何立風(fēng)，周廣彬，雷 濤，楊梅梅

(1.陜西科技大學(xué)電子信息與人工智能學(xué)院，陜西 西安 710021；2.日本愛(ài)知縣立大學(xué)信息科學(xué)學(xué)院，日本 愛(ài)知縣 長(zhǎng)久手市 480-1198；3.西安郵電大學(xué)電子工程學(xué)院，陜西 西安 710000)

1 引言

計(jì)算機(jī)科學(xué)、醫(yī)學(xué)的不斷發(fā)展，為醫(yī)學(xué)超聲影像的進(jìn)步打下了堅(jiān)實(shí)基礎(chǔ)。目前，計(jì)算機(jī)輔助軟件越來(lái)越得到人們的關(guān)注，并被應(yīng)用在醫(yī)學(xué)的方方面面，輔助醫(yī)生進(jìn)行清晰、準(zhǔn)確的診斷和鑒別[1-2]。急性腎損傷(AKI)是臨床常見(jiàn)危重病之一，在普通住院患者中發(fā)病率為3%-5%，在重癥監(jiān)護(hù)病房(ICU)中則達(dá)到30%-50%。許多原因可導(dǎo)致AKI，ICU中最常見(jiàn)的病因?yàn)槟摱景Y，膿毒癥并發(fā)AKI可顯著延長(zhǎng)患者的住院時(shí)間，增加病死率，但如果在疾病早期尚未導(dǎo)致腎功能明顯下降時(shí)識(shí)別并早期干預(yù)，便可顯著改善預(yù)后[3-4]。隨著超聲廣泛的應(yīng)用于重癥醫(yī)學(xué)的各個(gè)領(lǐng)域，其可實(shí)時(shí)無(wú)創(chuàng)動(dòng)態(tài)的反應(yīng)臟器的灌注，可直觀的發(fā)現(xiàn)臟器的損傷程度，雖然目前已有重癥腎臟超聲的AKI血流診斷分級(jí)[5]，但缺少集高級(jí)專家經(jīng)驗(yàn)為一套體系的自動(dòng)化評(píng)分模型，此外包括操作者的水平經(jīng)驗(yàn)、患者的客觀條件等均影響結(jié)果看的判斷。大量臨床實(shí)驗(yàn)證明，腎臟內(nèi)部血流量占腎臟總面積大小是醫(yī)學(xué)中評(píng)價(jià)腎臟損傷等級(jí)的重要指標(biāo)[6]，因此根據(jù)腎臟重癥超聲，利用圖像分割提取技術(shù)構(gòu)建腎臟損傷等級(jí)評(píng)估模型，并聯(lián)合血清學(xué)指標(biāo)、損傷標(biāo)志物及腎臟損傷等級(jí)評(píng)估模型可構(gòu)建綜合體系進(jìn)行膿毒癥AKI的預(yù)測(cè)及診斷。計(jì)算腎臟血流總面積會(huì)涉及到圖像的顏色特征，圖像的顏色特征提取是機(jī)器視覺(jué)中的一個(gè)重要范疇，其基本特征包括：全局顏色特征和空間顏色特征[7]。本文提出了一種基于特征匹配的超聲影像評(píng)估仿真方法，首次利用數(shù)字圖像處理技術(shù)估計(jì)腎臟血流量面積，建立腎臟損傷評(píng)估等級(jí)模型。算法通過(guò)量化、圖像分割、濾波進(jìn)行細(xì)化處理并進(jìn)行成像，結(jié)合影像物理意義近似得出其血流總量。為醫(yī)院開(kāi)辟全新的膿毒癥AKI預(yù)測(cè)方式，提高早期診斷水平，進(jìn)而提高該疾病的救治率。

2 基本原理

顏色特征作為圖像信息統(tǒng)計(jì)和識(shí)別中一個(gè)重要的基準(zhǔn)，也是超聲影像中的重要特征，其提取方法很多，在基于RGB三種顏色通道中，存在255*255*255種不同的色彩，能表示任意色光[8]。但是一般情況下，僅用數(shù)百種顏色就可以近似表示出與原圖像相似程度很高的圖片，當(dāng)然這個(gè)方法的缺點(diǎn)是很明顯的，即不能充分的表示圖像的空間信息。顏色特征在提取過(guò)程中難免會(huì)出現(xiàn)局部損失，本文算法通過(guò)中值濾波的方法對(duì)其進(jìn)行局部細(xì)節(jié)丟失造成的孔洞進(jìn)行平滑填充，較好的恢復(fù)出要提取出圖像中的顏色信息，以進(jìn)行圖像的顏色數(shù)量統(tǒng)計(jì)，進(jìn)而結(jié)合其顏色的物理意義做相應(yīng)的運(yùn)算。

2.1 彩色模型

彩色模型的目的是，在某些標(biāo)準(zhǔn)下用通常可以接受的方式方便地對(duì)彩色加以說(shuō)明。本質(zhì)上，彩色模型是坐標(biāo)系統(tǒng)和子空間的說(shuō)明，其中，位于系統(tǒng)中的每種顏色都由單個(gè)點(diǎn)來(lái)表示。

現(xiàn)在所用的大多數(shù)色彩模型不是面向硬件的，就是面向應(yīng)用的。在數(shù)字圖像處理中，實(shí)際中最通用的模型如下：面向硬件的RGB模型，用于彩色監(jiān)視器和一大類彩色視頻攝像機(jī)；CMY模型和CMYK模型，用于彩色打印機(jī)；HIS模型，這種模型更符合人描述和解釋顏色的方式。HIS模型還有另一個(gè)優(yōu)點(diǎn)，它可以解除圖像中顏色和灰度信息的聯(lián)系，使其更適合于許多灰度處理技術(shù)[9]。

2.2 量化

在數(shù)字信號(hào)處理領(lǐng)域，量化通常是指將信號(hào)的連續(xù)取值(或者大量可能的離散取值)近似為有限多個(gè)(或較少的)離散值的過(guò)程[10]。量化主要應(yīng)用于從連續(xù)信號(hào)到數(shù)字信號(hào)的轉(zhuǎn)換中。連續(xù)信號(hào)經(jīng)過(guò)采樣成為離散信號(hào)，離散信號(hào)經(jīng)過(guò)量化即成為數(shù)字信號(hào)。注意離散信號(hào)通常情況下并不需要經(jīng)過(guò)量化的過(guò)程，但可能在值域上并不離散，還是需要經(jīng)過(guò)量化的過(guò)程。本文中在提取顏色特征時(shí)，將顏色條量化為有限個(gè)等份，便于計(jì)算。

2.3 圖像分割

圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過(guò)程。它是由圖像處理到圖像分析的關(guān)鍵步驟?，F(xiàn)有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等[11]。從數(shù)學(xué)角度來(lái)看，圖像分割是將數(shù)字圖像劃分成互不相交的區(qū)域的過(guò)程。圖像分割的過(guò)程也是一個(gè)標(biāo)記過(guò)程，即把屬于同一區(qū)域的像索賦予相同的編號(hào)。本文是一種基于大量經(jīng)驗(yàn)基礎(chǔ)上的提出的基于區(qū)域的分割方法，目的是進(jìn)一步減少時(shí)間復(fù)雜度，使本算法的工程性具有高效、實(shí)時(shí)的特點(diǎn)。

2.4 常見(jiàn)的圖像濾波方法

圖像濾波，即在盡量保留圖像細(xì)節(jié)特征的條件下對(duì)目標(biāo)圖像的噪聲進(jìn)行抑制，是圖像預(yù)處理過(guò)程中不可或缺的部分，其處理效果的好壞直接影響到后續(xù)圖像處理和分析的有效性和可靠性。常用的濾波方法分別為高斯濾波，均值濾波，中值濾波?；谥兄禐V波在圖像平滑過(guò)程中能很好地保留圖像清晰度的特性[12]，本文采用中值濾波對(duì)粗提取的血流區(qū)域進(jìn)行細(xì)化，處理過(guò)程如圖1所示。

圖1 中值濾波的處理過(guò)程

圖1中f(x，y)為其圖片I中當(dāng)前像素點(diǎn)，圖像尺寸為m*n。

3 本文提出的顏色特征提取方法

本小節(jié)主要從四個(gè)方面介紹本文的工作：量化血流樣本條、圖像分割及顏色粗提取[13]、中值濾波進(jìn)行圖像平滑、近似估算其血流總量，具體的算法流程如圖2(a)所示。

圖2 本文顏色特征提取方法處理流程

3.1 量化血流樣本條

血流樣本條作為超聲影像圖片中的重要組成部分，反映了腎臟內(nèi)部不同顏色區(qū)域血流的變化情況，而其在腎臟中的分布也間接性的反映了就醫(yī)者腎臟的健康情況。圖2(b)代表不同顏色的區(qū)域血流速度不同，紅色部分代表血流流入，藍(lán)色部分代表血流流出，由于計(jì)算的是血流總量，因此本算法統(tǒng)一取正值。經(jīng)MATLAB分析知，位于同一行中的像素值相同，因此其血流速度相同。

算法1 樣本條量化及其物理意義映射

輸入：樣本條a，單位份數(shù)的血流速度n

輸出：各位置顏色對(duì)應(yīng)的血流速度A，對(duì)應(yīng)位置的RGB值B

Begin

| for i from 1 to h/2

| | A(i，:)=N-n*(i-1);

| | B(i，:)=a(i，1，:);

| end

| for i from(h/2+1)to h

| | A(i，:)=(i-h/2)*n;

| | B(i，:)=a(i，1，:);

| end

End

將血流條分為h份，由樣本條可知最大血流速度為N(18.2cm/s)所以單位份數(shù)的血流速度n如式(1)所示

(1)

各顏色對(duì)應(yīng)RGB的值通過(guò)上表1偽代碼進(jìn)行實(shí)現(xiàn)，結(jié)合其位置實(shí)現(xiàn)了的顏色和物理意義之間的映射，從而達(dá)到了量化的效果。

3.2 圖像分割及顏色粗提取

由于在采集樣本時(shí)，數(shù)據(jù)提供方為保證數(shù)據(jù)的規(guī)范性，均采用在身體部位固定點(diǎn)進(jìn)行成像，所以在B超上腎臟部位的取樣框是固定的，由于核心工作是計(jì)算取樣框內(nèi)部的信息，因此可以對(duì)原圖像進(jìn)行分割，在不損失數(shù)據(jù)的情況下盡可能接近取樣框，這樣可大幅減少計(jì)算量。根據(jù)數(shù)據(jù)采樣時(shí)的約定取范圍X軸像素點(diǎn)位置從120到580，Y軸像素點(diǎn)位置從150到750，如圖3所示。

圖3 圖像分割

進(jìn)行完上一步，就可以進(jìn)行顏色特征的粗提取了。分析3.1節(jié)中樣本條的RGB通道分量知，彩色區(qū)域圖像必有一個(gè)通道近似為0[14]，在此先驗(yàn)知識(shí)的基礎(chǔ)下，本文提出了一種顏色特征粗提取方法，算法偽代碼實(shí)現(xiàn)如下所示，

算法2 顏色特征粗提取算法

輸入：經(jīng)分割后的醫(yī)學(xué)影像圖I1

輸出：濾掉背景色，粗提取后的顏色圖I2

Begin

| [m，n]=Size(I1)

| for i from 1 to m

| | for j from 1 to n

| | | if !(r=0&(g*b)!=0 ‖

| | | |g=0&(b*r)!=0‖b=0&(g*r)!=0)

| | | |I1(i，j，:)=[255，255，255];

| | | end

| | end

| end

| I2=I1;

End

上面算法初步實(shí)現(xiàn)了醫(yī)學(xué)影像中圖像的顏色特征粗提取，提取效果如圖4所示，可以看出，雖然實(shí)現(xiàn)了對(duì)原圖像很大程度上的提取成像，但是生成的顏色圖有很多孔洞，需要進(jìn)一步的去細(xì)化。

圖4 顏色特征的粗提取

3.3 顏色特征的精細(xì)化

本小節(jié)通過(guò)前面介紹的中值濾波方法進(jìn)行細(xì)化，圖像質(zhì)量進(jìn)一步得到了提升。對(duì)于RGB圖像，需要對(duì)其三通道分別進(jìn)行中值濾波，算法偽代碼實(shí)現(xiàn)如下所示。

算法3 顏色特征細(xì)化算法

輸入：顏色特征粗提取圖像I2

輸出：對(duì)其RGB三通道進(jìn)行中值濾波后細(xì)化的圖像I3

Begin

| for i from 1 to 3

| | g(:，:，i)=medfilt2(I2(:，:，i))

| | I3=g;

| end

End

經(jīng)過(guò)細(xì)化后的顏色特征如圖5所示，很明顯，空洞特征很大特征上被精細(xì)化。

圖5 濾波細(xì)化后的顏色特征

3.4 血流總量的計(jì)算

通過(guò)上面三個(gè)小節(jié)已經(jīng)得出了本實(shí)際問(wèn)題需要處理的信息，接下來(lái)就是進(jìn)行對(duì)其物理化，方法是通過(guò)三通道值進(jìn)行比對(duì)，相同像素值進(jìn)行累加，隨后進(jìn)行位置對(duì)應(yīng)，乘以其對(duì)應(yīng)的血流速度，進(jìn)而累加求和，近似估算出血流總量，這里不再贅述，結(jié)果如圖6所示。

圖6 近似的血流總量

4 實(shí)驗(yàn)結(jié)果分析

4.1 實(shí)驗(yàn)平臺(tái)

本文是運(yùn)行在普通計(jì)算機(jī)上的，操作系統(tǒng)為Windows7，在配置為intel-i7-6700八核3.4GHz的臺(tái)式機(jī)上利用MATLAB2018a進(jìn)行編程實(shí)現(xiàn)上述醫(yī)學(xué)超聲影像的精細(xì)化顏色特征提取，最后將其應(yīng)用于臨床醫(yī)學(xué)的超聲影像血流量估計(jì)中。

4.2 實(shí)驗(yàn)誤差分析

均方根誤差(Root Mean Squared Error，RMSE)是衡量“平均誤差”的一種較方便的方法，可以評(píng)價(jià)數(shù)據(jù)的變化程度[15]。本文通過(guò)計(jì)算均方根誤差判斷粗提取以及細(xì)化后的圖像與原始圖像像素對(duì)應(yīng)位置的顏色通道的相對(duì)誤差值，為相關(guān)人士參考提供了可靠性保障。均方根誤差是均方誤差的算術(shù)平方根，本文中均方根誤差數(shù)學(xué)化如式(2)所示。

(2)

表4 均方根誤差及算法效率

采用上述方法計(jì)算用之前得出的粗提取的顏色圖片與細(xì)化后的顏色圖片分別與原圖片做均方誤差作比較，實(shí)驗(yàn)分析展示出本文算法經(jīng)細(xì)化后圖片質(zhì)量大幅提升，并以可視化的方法進(jìn)行誤差分析，很好的求出了腎臟血流總流量。

5 結(jié)束語(yǔ)

本文對(duì)超聲影像進(jìn)行了基于特征匹配的評(píng)估仿真研究，首次將醫(yī)學(xué)圖像與計(jì)算機(jī)相結(jié)合實(shí)現(xiàn)了腎臟血流量的評(píng)估仿真，旨在為腎臟損害程度建立初步評(píng)價(jià)標(biāo)準(zhǔn)。首先，采用量化手段對(duì)血流速度樣本條進(jìn)行量化；其次，通過(guò)顏色通道值比對(duì)結(jié)合圖像分割，降低時(shí)間復(fù)雜度并對(duì)腎臟中血流區(qū)域提取成像；再者，結(jié)合濾波算法，對(duì)所提取區(qū)域進(jìn)行細(xì)化處理；最后，通過(guò)與顏色條結(jié)合其對(duì)應(yīng)的物理值，近似得出其血流總量。實(shí)驗(yàn)結(jié)果表明，本文算法在能對(duì)超聲影像中血流量進(jìn)行有效提取，不僅為腎臟損傷等級(jí)自動(dòng)化評(píng)估提供了新方案，而且降低了現(xiàn)有因醫(yī)者經(jīng)驗(yàn)判斷方法而造成的損失。后續(xù)工作將通過(guò)機(jī)器學(xué)習(xí)算法對(duì)腎臟面積進(jìn)行估計(jì)，與本文算法結(jié)合，建立一套評(píng)價(jià)腎臟損害的等級(jí)評(píng)價(jià)模型，輔助醫(yī)學(xué)研究。