摘  要： 針對(duì)M型左心室的剖面超聲圖像進(jìn)行研究。采用基于區(qū)域灰度擴(kuò)展的CV水平集方法，通過(guò)限制能量擴(kuò)展的方向，去除了相關(guān)的干擾，有效地提取了左心室的內(nèi)外膜。在準(zhǔn)確地提取了心肌邊界后，對(duì)左心室的相關(guān)特征進(jìn)行了紋理變化分析。結(jié)果表明，心肌運(yùn)動(dòng)的過(guò)程中收縮期和舒張期的共生矩陣各特性參數(shù)、分形維等均有定量的差別，可將相關(guān)的紋理參數(shù)用于正常心肌與病變心肌的定量分析上，方便醫(yī)生進(jìn)行準(zhǔn)確的病理判斷。
關(guān)鍵詞： 超聲圖像；左心室；CV水平集；收縮和擴(kuò)張

　心功能的定量測(cè)定是臨床對(duì)超聲心動(dòng)圖檢查的一個(gè)基本要求。但是由于超聲心動(dòng)圖的圖像質(zhì)量較差， 噪聲高、分辨率低、對(duì)比度低、邊界缺失和邊界不連續(xù)等阻礙了心功能超聲定量測(cè)定的發(fā)展。要對(duì)左心室心功能進(jìn)行定量分析，準(zhǔn)確地勾畫左心室的心內(nèi)膜邊界則是首要條件[1]，而較差的超聲圖像質(zhì)量使心內(nèi)膜面的勾畫變得很困難。KRIPS R[2]等提出了一種離散小波變換結(jié)合time-space算法來(lái)實(shí)現(xiàn)心肌組織與血液的鑒別，這樣不需要事先確定ROI區(qū)域，雖實(shí)現(xiàn)了鑒別但并沒(méi)有確切地提取出內(nèi)膜的邊界；LACERDA S G[3]等提出了一個(gè)結(jié)合圖像處理技術(shù)的徑向搜索算法對(duì)左心室進(jìn)行分割；姚等提出了一個(gè)新的全自動(dòng)勾畫心內(nèi)膜算法[4]，該算法應(yīng)用中心起源的心形搜索，用改進(jìn)的Sobel算子進(jìn)行放射形邊界探測(cè)，并且依據(jù)相鄰離心距差進(jìn)行邊界點(diǎn)修正。通過(guò)對(duì)12幅質(zhì)量不同的超聲圖像進(jìn)行實(shí)驗(yàn)，準(zhǔn)確率達(dá)到了56%，已經(jīng)是比較好的效果。
　心臟的運(yùn)動(dòng)是永不停息的，所以僅對(duì)某一時(shí)刻的靜態(tài)圖像分析是遠(yuǎn)遠(yuǎn)不夠的，本文采用高解析度的M型超聲成像，應(yīng)用類似腹部超聲顯像中所使用的標(biāo)準(zhǔn)的B掃描聲像儀，用心電圖作為顯波顯像的控制閘門，記錄心動(dòng)周期中每一個(gè)舒張或收縮狀態(tài)，集合許多心動(dòng)周期成一個(gè)斷面圖像[5]。本文以此作為原始材料進(jìn)行研究，在進(jìn)行自適應(yīng)閾值的簡(jiǎn)單預(yù)處理后，應(yīng)用改進(jìn)的CV水平集方法進(jìn)行實(shí)驗(yàn)，力求從另外的方向來(lái)精確地提取左心室的內(nèi)、外膜邊緣，進(jìn)而進(jìn)行參數(shù)測(cè)量等后續(xù)工作。
1 改進(jìn)的CV水平集算法
　活動(dòng)輪廓模型是基于邊緣像素信息的，傳統(tǒng)的CV模型是基于區(qū)域信息的，但是前提是區(qū)域是同質(zhì)的，即假設(shè)同一區(qū)域內(nèi)像素強(qiáng)度均一[6]，但實(shí)際應(yīng)用中，由于技術(shù)限制或采集時(shí)的人為原因，多數(shù)醫(yī)學(xué)圖像都很難達(dá)到區(qū)域同質(zhì)的要求，比如本文討論的心室心肌纖維層。Li Chunming[7]等提出了一種基于區(qū)域擴(kuò)展性擬合能量的水平集算法，提出了一個(gè)RSF擬合區(qū)域擴(kuò)展性能量函數(shù)，以一個(gè)邊界輪廓C和在近似邊界兩端圖像強(qiáng)度的兩個(gè)擬合函數(shù)f1（x）和f2（x）來(lái)定義，區(qū)域擴(kuò)展的能量依賴于特定參數(shù)的核函數(shù)，利用可控范圍內(nèi)區(qū)域強(qiáng)度信息，從小的領(lǐng)域擴(kuò)展到整個(gè)的圖像域，然后將這個(gè)能量并入到變水平集公式中，最終曲線經(jīng)演化獲得能量函數(shù)的極小化值，應(yīng)用可控范圍的局部區(qū)域強(qiáng)度信息來(lái)計(jì)算這兩個(gè)擬合函數(shù)，引導(dǎo)曲線擴(kuò)展向目標(biāo)的邊界。

　實(shí)驗(yàn)過(guò)程中首先采用隱性活動(dòng)輪廓將初始輪廓標(biāo)記圖上，基于此進(jìn)行水平集演化。此外，參數(shù)的設(shè)定對(duì)圖像分割結(jié)果影響較大。本文在參數(shù)λ1和λ2的選擇上進(jìn)行了部分研究，由于能量函數(shù)值是由輪廓內(nèi)部和外部?jī)刹糠譀Q定，如果取λ1=λ2，則拓?fù)渫瑫r(shí)發(fā)生，朝向整個(gè)圖像。而為了剔除非心肌組織的干擾，需要拓?fù)湎蜉喞拗茀^(qū)域內(nèi)，即設(shè)定了2λ1=λ2。
2 實(shí)驗(yàn)及仿真結(jié)果
　圖1所示為一張包含4個(gè)心動(dòng)周期的心室肌舒張和收縮過(guò)程的經(jīng)食道胃底短軸切面超聲圖像。從圖中可看到，中空部分的上下兩側(cè)是由很多層心肌纖維層組成的左心室心肌，這樣的層結(jié)構(gòu)導(dǎo)致左心室心肌剖面圖像的灰度是明暗相間的，也就是說(shuō)心肌區(qū)域是灰度不均勻的，這在圖像分割上是一個(gè)很大的難題。

　以上仿真中σ取3.0，比較結(jié)果可得，本文應(yīng)用基于隱性區(qū)域擴(kuò)展性擬合能量的水平集模型分割取得了預(yù)期的結(jié)果，分割效果比較滿意。實(shí)驗(yàn)中參數(shù)的設(shè)定包括迭代次數(shù)、λ1和λ2，比較圖2（a）和（f），若λ1=λ2=1，則拓?fù)湎蛘麄€(gè)圖像，這樣的多目標(biāo)尋找與多相位方法優(yōu)缺參半，對(duì)于圖2（e）和（f），若設(shè)定2λ1=λ2=2和2λ1=λ2=6的兩種情況，心肌邊緣清晰可見，完全濾掉了腱索和肌小梁的干擾。實(shí)驗(yàn)對(duì)原圖像4個(gè)周期的ROI進(jìn)行分析，設(shè)定λ1=3，λ2=6，iter=400，圖3為另外3個(gè)心動(dòng)周期的仿真結(jié)果，除了第4個(gè)周期的圖像效果較差外，其他的圖像都能準(zhǔn)確得到心室上邊界的內(nèi)外膜。M型超聲隨時(shí)間變化而高速采樣，時(shí)間越長(zhǎng)，圖像的效果越差，造成分割的困難，而對(duì)于左心室下半部分，從4個(gè)周期可見，邊界都比較模糊，暫不做分析?；陔[性的區(qū)域擴(kuò)展性擬合能量的水平集模型分割實(shí)現(xiàn)了準(zhǔn)確提取上半部分的內(nèi)外膜目的。這樣的分割的方法同時(shí)應(yīng)用于心室邊界。分割還需要結(jié)合醫(yī)生的經(jīng)驗(yàn)，來(lái)識(shí)別正確的邊緣，以免出現(xiàn)誤分割。

　由表1可見，心室外膜的速度變化小于內(nèi)膜的速度變化，對(duì)于心室內(nèi)膜還可以得出心肌收縮階段的平均速度變化要小于舒張階段，舒張過(guò)程在加速，但在收縮末期附近速度變化比較均勻，而在舒張的末期會(huì)出現(xiàn)速度變化比較大的情況。由4個(gè)周期分割后的邊界輪廓還可以得到，內(nèi)膜收縮時(shí)間和舒張時(shí)間比約為9：10，這與正常心動(dòng)周期內(nèi)舒張過(guò)程比收縮過(guò)程長(zhǎng)是一致的，這樣既有利于血液流回心臟，又能使心肌有充分的時(shí)間休息。
　接著進(jìn)行了舒張期與收縮期紋理比較。首先采用共生矩陣方法，如表2所示，從4個(gè)方向進(jìn)行紋理灰度共生矩陣統(tǒng)計(jì)后各個(gè)值。為了統(tǒng)計(jì)各參數(shù)的影響，選取了4個(gè)周期的狀態(tài)最后各參數(shù)取平均值。
　由表2可以分析得出，除了IDM相差不大外，其他參數(shù)（如對(duì)比度、角二階矩和相關(guān)等）均相差較大，其中在水平方向上，收縮期與舒張期的對(duì)比度相差不大，但在其他方向上有COND>CONS，這表明在取樣區(qū)域內(nèi)舒張期出現(xiàn)了大的灰度差異頻移，而收縮期內(nèi)的紋理相對(duì)細(xì)膩柔和，與人眼的感知相符。同時(shí)，對(duì)于角二階矩ASMS>ASMD，也反映收縮過(guò)程中的紋理是規(guī)則變化的。兩個(gè)過(guò)程圖像的熵和紋理方差都有一定差異，這都反映出了心肌緊縮階段的紋理變化比較均勻。分析引起該狀況的原因主要是：收縮期心肌增厚，小梁相互交叉，心肌分層達(dá)最大值，層與層之間的力學(xué)特征基本一致，比較舒張過(guò)程中心肌之間的回聲一致性下降的結(jié)果。

　另一方面，由于分形維數(shù)直觀上與物體表面的租糙程度相吻合，而自然界中的不同物體租糙度有很大差別，可用分形維數(shù)作為區(qū)分不同類別物體的有效參數(shù)。因此如何準(zhǔn)確地估計(jì)計(jì)算分形維數(shù)成為研究的重點(diǎn)。本文應(yīng)用差分盒維數(shù)法，采集到的2個(gè)心動(dòng)周期的左心室舒張收縮過(guò)程AVI幀進(jìn)行分析，找到整個(gè)過(guò)程的分形值的規(guī)律，然后再比較舒張過(guò)程和收縮過(guò)程心室壁的分形維信息，找到它們之間的聯(lián)系。
　在提取了二維B超心室心肌收縮和舒張過(guò)程中AVI幀后，選取了一個(gè)完整的心動(dòng)周期的左心室圖像，圖5（a）、（b）顯示的是舒張末和收縮末左心室的形態(tài)及紋理。選取了一個(gè)心動(dòng)周期共55幀B超圖像來(lái)計(jì)算左心室的分形維數(shù)，得到的差分分形維數(shù)FD值曲線（圖5（c）），可以看到分形維的變化：在心肌收縮末點(diǎn)時(shí)最小，舒張末取得最大值，有FDmax=1.715 7、FDmax=1.556 7。

　從曲線走勢(shì)來(lái)看，在收縮過(guò)程中的值是下降的，舒張過(guò)程中是上升的，也可以得出舒張過(guò)程的時(shí)間要長(zhǎng)于收縮時(shí)間。這與之前分割出來(lái)的心室內(nèi)膜邊界的走勢(shì)是極為相似的，與參考文獻(xiàn)[8]中是利用聲學(xué)造影劑后得出的結(jié)論基本一致。
　另外，比較如圖6(b)(圖片來(lái)源于維基百科left ventricular pressure)心動(dòng)周期各時(shí)相心室內(nèi)壓所示，心室在心動(dòng)周期中的壓力變化在收縮期和舒張期也體現(xiàn)的比較明顯，具體為：心室肌的收縮使室內(nèi)壓突然增加，等容收縮期內(nèi)心室內(nèi)壓上升的速率加快，當(dāng)心室收縮結(jié)束，立即開始心室舒張，室內(nèi)壓會(huì)下降，在等容舒張期內(nèi)左心室內(nèi)壓急劇下降。這一過(guò)程與圖5中分析的分形值的反向變化(圖6(a)所示)趨勢(shì)相關(guān)，推測(cè)可以進(jìn)一步應(yīng)用分形維在估計(jì)心室壓力曲線的變化值。

　為了比較左心室超聲心動(dòng)圖心肌纖維層的紋理變化，本文進(jìn)行了統(tǒng)計(jì)，計(jì)算心室收縮過(guò)程的25幀圖像與舒張過(guò)程中的30幀圖像各自的平均分形維數(shù)，結(jié)果如下：mean（FDS）=1.644 1<mean（FDD）=1.661 8，而統(tǒng)計(jì)之前圖6中的紋理分形維，也可以得出收縮過(guò)程的分形維均值小于舒張過(guò)程的分形維均值，分形維在一定程度上也反映了圖像的信息量，與本文利用共生矩陣得出的統(tǒng)計(jì)特性基本一致。
　M型超聲心動(dòng)圖最早應(yīng)用于心臟結(jié)構(gòu)的探測(cè)，隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展，尤其是解剖型、全方向M型超聲的發(fā)展，使得M型超聲圖像的每秒掃描取樣線大大增加，因而更能準(zhǔn)確掌握室壁在心動(dòng)周期不同時(shí)相中的活動(dòng)規(guī)律，了解心壁各層在收縮期跨壁速度梯度的差異。由于圖像紋理灰度的差異不同，因而醫(yī)學(xué)分割方法不盡相同。本文針對(duì)結(jié)構(gòu)復(fù)雜的左心室剖面，在分析前首先找出心肌組織，應(yīng)用改進(jìn)的CV水平集方法，基于區(qū)域擴(kuò)展性擬合能量的水平集模型，通過(guò)更改參數(shù)準(zhǔn)確得到了心室的內(nèi)外膜的邊界，從而為后面的特征分析奠定了基礎(chǔ)。最后，重點(diǎn)對(duì)心肌收縮和舒張過(guò)程的紋理變化作比較分析，得出了心肌運(yùn)動(dòng)的過(guò)程中收縮期和舒張期的時(shí)間、共生矩陣各特性參數(shù)、分形維等均有差別，可為醫(yī)生的臨床診斷提供參考。
參考文獻(xiàn)
[1] FOLLAND E D， PARISI A F， MOYNIHAM P F， et al. Assessment of left ventricular ejection fraction and volumes by real time two dimensional ec-hocardiography： a comparison of cineangio-graphic and radionuclide techniques[J]. Circ， 1979， 60 （4）： 760-766.
[2] KRIPS R， ADAM D R. Left ventricular wall segmentation in ultrasound cross-sectional images computer in cardiology in 1996[C]. IEEE Conference， 1999： 141-144.
[3] LACERDA S G， DA ROCHA A F， VASCONCELOS D F， et al. Left ventricle segmentation in echocardiography using a radial-search based image processing algorithm[C]. 30th An-nual International Conference of IEEE EMBS 2008， 2008：222-225.
[4] 姚煒，田建明，趙寶珍，等.關(guān)于一個(gè)全自動(dòng)勾畫超聲左心室內(nèi)膜算法的初步研究[J].中國(guó)超聲醫(yī)學(xué)雜志，2002，18（10）.
[5] 徐智章.左心室超聲心動(dòng)圖檢查[J].國(guó)際心血管病雜志：1975（5）.
[6] VESE L A， CHAN T F. A multiphase level set framework for image segmentation using the Mumford and Shah model[J]. International Journal of Computer Vision， 2002，50（3）：271-293.
[7] Li Chunming， Kao Chiuyen， GORE J C， et al. Minimization of Region- Scalable Fitting Energy for Image Segmentation[J]. IEEE Transactions on Image Processing 2008， 17：1940-1949.
[8] SARKAR N， CHAUDHUTIB B. An efficient approach to estimate fractal dimension of textural images[J]. Pattern Recognition， 1992， 25（9）：1035-1041.