譚雅蘭

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都610065）

0 引言

頸動(dòng)脈硬化是頸動(dòng)脈粥樣硬化的簡(jiǎn)稱，頸動(dòng)脈硬化意味著可能存在全身動(dòng)脈粥樣硬化。目前的研究表明，老年人中發(fā)生缺血性腦卒與頸動(dòng)脈硬化有密切關(guān)系[1]。頸動(dòng)脈硬化早期表現(xiàn)為內(nèi)膜-中膜增厚，隨著時(shí)間推移逐漸形成粥樣硬化斑塊。如果進(jìn)一步有斑塊內(nèi)出血、斑塊破裂脫落、附壁血栓形成以及繼發(fā)血管狹窄等現(xiàn)象發(fā)生，可能會(huì)引起流向腦部的血流動(dòng)力學(xué)發(fā)生變化改變，進(jìn)而發(fā)生缺血性腦血管事件[2]。

準(zhǔn)確測(cè)量和了解頸動(dòng)脈的幾何形狀在評(píng)估和管理頸動(dòng)脈粥樣硬化方面是十分重要的。頸動(dòng)脈的超聲成像廣泛用于動(dòng)脈粥樣硬化的診斷，因?yàn)樗试S對(duì)狹窄程度和斑塊形態(tài)的無(wú)創(chuàng)評(píng)估[3]。此外，先進(jìn)的圖像處理技術(shù)可以用來(lái)從數(shù)字化的超聲圖像中提取特征（紋理或運(yùn)動(dòng)特征），并增強(qiáng)解釋過程。為了進(jìn)一步自動(dòng)化診斷程序，自動(dòng)識(shí)別動(dòng)脈壁邊界是十分重要的。頸動(dòng)脈粥樣硬化的診斷，監(jiān)測(cè)和治療需要血管壁和斑塊的詳細(xì)視圖。準(zhǔn)確測(cè)量和分析血管幾何形態(tài)和彈性需要可靠的定義或頸動(dòng)脈壁邊界的分割。當(dāng)使用例如超聲波這類含有噪聲的圖像時(shí)，人工觀察者手動(dòng)描繪血管壁需要豐富的經(jīng)驗(yàn)，繁瑣的并且易于變化[4]。

以前關(guān)于頸動(dòng)脈壁分割的研究包括應(yīng)用動(dòng)態(tài)規(guī)劃、變形模型、snake 和氣球模型[5]。更具體地說，為了自動(dòng)檢測(cè)超聲圖像中的回波接口，Mao 等人使用交互式分割方法來(lái)識(shí)別二維橫向超聲圖像中的動(dòng)脈壁[6]。該方法基于用單個(gè)種子點(diǎn)初始化的可變形模型。該模型結(jié)合全局幾何約束，圖像梯度和對(duì)比度特征來(lái)優(yōu)化分割結(jié)果。Loizou 等人使用Snake 的修改來(lái)檢測(cè)超聲圖像中頸總動(dòng)脈的內(nèi)膜和外膜層，并計(jì)算內(nèi)膜中層厚度（IMT）[7]。Gill 等人提出了基于動(dòng)態(tài)氣球模型的半自動(dòng)方法，分割三維頸動(dòng)脈超聲圖像[8]。氣球模型由手動(dòng)放置在頸動(dòng)脈血管內(nèi)部的三角網(wǎng)表示，然后通過施加膨脹力被驅(qū)向血管壁。Hassan 等人提出了基于模糊K均值的聚類方法用于分割帶有斑塊的頸動(dòng)脈圖像，通過在頸動(dòng)脈空間中提取特征對(duì)頸動(dòng)脈進(jìn)行分割并檢測(cè)勁動(dòng)脈斑塊[9]。

由Hough 首先提出的Hough 變換由于其健壯性已經(jīng)成為圖像分割應(yīng)用中最受歡迎的工具之一[10]。它將圖像空間中復(fù)雜的全局檢測(cè)問題轉(zhuǎn)換為參數(shù)空間中簡(jiǎn)單的局部峰值檢測(cè)。它被應(yīng)用于機(jī)器視覺中的各種問題，例如線檢測(cè)，圓檢測(cè)，任意形狀提取和運(yùn)動(dòng)提取。HT 的醫(yī)學(xué)圖像應(yīng)用包括在視頻熒光圖像中自動(dòng)分割腰椎和眼底圖像、乳房X 線圖像中胸肌的自動(dòng)識(shí)別、超聲圖像分割動(dòng)脈壁、動(dòng)脈壁橫切面圖像的收縮和舒張直徑估計(jì)、心臟結(jié)構(gòu)分割從超聲心動(dòng)圖序列和實(shí)時(shí)活檢針分割等[11-12]。

本文研究的目的是探究應(yīng)用邊緣檢測(cè)和HT 進(jìn)行分割縱向的頸動(dòng)脈超聲圖像動(dòng)脈壁的有效性。使用直線檢測(cè)縱向圖像并提取管腔邊界。進(jìn)一步，可以估計(jì)動(dòng)脈直徑。此外，在縱向切片中，可用作血管疾病的指標(biāo)IMT 同樣可以使用本文的技術(shù)進(jìn)行分割和測(cè)量。

1 算法實(shí)現(xiàn)

1.1 算法設(shè)計(jì)

邊緣檢測(cè)中的梯度算子和霍夫變換可用于識(shí)別頸動(dòng)脈的B 型超聲圖像的縱向切片中的動(dòng)脈壁。在超聲的圖像中，血液像素的平均灰度中位數(shù)（GSM）在0 到5之間，而外膜的平均灰度中位數(shù)（GSM）在180 到190之間。根據(jù)廣泛接受的關(guān)于頸動(dòng)脈B 超圖像歸一化的規(guī)范，這些GSM 值的圖像被認(rèn)為是標(biāo)準(zhǔn)化的，因此不再進(jìn)行標(biāo)準(zhǔn)化。

這部分算法主要步驟包括：①圖像預(yù)處理。通過各向異性擴(kuò)散濾波去噪和形態(tài)學(xué)閉運(yùn)算平滑圖像；②邊緣檢測(cè)。使用梯度算子檢測(cè)頸動(dòng)脈壁的邊緣，使用形態(tài)學(xué)膨脹運(yùn)算去除邊緣空洞；③霍夫變換。使用霍夫變換檢測(cè)并選擇出能代表邊緣的直線。算法過程如圖1 所示。

圖1 算法流程圖

1.2 圖像預(yù)處理

為了去除超聲圖像中的噪聲，多次使用各向異性擴(kuò)散濾波器，這步驟的處理結(jié)果如圖2（b）所示，圖像比原始圖像更加平滑。在此基礎(chǔ)上，使用尺寸為50×70像素的矩形結(jié)構(gòu)元件進(jìn)行形態(tài)學(xué)閉合運(yùn)算來(lái)合并圖像的小“通道”和“開口”。結(jié)構(gòu)化元素的尺寸是經(jīng)過一系列不同元素尺寸的實(shí)驗(yàn)后選擇的，以確保合并小開口而不改變圖像中包含的解剖信息。經(jīng)過形態(tài)學(xué)閉運(yùn)算的圖像結(jié)果如圖2（c）所示。

圖2 圖像預(yù)處理步驟過程示意圖

1.3 邊緣檢測(cè)

為了識(shí)別頸動(dòng)脈壁的邊緣，將Roberts 梯度算子應(yīng)用于預(yù)處理后的圖像，邊緣檢測(cè)后的結(jié)果如圖3（a）所示。邊緣檢測(cè)方法的輸出產(chǎn)生二進(jìn)制圖像，在邊緣位置值為1，而在所有其他位置值為0。為了將代表的邊緣的點(diǎn)連接起來(lái)，使用尺寸為5×3 像素的矩形結(jié)構(gòu)元件進(jìn)行形態(tài)學(xué)膨脹運(yùn)算來(lái)連接斷開的邊緣線段，消除空洞，該步驟需要重復(fù)幾次。經(jīng)過形態(tài)學(xué)運(yùn)算處理后的圖像如圖3（b）所示，邊緣點(diǎn)基本連接起來(lái)了。

圖3 邊緣檢測(cè)步驟的結(jié)果示意圖

1.4 霍夫變換檢測(cè)邊界

將HT 應(yīng)用于檢測(cè)產(chǎn)生的二值圖像的邊緣。HT可以用來(lái)檢測(cè)數(shù)字圖像中形式為v( c,pi)=0 的參數(shù)曲線，其中c 是坐標(biāo)向量，p 是參數(shù)向量，i=1…n 是參數(shù)向量，曲線n=2 代表線，n=3 代表圓，n=5 代表橢圓。HT將圖像轉(zhuǎn)換成n 維參數(shù)空間，對(duì)應(yīng)于稱為累加器陣列的n 維陣列。在邊緣像素的二值圖像上操作，通過具有矢量坐標(biāo)c 的像素的所有可能的曲線v( c,pi)=0 被變換為參數(shù)pi的組合，然后參數(shù)pi增加累加器陣列的相應(yīng)單元。針對(duì)圖像中的所有邊緣像素執(zhí)行計(jì)算，并且搜索得到的累加器陣列以獲得最大值以檢測(cè)具有特定參數(shù)值的曲線。

用于HT 計(jì)算的直線的方程表示為：

為了定義動(dòng)脈壁邊界和計(jì)算血管直徑，應(yīng)該檢測(cè)兩條線，即對(duì)應(yīng)于近壁的邊緣和遠(yuǎn)壁的邊緣的兩條線。累加器陣列中具有最大值的兩條線被認(rèn)為是Hough 變換得到的主直線。通過兩條直線之間的距離估算血管直徑。邊緣檢測(cè)的結(jié)果經(jīng)過霍夫變換后的得到的結(jié)果如圖4（a）所示，通過選擇兩個(gè)峰值，得到動(dòng)脈壁邊界的線段，結(jié)果如圖4（b）所示。

圖4 霍夫變換后的結(jié)果示意圖

2 結(jié)果分析

算法過程中對(duì)每一步驟都展示了其結(jié)果，最終代表頸動(dòng)脈管壁的直線是通過將得到霍夫線段延長(zhǎng)得到的。人工手動(dòng)分割的效果如圖5（a）所示，（b）是將自動(dòng)分割結(jié)果展示在原圖像上。從圖中可以看出，頸動(dòng)脈的近探頭邊界與手工分割的基本一樣，但是在遠(yuǎn)探頭的管壁，由于頸動(dòng)脈內(nèi)膜的影響，分割結(jié)果稍微有點(diǎn)偏差。總的來(lái)說，通過本文的一系列算法步驟，頸動(dòng)脈管壁的上下邊界成功檢測(cè)并提取出來(lái)，到了自動(dòng)分割頸動(dòng)脈的目的。通過計(jì)算出最后得到的能待變頸動(dòng)脈管壁的直線之間的距離可以進(jìn)一步計(jì)算頸動(dòng)脈的直徑。

圖5 手動(dòng)分割結(jié)果與自動(dòng)分割結(jié)果對(duì)比圖

3 討論

從超聲圖像中自動(dòng)分割動(dòng)脈管腔是臨床診斷中的重要任務(wù)，超聲圖像分割受到圖像質(zhì)量的強(qiáng)烈影響。衰減、斑點(diǎn)、聲影和信號(hào)丟失等特征性偽影以及感興趣區(qū)域之間的低對(duì)比度可能使分割任務(wù)復(fù)雜化。本文提出的自動(dòng)分割技術(shù)可能是頸動(dòng)脈自動(dòng)分割的有用工具。該技術(shù)的主要優(yōu)點(diǎn)包括簡(jiǎn)單，計(jì)算成本低和有效的結(jié)果。

該自動(dòng)分割技術(shù)也可用于頸動(dòng)脈輪廓在橫向切片的超聲圖像，通過將頸動(dòng)脈的橫截面看作是圓形或者是橢圓形，依然可以通過霍夫變換檢測(cè)并提取出。將兩個(gè)截面的圖像得到的結(jié)果進(jìn)行比較可以得到更加準(zhǔn)確的結(jié)果。該方法也同樣適用于IMT 提取和測(cè)量，通過同樣的算法步驟，對(duì)某些參數(shù)稍作調(diào)整也同樣適用，且通過找到IMT 內(nèi)膜測(cè)量其厚度，也可以進(jìn)一步精確頸動(dòng)脈管腔的直徑。

本文的算法還有進(jìn)一步可提升的點(diǎn)。為了研究本文的技術(shù)對(duì)患病動(dòng)脈的適用性，需要進(jìn)一步對(duì)具有動(dòng)脈粥樣硬化血管和不同狹窄水平的受試者的超聲圖像用于實(shí)驗(yàn)。在縱向超聲圖像中，可以觀察到斑塊和鄰近正常（非動(dòng)脈硬化）壁的一部分，可以在正常血管部分計(jì)算收縮和舒張直徑以及IMT。這些參數(shù)的估計(jì)被廣泛用于關(guān)于患病頸動(dòng)脈的生理學(xué)和彈性的研究。

在這個(gè)實(shí)驗(yàn)中，通過簡(jiǎn)單的直線來(lái)近似壁腔邊界。但實(shí)際上，具有隨機(jī)形狀的斑塊邊界不能用直線近似，動(dòng)脈邊界具有隨機(jī)的形狀?？梢赃M(jìn)一步考慮使用主動(dòng)輪廓或活動(dòng)輪廓與HT 技術(shù)的組合，其中HT 輸出可以是主動(dòng)輪廓方法的初始估計(jì)。這種組合的潛在優(yōu)點(diǎn)包括最小化收斂到錯(cuò)誤結(jié)構(gòu)的可能性和完全自動(dòng)化的技術(shù)。主動(dòng)輪廓與HT 技術(shù)相結(jié)合，在動(dòng)脈邊界脫離簡(jiǎn)單幾何形狀的疾病存在下可能特別有用。

4 結(jié)語(yǔ)

總之，本文描述的基于邊緣檢測(cè)算子和霍夫變換的技術(shù)提供了一種簡(jiǎn)單、快速和準(zhǔn)確的方法來(lái)分割頸動(dòng)脈的縱向的超聲圖像。該技術(shù)可以在臨床上用于可靠地估計(jì)具有生理意義的動(dòng)脈壁的特征，例如來(lái)自靜態(tài)圖像的IMT。該結(jié)論適用于健康（非動(dòng)脈粥樣硬化）動(dòng)脈的圖像和其他超聲圖像中待分割區(qū)域邊緣形狀類似直線的自動(dòng)分割。并且有希望將該技術(shù)可以通過與其他技術(shù)相結(jié)合能夠分割更加復(fù)雜情況的圖像。