， ， #， ，，，思平*

1.醫(yī)學(xué)超聲關(guān)鍵技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室 2.廣東省生物醫(yī)學(xué)信息檢測(cè)與超聲成像重點(diǎn)實(shí)驗(yàn)室 3.深圳大學(xué)醫(yī)學(xué)院生物醫(yī)學(xué)工程系，廣東省深圳市，518060

醫(yī)學(xué)超聲技術(shù)的發(fā)展使得超聲成像在臨床診斷領(lǐng)域發(fā)揮著巨大的作用。由于超聲成像具有安全、無(wú)創(chuàng)、便攜、易用、價(jià)格便宜等優(yōu)勢(shì)，20世紀(jì)末超聲檢查已占據(jù)各類(lèi)醫(yī)學(xué)影像檢查方式的四分之一。然而，許多新的醫(yī)學(xué)超聲技術(shù)仍然在不斷涌現(xiàn)，并且從診斷領(lǐng)域跨入了治療領(lǐng)域。本文將從超聲彈性成像技術(shù)、超聲圖像處理與分析技術(shù)方面進(jìn)行簡(jiǎn)述和探討。

1 超聲彈性成像進(jìn)展

人體組織病變與其硬度的改變有直接的關(guān)系，因此人體組織的硬度信息很早就被臨床用來(lái)幫助診斷，醫(yī)生用手指按壓可觸及的病變區(qū)域，感知腫塊的大小、形狀、可活動(dòng)性和硬度，以此來(lái)診斷腫瘤的良惡性，其中硬度是區(qū)分良惡性最具特異性的指標(biāo)。這就是廣泛用于臨床的檢查手法，稱(chēng)為“觸診”(palpation)。“觸診”高度依賴(lài)于醫(yī)生的經(jīng)驗(yàn)，較為主觀，并且無(wú)法檢測(cè)難以觸及的深在病灶，也很難發(fā)現(xiàn)早期的微小病變。

目前認(rèn)為，粘彈性(viscoelasticity)受病理生理過(guò)程影響最大的人體組織的生物力學(xué)參數(shù)。Fung等人對(duì)物體應(yīng)力-應(yīng)變(stress-strain)關(guān)系進(jìn)行了大量的研究，發(fā)現(xiàn)粘彈性作為人體軟組織的基本屬性是反映人體組織力學(xué)特性的最佳指標(biāo)[1]。目前臨床所用的超聲、CT、MRI等影像學(xué)手段雖然具有較高的空間分辨率，但不能提供組織彈性改變的信息[2]。人體不同組織彈性模量的差異可達(dá)4個(gè)數(shù)量級(jí)，如果能用影像手段對(duì)人體組織粘彈性進(jìn)行成像或測(cè)量，則有望獲得直接反映組織力學(xué)特性的高對(duì)比度分辨率的圖像，從而為臨床診斷提供強(qiáng)有力的工具。

超聲彈性成像是建立在組織彈性力學(xué)理論、聲波在組織內(nèi)的非線(xiàn)性傳播理論、信號(hào)調(diào)制與處理等基礎(chǔ)上的系統(tǒng)問(wèn)題，以下將針對(duì)其關(guān)鍵技術(shù)的研究進(jìn)展與現(xiàn)狀進(jìn)行綜述。

1.1 現(xiàn)有超聲彈性成像方法

超聲彈性成像的核心是用一定的方法激勵(lì)組織使其動(dòng)起來(lái)，并用超聲影像技術(shù)來(lái)檢測(cè)組織對(duì)于激勵(lì)的響應(yīng)，從中可提取組織的粘彈性系數(shù)?；诓煌募?lì)方法，有相應(yīng)的組織彈性分布的重建算法。因此，在組織彈性成像中，組織激勵(lì)方法是極為關(guān)鍵的問(wèn)題。以下根據(jù)不同的激勵(lì)方法，對(duì)各種超聲彈性成像方法進(jìn)行介紹。

1.1.1組織的自然激勵(lì)

最早的研究利用了組織的自然激勵(lì)，比如利用心臟運(yùn)動(dòng)引起附近肝臟組織的運(yùn)動(dòng)來(lái)觀察肝的癌變情況，心臟運(yùn)動(dòng)引起的胎兒肺部組織運(yùn)動(dòng)來(lái)評(píng)估肺部的發(fā)育成熟度等，更為常見(jiàn)的是利用血管的收縮和舒張來(lái)測(cè)量血管壁在一定壓力下的應(yīng)變情況或者彈性模量，并在此基礎(chǔ)上發(fā)展了實(shí)時(shí)血管內(nèi)超聲彈性成像技術(shù)(Intravascular ultrasound elastography)[3-6]。

1.1.2準(zhǔn)靜態(tài)激勵(lì)方法研究

美國(guó)Texas大學(xué)Ophir教授領(lǐng)導(dǎo)的研究組于1991年首次報(bào)道了利用準(zhǔn)靜態(tài)施壓(quasi-static compression)的方法獲得的組織內(nèi)部應(yīng)變分布圖，并首次提出超聲彈性成像(Ultrasound Elastography)的概念[7]。這篇文獻(xiàn)影響深廣，突破了超聲只用于解剖成像和血流成像的限制，證明超聲還可對(duì)組織的力學(xué)特性成像。準(zhǔn)靜態(tài)彈性成像以美國(guó)Texas大學(xué)Ophir教授、Michigan大學(xué)O'Donnell教授[8]、日本Tsukuba大學(xué)的Shiina教授[9]、英國(guó)劍橋大學(xué)的Treece教授[10]等各自領(lǐng)導(dǎo)的研究組為代表。這種方法直接利用B超探頭同時(shí)完成施壓和信號(hào)采集，原理簡(jiǎn)單，操作方便，因此在之后的20年里被廣泛應(yīng)用于乳腺、腎臟、前列腺、眼球等靜態(tài)器官[11-15]，并已經(jīng)獲得FDA批準(zhǔn)用于臨床乳腺癌的早期診斷[16-17]。

圖1 腎臟的圖片，從左往右分別是超聲圖像、彈性圖像、病理切片[11]Fig.1 From left to right, longitudinal sonogram, elastogram and gross pathological specimen from an ovine kidney in vitro.

1.1.3低頻振動(dòng)激勵(lì)方法研究

與準(zhǔn)靜態(tài)彈性成像同步進(jìn)行的，是另一種基于低頻振動(dòng)方法(low frequency vibration)的彈性成像技術(shù)，以美國(guó)Rochester大學(xué)Parker教授[18-20]、日本東京理工學(xué)院(Tokyo Institute of Technology)的Sato教授[21，22]等各自領(lǐng)導(dǎo)的研究組為代表。他們的算法各有不同，但均采用了體外低頻(20～1000 )Hz振動(dòng)源的激勵(lì)方法，即將低頻振動(dòng)器置于體表，或者將振動(dòng)器和超聲探頭集成在一起，以便于操作。通過(guò)振動(dòng)源向體內(nèi)傳播低頻振動(dòng)，用超聲檢測(cè)振動(dòng)引起的剪切波在體內(nèi)傳播時(shí)的幅度、相位和速度信息，當(dāng)體內(nèi)有硬化組織時(shí)，波的傳播模式會(huì)改變，由此可檢測(cè)到組織內(nèi)部的異變。

以上兩類(lèi)方法都采用了接觸式的機(jī)械激勵(lì)(mechanical stimulation)方法，作用力施加于人體的體表，以激勵(lì)皮下組織，直接模擬了醫(yī)生用手指以一定頻率按壓人體組織實(shí)施檢查的過(guò)程，方法較為直觀簡(jiǎn)單，但是由于兩種方法都是對(duì)組織整體施加激勵(lì)，因此在后續(xù)的重構(gòu)組織彈性圖像的過(guò)程中遇到了很多難題，也很難對(duì)深層的組織或腔內(nèi)器官進(jìn)行激勵(lì)。

1.1.4聲輻射力激勵(lì)方法研究

為了解決上述難題，以日本東京理工學(xué)院的Sugimoto教授[23]、美國(guó)Duke大學(xué)的Nightingale教授[24-25]、俄羅斯Moscow大學(xué)的Sarvazyan教授[26-27]、法國(guó)巴黎大學(xué)的Fink教授[28-29]和美國(guó)Mayo Clinic的Greenleaf[30-32]教授為代表的研究組提出了最新的方法，采用聲輻射力(acoustic radiation force)的方法來(lái)局部激勵(lì)人體內(nèi)部組織，并針對(duì)聲輻射力引發(fā)的局部組織振動(dòng)引起的體內(nèi)剪切波進(jìn)行檢測(cè)，剪切波的振幅、傳播速度、衰減距離等與組織的力學(xué)特性直接相關(guān)，因此通過(guò)測(cè)定剪切波的聲學(xué)參數(shù)可推導(dǎo)組織的力學(xué)特性。這種方法借助了聲波在組織內(nèi)傳播時(shí)與組織相互作用引起的聲輻射力來(lái)對(duì)組織施加激勵(lì)，通常采用聚焦超聲在焦點(diǎn)處引起組織振動(dòng)，并向外傳播剪切波?，F(xiàn)有的基于聲輻射力的超聲彈性成像方法有多種，包括：聲輻射力脈沖成像(ARFI)[25],超音剪切波彈性成像(SSI)[33]，剪切波頻散振動(dòng)成像(SDUV)[34]。

1.2 超聲彈性成像方法與現(xiàn)有商用超聲系統(tǒng)的集成

最早取得進(jìn)展的是準(zhǔn)靜態(tài)彈性成像方法。日本的Hitachi公司與日本Tsukuba大學(xué)經(jīng)過(guò)多年的合作，于2005年推出了世界上第一臺(tái)實(shí)時(shí)組織彈性成像超聲診斷儀(Hitachi EUB-8500)，并且繼超聲各種成像模式包括A(amplitude)超、B(Brightness)超、D(Doppler)超、M(motion)超之后，將彈性成像模式命名為E(Elastography)超。另一個(gè)成功的例子是聲輻射力彈性成像方法的商業(yè)化。西門(mén)子公司在2008年推出ACUSON S2000最新高檔彩超，包含了“虛擬觸診”(Virtual Touch)功能，其原理就是利用ARFI方法，通過(guò)調(diào)控激勵(lì)脈沖和追蹤脈沖的間隔來(lái)實(shí)現(xiàn)對(duì)組織的聲輻射力遠(yuǎn)程激勵(lì)和信號(hào)追蹤。法國(guó)Echosens公司根據(jù)瞬態(tài)彈性成像技術(shù)，研發(fā)了FibroScan產(chǎn)品，可提供組織的彈性模量，但該系統(tǒng)與現(xiàn)有彩超成像模式不能兼容，而且該設(shè)備只能專(zhuān)用于肝臟測(cè)量，其得到的結(jié)果是整個(gè)肝臟的平均彈性程度，還不能精細(xì)到肝臟內(nèi)部每一點(diǎn)的彈性系數(shù)。但鑒于其重要的臨床意義，該產(chǎn)品在中國(guó)的市場(chǎng)較好，目前已經(jīng)在多家三甲醫(yī)院用于肝硬化的檢測(cè)。

1.3 超聲彈性成像小結(jié)

綜上所述，超聲對(duì)人體組織硬度測(cè)量是一種新的成像方法，在腫瘤早期診斷及組織定征甚至材料力學(xué)特性檢測(cè)中均有廣闊的應(yīng)用前景。在研究者提出的各種超聲方法中，準(zhǔn)靜態(tài)彈性成像方法是最早開(kāi)始研究，也是理論和算法最成熟的一種，但這種方法本身存在固有的缺點(diǎn)，使得它的推廣受到一定的限制。聲輻射力彈性成像方法是目前研究的熱點(diǎn)，也是最有應(yīng)用前景的一種方法。國(guó)外有多個(gè)團(tuán)隊(duì)正在分別進(jìn)行這方面的研究，國(guó)內(nèi)陳思平教授帶領(lǐng)的團(tuán)隊(duì)也開(kāi)展了利用SDUV方法進(jìn)行大鼠肝臟粘彈性測(cè)量的初步研究[35]，希望能早日實(shí)現(xiàn)臨床上的應(yīng)用。

圖2 基于聲輻射力的超聲彈性成像系統(tǒng)框圖Fig.2 Diagram of ultrasound elastography system using acoustic radiation force

2 超聲圖像處理與分析

過(guò)去50年間，超聲醫(yī)學(xué)圖像處理及分析技術(shù)得以迅猛發(fā)展。作為非侵入式成像設(shè)備的代表，超聲成像具有安全、無(wú)創(chuàng)、實(shí)時(shí)、廉價(jià)、便攜等優(yōu)勢(shì)，早在上世紀(jì)末，超聲檢查占各類(lèi)醫(yī)學(xué)影像檢查方式的比例已超過(guò)四分之一[36]，相應(yīng)的超聲圖像可視化及分析技術(shù)也取得了長(zhǎng)足進(jìn)展。

起初，為方便后續(xù)的可視化及分析，圖像可視化及預(yù)處理技術(shù)是研究的熱點(diǎn)。自1970年開(kāi)始，隨著計(jì)算機(jī)視覺(jué)和模式識(shí)別技術(shù)的發(fā)展和逐漸成熟，研究者們把注意力轉(zhuǎn)移到了超聲醫(yī)學(xué)圖像分割、配準(zhǔn)和理解等任務(wù)上。本節(jié)我們將分別對(duì)與超聲醫(yī)學(xué)圖像相關(guān)的可視化、預(yù)處理、分割、配準(zhǔn)和理解等技術(shù)方法進(jìn)行綜述。

2.1 超聲圖像三維可視化

超聲圖像可視化最具代表性的成果是在產(chǎn)科中有廣泛應(yīng)用的三維超聲成像，其解決了人體組織表面形態(tài)及解剖結(jié)構(gòu)的三維重建，為醫(yī)生提供了一種直觀地診斷手段。三維超聲成像技術(shù)由三部分組成：獲取、重建和顯示。

1)圖像的獲取是精確三維超聲成像的先決條件，其有三種方式，分別是機(jī)械驅(qū)動(dòng)掃查、自由臂掃查和二維陣列探頭掃查。

2)三維圖像可由兩種重建方式獲得[37-38]：a)基于特征的重建，即通過(guò)對(duì)每一幅二維圖像分割出感興趣的特征(如臟器邊界)，重建出目標(biāo)的表面信息。b)基于體素的重建，即通過(guò)將二維平面圖像中的每一個(gè)像素都轉(zhuǎn)換到一個(gè)三維坐標(biāo)系中，來(lái)構(gòu)建基于體素的立體圖，此方法是目前最常用的重建方法。

3)三維圖像的顯示實(shí)際上是一個(gè)體數(shù)據(jù)的可視化問(wèn)題，它除了能顯示組織的立體形態(tài)和結(jié)構(gòu)，還可以顯示該組織的任意剖面。在實(shí)際應(yīng)用中，大多數(shù)圖像都采用體繪制技術(shù)產(chǎn)生[39]，該技術(shù)最大的優(yōu)點(diǎn)是可以顯示實(shí)質(zhì)性臟器的內(nèi)部結(jié)構(gòu)。直接體繪制算法大體可以分為三個(gè)大類(lèi)[40]：以對(duì)象空間(Object Space)為序的體繪制算法、以圖像空間(Image Space)為序的體繪制算法以及對(duì)象和物體空間混合體繪制算法。這三類(lèi)算法都是屬于純軟件的算法，隨著普通顯卡里的三維加速功能的逐漸強(qiáng)大，基于圖形硬件的體繪制算法正逐漸成為主流?，F(xiàn)在最活躍的研究領(lǐng)域是徹底在GPU上實(shí)現(xiàn)光線(xiàn)投射算法[41]，從而實(shí)現(xiàn)基于硬件的體繪制算法可以達(dá)到和基于軟件的算法同樣的繪制效果。

2.2 超聲圖像預(yù)處理

超聲醫(yī)學(xué)圖像預(yù)處理主要包括圖像濾波和增強(qiáng)。由于超聲圖像中的斑點(diǎn)噪聲大大降低了圖像的對(duì)比度和組織內(nèi)可獲取的細(xì)節(jié)信息，因此，關(guān)于超聲圖像的濾波技術(shù)一直是一個(gè)熱門(mén)話(huà)題。這里主要介紹超聲圖像濾波算法。傳統(tǒng)濾波方法如均值濾波、中值濾波、Lee濾波、同質(zhì)濾波等，實(shí)現(xiàn)簡(jiǎn)單，濾波效果也有限。Donoho[42]提出的通過(guò)修改變換小波域中的小波系數(shù)來(lái)濾除噪聲的方法和Yu和Acton[43]提出的各向異性擴(kuò)散方程(SRAD)，在平滑噪聲和保留圖像細(xì)節(jié)上均有良好性能，從而成為這一時(shí)期的研究熱點(diǎn)。Comaniciu和Meer[44]提出的均值移位濾波(mean shift)算法也能在濾除噪聲的同時(shí)保持邊界。上述濾波技術(shù)都將超聲圖像中的斑點(diǎn)看作噪聲來(lái)濾除，實(shí)際上，斑點(diǎn)包含了關(guān)于成像組織中散射體密度這樣很有價(jià)值的信息。飛利浦醫(yī)療推出了一套實(shí)時(shí)自適應(yīng)灰度圖像濾波方法XRES[45]，其基于多分辨率算法，通過(guò)對(duì)局部梯度的估計(jì)來(lái)選擇是做平滑處理還是增強(qiáng)處理，能提高超聲圖像的質(zhì)量。

事實(shí)上，沒(méi)有一個(gè)濾波算法能保證在所有應(yīng)用中都是最優(yōu)的。對(duì)于特定圖像，以定性和定量的方式比較各種濾波算法的性能以擇優(yōu)選擇，是一種較簡(jiǎn)單可行的方案。

2.3 超聲圖像分割

圖像分割一直都是超聲醫(yī)學(xué)圖像分析領(lǐng)域研究的熱點(diǎn)[46]，其目標(biāo)是按照某種規(guī)則將圖像中的像素劃歸為不同的類(lèi)別。早期的技術(shù)如閾值化、區(qū)域生長(zhǎng)和聚類(lèi)，利用的是圖像的灰度信息，然而這類(lèi)方法難以分開(kāi)擁有類(lèi)似灰度值的兩類(lèi)物體；基于邊緣檢測(cè)的方法利用圖像的梯度信息，然而這類(lèi)方法對(duì)噪聲敏感，且不能正確提取邊界模糊的物體。由于超聲圖像質(zhì)量較差，對(duì)于復(fù)雜的待分割目標(biāo)，通常需要利用先驗(yàn)信息才有能取得較好的分割效果。形狀先驗(yàn)信息隨著活動(dòng)輪廓模型[47]的提出而引起了廣泛關(guān)注，2000年以后提出的標(biāo)準(zhǔn)割[48]、均值移位[44]和圖割[49]等算法則考慮到了如區(qū)域內(nèi)的連續(xù)性和區(qū)域間的差異性等信息。基于神經(jīng)網(wǎng)絡(luò)的方法[50]則更加專(zhuān)注于特定的分割目標(biāo)，可融入多種圖像特征。2005年出現(xiàn)了一種全新的分割模式--數(shù)據(jù)庫(kù)引導(dǎo)的分割[51]，其通過(guò)學(xué)習(xí)一個(gè)判別分類(lèi)器來(lái)區(qū)分目標(biāo)和背景，從而利用隱含在專(zhuān)家標(biāo)注數(shù)據(jù)庫(kù)中的信息實(shí)現(xiàn)分割。

上述分割算法各有其優(yōu)缺點(diǎn)，通常說(shuō)來(lái)，對(duì)于特定的分割任務(wù)，如何在某種分割算法中融入特定目標(biāo)的圖像底層信息如：輪廓、紋理和某些統(tǒng)計(jì)特征參數(shù)，以及先驗(yàn)信息如：解剖結(jié)構(gòu)形狀先驗(yàn)、平滑先驗(yàn)和成像物理等先驗(yàn)才是一個(gè)分割算法成功的關(guān)鍵。

2.4 超聲圖像配準(zhǔn)

圖像配準(zhǔn)是醫(yī)學(xué)圖像處理中的基本任務(wù)之一[52]，是指將不同時(shí)間或者不同成像設(shè)備獲取的圖像或體數(shù)據(jù)進(jìn)行匹配，并求出圖像或體數(shù)據(jù)間的空間變換關(guān)系。按照?qǐng)D像來(lái)源來(lái)分，醫(yī)學(xué)圖像配準(zhǔn)可分為單模態(tài)和多模態(tài)配準(zhǔn)兩種；按照空間變換的種類(lèi)來(lái)分，醫(yī)學(xué)圖像配準(zhǔn)主要可以分為剛體和非剛體配準(zhǔn)兩種，剛體配準(zhǔn)通常作為非剛體配準(zhǔn)的初始條件。超聲圖像之間的配準(zhǔn)主要用于超聲寬景成像[53-54](如圖3所示)、空間復(fù)合成像[55]以及自由臂三維超聲成像的自動(dòng)校準(zhǔn)[56]等。近年來(lái)，由于超聲成像具有無(wú)輻射、實(shí)時(shí)及廉價(jià)等優(yōu)點(diǎn)，超聲成像被廣泛應(yīng)用于手術(shù)引導(dǎo)，但是超聲圖像固有的斑點(diǎn)噪聲、分辨率低及對(duì)比度差等問(wèn)題影響了手術(shù)引導(dǎo)的效果，因此術(shù)中超聲成像與術(shù)前其它模態(tài)影像的結(jié)合正成為當(dāng)前的研究熱點(diǎn)，超聲圖像與其它成像模式間的多模態(tài)配準(zhǔn)正是其中的關(guān)鍵技術(shù)。由于成像原理的不同，超聲圖像與其它模態(tài)圖像(如CT，MRI)之間差異較大，因此配準(zhǔn)是非常困難的，通常需要基于定位器來(lái)提供自動(dòng)配準(zhǔn)的初始條件。目前常用的超聲與其它模態(tài)圖像間的配準(zhǔn)方法主要可以分為兩種：(1)基于灰度的方法，如Correlation Ratio[57-58]，Cross Correlation[59]，互信息[60]等；(2)基于表面(Surface)匹配的方法[61-62]等。

超聲圖像與其它模態(tài)圖像配準(zhǔn)的關(guān)鍵是根據(jù)特定的臨床應(yīng)用，尋找兩者之間的有效相似測(cè)度，如Wein[63]提出通過(guò)將CT模擬成超聲圖像再與超聲圖像進(jìn)行配準(zhǔn)的方法可有效提高配準(zhǔn)的魯棒性。雖然現(xiàn)有方法已經(jīng)取得了一定進(jìn)展，但是超聲圖像與其它模態(tài)影像間的剛體和非剛體配準(zhǔn)仍將是未來(lái)研究的重點(diǎn)和難點(diǎn)。

圖3 基于3D SIFT特征匹配的三維超聲寬景成像[53]Fig.3 Volumetric ultrasound panorama based on 3D SIFT

2.5 超聲圖像理解

機(jī)器學(xué)習(xí)在醫(yī)學(xué)圖像理解任務(wù)中起到了至關(guān)重要的作用，其成功地促成了大量的應(yīng)用，包括計(jì)算機(jī)輔助診斷、病案檢索、組織器官分割、定量分析等[64]。對(duì)于那些缺乏精確知識(shí)和難以分析推導(dǎo)的問(wèn)題來(lái)說(shuō)，從實(shí)例中自動(dòng)學(xué)習(xí)的算法就能發(fā)揮其重要作用。近年來(lái)，由于許多高性?xún)r(jià)比的超聲成像設(shè)備正越來(lái)越廣地應(yīng)用于臨床，從而積累了大量的醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)，這使得機(jī)器學(xué)習(xí)在醫(yī)學(xué)中的應(yīng)用變得更加可行。用于超聲醫(yī)學(xué)圖像理解的機(jī)器學(xué)習(xí)算法中，核學(xué)習(xí)和概率模型扮演著關(guān)鍵角色：核學(xué)習(xí)(支持向量機(jī))能給超聲醫(yī)學(xué)計(jì)算機(jī)輔助檢測(cè)及診斷任務(wù)提供最佳分類(lèi)器；概率模型(樸素貝葉斯、圖模型、馬爾可夫隨機(jī)場(chǎng))為醫(yī)學(xué)圖像分析任務(wù)如圖像重建、分割、配準(zhǔn)等提供理論框架。對(duì)于學(xué)習(xí)分類(lèi)器來(lái)說(shuō)，線(xiàn)性模型(線(xiàn)性判別分析)、人工神經(jīng)網(wǎng)絡(luò)(誤差反向傳播、自組織映射)和集成學(xué)習(xí)(Boosting、AdaBoost)是除核學(xué)習(xí)之外的選擇。降維和特征選擇是計(jì)算機(jī)輔助診斷的關(guān)鍵技術(shù)。聚類(lèi)分析可用于識(shí)別超聲醫(yī)學(xué)圖像中的相似病灶。

國(guó)內(nèi)汪天富教授的團(tuán)隊(duì)較早開(kāi)展了超聲圖像理解方面的研究工作，主要基于人工神經(jīng)網(wǎng)絡(luò)方法，分別研究了基于組織多普勒?qǐng)D像的竇房結(jié)定量分析[65]、基于B超圖像的脂肪肝與正常肝自動(dòng)識(shí)別[66]和基于彩色多普勒血流圖像和B超圖像相結(jié)合的乳腺腫瘤計(jì)算機(jī)輔助診斷[67]等；最近，陳思平教授的團(tuán)隊(duì)提出二維超聲“智能掃查”理念，并基于集成學(xué)習(xí)方法，實(shí)現(xiàn)了二維超聲影像中早孕囊標(biāo)準(zhǔn)切面的自動(dòng)提取和徑線(xiàn)的自動(dòng)測(cè)量，如圖4所示[68]，從而有望提高產(chǎn)前超聲檢測(cè)的標(biāo)準(zhǔn)化和規(guī)范化程度。

圖4 二維超聲“智能掃查”示意圖Fig.4 Illustration of 2D intelligent ultrasound scanning method

醫(yī)生手持超聲探頭掃過(guò)孕婦腹部，產(chǎn)生一系列切面圖像(a、b、c……)，計(jì)算機(jī)則自動(dòng)從中找出標(biāo)準(zhǔn)切面圖像(即b，該切面上所含的孕囊最大)[68]。

在模式分類(lèi)領(lǐng)域，我們沒(méi)有理由偏好任何一個(gè)分類(lèi)器[69]。因此，實(shí)際應(yīng)用時(shí)，通常需要對(duì)比多種分類(lèi)器的分類(lèi)性能來(lái)選取一個(gè)對(duì)該應(yīng)用、該組數(shù)據(jù)、該組特征較優(yōu)的分類(lèi)器。Forsyth和Ponce[70]指出，可先嘗試核學(xué)習(xí)，然后線(xiàn)性模型和神經(jīng)網(wǎng)絡(luò)等。

超聲圖像處理與分析涉及內(nèi)容廣泛，遠(yuǎn)不止以上綜述的五個(gè)部分，隨著計(jì)算機(jī)科學(xué)和超聲成像設(shè)備的發(fā)展，超聲圖像處理和分析也將向智能化、魯棒性強(qiáng)和實(shí)時(shí)快速等方向發(fā)展。

[1] Fung Y C. Biomechanics: Mechanical properties of living tissues[M]. 2nd Edition ed: Springer. 1994.

[2] Greenleaf J F, Fatemi M, Insana M. Selected methods for imaging elastic properties of biological tissues [J]. Annu. Rev. Biomed. Eng., 2003, 5: 57-78.

[3] de Korte C L, Sierevogel M J, Mastik F, et al. Identification of atherosclerotic plaque components with intravascular ultrasound elastography in vivo a Yucatan pig study[J]. Circulation, 2002, 105(14): 1627-1630.

[4] Lee W N, Ingrassia C M, Fung-Kee-Fung S D, et al. Theoretical quality assessment of myocardial elastography with in vivo validation[J]. IEEE Trans. Ultrason. Ferroelectr. Freq. Control, 2007, 54(11): 2233-2245.

[5] Schaar J A, de Korte C L, Mastik F, et al. Characterizing vulnerable plaque features with intravascular elastography[J]. Circulation, 2003, 108(21): 2636-2641.

[6] Zhang P, Zhang Y. The technical principle and clinical application of intravascular ultrasound elastogram[J]. J Biomed Eng, 2005, 22(1): 163.

[7] Ophir J, Cespedes I, Ponnekanti H, et al. Elastography: a quantitative method for imaging the elasticity of biological tissues[J]. Ultrasonic imaging, 1991, 13(2): 111-134.

[8] Lubinski M A, Emelianov S Y, O'Donnell M. Speckle tracking methods for ultrasonic elasticity imaging using short-time correlation[J]. IEEE Trans Ultrason Ferroelectr Freq Control, 1999, 46(1): 82-96.

[9] Yamakawa M, Shiina T. Strain estimation using the extended combined autocorrelation method[J]. Jpn J Appl Phys, 2001, 40: 3872.

[10] Treece G M, Lindop J E, Gee A H, et al. Freehand ultrasound elastography with a 3-D probe[J]. Ultrasound Med Biol, 2008, 34(3): 463-474.

[11] Ophir J, Alam S K, Garra B S, et al. Elastography: imaging the elastic properties of soft tissues with ultrasound[J]. J Med, 2002, 29: 156.

[12] 羅建文, 白凈. 超聲彈性成像的研究進(jìn)展[J]. 中國(guó)醫(yī)療器械信息, 2005, 11(005): 23-31.

[13] Itoh A, Ueno E, Tohno E, et al. Breast Disease: Clinical Application of US Elastography for Diagnosis[J]. Radiology, 2006, 239(2): 341-350.

[14] 關(guān)少卿, 羅葆明, 歐冰等. 超聲彈性成像診斷乳腺局灶性病變價(jià)值的初步探討[J]. 臨床超聲醫(yī)學(xué)雜志, 2006, 8(10): 598-601.

[15] 王怡, 王涌, 張希敏等. 實(shí)時(shí)組織彈性成像技術(shù)在鑒別診斷乳腺良惡性腫塊中的價(jià)值評(píng)估[J]. 中華超聲影像學(xué)雜志, 2005, 14(12): 911-913.

[16] Ginat D T, Destounis S V, Barr R G, et al. US Elastography of Breast and Prostate Lesions[J]. Radiographics, 2009, 29(7): 2007-2016.

[17] Salomon G, K?llerman J, Thederan I, et al. Evaluation of prostate cancer detection with ultrasound real-time elastography: a comparison with step section pathological analysis after radical prostatectomy[J]. Eur Urol, 2008, 54(6): 1354-1362.

[18] Huang S R, Lerner R M, Parker K J. Time domain Doppler estimators of the amplitude of vibrating targets[J]. J Acoust Soc Am, 1992, 91: 965.

[19] Rubens D J, Hadley M A, Alam S K, et al. Sonoelasticity imaging of prostate cancer: in vitro results[J]. Radiology, 1995, 195(2): 379-383.

[20] Parker K J, Taylor L S, Gracewski S, et al. A unified view of imaging the elastic properties of tissue[J]. J Acoust Soc Am, 2005, 117: 2705.

[21] Yamakoshi Y, Sato J, Sato T. Ultrasonic imaging of internal vibration of soft tissue under forced vibration[J]. IEEE Trans Ultrason Ferroelectr Freq Control, 1990, 37(2): 45-53.

[22] Yamakoshi Y, Otaki H, Shinozuka N, et al. Internal tissue displacement measurement based on ultrasonic wave Doppler signal digital detection and its application to fetal movement monitoring[J]. Ultrasonics, 1996, 34(8): 769-775.

[23] Sugimoto T, Ueha S, Itoh K. Tissue hardness measurement using the radiation force of focused ultrasound[C]. IEEE Ultrasonics Symposium. Honolulu, HI: IEEE, 1990.

[24] Nightingale K R, Kornguth P J, Trahey G E. The use of acoustic streaming in breast lesion diagnosis: a clinical study[J]. Ultrasound Med Biol, 1999, 25(1): 75-87.

[25] Nightingale K, Soo M S, Nightingale R, et al. Acoustic radiation force impulse imaging: in vivo demonstration of clinical feasibility[J]. Ultrasound Med Biol, 2002, 28(2): 227-235.

[26] Rudenko O, Sarvazyan A, Emelianov S Y. Acoustic radiation force and streaming induced by focused nonlinear ultrasound in a dissipative medium[J]. J Acoust Soc Am, 1996, 99: 2791.

[27] Sarvazyan A P, Rudenko O V, Swanson S D, et al. Shear wave elasticity imaging: a new ultrasonic technology of medical diagnostics[J]. Ultrasound Med Biol, 1998, 24(9): 1419-1435.

[28] Muller M, Gennisson J L, Deffieux T, et al. Quantitative viscoelasticity mapping of human liver using supersonic shear imaging: preliminary in vivo feasibility study [J]. Ultrasound Med Biol, 2009, 35(2): 219-229.

[29] Bavu E, Gennisson J, Couade M, et al. Noninvasive in vivo liver fibrosis evaluation using supersonic shear imaging: a clinical study on 113 hepatitis C virus patients [J]. Ultrasound Med Biol, 2011, 37(9): 1361-1373.

[30] Fatemi M, Greenleaf J F. Ultrasound-stimulated vibro-acoustic spectrography[J]. Science, 1998, 280(5360): 82-85.

[31] Fatemi M, Greenleaf J F. Vibro-acoustography: An imaging modality based on ultrasound-stimulated acoustic emission[J]. Proc Natl Acad Sci U.S.A., 1999, 96(12): 6603-6608.

[32] Fatemi M, Wold L E, Alizad A, et al. Vibro-acoustic tissue mammography[J]. IEEE Trans Med Imaging, 2002, 21(1): 1-8.

[33] Bercoff J, Tanter M, Fink M. Supersonic shear imaging: a new technique for soft tissue elasticity mapping[J]. IEEE Trans Ultrason Ferroelectr Freq Control, 2004, 51(4): 396-409.

[34] Chen S, Urban M, Pislaru C, et al. Shearwave dispersion ultrasound vibrometry (SDUV) for measuring tissue elasticity and viscosity[J]. IEEE Trans Ultrason Ferroelectr Freq Control, 2009, 56(1): 55-62.

[35] Wang Y, Chen S, Wang T, et al. Development of a generic ultrasound vibro-acoustic imaging platform for tissue elasticity and viscosity[J]. J Innovative Opt Health Sci, 2012, 5(1): 1-7.

[36] 陳思平. 醫(yī)學(xué)超聲影像產(chǎn)業(yè)現(xiàn)狀和發(fā)展[J]. 應(yīng)用聲學(xué), 2005(4): 201-207.

[37] Fenster A, Downey D B. Three-dimensional ultrasound imaging[J]. Annu Rev Biomed Eng, 2000, 2: 457-475.

[38] Solberg O V, Lindseth F, Torp H, et al. Freehand 3D ultrasound reconstruction algorithms--a review[J]. Ultrasound Med Biol, 2007, 33(7): 991-1009.

[39] 汪天富, 鄭昌瓊, 李德玉等. 超聲心臟圖像多維重建研究進(jìn)展[J]. 生物醫(yī)學(xué)工程學(xué)雜志, 2001, 18(1): 133-137.

[40] Preim B, Bartz D. Visualization in medicine: theory, algorithms, and applications[M]. Morgan Kaufmann. 2007.

[41] Kruger J, Westermann R. Acceleration techniques for GPU-based volume rendering[C]. Proceedings of the 14th IEEE Visualization 2003: IEEE Computer Society, 2003.

[42] Donoho D L. De-noising by soft-thresholding[J]. IEEE Trans Inf Theory, 1995, 41(3): 613-627.

[43] Yu Y, Acton S T. Speckle reducing anisotropic diffusion[J]. IEEE transactions on image processing : a publication of the IEEE Signal Processing Society, 2002, 11(11): 1260-1270.

[44]Comaniciu D, Meer P. Mean shift: A robust approach toward feature space analysis[J]. IEEE Trans Pattern Anal Mach Intell, 2002, 24(5): 603-619.

[45] Jago J, Collet-Billon A, Chenal C, et al. XRES: adaptive enhancement of ultrasound images[J]. Medicamundi, 2002, 46(3): 36-41.

[46] Noble J A, Boukerroui D. Ultrasound image segmentation: a survey[J]. IEEE Trans Med Imaging, 2006, 25(8): 987-1010.

[47] Kass M, Witkin A, Terzopoulos D. Snakes: Active contour models[J]. Int J Comput Vision, 1988, 1(4): 321-331.

[48] Shi J, Malik J. Normalized cuts and image segmentation[J]. IEEE Trans Pattern Anal Mach Intell, 2000, 22(8): 888-905.

[49] Boykov Y, Veksler O, Zabih R. Fast approximate energy minimization via graph cuts[J]. IEEE Trans Pattern Anal Mach Intell, 2001, 23(11): 1222-1239.

[50] 汪天富, 鄭昌瓊, 李德玉等. 用神經(jīng)網(wǎng)絡(luò)進(jìn)行超聲醫(yī)學(xué)圖像分割[J]. 生物醫(yī)學(xué)工程學(xué)雜志, 1998, 15(4): 397-399.

[51] Georgescu B, Zhou X S, Comaniciu D, et al. Database-guided segmentation of anatomical structures with complex appearance[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition: IEEE, 2005.

[52] Maintz J B A, Viergever M A, An overview of medical image registration methods. 1998.

[53] Ni D, Qul Y, Yang X, et al. Volumetric ultrasound panorama based on 3D SIFT[J]. Medical image computing and computer-assisted intervention : MICCAI . International Conference on Medical Image Computing and Computer-Assisted Intervention, 2008, 11(Pt 2): 52-60.

[54]Weng L, Tirumalai A P, Lowery C M, et al. US extended-field-of-view imaging technology[J]. Radiology, 1997, 203(3): 877-880.

[55] Krucker J F, LeCarpentier G L, Fowlkes J B, et al. Rapid elastic image registration for 3-D ultrasound[J]. IEEE Trans Med Imaging, 2002, 21(11): 1384-1394.

[56] Blackall J, Rueckert D, Maurer C, et al. An image registration approach to automated calibration for freehand 3D ultrasound[C]. Medical Image Computing and Computer Assisted Intervention: Springer, 2000.

[57] Leroy A, Mozer P, Payan Y, et al. Rigid registration of freehand 3D ultrasound and CT-scan kidney images[C]. Medical Image Computing and Computer-Assisted Intervention - MICCAI 2004, 2004.

[58] Roche A, Pennec X, Malandain G, et al. Rigid registration of 3-D ultrasound with MR images: a new approach combining intensity and gradient information[J]. IEEE Trans Med Imaging, 2001, 20(10): 1038-1049.

[59] Penney G P, Blackall J M, Hamady M S, et al. Registration of freehand 3D ultrasound and magnetic resonance liver images[J]. Med Image Anal, 2004, 8(1): 81-91.

[60] Wein W, Roper B, Navab N. Integrating Diagnostic B-Mode Ultrasonography Into CT-Based Radiation Treatment Planning[J]. IEEE Trans Med Imaging, 2007, 26(6): 866-879.

[61] Brendel B, Winter S, Rick A, et al. Registration of 3D CT and ultrasound datasets of the spine using bone structures[J]. Computer Aided Surgery, 2002, 7(3): 146-155.

[62] Martin S, Baumann M, Daanen V, et al. MR prior based automatic segmentation of the prostate in TRUS images for MR/TRUS data fusion[C]. IEEE International Symposium on Biomedical Imaging: From Nano to Macro: IEEE,2010.

[63] Wein W, Brunke S, Khamene A, et al. Automatic CT-ultrasound registration for diagnostic imaging and image-guided intervention[J]. Med Image Anal, 2008, 12(5): 577-585.

[64] Wang S, Summers R M. Machine learning and radiology[J]. Med Image Anal, 2012, 16(5): 933-951.

[65] Zhao S, Li D Y, Zheng Y, et al. Quantitative analysis of sinoatrial node using Doppler tissue images[J]. IEEE Trans Ultrason Ferroelectr Freq Control, 2003, 50(10): 1336-1341.

[66] 汪小毅, 林江莉, 李德玉等. 基于紋理分析的脂肪肝B超圖像識(shí)別[J]. 航天醫(yī)學(xué)與醫(yī)學(xué)工程, 2004, 17(2): 144-148.

[67] Diao X F, Zhang X Y, Wang T F, et al. Highly sensitive computer aided diagnosis system for breast tumor based on color Doppler flow images[J]. J Med Syst, 2011, 35(5): 801-809.

[68] Zhang L, Chen S, Chin C T, et al. Intelligent scanning: automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination[J]. Med Phys, 2012, 39(8): 5015-5027.

[69] Duda R O, Hart P E, Stork D G. Pattern Classification[M]. Wiley-Interscience. 2001.

[70] Forsyth D A, Ponce J. Computer vision: a modern approach[M]. Prentice Hall Professional Technical Reference. 2002.