計算機輔助超聲識別梗死心肌聲學(xué)特征的研究進展

王 飛，杜國慶

(哈爾濱醫(yī)科大學(xué)附屬第二醫(yī)院超聲醫(yī)學(xué)科，哈爾濱 150086)

計算機輔助醫(yī)學(xué)影像診斷是通過快速智能的計算機技術(shù)獲得高分辨率影像學(xué)圖像，并對圖像進行分割、識別和分析圖像特征的方法，為臨床提供更多的診斷參數(shù)及肉眼無法識別的診斷信息[1]。近年來，計算機輔助超聲廣泛應(yīng)用于臨床診斷，不僅具有較高的診斷準確率，還大大提高了診斷速度，已成為當(dāng)前醫(yī)學(xué)影像學(xué)的研究熱點。

心肌梗死的發(fā)病率和死亡率較高，造成不可逆的心臟功能改變，疾病早期即可出現(xiàn)心肌細胞的壞死和溶解以及心肌微循環(huán)灌注障礙；疾病后期可出現(xiàn)左心室重塑，即左心室進行性擴大，梗死區(qū)心肌組織瘢痕形成，導(dǎo)致心功能下降，出現(xiàn)心力衰竭，嚴重威脅人類生命健康[2]?？梢?，心肌梗死的早期診斷和治療對患者預(yù)后非常重要。超聲心動圖具有便捷、無創(chuàng)、價廉、實時等優(yōu)點，是臨床診斷心肌梗死最常用的主要檢查方法之一，但傳統(tǒng)超聲心動圖的診斷受操作者臨床經(jīng)驗的影響較大，存在主觀性強、個體差異較大等缺點。計算機輔助超聲心動圖診斷心肌梗死不僅可避免不同操作者的診斷差異，使診斷結(jié)果更加客觀，還可為超聲醫(yī)師提供更多的診斷信息，節(jié)約時間和成本，有助于心肌梗死的早期診斷。

超聲心動圖因圖像邊界模糊、斑點噪聲大、對比度低等給計算機輔助超聲診斷心肌梗死帶來困難。近30年來，超聲硬件設(shè)備和超聲成像技術(shù)均取得了重大發(fā)展，如高頻率超聲傳感器的使用、超聲造影劑微泡以及諧波成像等都顯著提高了超聲心動圖的圖像質(zhì)量，為計算機輔助超聲心動圖診斷心肌梗死創(chuàng)造了條件。隨著計算機技術(shù)的迅猛發(fā)展，計算機對超聲圖像的識別越來越快速、準確，使計算機輔助超聲診斷心肌梗死成為可能。在計算機輔助超聲識別梗死心肌組織圖像特征的過程中，計算機能夠從超聲圖像中分割出心肌組織，進而辨別梗死心肌組織與非梗死心肌組織?，F(xiàn)對計算機輔助超聲識別梗死心肌聲學(xué)特征的研究進展予以綜述。

1 心肌分割

心肌分割是計算機識別超聲圖像中梗死心肌聲學(xué)特征的前提，區(qū)分心肌組織與其他組織，不僅有助于定量計算心腔容積及心臟收縮功能，還有助于消除其他組織的干擾。圖像分割是計算機輔助分析圖像的關(guān)鍵，按照一定標(biāo)準將超聲心動圖分割為若干具有一致性或均勻性特征的區(qū)域，每個區(qū)域都是具有特定的共同特征集，再根據(jù)共同特征域提取出感興趣區(qū)。圖像分割是圖像處理、分析和計算機視覺領(lǐng)域最重要的研究方向之一，也是研究難點之一[1,3]。

心肌的分割方法很多，但尚無公認的能夠準確分割超聲圖像的方法。隨著計算機技術(shù)的發(fā)展以及對心肌分割研究的不斷深入，結(jié)合各種算法的優(yōu)勢可以很好地消除圖像斑點，提高計算機識別心肌的準確性。

計算機識別超聲圖像心肌聲學(xué)特征的過程包括對心內(nèi)膜、心外膜以及心肌組織的分割。對心內(nèi)膜的分割有助于定量研究心室容積變化及心室功能，包括對心內(nèi)膜局部運動的評估以及獲得一些重要的心功能參數(shù)(如左心室面積或容積、左心室面積變化率及射血分數(shù)等)。鄭雅朦等[4]采用計算機輔助超聲診斷的方法準確分割了左心室短軸聲像圖心內(nèi)膜，并定量計算左心室射血分數(shù)發(fā)現(xiàn)，與雙平面Simpson法及心導(dǎo)管法計算的左心室射血分數(shù)相比，三者間有較好的一致性。心肌分割有助于計算心肌室壁增厚率及心肌質(zhì)量，通過對局部室壁收縮功能異常和室壁增厚率的定量計算幫助臨床識別心肌運動異常節(jié)段，確定梗死位置和范圍，為臨床合理制定治療方案及評估治療效果提供幫助。通過對心內(nèi)膜和心外膜邊界的分割來識別超聲圖像的中心肌區(qū)，為計算機輔助識別心肌組織的圖像特征奠定基礎(chǔ)。

1.1心內(nèi)膜的分割方法 分割左心室心內(nèi)膜是計算機輔助超聲識別心肌的關(guān)鍵。自動跟蹤識別心內(nèi)膜的方法很多，主要有以下幾種：①基于形變模型的圖像分割方法，主要包括活動輪廓模型、形態(tài)濾波和邊緣增強濾波等，其中以活動輪廓模型的研究最多[5-7]。Du等[8]采用淘汰粒子集優(yōu)算法對缺血再灌注兔的心肌聲學(xué)造影圖像進行分析，計算灌注強度和梗死面積并與病理結(jié)果進行比較發(fā)現(xiàn)，該方法診斷梗死心肌的靈敏度為95.45%，特異度為87.50%。②其他較為常用的分割方法，主要包括分水嶺分割算法、多梯度水平集合分割算法、時間平均法、三元量子化閾值轉(zhuǎn)換法、瞬時信息徑向搜索算法等[9-12]。Shalbaf等[13]采用閾值分割方法識別心肌組織，并對局部室壁運動進行定量計算。③基于多種分割方法的融合算法。Fernández-Caballero等[14]通過濾波、梯度檢測、梯度濾波等多平臺對圖像進行預(yù)處理，再將霍夫變換以及等高線算法融合，對心內(nèi)膜進行分割的研究發(fā)現(xiàn)，與單一算法相比，多種算法相融合的分割心內(nèi)膜的方法準確性更高。Melo等[15]將時間平均法、微波去噪法、邊緣增強濾過法、形態(tài)學(xué)處理法以及分水嶺分割算法融合，取得了較滿意的效果。

1.2心外膜及心肌的分割方法 超聲圖像的心外膜分割較心內(nèi)膜分割更為復(fù)雜。心肌組織中超聲信號的傳播逐漸衰減，由于超聲圖像質(zhì)量差、對比度低、組織界限不清、散在斑點干擾大以及其他不確定信息等，導(dǎo)致心外膜分割存在較大困難，故目前對心外膜分割的研究較少。Dietenbeck等[16]將基于幾何約束的水平集合分割方法用于并行定位心內(nèi)膜與心外膜輪廓，從而識別心肌區(qū)域。Dias和Leitao[17]通過迭代多極動態(tài)程序，即馬爾科夫隨機場、貝葉斯定理模式、瑞利分布的隨機變量融合等，實現(xiàn)對心肌的準確識別。Guo等[18]采用中智相似積分算法對心肌聲學(xué)造影圖像進行分割，通過中智相似值定義能量函數(shù)和曲線演變的方法獲得心肌聲學(xué)造影圖像中初始心內(nèi)膜邊界，再根據(jù)所獲得的心內(nèi)膜邊界和心肌厚度，再次使用曲線演變的方法得到心外膜邊界。以超聲專家確定的心肌邊界作為金標(biāo)準，與淘汰粒子群優(yōu)化聚類算法及無邊界活動輪廓模算法相比，中智相似積分算法能更快速準確地分割心肌，在心外膜分割時更具優(yōu)勢。

2 心肌聲學(xué)特征提取與分析

準確分割心肌有助于臨床定量計算左心室射血分數(shù)、室壁運動、室壁增厚率等和評估心臟功能。心肌梗死超聲表現(xiàn)具有多樣性，梗死心肌局部室壁運動可表現(xiàn)為運動減弱、消失或矛盾運動；而梗死心肌受周圍非梗死心肌運動的影響，干擾了對心肌梗死嚴重程度的判斷。

Tanaka[19]認為，通過異常回波信號可識別心肌損傷，如心肌梗死、心肌病和心肌挫裂傷等。若能從超聲圖像中提取出反映心肌組織異?；夭ㄐ盘柕穆晫W(xué)特征，就能很好地彌補單純通過測量臨床功能參數(shù)評估心肌梗死的不足，提供更多肉眼無法識別的診斷信息，為識別梗死心肌提供一種新的無創(chuàng)的方法。提取超聲心動圖心肌聲學(xué)特征是計算機輔助區(qū)分梗死心肌與非梗死心肌的關(guān)鍵，也是研發(fā)智能計算機輔助超聲診斷系統(tǒng)的重要步驟之一。目前，已有多種提取超聲心動圖圖像重要組織學(xué)特征的方法，通過分類器對所提取的組織學(xué)特征進行分類，并將其用于機器訓(xùn)練，通過機器不斷的自主學(xué)習(xí)對采集的組織學(xué)特征進行分級，從而區(qū)分梗死心肌與非梗死心肌。

2.1圖像特征提取 計算機可通過視覺分析方法識別多種反映梗死心肌組織異?；芈曅盘柕膱D像特征(紋理特征和離散小波變換特征等)。通過識別超聲心動圖的梗死心肌圖像特征，有助于識別更多肉眼無法判斷的診斷信息，從而更準確地診斷心肌梗死。

紋理特征描述圖像像素的規(guī)律性、平滑性和粗糙程度。結(jié)構(gòu)分析和統(tǒng)計分析是較常用的紋理分析方法[20-21]。結(jié)構(gòu)分析方法是采用局部二進制模式的簡單高效的紋理描述符，能夠?qū)D像進行精細描述，并對圖像灰度和對比度的紋理特征進行測量，但具體方法比較復(fù)雜[22]。統(tǒng)計分析方法是基于灰度共生矩陣的測量方法，算法相對簡單，主要包括一階統(tǒng)計、Laws紋理能量和灰度共生矩陣，能提供更多的信息。一階統(tǒng)計的測量值根據(jù)灰度強度計算得出，包括感興趣區(qū)的平均強度、方差、標(biāo)準差、偏態(tài)、峰度[23]。Laws紋理能量方法是通過使用適當(dāng)大小的局部濾波器區(qū)分不同類型的紋理，將生成的紋理特征用于測量固定大小窗口內(nèi)的變化量[24]?；叶裙采仃囀菆D像的二價統(tǒng)計量度，圖像空間中相隔的兩像素間存在一定的灰度關(guān)系，灰度共生矩陣是通過灰度空間相關(guān)特性(如對比度、熵、能量、均勻性等)描述圖像紋理特征的常用方法[25]。Skorton等[26]對心肌梗死犬模型進行半定量分析發(fā)現(xiàn)，采用灰度共生矩陣特征提取方法診斷心肌梗死的靈敏度為90%，特異度為70%。

2.2圖像特征的選擇和分級 圖像特征的選擇和分級是一種計算機處理圖像的過程。計算機可根據(jù)識別的圖像特征挑選出能夠反映梗死心肌相關(guān)異常回波信號的特征，并將其進行分級，從而對梗死心肌組織做出判斷。圖像特征的選擇和分級也是機器自主學(xué)習(xí)的過程，是開發(fā)智能化計算機輔助診斷的關(guān)鍵，通過機器反復(fù)的模擬訓(xùn)練和判定算法的不斷迭代優(yōu)化實現(xiàn)對心肌組織的辨別。

用適當(dāng)?shù)乃惴▽λ崛〉膱D像特征進行選擇和分級，可以簡化處理過程，提高診斷的效率和準確率。特征排序是特征選擇的過程，用于從提取特征中選擇適當(dāng)且重要的特征子集。根據(jù)一定的鑒別標(biāo)準對特征進行排序可以降低分類器的復(fù)雜性，而不影響其性能。對圖像特征進行排序的方法有很多，其中以Kullback-Leibler散度、柯爾莫諾夫-斯米爾諾夫檢驗、最大相關(guān)最小冗余標(biāo)準以及巴氏距離應(yīng)用最為廣泛[29]。

分類器可對所選取的超聲特征進行自動分級，因此選擇合適的分類器十分重要。多種分類器可以用于梗死心肌和非梗死心肌的分級，其中最常用的是高斯混合模型、支持向量機、概率神經(jīng)網(wǎng)絡(luò)、決策樹等[30-32]。Acharya等[30]采用由9個重要特征組成的特征子集高斯混合模型分類器鑒別冠狀動脈疾病患者的準確度、靈敏度和特異度均為100%。根據(jù)超聲圖像理特征分析，并對圖像進行神經(jīng)概率網(wǎng)絡(luò)分級，診斷心肌梗死的靈敏度、特異度和準確度分別為91.2%、97.5%和94.3%；采用支持向量對心肌梗死患者進行分級的靈敏度、特異度和準確度分別為97.5%和95.0%、96.2%[31-32]。

3 應(yīng)用前景與局限

從圖像識別到圖像配準，從機器學(xué)習(xí)到人工智能，計算機以迅猛地速度走入超聲心動圖領(lǐng)域，機器學(xué)習(xí)大致分為以下兩類。①監(jiān)督學(xué)習(xí)：在監(jiān)督學(xué)習(xí)中，機器被“教導(dǎo)”，通過提供的標(biāo)記訓(xùn)練數(shù)據(jù)集對數(shù)據(jù)進行分類[33-34]。在訓(xùn)練過程中，機器學(xué)習(xí)算法數(shù)據(jù)的基本模式，并將其與已知結(jié)果進行比較。經(jīng)過訓(xùn)練后，機器可通過一個不可見的數(shù)據(jù)集對其判別能力進行自我檢測。監(jiān)督學(xué)習(xí)方法主要包括隨機森林、支持向量機和人工神經(jīng)網(wǎng)絡(luò)。②無監(jiān)督學(xué)習(xí)：使用無標(biāo)記數(shù)據(jù)，根據(jù)數(shù)據(jù)之間的相似性將輸入數(shù)據(jù)分為多個組或集群，又稱為聚類，以深度生成模型(預(yù)訓(xùn)練)為主流。但各種機器學(xué)習(xí)方法并不排斥，將機器學(xué)習(xí)的子領(lǐng)域進行整合可創(chuàng)造出更強大的技術(shù)，如深度強化學(xué)習(xí)，即通過深度學(xué)習(xí)對具有相關(guān)特征的訓(xùn)練數(shù)據(jù)進行分類，以卷積神經(jīng)網(wǎng)絡(luò)模型為研究熱點，它基于多級抽象提取一系列可辨識性特征，識別圖像目標(biāo)，能夠使用卷積神經(jīng)網(wǎng)絡(luò)等技術(shù)處理更大、更復(fù)雜的數(shù)據(jù)集，是目前超聲醫(yī)學(xué)領(lǐng)域的前沿研究方法。

機器學(xué)習(xí)在超聲心動圖中的應(yīng)用還處于相對早期階段。由于心肌組織變異性較大，超聲心動圖圖像干擾因素較多，尚無公認的能準確地識別梗死心肌各項聲學(xué)特征的模型或算法，目前多采用多種算法相互結(jié)合的方法。隨著人工智能時代的到來，未來計算機輔助超聲技術(shù)一定能更好地為臨床診斷提供幫助[34]。