田 燦，錢盛友 *，鄒 孝，劉 備，王潤民，江劍輝

(1.湖南師范大學(xué)物理與信息科學(xué)學(xué)院，湖南 長沙 410081；2.深圳普羅惠仁醫(yī)學(xué)科技有限公司， 廣東 深圳 518067)

HIFU治療是近年興起的一種非侵入局部治療技術(shù)[1-2]，其原理是使超聲波在目標(biāo)區(qū)域聚焦，并形成局部高能量密度，組織溫度瞬間可達(dá)65℃以上，并產(chǎn)生凝固性壞死，從而達(dá)到治療腫瘤的目的[3-5]。HIFU治療腫瘤是基于熱機(jī)制對(duì)組織的損傷，因此治療過程中實(shí)時(shí)監(jiān)測(cè)組織損傷非常重要[6-7]。通過HIFU治療中獲取的實(shí)時(shí)圖像，利用機(jī)器視覺技術(shù)自動(dòng)檢測(cè)出生物組織變性的位置，可幫助臨床醫(yī)師快速、客觀定位治療損傷區(qū)域，更好地掌控療效進(jìn)程和制定進(jìn)一步的治療方案。現(xiàn)有超聲監(jiān)控手段主要基于回波信號(hào)[8-9]和超聲聲像圖。相對(duì)于回波信號(hào)，超聲聲像圖更具直觀性。HIFU治療過程中獲取的超聲監(jiān)控圖像可反映組織損傷情況[10-12]。馮艷玲等[13]對(duì)HIFU輻照前后圖像焦域附近進(jìn)行二維亞像素級(jí)相關(guān)分析；陳華等[14]采用線性判別分析(linear discriminant analysis, LDA)方法對(duì)圖像提取的特征參數(shù)進(jìn)行處理；顏佩等[15]提取減影圖像小波系數(shù)Hu矩等特征參數(shù)對(duì)組織損傷進(jìn)行識(shí)別。上述方法均依賴圖像配準(zhǔn)技術(shù)[16]，且均需手動(dòng)確定HIFU輻照區(qū)域，從而判別組織是否損傷。本研究根據(jù)HIFU輻照后超聲聲像圖中HIFU損傷區(qū)域的特點(diǎn)，采用粗定位和損傷識(shí)別相結(jié)合的方法，探討基于超聲圖像處理的HIFU所致組織損傷的自動(dòng)檢測(cè)方法。

1 實(shí)驗(yàn)系統(tǒng)與方法

實(shí)驗(yàn)系統(tǒng)主要由HIFU源、超聲成像儀和計(jì)算機(jī)控制系統(tǒng)組成(圖1)。HIFU探頭為PRO2008系列(深圳普羅公司)，以Philips EnVisor型超聲診斷系統(tǒng)獲取超聲聲像圖，并由PCI8001圖像采集卡輸入計(jì)算機(jī)。測(cè)試對(duì)象為新鮮離體豬肉。將離體豬肉置于HIFU探頭正下方，保存并分析HIFU輻照前后的超聲聲像圖。輻照后對(duì)離體豬肉切片進(jìn)行肉眼觀察，記錄其損傷情況及位置，作為評(píng)價(jià)檢測(cè)結(jié)果的依據(jù)。

2 HIFU損傷區(qū)域粗定位

對(duì)HIFU輻照后超聲聲像圖進(jìn)行灰度化處理后，截取ROI，使其包圍住測(cè)試樣本。①設(shè)計(jì)灰度極大區(qū)域搜索算法，定位圖像中所有亮斑；②結(jié)合數(shù)學(xué)形態(tài)學(xué)、連通域標(biāo)記及Canny邊緣檢測(cè)算法提取測(cè)試對(duì)象的邊緣輪廓；③利用歐式判據(jù)篩選出HIFU損傷候選區(qū)。

圖1 實(shí)驗(yàn)系統(tǒng)示意圖

2.1灰度極大區(qū)域搜索 超聲聲像圖中HIFU損傷區(qū)域呈現(xiàn)為局部亮斑，可將其視為灰度極大區(qū)域，其灰度值在中心處最大，向四周逐漸變小。具體算法：①遍歷圖像中所有像素點(diǎn)，尋找灰度最大值點(diǎn)，如灰度最大值>灰度閾值(T)，則該點(diǎn)可視為亮斑中心點(diǎn)，并保存其坐標(biāo)值，以此為中心形成1個(gè)尺寸合適的矩形窗口；②將矩形窗口中所有像素灰度賦值為0后，再次遍歷圖像中所有像素點(diǎn)尋找灰度最大值點(diǎn)，以此類推，直到圖像上灰度最大值≤T為止，完成圖像上所有灰度極大區(qū)域的搜索。

由于超聲聲像圖中大部分亮斑為扁平狀，因此窗口應(yīng)設(shè)計(jì)為寬大于高的矩形。通過前期實(shí)驗(yàn)測(cè)試，最終認(rèn)為以最大灰度值為中心，上下分別取5個(gè)像素點(diǎn)、左右分別取9個(gè)像素點(diǎn)，即矩形窗口尺寸為19×11，可較好地包圍住1個(gè)亮斑區(qū)域，同時(shí)又不影響相鄰的亮斑區(qū)域。通過分析圖像的灰度直方圖發(fā)現(xiàn)大部分像素分布在灰度均值(G)附近，形成1個(gè)單峰，亮斑中心點(diǎn)T應(yīng)設(shè)在單峰右側(cè)(灰度值較大)像素?cái)?shù)目較少處，故最終確定最優(yōu)T為2G。

2.2測(cè)試對(duì)象邊緣輪廓提取 數(shù)學(xué)形態(tài)學(xué)是以形態(tài)結(jié)構(gòu)元素為基礎(chǔ)對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具[17]，其基本運(yùn)算為膨脹和腐蝕。通過這2種基本運(yùn)算可以生成許多其他的形態(tài)學(xué)運(yùn)算。設(shè)f(x,y)是輸入圖像，b(x,y)是結(jié)構(gòu)元素，用結(jié)構(gòu)元素b對(duì)輸入圖像f進(jìn)行膨脹和腐蝕的運(yùn)算定義分別為：

(f⊕b)(s,t)=max{f(s-x,t-y)+b(x,y)|(s-x,t-y)∈Df,(x,y)∈Db}

(1)

(f⊙b)(s,t)=min{f(s+x,t+y)+b(x,y)|(s+x,t+y)∈Df,(x,y)∈Db}

(2)

先腐蝕后膨脹的過程為開運(yùn)算，其定義為：

f·b=(f⊙b)⊕b

(3)

由于離體豬肉邊緣存在聲波反射，使其邊緣分布多個(gè)零散亮斑，如在原圖上直接提取豬肉邊緣，則這些亮斑處會(huì)明顯凹凸不平。為獲取平滑的邊緣輪廓，本研究利用開運(yùn)算得到ROI背景圖，而后對(duì)背景圖進(jìn)行閾值分割，并在二值圖像的正反圖像中2次使用連通域標(biāo)記保留最大連通域[18]，去除分離的白色和黑色干擾區(qū)域后，得到完整的目標(biāo)區(qū)域二值圖像；最后利用Canny邊緣檢測(cè)算法得到目標(biāo)區(qū)域的邊緣輪廓圖。

2.3篩選HIFU損傷候選區(qū) 利用灰度極大區(qū)域搜索算法定位圖像中所有亮斑后，為排除邊緣亮斑噪聲干擾，計(jì)算所有亮斑中心至邊緣線的歐式距離，篩選出HIFU損傷候選區(qū)。

設(shè)邊緣輪廓圖中灰度值為1的點(diǎn)橫坐標(biāo)為X，縱坐標(biāo)為Y，如存在n個(gè)亮斑，第i(i=1,2…n)個(gè)亮斑中心點(diǎn)橫坐標(biāo)為m(i)，縱坐標(biāo)為n(i)，計(jì)算第i個(gè)亮斑中心點(diǎn)至邊緣線的距離(d)為：

d[X,Y,m(i),n(i)]=

(4)

其中第i個(gè)亮斑中心點(diǎn)至邊緣線的最小距離記為dmin(i)，設(shè)距離函數(shù)閾值為Tj。排除dmin(i)

3 HIFU損傷識(shí)別

粗定位中，根據(jù)亮斑分布位置特性，可排除大部分噪聲區(qū)。為進(jìn)一步識(shí)別HIFU損傷，本研究最終選取可體現(xiàn)候選區(qū)HIFU損傷區(qū)和噪聲區(qū)差異的2個(gè)特征參數(shù)，即最大灰度值和掩模(MASK)圖的矩形度，并以支持向量機(jī)(support vector machine， SVM)分類器訓(xùn)練和測(cè)試對(duì)其進(jìn)行對(duì)比分析。

3.1特征提取 ①由于HIFU治療會(huì)導(dǎo)致圖像中焦點(diǎn)處灰度值最大，因此選取最大灰度值作為特征參數(shù)。經(jīng)由粗定位得到多個(gè)HIFU損傷候選區(qū)后，截取候選區(qū)作為樣本并提取最大灰度值。將切片觀察到出現(xiàn)組織損傷的區(qū)域判定為HIFU損傷區(qū)，無損傷區(qū)域視為噪聲區(qū)。②矩形度特征參數(shù)的提?。河蒖OI原圖與其背景圖(通過數(shù)學(xué)形態(tài)學(xué)獲得)相減得到差值圖，選取其灰度直方圖右側(cè)波谷點(diǎn)的灰度值作為全局閾值，對(duì)其進(jìn)行閾值分割，得到二值圖像為含有所有亮斑區(qū)域的MASK圖，截取其中與HIFU損傷候選區(qū)對(duì)應(yīng)的部分，并提取矩形度。為證實(shí)MASK圖矩形度的有效性，利用8幅ROI原圖，分別獲取8個(gè)HIFU損傷區(qū)(圖2A)和8個(gè)噪聲區(qū)對(duì)應(yīng)的MASK圖樣本(圖2B)。HIFU損傷和噪聲MASK圖樣本形狀存在差異，矩形度能夠區(qū)分不規(guī)則形狀，提示選取矩形度作為特征參數(shù)可有效區(qū)分HIFU損傷區(qū)和噪聲區(qū)。

圖2 候選區(qū)樣本 A.HIFU損傷區(qū)MASK圖； B.噪聲區(qū)MASK圖

設(shè)H為目標(biāo)(灰度值為1的區(qū)域)的垂直高度，W為目標(biāo)的水平寬度，A為目標(biāo)的面積，矩形度(recognition rate， R)的定義為：

R=A/(H×W)

(5)

利用矩形度的倒數(shù)(R′)=1/R作為矩形度的數(shù)字特征。2個(gè)特征參數(shù)分別反映HIFU損傷區(qū)的灰度特性和幾何特性。截取所有由ROI原圖粗定位得到的HIFU損傷候選區(qū)和MASK圖中對(duì)應(yīng)部分作為樣本，分別提取最大灰度值和矩形度用于SVM訓(xùn)練和測(cè)試。為驗(yàn)證這2個(gè)特征參數(shù)能否有效識(shí)別HIFU損傷區(qū)，隨機(jī)選取4個(gè)HIFU損傷區(qū)和4個(gè)噪聲區(qū)的最大灰度值和R′，在HIFU損傷和噪聲圖像中，2個(gè)特征參數(shù)均有一定差值(表1)，提示可通過SVM對(duì)其進(jìn)行分類識(shí)別。

表1 HIFU損傷區(qū)和噪聲區(qū)的特征參數(shù)

3.2SVM分類 SVM算法的主要任務(wù)是尋找滿足樣本分類要求的最優(yōu)超平面，實(shí)現(xiàn)對(duì)線性可分?jǐn)?shù)據(jù)的最優(yōu)分類[19-20]。本研究SVM分類器選擇徑向基核函數(shù)，并采用交叉驗(yàn)證的方法選取最優(yōu)參數(shù)，完成對(duì)HIFU損傷區(qū)域的分類識(shí)別。以正確識(shí)別率(correct recognition rate， Rc)和總識(shí)別率(summation recognition rate， Rs)來衡量系統(tǒng)的識(shí)別效果：

圖3 灰度極大區(qū)域搜索 A.HIFU輻照前聲像圖； B.HIFU輻照后聲像圖； C.HIFU輻照前ROI原圖； D.HIFU輻照后ROI原圖； E.灰度極大區(qū)域搜索結(jié)果, 綠色標(biāo)記處為亮斑中心 圖4 離體豬肉邊緣輪廓

圖6 HIFU損傷識(shí)別 A、B.分別為最大灰度值訓(xùn)練、矩形度訓(xùn)練，紅色“+”為HIFU損傷區(qū)，綠色“*”為噪聲區(qū)，“o”為訓(xùn)練SVM時(shí)的支持向量； C、D.分別為最大灰度值測(cè)試、矩形度測(cè)試，紅色“+”為HIFU損傷區(qū)，綠色“*”為噪聲區(qū)，“o”表示該點(diǎn)判別錯(cuò)誤

(6)

(7)

4 實(shí)驗(yàn)結(jié)果與分析

HIFU損傷區(qū)域粗定位見圖3。利用數(shù)學(xué)形態(tài)學(xué)、連通域標(biāo)記和Canny邊緣檢測(cè)算法提取的離體豬肉邊緣輪廓圖見圖4。通過提取上述邊緣輪廓，根據(jù)亮斑中心至邊緣的距離篩選出HIFU損傷候選區(qū)，粗定位最終結(jié)果見圖5。

本實(shí)驗(yàn)選取53張HIFU輻照后ROI原圖，通過粗定位獲得346個(gè)候選區(qū)，截取候選區(qū)和其MASK圖中對(duì)應(yīng)部分作為樣本，以186個(gè)作為訓(xùn)練，160個(gè)作為測(cè)試。通過Matlab 2014a軟件編程，將2個(gè)特征參數(shù)分別輸入SVM中。SVM對(duì)訓(xùn)練樣本的可視化圖見圖6A、6B，圖中HIFU損傷區(qū)大致分布在噪聲區(qū)上方，說明HIFU損傷區(qū)的2組特征參數(shù)大致高于噪聲區(qū)，即2組特征參數(shù)對(duì)HIFU損傷和噪聲具有一定區(qū)分能力。SVM對(duì)測(cè)試樣本的測(cè)試結(jié)果見圖6C、6D，錯(cuò)誤識(shí)別基本集中在分界地帶。最大灰度值的正確識(shí)別率和總識(shí)別率分別為83.33%和86.25%，矩形度的正確識(shí)別率和總識(shí)別率分別為91.25%和93.33%。

通過SVM訓(xùn)練后的模型，以矩形度對(duì)5幅ROI原圖的HIFU損傷進(jìn)行自動(dòng)檢測(cè)，見圖7。與輻照后切片對(duì)比，發(fā)現(xiàn)圖7僅紅色標(biāo)識(shí)處對(duì)應(yīng)的豬肉組織呈白色亮塊，提示采用上述方法可檢測(cè)出HIFU損傷的位置，且可正確識(shí)別不存在損傷的圖像。

圖7 HIFU損傷自動(dòng)檢測(cè)結(jié)果 A、B.1處HIFU損傷粗定位結(jié)果； C、D.1處HIFU損傷識(shí)別后的最終檢測(cè)結(jié)果； E、F.2處HIFU損傷粗定位結(jié)果及識(shí)別后的最終檢測(cè)結(jié)果; G、H.3處HIFU損傷粗定位結(jié)果及識(shí)別后最終檢測(cè)結(jié)果； I、J.無HIFU損傷粗定位結(jié)果及識(shí)別后最終檢測(cè)結(jié)果 黃色框?yàn)镠IFU損傷候選區(qū)，紅色框中為HIFU損傷區(qū)

5 結(jié)論

本研究采用先定位HIFU損傷候選區(qū)域，再通過SVM分類器進(jìn)行識(shí)別的策略，同時(shí)利用灰度極大區(qū)域搜索算法實(shí)現(xiàn)HIFU損傷檢測(cè)的自動(dòng)化過程。與傳統(tǒng)方法相比，本方法基于HIFU輻照后的超聲聲像圖進(jìn)行研究分析，解決了HIFU輻照前后圖像必須進(jìn)行配準(zhǔn)的難題，有利于減少手動(dòng)定位的誤差，為有效監(jiān)控HIFU治療提供了重要方向。