基于最大熵的超聲圖像中胎兒股骨分割方法的研究*

周成禮，羅娜，倪東，鄧云△

（1.深圳市婦幼保健院超聲科，深圳518000；2.醫(yī)學超聲關鍵技術國家地方聯(lián)合工程實驗室，廣東省生物醫(yī)學信息檢測與超聲成像重點實驗室，深圳大學醫(yī)學部生物醫(yī)學工程學院，深圳518060）

1 引 言

近幾年來，股骨長的自動測量有一些已發(fā)表的工作。Imaduddin等［6］提出用Adaboost加形態(tài)學算子的方法分割出股骨區(qū)域，再將股骨區(qū)域骨架化計算兩端點的距離；余錦華等［7］提出一種基于二次迭代霍夫變換（two iterative hough transform，TIRHT）的方法。首先，使用結合空間鄰域信息的二維模糊聚類方法（2D FCM）抑制斑點噪聲；然后，用直線Hough變換對骨骼細化圖像進行處理；最后，用二次曲線對股骨進行擬合從而得到股骨長。該方法需要手動標記感興趣區(qū)域（region of interest，ROI），未能實現(xiàn)股骨全自動測量。Ponomarev等［8］提出一種基于機器學習的方法。首先提取亮度、尺寸和邊緣信息作為特征訓練得到SVM分類器；再用SVM分類器檢測得到股骨區(qū)域；最后，將距離最遠的兩像素點之間的距離為股骨長。但該方法平均每幅股骨超聲圖像耗時24.2 s，耗時較長。

目前超聲圖像中胎兒股骨檢測的主要難點在于超聲圖像通常存在的信噪比低、邊緣缺失、模糊、偽影和斑點噪聲等問題，使得股骨精確分割難度大。本研究提出基于最大熵分割的股骨自動測量方法，能夠自動檢測股骨區(qū)域并對股骨端點進行定位。

2 方法

2.1 圖像去噪

在正式對圖像進行分割處理之前，先對原始圖像進行預處理，去除超聲原始圖像中的干擾區(qū)域，如病人信息及設備信息，自動框選出股骨所在的大致的圖像區(qū)域。其次，需要對框選區(qū)域進行中值濾波處理。中值濾波用窗口模板中所有像素的灰度中值來替代窗口中心的灰度值，對超聲圖像的斑點噪聲有較好的抑制作用［9］。其原理見圖1。

圖1 中值濾波示意圖Fig 1 Princip le ofmedian filter

其中，P0～P8為灰度值，Med為 P0～P8的中值。

2.2 最大熵分割法

Kapur等［10］提出了最大熵分割法，該方法利用圖像灰度概率信息，所得閾值對圖像分布依賴性不大。

假設圖像的分割閾值為t，圖像中灰度小于t的像素點構成目標點T，大于t的像素點構成背景B，則各個灰度級的概率分布為：

對于圖像中的所有灰度級，定義概率分布的熵的總和為：

綜上所述，針對偏癱性肩關節(jié)周圍炎，主治醫(yī)師可以應用肩痛穴平衡針灸治療方式，并且此針灸方式具有操作簡單和容易掌握的特點，并且針灸穴位相對較少，降低了針灸意外事故的發(fā)生概率[10-12]。相比較而言，傳統(tǒng)的針灸方式需要選擇的穴位較多，在緩解患者疼痛感的同時，有極大的概率引發(fā)新的疼痛。最關鍵的是，肩痛穴平衡針灸治療方式具有明顯的治療效果，能夠緩解患者的疼痛感，再加上具有應用安全性高等特點，適合被廣泛應用在臨床醫(yī)學中，是一種行之有效的針灸治療方式。

當H（t）取得最大值時，取得 t的值為分割閾值。

得到最大熵分割結果后，對圖像進行二值化處理。在超聲圖像中，由于存在一些類似股骨形狀的細長高亮噪聲區(qū)域，因此需要對二值化圖像進行篩選，找到最終的股骨區(qū)域，步驟如下：

（1）求所有高亮區(qū)域的外接矩形，將外接矩形的長按遞減排序，判定最長的幾個高亮區(qū)域為股骨候選區(qū)域。由于存在類似股骨形狀的細長高亮噪聲區(qū)域，因此不能判定最長的高亮區(qū)域為股骨區(qū)域。

（2）由于胎兒超聲標準切面中通常將目標物體置于圖像中心附近位置，因此加入候選區(qū)域距離圖像中心的位置信息進行篩選［11］。

（3）判定最長的幾個候選區(qū)域中距離中心最近的細長高亮區(qū)域為股骨，見圖3（c）。由此，可得到最終的股骨圖像，見圖3（d）。

2.3 方法流程

本研究的流程圖見圖2。由于超聲圖像噪聲污染嚴重，本方法先對股骨超聲圖像進行濾波處理，保留與增強圖像邊緣信息，為進行股骨區(qū)域分割做好準備。對濾波處理后的圖像進行最大熵法分割，得到股骨候選區(qū)域；利用股骨外接矩形的長寬比率以及股骨位置信息對候選區(qū)域進行篩選，得到股骨目標區(qū)域；根據(jù)外接矩形的斜邊長求得股骨實際長度；最后，對股骨分割結果以及股骨長度進行評測。圖3為各步驟結果示意圖。

圖2 股骨分割流程Fig 2 Flow chart of femur segmentation

圖3 股骨分割結果Fig 3 Result of femur segmentation

2.4 股骨長測量

在篩選股骨區(qū)域步驟中，已經求得股骨區(qū)域的外接矩形，見圖4。通過計算該區(qū)域外接矩形的斜邊長，即可得到股骨長度：

其中，llength和lwidth分別為外接矩形的長和寬。

圖4 股骨區(qū)域外接矩形Fig 4 Envelop rectangle of femur

3 實驗內容與結果

本方法由WINDOWS下的MATLAB編譯生成。實驗數(shù)據(jù)為深圳華僑城醫(yī)院醫(yī)學影像科提供，由威爾德超聲設備FDC6100采集獲得，共70幅18～27孕周的胎兒股骨超聲圖像。

3.1 股骨分割結果對比

為驗證本方法的準確性，利用靈敏度（Sensitivity）、特異度（Specificity）和相似度系數(shù)（Dice）［12］對自動分割結果和手動分割結果進行定量分析，見表1。上述三個評價標準表達式如下：

其中，TP、FP、TN、FN分別表示真陽性、假陽性、真陰性、假陰性。最后的評價結果是各個指標的平均值［13］。圖5為股骨分割結果對比，其中綠線為手動分割結果，紅線為自動分割結果。

表1 胎兒股骨長定量結果對比Table 1 Quantitative evaluation

圖5 股骨分割結果對比Fig 5 Comparison of femur segmentation

3.2 股骨測量結果對比

圖6為自動測量結果和醫(yī)生手動測量結果定性對比結果，其中，綠色虛線為醫(yī)生手動測量結果，紅色虛線為自動測量結果.結果表明，自動測量的股骨端點及其連線與醫(yī)生手動測量結果基本重合。

圖7顯示了采用Bland－Altman評價指標［14］定量分析自動測量結果和醫(yī)生手動測量結果。由圖7可見，自動測量結果和手動測量結果的平均差值為1.42 mm，95%一致性界限為10.20 mm和－7.36 mm。

在Matlab環(huán)境下，每幅圖的自動測量平均耗時為0.57 s，而醫(yī)生手動標定股骨兩端點并得到股骨長的時間約為3.05 s，本研究算法耗時較手動標定方法快約5倍。

圖6 自動測量結果與醫(yī)生手動測量結果對比Fig 6 Comparison between the results of automaticmethod

圖7 Bland－Altman圖Fig 7 Bland－Altman figure

4 結論

提出一種全自動測量股骨長的新方法，用先驗知識定位股骨大致區(qū)域，采用中值濾波對圖像進行去噪，并用最大熵法對圖像進行分割，再根據(jù)圖像信息確定股骨位置，對目標區(qū)域求其外接矩形，通過外接矩形的斜邊長計算出股骨長。對70幅超聲股骨圖像的實驗結果表明，所提股骨自動測量方法與醫(yī)生手動測量方法得到的股骨長無顯著性差異，算法可行。同時，自動方法比手動方法快約5倍，能夠有效提高效率。下一步，我們將會把該方法用于超聲中胎兒其他解剖部位（如肱骨）的自動分割，以期形成一個完整的生物參數(shù)自動測量系統(tǒng)并應用于臨床。