的IMT可以作為評估心血管疾病早期病變程度的重要指標(biāo)．超聲成像具有實時性、可重復(fù)性、無侵入、成本低、成像快速等優(yōu)點(diǎn)，是臨床中頸動脈檢查的首選成像方式．相對其他醫(yī)學(xué)成像方式超聲圖像噪聲較多，由于超聲回波散射的影響，實驗研究中通常選取成像效果較好的遠(yuǎn)端血管壁的內(nèi)中膜結(jié)構(gòu)進(jìn)行測量．超聲圖像中頸動脈血管具有如下特性：①健康血管的內(nèi)中膜厚度在一定距離內(nèi)比較均勻，且血管形態(tài)近似平直；②血管成像橫貫圖像；③遠(yuǎn)端血管壁處于圖像中心靠下的位置；④血管壁和管腔的灰度分別呈現(xiàn)較亮、較暗的特點(diǎn)．

IMT手動測量方法非常耗時，且測試結(jié)果受測量者主觀判斷的影響很大，不適合實驗研究．從1988年P(guān)ignoli等[2]首次提出計算機(jī)輔助IMT測量算法開始，專家學(xué)者提出了多種自動測量方法代替人工手動測量．分析已有的算法，IMT測量通常可分為2個主要步驟：①提取感興趣區(qū)域(region of interesting，ROI)；②獲取內(nèi)中膜輪廓．計算機(jī)輔助IMT測量的實現(xiàn)方法涉及多種圖像處理的原理和技術(shù)，主要有邊緣檢測[2-3]、活動輪廓模型[4-6]、動態(tài)規(guī)劃[7-8]、霍夫變換[9]、隨機(jī)場模型[10]、神經(jīng)網(wǎng)絡(luò)[11-12]及模糊聚類[13]等．在Xu等[9]提出的方案中，使用霍夫變換建立初始內(nèi)中膜輪廓，并采用改進(jìn)的雙Snake(Dual Snake，DS)模型演化初始輪廓，獲取最終的內(nèi)中膜邊界；隨機(jī)場模型的方法是利用鄰近像素進(jìn)行統(tǒng)計建模的方法，Xiao等[10]利用馬爾可夫隨機(jī)場模型迭代初始標(biāo)號場，分割頸動脈圖像；Menchón-Lára等[11]提出一種基于神經(jīng)網(wǎng)絡(luò)的全自動IMT測量算法，并在此基礎(chǔ)上將自動編碼和深度學(xué)習(xí)引入算法，提升IMT測量的效率[12]．從總體上看，計算機(jī)輔助的IMT測量方法精度越來越高，實時性越來越好，人工參與程度越來越低，隨著各方面技術(shù)的發(fā)展，利用計算機(jī)輔助診斷治療的目標(biāo)也越來越近．

傳統(tǒng)模糊C均值(fuzzy C means，F(xiàn)CM)算法結(jié)合了模糊技術(shù)，可以有效地處理醫(yī)學(xué)影像中存在的部分容積效應(yīng)，但分割過程存在效率較低、對噪聲敏感等問題，導(dǎo)致使用傳統(tǒng)FCM算法分割超聲頸動脈圖像時不能獲得可靠的分割結(jié)果，因此本文提出一種結(jié)合隱馬爾可夫隨機(jī)場模型(hidden Markov random field，HMRF)和FCM的頸動脈自動分割方法，分割過程無需人工干預(yù)．算法包括2個關(guān)鍵步驟：①基于先驗知識自動提取感興趣區(qū)域；②采用基于HMRF改進(jìn)的FCM算法分割圖像，獲取最終內(nèi)中膜輪廓．步驟①是自動分割的前提，步驟②是自動分割的關(guān)鍵．

1?預(yù)處理

CCA超聲圖像如圖1所示．方框區(qū)域從上到下的結(jié)構(gòu)依次為管腔、內(nèi)膜、中膜和外膜，其中管腔-內(nèi)膜邊界(lumen-intima interface，LII)與中膜-外膜邊界(media-adventitia interface，MAI)間的距離為IMT．

本文提出的頸動脈超聲圖像分割流程如圖2所示，其中ROI提取和圖像濾波為預(yù)處理階段，隨后在處理后的圖像上進(jìn)行IMT測量，該測量過程的具體實現(xiàn)為：建立初始內(nèi)中膜輪廓、使用改進(jìn)算法分割圖像并經(jīng)計算獲取IMT．

圖1?CCA超聲圖像

圖2?頸動脈超聲圖像分割流程

1.1?提取ROI

ROI提取可以提高圖像分割效率，根據(jù)ROI提取過程是否有人工干預(yù)，可將現(xiàn)有的IMT測量算法分為兩類：半自動(semi-automatic，SA)測量算法和全自動(fully automatic，F(xiàn)A)測量算法．目前ROI自動提取算法大多僅依據(jù)圖像灰度信息實現(xiàn)，這樣的方法存在一定的失誤率，為了在復(fù)雜的背景下快速、準(zhǔn)確地提取ROI，本文提出了一種結(jié)合圖像灰度信息和血管形態(tài)信息的ROI提取算法．算法的具體步驟?如下．

步驟1?圖像裁剪．原始超聲頸動脈圖像中包含儀器信息、病人信息等對IMT測量無用的文字標(biāo)識，需要去除．文字標(biāo)識位置固定，根據(jù)遠(yuǎn)端血管壁位于圖像中下方的位置特性，選取320×300像素大小的區(qū)域，作為待處理圖像．圖3(a)是裁剪后的超聲圖像.

???(1)

步驟3?閾值處理．理想情況下，超聲圖像血管壁和管腔的灰度差別較大．根據(jù)圖像灰度統(tǒng)計規(guī)律，使用最大類間差(OTSU)算法[14]自動獲取最優(yōu)閾值，然后利用該閾值分割邊緣圖獲取二值圖像，如圖3(c)所示．

步驟4?形態(tài)學(xué)閉運(yùn)算．為了連接包含大量邊緣的區(qū)域，采用閉形態(tài)學(xué)算子填補(bǔ)二值圖像的孔洞．

步驟5?驗證區(qū)域．采用連通分量分析法提取二值圖像中各區(qū)域的最小外接矩形和重心坐標(biāo)．依據(jù)血管形態(tài)信息篩選檢測到的區(qū)域：血管壁橫跨圖像，所在連通域的外接矩形寬度近似等于圖像寬度；遠(yuǎn)端血管壁區(qū)域重心相對較低，重心縱坐標(biāo)數(shù)值較大．圖3(d)中用“＋”號標(biāo)記可能的血管壁區(qū)域，其中紅色“＋”號標(biāo)記的區(qū)域為真正的感興趣區(qū)域．

步驟6?ROI提取．健康頸動脈血管的IMT約在0.5～1.0,mm的范圍內(nèi)，對應(yīng)超聲圖像中的約8～16個像素點(diǎn)，考慮到血管可能存在彎曲和病變的情況，以遠(yuǎn)端血管壁區(qū)域外接矩形的位置為標(biāo)準(zhǔn)，向上、向下分別取20、60個像素，作為ROI的上、下邊界．圖3(e)是遠(yuǎn)端血管壁的ROI圖像．

1.2?圖像濾波

??(2)

2?IMT測量

2.1?基于HMRF改進(jìn)的FCM算法

1973年Dunn[16]提出了基于模糊技術(shù)的FCM聚類算法，隨后被Bezdek等推廣，1999年Ahmed將改進(jìn)的FCM算法應(yīng)用到圖像分割領(lǐng)域，之后出現(xiàn)了許多應(yīng)用于圖像分割的改進(jìn)FCM算法．FCM將模糊技術(shù)融入K均值聚類算法，從本質(zhì)上講FCM算法是通過最小化像素到聚類中心的加權(quán)距離實現(xiàn)圖像分割，該加權(quán)距離又被稱為目標(biāo)函數(shù)，其表達(dá)式為

???(3)

???(4)

???(5)

其中改進(jìn)的距離函數(shù)為

???(6)

???(7)

???(8)

?????(9)

?????(10)

?????(11)

由式(9)和式(10)可推出

??(12)

至此，可以得到改進(jìn)的距離函數(shù)為

???(13)

2.2?建立初始內(nèi)中膜輪廓

閾值處理后的二值圖像中包含有效的邊緣信息，利用這一信息追蹤初始內(nèi)中膜邊界．具體步驟如下．

步驟1?區(qū)域定位．提取對應(yīng)二值圖像的ROI，內(nèi)中膜邊界所在區(qū)域橫跨圖像，其外接矩形寬度近似等于圖像寬度，利用這一先驗信息定位并標(biāo)記兩條內(nèi)中膜邊界所在區(qū)域．

步驟2?獲取初始輪廓．根據(jù)最小二乘原理分別對已定位的邊緣區(qū)域內(nèi)的像素進(jìn)行擬合，建立LII和MAI的初始輪廓．圖4(a)為初始內(nèi)中膜輪廓，其中上方的虛線為LII初始邊界，下方的虛線為MAI初始邊界．

需要注意的是，內(nèi)中膜所在區(qū)域的灰度值相對外膜較小，同時超聲圖像較低的分辨率使得二值圖像中LII所在區(qū)域存在不完整甚至消失的情況，此時需要選取MAI區(qū)域進(jìn)行邊界擬合得到初始MAI，并將MAI向上平移到梯度值之和最大的位置作為初始LII的估計．

圖4?IMT測量

2.3?獲取最終內(nèi)中膜輪廓

步驟1?建立初始標(biāo)號場．為實現(xiàn)內(nèi)中膜分割，首先需要建立待分割圖像的初始標(biāo)號場．根據(jù)預(yù)估的初始內(nèi)中膜輪廓位置，將管腔區(qū)域標(biāo)記為1，內(nèi)中膜區(qū)域標(biāo)記為2，其他區(qū)域標(biāo)記為3．初始標(biāo)號場如圖4(b)所示．

步驟2?獲取初始聚類中心．根據(jù)待測圖像的灰度直方圖峰值檢測思想獲取圖像峰值，通過相似性計算篩選關(guān)聯(lián)圖中像素最多的(聚類數(shù)目)個峰值，計算峰值區(qū)間內(nèi)灰度值的加權(quán)平均作為初始聚類中心.

步驟3?獲取最終內(nèi)中膜輪廓．使用本文提出的改進(jìn)FCM分割圖像．將頸動脈分割為管腔、內(nèi)中膜和外膜3個部分，如圖4(c)所示，根據(jù)分割結(jié)果標(biāo)記最終內(nèi)中膜輪廓，最終輪廓在圖4(d)中給出．

2.4?IMT計算

超聲圖像中的遠(yuǎn)端血管壁通常近似水平，因此采用平均絕對距離(mean absolute distance，MAD)計算IMT，即標(biāo)記為MAI和LII的像素點(diǎn)縱坐標(biāo)差的平均值．

???(14)

3?實驗結(jié)果

3.1?實驗數(shù)據(jù)

本文實驗采用的超聲圖像庫由塞浦路斯神經(jīng)研究院(Cyprus Institute of Neurology of Nicosia，Cyprus)提供，共包含來自不同測試者的80張超聲圖像，測試者年齡段分布為26～95歲，平均年齡為54歲．超聲圖像由美國Advanced Technology Laborato-ries 生產(chǎn)的ATL HDI-3000超聲掃描儀采集．該儀器配備了64個高分辨率單元和38,mm的寬帶陣列，采用多元超聲掃描技術(shù)，掃描頭的工作頻率范圍為4～7,MHz，傳輸焦距范圍為0.8～1.1,cm，聲學(xué)孔徑為10×8,mm．所采集的圖像分辨率為576像素×768像素，像素灰度級為256，像素密度為16.66像素/mm.為保證IMT測量的準(zhǔn)確性，曼海姆公約建議應(yīng)該在沒有斑塊的遠(yuǎn)端血管壁測量，因此圖像庫中不包含出現(xiàn)斑塊等嚴(yán)重病變的情況．

3.2?IMT分割質(zhì)量評價方法

實驗中采用絕對誤差來評估不同測量結(jié)果的一致性，即

???(15)

Person相關(guān)系數(shù)來衡量數(shù)據(jù)集合之間的相關(guān)性，相關(guān)系數(shù)越大，兩個數(shù)據(jù)集合間的相似性越強(qiáng). Pearson相關(guān)系數(shù)定義為

???(16)

3.3?改進(jìn)FCM算法性能分析

在本文提出的自動IMT測量算法中使用HMRF建立圖像的空間模型，為FCM算法分割圖像提供空間約束．

為了比較傳統(tǒng)FCM算法與改進(jìn)后FCM算法的分割性能，并說明改進(jìn)算法的穩(wěn)定性，實驗中選取了幾種典型的、成像形態(tài)不理想的血管圖像：血管彎曲程度較高(Ⅰ)、血管壁內(nèi)中膜成像不連續(xù)(Ⅱ)、內(nèi)中膜存在組織間干擾(Ⅲ)以及內(nèi)中膜厚度較薄(Ⅳ).

在相同的環(huán)境下分別使用兩種算法分割這些血管圖像，分割結(jié)果如圖5所示．對比兩種算法的分割結(jié)果，傳統(tǒng)FCM算法在幾種情況下均存在分割不完整甚至完全失效的情況，從分割結(jié)果無法提取完整內(nèi)中膜邊界信息；相比較來說，本文提出的改進(jìn)FCM算法在4種血管形態(tài)不理想的情況下都能得到較可靠的分割結(jié)果，且由分割結(jié)果能夠容易地獲取較完整的內(nèi)中膜輪廓．實驗結(jié)果表明本文提出的基于HMRF模型改進(jìn)的FCM算法對血管形態(tài)魯棒，適應(yīng)性較強(qiáng)，其性能相對傳統(tǒng)算法有較大改進(jìn)．

圖5?不同形態(tài)血管的分割結(jié)果對比

3.4?IMT測量結(jié)果分析

用于算法的性能評估的真實IMT數(shù)據(jù)庫，即真實值(ground truth，GT)通過手動測量的方法獲取：由兩名專家(Ex1和Ex2)對圖像庫中的80張頸動脈超聲圖像分別進(jìn)行兩次IMT測量，兩次測量的時間間隔為10,a，取4次測量的平均值作為GT-IMT．

表1?IMT手動測量結(jié)果

Tab.1?IMT results of manual measurement

表2?IMT自動測量結(jié)果

Tab.2?IMT results of automatic measurement

圖6?GT-IMT與AS-IMT結(jié)果的散點(diǎn)圖

圖7?GT-IMT和AS-IMT的Bland-Altman圖

表3?與已有的算法比較

Tab.3?Comparison with previous algorithms

本文設(shè)計的IMT自動測量算法基于血管壁的灰度和形態(tài)特征自動提取ROI，實現(xiàn)了IMT的全自動測量；在圖像分割時，使用HMRF建立圖像的空間模型，并引入FCM算法為聚類過程提供空間約束，改進(jìn)算法圖像噪聲的魯棒性較強(qiáng)，在多種復(fù)雜的圖像條件下都能獲得較準(zhǔn)確的分割結(jié)果．與其他幾種算法相比，本文提出的全自動頸動脈超聲圖像分割方法的誤差更小，分割結(jié)果精度相對較高．

4?結(jié)?語

本文提出一種基于改進(jìn)FCM算法的超聲頸動脈內(nèi)中膜厚度檢測方法，該方法依據(jù)先驗信息自動提取ROI，減輕了人工提取ROI的負(fù)擔(dān)，并采用基于HMRF改進(jìn)的FCM算法分割遠(yuǎn)端血管壁圖像，獲取較準(zhǔn)確內(nèi)中膜輪廓，改進(jìn)FCM算法結(jié)合了FCM算法和HMRF的優(yōu)勢，對圖像噪聲及血管形態(tài)魯棒．本文算法由Matlab開發(fā)，在配置為Windows 8.1 Intel Core i7-4790 CPU @3.60,GHz的計算機(jī)上運(yùn)行．實驗中平均每張圖像的處理時間為0.680,2,s，其中ROI提取階段平均耗時0.205,5,s，內(nèi)中膜分割階段平均耗時0.262,7,s，分割算法具有較高的運(yùn)行效率．實驗結(jié)果表明，本文提出的頸動脈內(nèi)中膜自動測量方法分割結(jié)果較準(zhǔn)確，可以為頸動脈內(nèi)中膜厚度的臨床輔助診斷提供幫助．

［1］ Simon A，Gariepy J，Chironi G，et al，Intima-media thickness：A new tool for diagnosis and treatment of cardiovascular risk[J].，2002，20(2)：159-169.

［2］ Pignoli P，Longo T. Evaluation of atherosclerosis with B-mode ultrasound imaging[J].，1988，32(3)：166-173.

［3］ Touboul P J，Prati P，Scarabin P Y，et al. Use of monitoring software to improve the measurement of carotid wall thickness by B-mode imaging[J].，1992，10(5)：37-42.

［4］ Cheng D C，Schmidt-Trucks?ss A，Cheng K S，et al. Using snakes to detect the intimal and adventitial layers of the common carotid artery wall in sonographic images[J].，2002，67(1)：27-37.

［5］ Loizou C P，Pattichis C S，Pantziaris M，et al. Snakes based segmentation of the common carotid artery intima media[J].，2007，45(1)：35-49.

［6］ Petroudi S，Loizou C，Pantziaris M，et al. Segmentation of the common carotid intima-media complex in ultrasound images using active contours[J].，2012，59(11)：3060-3069.

［7］ Faita F，Gemignani V，Bianchini E，et al. Real-time measurement system for evaluation of the carotid intima-media thickness with a robust edge operator[J].，2008，27(9)：1353-1361.

［8］ Li Q，Zhang W，Guan X，et al. An improved approach for accurate and efficient measurement of common carotid artery intima-media thickness in ultrasound images[J].，2014(1)：740328-1-8.

［9］ Xu X，Zhou Y，Cheng X，et al. Ultrasound intima-media segmentation using Hough transform and dual snake model[J].，2012，36(3)：248-258.

［10］ Xiao L，Li Q，Bai Y，et al. Automated measurement method of common carotid artery intima-media thickness in ultrasound image based on Markov random field mod-els[J].，2015，35(5)：651-660.

［11］ Menchón-Lara R M，Bastida-Jumilla M C，Morales-Sánchez J，et al. Automatic detection of the intima-media thickness in ultrasound images of the common carotid artery using neural networks[J].，2014，52(2)：169-181.

［12］ Menchón-Lara R M，Sancho-Gómez J L. Fully automatic segmentation of ultrasound common carotid artery images based on machine learning[J].，2015，151：161-167.

［13］ Rosati S，Balestra G，Molinari F. Rough set based approach for IMT automatic estimation[J].，2012，14(4)：211-216.

［14］ Otsu N. A threshold selection method from gray-scale histograms[J].，1979，9(1)：62-66.

［15］ Tomasi C，Manduchi R. Bilateral filtering for gray and color images[C]//. Bombay，India，1998：839.

［16］ Dunn J. A fuzzy relative of the ISODATA process and its use in detecting compact well-sparated cluster[J].，1973，3(3)：32-57.

［17］ 張小峰. 基于模糊聚類算法的醫(yī)學(xué)圖像分割技術(shù)研究[D]. 濟(jì)南：山東大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院，2014.

Zhang Xiaofeng. Research of Medical Image Segmentation Based on Fuzzy Clustering Algorithms[D]. Jinan：School of Computer Science and Technology，Shandong University，2014(in Chinese).

［18］ Chatzis S P，Varvarigou T A. A fuzzy clustering approach toward hidden Markov random field models for enhanced spatially constrained image segmentation[J].，2008，16(5)：1351-1361.

［19］ Clifford P. Markov random fields in statistics[J]1990，14(1)：19-32.

［20］ Molinari F，Pattichis C S，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].，2012，21(3)：1211-1222.

(責(zé)任編輯：王曉燕)

Segmentation of Carotid Intima Media in Ultrasound Images Using Improved Fuzzy C Means Algorithm

Li Qiang，Zhang Qijun，Guan Xin，Teng Jianfu

(School of Microelectronics，Tianjin University，Tianjin 300072，China)

ultrasound image segmentation；intima-media thickness(IMT)measurement；fuzzy C means(FCM)；hidden Markov random field(HMRF)model；region of interest(ROI)

10.11784/tdxbz201612044

2016-12-19；

2017-03-08.

李?鏘（1974—??），男，博士，教授，liqiang@tju.edu.cn.

張琦珺，zqjyx@tju.edu.cn.

國家自然科學(xué)基金資助項目(61471263).

the National Natural Science Foundation of China(No.,61471263).