基于監督下降方法的左心室超聲圖像分割

王藝儒

【摘 要】基于監督下降方法的左心室超聲圖像分割與傳統基于表觀模型的左心室超聲圖像分割相比，可以有效解決特征點迭代定位過程中的龐大計算量問題。本文通過對左心室超聲圖像分割現狀和對基于監督下降方法的左心室超聲圖形分割優勢的分析，進一步明確了基于監督下降方法的左心室超聲圖像分割技術的基本特點，同時對其實際的圖像分割技術應用展開詳細的研究，希望能為相關研究提高參考。

【關鍵詞】左心室；超聲圖像分割；監督下降方法；特征點定位

在醫學的超聲圖像分割技術中，經食道的超聲心動檢測是當前應用最為廣泛的超聲探測方法之一，也是檢測人體左心室功能的基礎依據。由于醫學圖像分割處理和分析領域具有較高的復雜程度，為了根據超聲圖像中某種特殊含義來提取相應特征，需要切實保證圖像分割處理技術的科學性。而基于監督下降方法的左心室超聲圖像分割技術憑借自身優勢，為臨床醫學與病理學的相關研究提供了有力支持。

一、左心室超聲圖像分割的現狀分析

近年來，隨著醫學領域的不斷發展和各類圖像分割算法在醫學圖像處理工作中的廣泛應用，有效解決了超聲心動圖中由于較高復雜性和多變性引起的圖像分割處理難題。其中對于人體左心室超聲圖像分割，其實際的分割過程中一般需要通過對圖像中各個特征點迭代變換位置的靈活利用，來實現對目標區域內輪廓的提取。從本質上來看，左心室超聲圖像分割可以理解為對特征點的可視化問題，而目標區域內的特征點也可以被看作是非線性最小二乘近似問題來展開深入的理解。左心室超聲圖像分割有多種方法，其中傳統的基于統計分布的ASM方法和給予表觀模型的AAM方法，在實際的算法中會過多的依賴于牛頓法或者擬牛頓法。而基于監督下降方法的左心室超聲圖像分割（SDM）的提出和應用，可以在解決計算機視覺中非線性最小二乘相關問題過程中，取得更好的圖像特征點定位效果。

通過對基于監督下降的左心室超聲圖像分割的研究，其核心應用過程主要涉及到以下幾個階段的流程：（1）對于訓練集中的第i圖像，分別設置ground-truth位置和初始位置；（2）根據圖像分割中特征提取函數的非線性最小二乘公式，計算圖像中特征位置第一次發生迭代的方向向量和偏差項向量；（3）通過對特征點新的對應位置的計算，對位置迭代方向和相應的偏差項進行更新；（4）反復重復上述第二步驟和第三步驟，直到收斂，最終獲取到方向序列和偏差項序列；（5）在整體基于監督下降方法的左心室超聲圖像圖像算法過程中，可以將獲得的方向序列與偏差項序列用于圖像初始位置的測試，從而得出最后的特征點定位結果。

二、基于監督下降方法的左心室超聲圖像分割優勢

基于監督下降方法的左心室超聲圖像分割中的目標函數定位一般是兩個特征向量最優化的相似程度，傳統的圖像分割方法在進行兩個特征點的相似性判定度量時，大多會采用歐氏距離的判定方法來實現。筆者通過查閱相關文獻，發現傳統的歐式距離判定方法與基于巴氏系數的直方圖判定方法相比，在兩個特征向量的相似性判定中有著很大的準確性差距，而基于監督下降方法的左心室超聲圖像分割算法在實際的應用中就是采用的巴氏系數主動輪廓模型處理技術，從而有效提高了傳統圖像分割中的魯棒性。

除此之外，在定位特征點的過程中，基于表觀模型的傳統AAM算法的優化目標可以被當成非線性最小而成相關問題來理解，但是由于解決最優化問題中涉及到的牛頓法，在特征點的每一次迭代中都需要對海森矩陣和雅可比矩陣進行計算，這種龐大的計算量不僅會大大增加技術人員的任務量，還會進一步提高計算成本代價。而基于監督下降方法的左心室超聲圖像分割，在實際的應用中不會涉及到上文中提到的過于復雜的計算過程，也不需要建立表觀模型，通過對局部特征的提取和從訓練數據學習一組梯度下降方向的明確，將其反映到相應的測試圖像中，便可以輕松的實現左心室超聲圖像分割[1]。

三、基于監督下降的左心室超聲圖像分割方法

（一）基于監督下降的改進算法

基于監督下降方法的左心室超神圖像分割優化目標與傳統的基于表觀模型的圖像分割存在較大的差異，具體表現在對特征函數之間的定義最優化問題方面。而基于監督下降的左心室超聲圖像分割算法的改進，對于提高左心室超聲圖像分割算法的精準度有著重要作用。醫學超聲圖像中的特征提取函數的選取會對基于監督下降方法的左心室超聲圖像分割造成直接的影響，具體體現在受光照程度的不同以及心內組織密度方面存愛的差異性，這些客觀因素的存在會SDM中的SIFT特征函數提取效果造成不利影響。針對上述問題，為了進一步降低一系列客觀因素對于體征提取函數效果的影響，可以用B-SIFT特征提取函數的方式代替傳統的SIFT特征提取函數，同時借助多尺度圖像金字塔模型的建立，達到有效優化圖像輪廓分割效果的目的。

（二）監督下降方法中B-SIFT特征

上文中提到的B-SIFT特征主要是指對圖像局部特征進行檢測的一種方法，這類局部特征檢測方法大多被應用在多類計算機視覺的領域范圍當中。B-SIFT特征自身具有多尺度、旋轉不變形、對于圖像亮度變換和噪聲等影響因素有著非常好的抗干擾性能以及內部蘊含非常豐富的局部特征信息量等一系列優勢。在應用B-SIFT特征進行向量的提取工作時，（1）需要確立一個初始形狀的向量，然后根據該初始向量內部的每一個特征點位置，在其周圍建立16×16的像素框，同時計算像素框內涉及的每一個像素的梯度；（2）在原本的像素框內以4×4的像素分8個方向對梯度的方向進行明確，計算得出直方圖；（3）對每個梯度方向進行累加值繪制，由此便可以獲得一個4×4×8的128維B-SIFT特征向量。

（三）建立多尺度圖像金字塔模型

基于監督下降方法的左心室超聲圖像分割算法中多尺度圖像金字塔模型的建立，主要是在左心室超聲圖像檢測過程中實現的，通過對左心室實際形狀、體積大小以及心尖朝向等客觀因素的明確以及統一歸一化訓練集或者測試集中的圖像之后，針對可能出現的圖像局部特征紋理信息丟失問題進行有效的緩解[2]。此外，在左心室超聲圖像檢測過程中由于容易受到外界其他因素和人體左心室本身存在的差異的影響，為了有效保證圖像分割最終結果的準確性，需要在建立多尺度圖像金字塔模型的過程中，最大程度的將訓練集或者測試集中的圖像進行歸一，最終達到多個分辨率效果。在上述基礎上，需要對低分辨率圖像中進行較大步長的迭代，對于分辨率較高的圖像，需要進行較小步長的迭代，這種操作方法可以使圖像特征點進一步貼近真實值。

四、總結

綜上所述，基于監督下降方法的左心室超聲圖像分割可以對傳統圖像分割中單一尺度定位準確度不高的問題，通過提升算法精準度來使特征點定位輸出與真實輪廓更加貼近。在實際的圖像分割過程中，基于監督下降方法的圖像分割主要涉及到基于監督下降的改進算法、監督下降方法中B-SIFT特征以及建立多尺度圖像金字塔模型等幾個方面的內容。利用特征點標注圖像庫的建立，進而對特征進行精準描述。

【參考文獻】

[1]魏雨汐，伍岳慶，陶攀，姚宇.基于監督下降方法的左心室超聲圖像分割[J].計算機應用，2018，38（02）：545-549.

[2]趙佳旻，劉涵銳，郭斌.左心室超聲心動圖分割方法的研究[J].智能計算機與應用，2017，7（06）：54-57.