基于超聲圖像處理的HIFU所致組織損傷自動檢測方法：實驗研究

田 燦，錢盛友 *，鄒 孝，劉 備，王潤民，江劍輝

(1.湖南師范大學物理與信息科學學院，湖南 長沙 410081；2.深圳普羅惠仁醫學科技有限公司， 廣東 深圳 518067)

HIFU治療是近年興起的一種非侵入局部治療技術[1-2]，其原理是使超聲波在目標區域聚焦，并形成局部高能量密度，組織溫度瞬間可達65℃以上，并產生凝固性壞死，從而達到治療腫瘤的目的[3-5]。HIFU治療腫瘤是基于熱機制對組織的損傷，因此治療過程中實時監測組織損傷非常重要[6-7]。通過HIFU治療中獲取的實時圖像，利用機器視覺技術自動檢測出生物組織變性的位置，可幫助臨床醫師快速、客觀定位治療損傷區域，更好地掌控療效進程和制定進一步的治療方案。現有超聲監控手段主要基于回波信號[8-9]和超聲聲像圖。相對于回波信號，超聲聲像圖更具直觀性。HIFU治療過程中獲取的超聲監控圖像可反映組織損傷情況[10-12]。馮艷玲等[13]對HIFU輻照前后圖像焦域附近進行二維亞像素級相關分析；陳華等[14]采用線性判別分析(linear discriminant analysis, LDA)方法對圖像提取的特征參數進行處理；顏佩等[15]提取減影圖像小波系數Hu矩等特征參數對組織損傷進行識別。上述方法均依賴圖像配準技術[16]，且均需手動確定HIFU輻照區域，從而判別組織是否損傷。本研究根據HIFU輻照后超聲聲像圖中HIFU損傷區域的特點，采用粗定位和損傷識別相結合的方法，探討基于超聲圖像處理的HIFU所致組織損傷的自動檢測方法。

1 實驗系統與方法

實驗系統主要由HIFU源、超聲成像儀和計算機控制系統組成(圖1)。HIFU探頭為PRO2008系列(深圳普羅公司)，以Philips EnVisor型超聲診斷系統獲取超聲聲像圖，并由PCI8001圖像采集卡輸入計算機。測試對象為新鮮離體豬肉。將離體豬肉置于HIFU探頭正下方，保存并分析HIFU輻照前后的超聲聲像圖。輻照后對離體豬肉切片進行肉眼觀察，記錄其損傷情況及位置，作為評價檢測結果的依據。

2 HIFU損傷區域粗定位

對HIFU輻照后超聲聲像圖進行灰度化處理后，截取ROI，使其包圍住測試樣本。①設計灰度極大區域搜索算法，定位圖像中所有亮斑；②結合數學形態學、連通域標記及Canny邊緣檢測算法提取測試對象的邊緣輪廓；③利用歐式判據篩選出HIFU損傷候選區。

圖1 實驗系統示意圖

2.1灰度極大區域搜索 超聲聲像圖中HIFU損傷區域呈現為局部亮斑，可將其視為灰度極大區域，其灰度值在中心處最大，向四周逐漸變小。具體算法：①遍歷圖像中所有像素點，尋找灰度最大值點，如灰度最大值>灰度閾值(T)，則該點可視為亮斑中心點，并保存其坐標值，以此為中心形成1個尺寸合適的矩形窗口；②將矩形窗口中所有像素灰度賦值為0后，再次遍歷圖像中所有像素點尋找灰度最大值點，以此類推，直到圖像上灰度最大值≤T為止，完成圖像上所有灰度極大區域的搜索。

由于超聲聲像圖中大部分亮斑為扁平狀，因此窗口應設計為寬大于高的矩形。通過前期實驗測試，最終認為以最大灰度值為中心，上下分別取5個像素點、左右分別取9個像素點，即矩形窗口尺寸為19×11，可較好地包圍住1個亮斑區域，同時又不影響相鄰的亮斑區域。通過分析圖像的灰度直方圖發現大部分像素分布在灰度均值(G)附近，形成1個單峰，亮斑中心點T應設在單峰右側(灰度值較大)像素數目較少處，故最終確定最優T為2G。

2.2測試對象邊緣輪廓提取 數學形態學是以形態結構元素為基礎對圖像進行分析的數學工具[17]，其基本運算為膨脹和腐蝕。通過這2種基本運算可以生成許多其他的形態學運算。設f(x,y)是輸入圖像，b(x,y)是結構元素，用結構元素b對輸入圖像f進行膨脹和腐蝕的運算定義分別為：

(f⊕b)(s,t)=max{f(s-x,t-y)+b(x,y)|(s-x,t-y)∈Df,(x,y)∈Db}

(1)

(f⊙b)(s,t)=min{f(s+x,t+y)+b(x,y)|(s+x,t+y)∈Df,(x,y)∈Db}

(2)

先腐蝕后膨脹的過程為開運算，其定義為：

f·b=(f⊙b)⊕b

(3)

由于離體豬肉邊緣存在聲波反射，使其邊緣分布多個零散亮斑，如在原圖上直接提取豬肉邊緣，則這些亮斑處會明顯凹凸不平。為獲取平滑的邊緣輪廓，本研究利用開運算得到ROI背景圖，而后對背景圖進行閾值分割，并在二值圖像的正反圖像中2次使用連通域標記保留最大連通域[18]，去除分離的白色和黑色干擾區域后，得到完整的目標區域二值圖像；最后利用Canny邊緣檢測算法得到目標區域的邊緣輪廓圖。

2.3篩選HIFU損傷候選區 利用灰度極大區域搜索算法定位圖像中所有亮斑后，為排除邊緣亮斑噪聲干擾，計算所有亮斑中心至邊緣線的歐式距離，篩選出HIFU損傷候選區。

設邊緣輪廓圖中灰度值為1的點橫坐標為X，縱坐標為Y，如存在n個亮斑，第i(i=1,2…n)個亮斑中心點橫坐標為m(i)，縱坐標為n(i)，計算第i個亮斑中心點至邊緣線的距離(d)為：

d[X,Y,m(i),n(i)]=

(4)

其中第i個亮斑中心點至邊緣線的最小距離記為dmin(i)，設距離函數閾值為Tj。排除dmin(i)

3 HIFU損傷識別

粗定位中，根據亮斑分布位置特性，可排除大部分噪聲區。為進一步識別HIFU損傷，本研究最終選取可體現候選區HIFU損傷區和噪聲區差異的2個特征參數，即最大灰度值和掩模(MASK)圖的矩形度，并以支持向量機(support vector machine， SVM)分類器訓練和測試對其進行對比分析。

3.1特征提取 ①由于HIFU治療會導致圖像中焦點處灰度值最大，因此選取最大灰度值作為特征參數。經由粗定位得到多個HIFU損傷候選區后，截取候選區作為樣本并提取最大灰度值。將切片觀察到出現組織損傷的區域判定為HIFU損傷區，無損傷區域視為噪聲區。②矩形度特征參數的提取：由ROI原圖與其背景圖(通過數學形態學獲得)相減得到差值圖，選取其灰度直方圖右側波谷點的灰度值作為全局閾值，對其進行閾值分割，得到二值圖像為含有所有亮斑區域的MASK圖，截取其中與HIFU損傷候選區對應的部分，并提取矩形度。為證實MASK圖矩形度的有效性，利用8幅ROI原圖，分別獲取8個HIFU損傷區(圖2A)和8個噪聲區對應的MASK圖樣本(圖2B)。HIFU損傷和噪聲MASK圖樣本形狀存在差異，矩形度能夠區分不規則形狀，提示選取矩形度作為特征參數可有效區分HIFU損傷區和噪聲區。

圖2 候選區樣本 A.HIFU損傷區MASK圖； B.噪聲區MASK圖

設H為目標(灰度值為1的區域)的垂直高度，W為目標的水平寬度，A為目標的面積，矩形度(recognition rate， R)的定義為：

R=A/(H×W)

(5)

利用矩形度的倒數(R′)=1/R作為矩形度的數字特征。2個特征參數分別反映HIFU損傷區的灰度特性和幾何特性。截取所有由ROI原圖粗定位得到的HIFU損傷候選區和MASK圖中對應部分作為樣本，分別提取最大灰度值和矩形度用于SVM訓練和測試。為驗證這2個特征參數能否有效識別HIFU損傷區，隨機選取4個HIFU損傷區和4個噪聲區的最大灰度值和R′，在HIFU損傷和噪聲圖像中，2個特征參數均有一定差值(表1)，提示可通過SVM對其進行分類識別。

表1 HIFU損傷區和噪聲區的特征參數

3.2SVM分類 SVM算法的主要任務是尋找滿足樣本分類要求的最優超平面，實現對線性可分數據的最優分類[19-20]。本研究SVM分類器選擇徑向基核函數，并采用交叉驗證的方法選取最優參數，完成對HIFU損傷區域的分類識別。以正確識別率(correct recognition rate， Rc)和總識別率(summation recognition rate， Rs)來衡量系統的識別效果：

圖3 灰度極大區域搜索 A.HIFU輻照前聲像圖； B.HIFU輻照后聲像圖； C.HIFU輻照前ROI原圖； D.HIFU輻照后ROI原圖； E.灰度極大區域搜索結果, 綠色標記處為亮斑中心 圖4 離體豬肉邊緣輪廓

圖6 HIFU損傷識別 A、B.分別為最大灰度值訓練、矩形度訓練，紅色“+”為HIFU損傷區，綠色“*”為噪聲區，“o”為訓練SVM時的支持向量； C、D.分別為最大灰度值測試、矩形度測試，紅色“+”為HIFU損傷區，綠色“*”為噪聲區，“o”表示該點判別錯誤

(6)

(7)

4 實驗結果與分析

HIFU損傷區域粗定位見圖3。利用數學形態學、連通域標記和Canny邊緣檢測算法提取的離體豬肉邊緣輪廓圖見圖4。通過提取上述邊緣輪廓，根據亮斑中心至邊緣的距離篩選出HIFU損傷候選區，粗定位最終結果見圖5。

本實驗選取53張HIFU輻照后ROI原圖，通過粗定位獲得346個候選區，截取候選區和其MASK圖中對應部分作為樣本，以186個作為訓練，160個作為測試。通過Matlab 2014a軟件編程，將2個特征參數分別輸入SVM中。SVM對訓練樣本的可視化圖見圖6A、6B，圖中HIFU損傷區大致分布在噪聲區上方，說明HIFU損傷區的2組特征參數大致高于噪聲區，即2組特征參數對HIFU損傷和噪聲具有一定區分能力。SVM對測試樣本的測試結果見圖6C、6D，錯誤識別基本集中在分界地帶。最大灰度值的正確識別率和總識別率分別為83.33%和86.25%，矩形度的正確識別率和總識別率分別為91.25%和93.33%。

通過SVM訓練后的模型，以矩形度對5幅ROI原圖的HIFU損傷進行自動檢測，見圖7。與輻照后切片對比，發現圖7僅紅色標識處對應的豬肉組織呈白色亮塊，提示采用上述方法可檢測出HIFU損傷的位置，且可正確識別不存在損傷的圖像。

圖7 HIFU損傷自動檢測結果 A、B.1處HIFU損傷粗定位結果； C、D.1處HIFU損傷識別后的最終檢測結果； E、F.2處HIFU損傷粗定位結果及識別后的最終檢測結果; G、H.3處HIFU損傷粗定位結果及識別后最終檢測結果； I、J.無HIFU損傷粗定位結果及識別后最終檢測結果 黃色框為HIFU損傷候選區，紅色框中為HIFU損傷區

5 結論

本研究采用先定位HIFU損傷候選區域，再通過SVM分類器進行識別的策略，同時利用灰度極大區域搜索算法實現HIFU損傷檢測的自動化過程。與傳統方法相比，本方法基于HIFU輻照后的超聲聲像圖進行研究分析，解決了HIFU輻照前后圖像必須進行配準的難題，有利于減少手動定位的誤差，為有效監控HIFU治療提供了重要方向。