基于超聲的厚度提取算法*

葉林偉, 劉洪海

(上海交通大學 機械系統與振動國家重點實驗室，上海 200240)

0 引 言

肌肉在收縮和舒張的過程中，其結構形態會發生變化。肌電信號(EMG)和肌音信號(MMG)是眾多研究骨骼肌力學特性的方法中2種最常用的方法[1～3]，分別反映了肌肉運動單元的神經和力學活動，但兩者均不能反映肌肉的結構形態特征。對肌肉形態學的研究主要有核磁共振成像，計算機斷層掃描，超聲影像等。由于超聲影像的實時、便攜、無輻射和低成本的特性。在肌肉收縮和舒張過程的研究中，應用的越來越多。目前，對肌肉的研究集中于運用超聲影像實時獲取肌肉的形態學參數，如肌肉厚度[4，5]，羽狀角等，此外，也有對如何用超聲影像分析人體的手勢動作[6，7],肌肉疲勞[8]等進行研究。

本文提出了一種測量上臂肱二頭肌肌肉厚度的方法：上肌腹對特征點的提取跟蹤；下肌膜特征線的提取和跟蹤；計算肌內厚度。

1 模型總體流程

典型的肱二頭肌超聲圖像如圖1所示。

圖1 上臂超聲圖像

可以觀察到肌肉上界面與下界面(箭頭所指)，上界面為肌肉組織與皮膚等其他組織的分界面，為不規則的曲線，下界面為肱二頭肌與骨骼的界面，可以看作直線。肌肉的厚度即為上下界面的距離，本文中定義的肌肉厚度為上界面某一點到下界面對應點的豎直距離。根據圖像中上下界面的特點，采取的算法流程如圖2所示。

圖2 算法流程框

對于上界面，采取點跟蹤的方式，用一個點代表上界面，對下界面，采取直線跟蹤的方式，用直線代表下界面，而后點到直線的豎直距離即為肌肉的厚度。

2 上界面點跟蹤

用特征點代表上界面的跟蹤流程如下：

1)特征點檢測

圖3為肌肉上界面特征點檢測過程：

a.從圖像中取包含上界面的矩形區域；

b.將此區域灰度值按列疊加，形成一行數據，歸一化后尋找峰值點。在底部中上界面對應處可以看到明顯的峰值點，則在頂部圖中，特征點的橫坐標由底部圖中左側虛線對應的峰值點的橫坐標確定，縱坐標定義為矩形兩條長邊縱坐標的均值。

圖3 特征點檢測

2)特征點跟蹤

設第N幀圖像中特征點位置(x0,y0),第N+1幀檢測得峰值點為(x1,y1),因為界面連續變化，特征點亦連續變化，則相鄰特征點之間的位移滿足

(1)

式中ε為一正數。當峰值點滿足條件時，即為第N+1幀的特征點。

應用特征點檢測和跟蹤，即可在視頻流中不斷地跟蹤代表上界面的特征點，實現上界面跟蹤。

3 下界面跟蹤

檢測出肌肉與骨骼的界面的直線后，即可用點到直線的豎直距離作為肌肉的厚度。

1)直線檢測

直線檢測采取霍夫變換的方法，霍夫變原理如圖4所以，利用點與線的對偶性，將圖像空間中的直線通過表達形式變換為參數空間的一個點。即將原始圖像中給定直線的檢測問題轉換為尋找參數空間中的峰值問題。

圖4 霍夫變換

圖4所示直線可用參數對(ρ′,θ′)表示，直線的檢測采取投票的策略，即位于直線軌跡上的點越多，則此直線存在的概率越大。

2)直線跟蹤

直線跟蹤方法與點跟蹤方法相似，均采用閾值的方法。

設直線1經過的坐標為

[x0,x1,x2，…，xn]

(2)

直線2經過的坐標為

[y1,y2,y3，…，yn]

(3)

因下界面連續變化，故檢出直線也連續變化，2條特征線坐標滿足

(4)

式中ε為一正數。當檢測出的直線滿足條件時，即為第N+1幀的特征線。

應用特征線檢測和跟蹤，即可在視頻流中不斷地跟蹤代表下界面的特征線，實現下界面的跟蹤。

4 實驗結果

檢測出上界面特征點與下界面特征線之后，即計算上下界面間的距離，圖5為特征點與特征線檢測結果。兩者之間的豎直距離即為肌肉厚度。

圖5 檢測結果

實驗時，受試者坐在椅子上，超聲探頭固定于人體上臂肱二頭肌處，保持上臂自然下垂，前臂做屈伸運動。持續時間為30～40 s左右。圖6為實驗結果。分別反映了肘部屈伸角度、肌肉厚度(pixel)隨幀序列的變化關系。

圖6 實驗結果

5 結果評價

為了評價算法的有效性和結果的準確性，手工測量了500幅圖像的肌肉厚度值，每組100幅圖像，每組圖像進行了2次測量，并取平均值，以消除單次測量的誤差，其中一組測量值對比如圖7所示。

圖7 2種測量值對比

為定量評測結果的好壞，以相關系數和標準均方根誤差作為評價指標，評價結果如表1所示。可以看出：相關系數均大于0.9，均方根誤差均小于5 pixel，誤差在可接受范圍內，并且自動測量結果數據離散度小，數據較為平滑，相對于手工測量，減小了隨機誤差的影響。

表1 評價結果

6 結 論

提出了一種基于超聲圖像的肌肉厚度自動測量方法，相對于傳統手工測量，大幅減少了工作量，同時提高了測量的精度，通過實驗證明了方法的有效性和精確性。

[1] 丁其川，熊安斌，趙新剛，等.基于表面肌電的運動意圖識別方法研究及應用綜述[J].自動化學報，2016,42(1):13-25.

[2] 游 淼.基于肌動圖(MMG)與肌電圖(EMG)信號的假肢控制系統研究[D].長沙：中南大學,2011.

[3] 李慶玲.基于sEMG信號的外骨骼式機器人上肢康復系統研究[D].哈爾濱：哈爾濱工業大學，2009.

[4] 凌 姍.超聲序列圖像中肌肉形態特征的自動測量方法研究[D].長沙：中南大學,2014.

[5] Shi J,Zheng Y P,Huang Q H,et al.Continuous monitoring of sonomyography,electromyography and torque generated by normal upper arm muscles during isometric contraction:Sonomyography assessment for arm muscles[J].IEEE Transactions on Biomedical Engineering,2008,55(3):1191-1198.

[6] Sikdar S,Rangwala H,Eastlake E B,et al.Novel method for predicting dexterous individual finger movements by imaging muscle activity using a wearable ultrasonic system[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering,2014,22(1):69-76.

[7] Shi J,Zheng Y,Yan Z.Prediction of wrist angle from sonomyography signals with artificial neural networks technique[C]∥International Conference of the IEEE Engineering in Medicine & Bio-logy Society,IEEE Engineering in Medicine & Biology Society Conference,PubMed,2006:3549-3552.

[8] Shi J,Zheng Y P,Chen X,et al.Assessment of Muscle fatigue using sonomyography:Muscle thickness change detected from ultrasound images[J].Medical Engineering & Physics,2007,29(4):472-479.