基于多相位水平集的超声左心室分割方法 下载: 808次
1 引言
随着现代计算机技术和成像技术的快速发展,超声成像在医学上有了越来越广泛的应用。该技术以超声波脉冲作为信息的载体,通过接收人体组织反射的回波来获取组织的内部结构图。超声诊断具有对人体无害、诊断成本低的特点,相对于传统CT(computed tomography)、MRI(magnetic resonance imaging)影像诊断方式具有很大的优势。超声图像左心室分割即在超声心脏图像的基础之上,通过自动或半自动的方法对超声左心室区域进行分割,临床上通常用Simpson圆盘法求解分割出左心室内轮廓心室容积,再求出心脏收缩末期及舒张末期的容积后即可对心脏射血分数进行定量计算,从而对心脏的健康状态进行评估。本文通过图像处理方法对左心室内轮廓进行分割,然后对结果的准确性进行评估。
近年来,超声左心室分割得到了广泛的研究,文献[ 1-6]中结合B样条活动表面框架,通过形状先验信息对左心室进行精确分割,这种分割方法对自动初始化下的左心室位置和方向信息的准确性要求较高。Guo等[7]使用活动外观模型(AAM)框架方法,将稀疏表示、全局约束和局部细化算法策略集成到AAM框架中,算法的效率和稳健性较好,然而在粗分辨率或是局部图像模糊的情况下,会导致平均梯度值不准确,进而影响轮廓线的分割位置。Schneider等[8]将图割方法应用到超声左心室二尖瓣的分割中。文献[ 9-13]中通过深度神经网络方法对心脏收缩和舒张末期的轮廓进行分割,这种方法是左心室分割研究的另一热点,在提高结果准确性的同时,需要训练大量数据。目前研究人员提出的方法在超声左心室分割过程中遇到的难点主要体现在以下几个方面:1)超声图像低信噪比特性[14-15]带来的影响,左心室图像中大量的噪声特别是腔内区域的噪声削弱了有效信息在分割过程的贡献,这对算法的去噪效果提出了考验;2)心脏持续跳动以及心脏与周围器官的超声回波有着较高相似度,使得左心室内轮廓边界模糊,导致算法在分割过程中难以准确定位到轮廓边界;3)由于个体差异性,分割区域形状的不规则对分割方法的稳健性提出了较高要求。
本文提出了一种半自动左心室分割方法,首先使用三相位水平集(three-phase Level Set)方法对心脏图像进行分割,把心脏图像中具有不同回波强度的区域筛选出来;然后使用二值图像下的图像处理方法对图像中左心室壁的断开区域进行连接,对空洞区域进行填充的同时去除左心室腔内噪点;最后通过样条曲线对左心室内轮廓进行拟合。该方法对心脏图像中心室内的噪点滤除效果较好,并且在心室壁模糊情况下的稳健性较高。
2 本文方法
2.1 多相位水平集分割方法
水平集(Level Set)是在活动轮廓模型(Active Contour Model)基础上提出来的,该方法在图像处理领域应用广泛[16]。多相位水平集方法在Level Set方法基础上作了改进[17],依据图像本身的灰度信息及边缘强度信息把图像分割成多个不同属性的小区域,核心思想是用水平集函数
式中:
其中函数
多相位水平集对不均匀强度的图像有良好的分割效果,具体相位的选择取决于图像本身的属性。对于超声左心室图像,心室壁、乳头肌的不同回声强度再加上噪声的影响使图像大致分成三个灰度:黑色的无回波强度区、白色的心肌壁区和灰色的乳头肌及噪声区,如
2.2 二值图像处理
超声心脏图像的信噪比低,这使得三相位水平集分割后的结果中,同一属性的区域仍包含许多噪声,例如在左心室腔内出现的部分即视为噪声。二值图像用于去除这些噪点,同时对左心室心肌壁断开区域及空洞区域分别进行连通与填充,为下一步线性拟合做准备。
在二值处理前首先提取出心肌壁区域所属的白色部分,如
图 1. 二值图像处理过程。(a)三相位水平集分割结果;(b)取出(a)图中白色部分结果;(c)抛物线模型;(d)左心室全填充图;(e)二值图像处理结果
Fig. 1. Result of binary image processing. (a) Segmentation result of three-phase Level Set; (b) take out results of white part of Fig. 1(a); (c) parabolic model; (d) left ventricular full filling image; (c) result of binary image processing
2.3 曲线拟合
在使用圆盘法求左心室体积之前,先要用曲线把左心室内轮廓描绘出来,这里的曲线必须满足两个条件:1)曲线必须是连续闭合状态;2)曲线在各处的变化较为平滑,不应该出现局部“凸出”或“凹陷”的情况。本文结合最小二乘法及三次样条插值法对左心室轮廓进行拟合,内轮廓被分成4段,其中:左右两壁区域采用最小二乘法进行拟合;左心室顶部采用三次样条插值方法进行拟合;左心室底部为左右两底点连接成的一条直线,由于左心室与左心房中间为连通区域,故用一条直线将两者隔开,该分隔方式符合临床左心室模型。
最小二乘法通过最小化误差的平方和匹配数据的最佳函数求得未知的数据,并使得这些数据与实际数据之间误差的平方和最小。其基本公式为
式中:
式中:
本文算法可以用流程
3 实验结果与分析
3.1 实验数据集
本文使用的数据来自10个心脏四腔长轴切面视频和10个心脏二腔长轴切面视频,每个视频都包含数个心脏运动周期,在每个视频中手动选取1对心脏收缩末期图像和1对心脏舒张末期图像,共40幅图像,每幅图像尺寸为1280×960,视频帧率为52 frame/s。选取的视频均来自于EDAN AX8型号机器,视频包含不同人的心脏采集信息,在实际处理时,已对每幅位于图像边缘的机器品牌图案及图像参数信息进行剪裁。
3.2 实验结果的评价函数
本文采用三种常用的超声图像分割结果的评价函数对结果的准确性进行定量分析,这三种函数分别为相对差异度(relative difference degree,符号记为RDD)、相对重叠度(relative overlap degree,符号记为ROD)和Dice系数。RDD表示分割结果与实际目标的差异程度,其公式定义为
式中:
式中:∩为交集符号。Dice系数也用来表示分割结果与实际目标的相对重叠程度,其公式定义为
3.3 实验结果及分析
3.3.1 定性评价
选取传统水平集方法与本文方法进行对比。
图 3. 不同算法的分割结果与医生手动分割结果对比。(a)低噪声图像的传统水平集方法分割结果;(b)低噪声图像的本文方法分割结果;(c)低噪声图像的医生手动分割结果;(d)高噪声图像的传统水平集方法分割结果;(e)高噪声图像的本文方法分割结果;(f)高噪声图像的医生手动分割结果
Fig. 3. Comparison of segmentation results of different algorithms with doctor's manual segmentation results. (a) Segmentation result of traditional Level Set method for low noise image; (b) segmentation result of proposed method for low noise image; (c) doctor's manual segmentation result for low noise image; (d) segmentation result of traditional Level Set method for high noise image; (e) segmentation result of proposed method for high noise image; (f) doctor's manual segmentation result for high nois
从两个角度来进行定性分析:1)不同噪声情况下的分割结果,
3.3.2 定量评价
图 4. 左心室分割过程的结果。(a)原图;(b)三相位水平集分割;(c)二值化;(d)二值图像后续处理;(e)分割结果
Fig. 4. Results of left ventricular segmentation. (a) Original image; (b) three-phase Level Set segmentation; (c) binarization; (d) binary image subsequent processing; (e) segmentation result
文献[
18]中基于Snake模型进行改进,对超声左心室短轴图像进行分割,使用RDD、ROD参数对分割结果进行评价;文献[
1]中基于B样条先验模型分割超声左心室长轴图像,通过Dice系数对结果进行评价,取得了较好的分割结果。但需要注意的是,由于缺乏公开可用的数据库,迄今为止使用这些方法对大量数据处理后所求得的均值结果难以实现公平比较,但其评价参数的结果值可以作为参考。本文列出了40幅图像在两种方法下分割结果的RDD、ROD和Dice系数,如
表 1. 不同评价参数结果
Table 1. Results of different evaluation parameter
|
从
3.3.3 参数对结果的影响
如上所述,将左心室分割为三个部分,参数不合适时,分割结果不良。在三相位水平集分割过程中,迭代次数决定着分割出的三个灰度信息的轮廓形状,如
图 5. 不同数量采样点的线性拟合结果。(a) 5;(b) 10;(c) 15;(d) 20;(e) 30
Fig. 5. Linear fitting results for different numbers of sample points. (a) 5; (b) 10; (c) 15; (d) 20; (e) 30
4 结论
提出用多相位水平集和曲线拟合的半自动方法对左心室超声图像进行分割。1)使用多相位水平集对超声左心室图像进行分割,该方法将超声心脏图像不同回声强度的区域分割成三个灰度强度;2)通过二值图像处理方法提取出左心室壁区域,并对图像中心室壁未连接的部分进行连通,同时对心室腔内噪声进行去除;3)使用曲线拟合方法对心室内壁进行准确拟合,实现左心室心内轮廓的分割。该算法通过多相位水平集及二值处理方法较好地实现了心肌壁分割及左心室腔内去噪的目的,通过结合不同曲线拟合的优势使得对左心室内轮廓的拟合准确度较高。下一步的研究将重点放在左心室的全自动分割上,以在最大程度上提高医生的操作效率。
[1] Pedrosa J, Queiros S, Bernard O, et al. Fast and fully automatic left ventricular segmentation and tracking in echocardiography using shape-based B-spline explicit active surfaces[J]. IEEE Transactions on Medical Imaging, 2017, 36(11): 2287-2296.
[2] Pedrosa J, Barbosa D, Heyde B, et al. Left ventricular myocardial segmentation in 3-D ultrasound recordings: effect of different endocardial and epicardial coupling strategies[J]. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, 2017, 64(3): 525-536.
[3] Almeida N, Friboulet D, Sarvari S I, et al. Left-atrial segmentation from 3-D ultrasound using B-spline explicit active surfaces with scale uncoupling[J]. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, 2016, 63(2): 212-221.
[5] Queiros S, Papachristidis A, Barbosa D, et al. Aortic valve tract segmentation from 3D-TEE using shape-based B-spline explicit active surfaces[J]. IEEE Transactions on Medical Imaging, 2016, 35(9): 2015-2025.
[6] 赵琪涵, 王永红, 高新亚, 等. 基于平滑样条拟合的相位图像滤波评价方法[J]. 光学学报, 2018, 38(8): 0815020.
[8] Schneider R J, Perrin D P, Vasilyev N V, et al. Mitral annulus segmentation from 3D ultrasound using graph cuts[J]. IEEE Transactions on Medical Imaging, 2010, 29(9): 1676-1687.
[11] Bernard O, Lalande A, Zotti C, et al. Deep learning techniques for automatic MRI cardiac multi-structures segmentation and diagnosis: Is the problem solved?[J]. IEEE Transactions on Medical Imaging, 2018, 37(11): 2514-2525.
[12] Avendi M R, Kheradvar A, Jafarkhani H. A combined deep-learning and deformable-model approach to fully automatic segmentation of the left ventricle in cardiac MRI[J]. Medical Image Analysis, 2016, 30: 108-119.
[13] Tan L K, Liew Y M, Lim E, et al. Convolutional neural network regression for short-axis left ventricle segmentation in cardiac cine MR sequences[J]. Medical Image Analysis, 2017, 39: 78-86.
[14] 肖禹泽, 陈晓冬, 徐勇, 等. 基于相干系数的实时超声内镜合成孔径成像算法[J]. 激光与光电子学进展, 2019, 56(2): 021701.
[15] Khamis H, Shimoni S, Hagendorff A, et al. Optimization-based speckle tracking algorithm for left ventricle strain estimation: a feasibility study[J]. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, 2016, 63(8): 1093-1106.
[16] 刘斌, 赵兴, 胡春海, 等. 面向颜色深度图像手脸近距遮挡的手势识别[J]. 激光与光电子学进展, 2016, 53(6): 061001.
[18] 袁艳红, 倪东. 基于T-Snake模型的超声左心室心肌分割方法的研究[J]. 生物医学工程研究, 2013, 32(1): 7-11, 21.
Yuan Y H, Ni D. Segmentation of the left ventricle myocardium in echocardiography based on T-Snake model[J]. Journal of Biomedical Engineering Research, 2013, 32(1): 7-11, 21.
Article Outline
吴轲, 杨玲. 基于多相位水平集的超声左心室分割方法[J]. 激光与光电子学进展, 2019, 56(16): 161014. Ke Wu, Ling Yang. Ultrasound Left Ventricular Segmentation Method Based on Multi-Phase Level Set[J]. Laser & Optoelectronics Progress, 2019, 56(16): 161014.