基于高斯過程回歸高強度聚焦超聲儀器采集圖像的層間測距算法

高洪玉

(齊魯醫藥學院計算機教研室，山東 淄博 255000)

1 引 言

高強度聚焦超聲(high intensity focused ultrasound，HIFU)是一種治療實體腫瘤的新興技術手段，采用非介入式方法通過高強度的超聲能量消融腫瘤[1-2]。在HIFU治療中一個關鍵的問題是對腫瘤的準確定位。在手術過程中，需要對腫瘤的位置進行實時定位，才能保證正確地消融腫瘤而不傷害健康的組織[3]。HIFU治療中，由步進電機控制探頭，按照一定的間距對組織器官進行掃描，通過超聲成像，將治療焦點定位于靶區。雖然治療中的傳感器可以精確獲取位置數據，但是在治療過程中，人體內的組織器官不可能保持完全靜止，另外呼吸也會造成器官的蠕動，引起治療目標的運動或變形，使得步進電機記錄的位移產生偏差。因此，如果僅依賴于術前制定好的治療坐標，勢必會造成一定的誤差[4-5]。此外，目前國內外的層間測距算法應用的測距范圍均在1 mm以內，而在HIFU治療中，步進機控制探頭移動的距離最小是1 mm,因而限制了在HIFU圖像中的應用[6-7]。針對這些問題，本研究提出基于高斯過程回歸的層間測距算法。對斑塊特征和層間間距之間的關系直接建模，通過對已知樣本的訓練，求解模型的參數，得到回歸器，用于層間測距。

2 實驗材料與實驗參數

2.1 實驗材料

本研究中所使用的HIFU超聲圖像均來源于我院的JC200型聚焦超聲腫瘤治療儀器，該儀器由中國重慶海扶醫療科技有限公司生產，其所用超聲成像探頭采用百勝PA230e相控陣探頭，該探頭包含128陣元，為平面探頭，壓電晶片的整體尺寸為22 mm×15 mm，主頻率3.5 MHz，增益43%，聚焦深度均位于樣本中心。

訓練材料包括1塊牛肝組織和1塊豬肉組織；測試材料包括1塊豬肉組織，1塊牛肝組織和1塊牛肉組織。

圖1實驗所用樣本

Fig1Sampleusedintheexperiment

2.2 實驗參數

通過步進電機控制超聲探頭的位移對樣本進行序列掃查，每次位移為1 mm。每個樣本組織采集的序列圖像包含層間方向從-45～45 mm的間距為1 mm的91幀圖像。因此，訓練集包括2組超聲圖像，共182幅圖像。測試集包含3組超聲圖像，共273幅圖像。實驗過程所用的訓練樣本和測距樣本之間沒有交集，以證實本方法的普適性和穩定性。由于實驗所用材料是靜止的，因此，同一序列中相鄰兩幀圖像的間距即可認為是超聲探頭一次位移的距離1 mm，我們將步進電機記錄的位移距離作為測距的理論值，衡量本研究測距算法的準確性。

2.3 訓練過程

如圖2所示，在超聲圖像中選擇6個不同位置，每個圖塊含有20×20個像素點。這6個平面內的位置從上到下，從左到右依次被記為pos1,pos2,...,pos6。對于各個位置的回歸器，訓練過程采用訓練集中各幀圖像在該位置處的圖塊的特征。需要進行6次回歸訓練，得到相應位置的6個回歸器。

圖2 回歸器的位置Fig 2 Position of regressor

針對位置為posi處的回歸器，訓練過程包括：(1)選擇訓練集圖像中相應位置的斑塊；(2)對于每一個選取的斑塊，這里稱為參考斑塊。根據傅里葉方向矯正算法進行方向矯正，提取其所在平面幀內特征；對于距離d{0，1,2,3,4,5}，在層間方向，分別找出與其相對應的斑塊，與參考斑塊的間隔距離分別為0、1、2、3、4、5 mm。這樣得到了6組斑塊對；對于每一對斑塊，計算幀間特征ρ，幀間特征與幀內特征一起構成了特征向量f，并記錄其之間相對的距離d；這樣，對應于這一選定斑塊得到了6組特征向量和6個與之對應的目標值d，d{0,1,2,3,4,5}，這六組特征向量的幀內特征是相同的，只有幀間特征ρ不同。(3)將訓練集特征向量集合作為輸入，相應的距離作為輸出，投入到高斯過程回歸訓練中，訓練得到位置posi對應的回歸器，記為regi，將以上三步針對位置1～6重復6次，得到6個回歸器，分別記為reg1,reg2,…，reg6。

2.4 測距過程

3 測距結果與分析

從統計結果來看，測量絕對誤差均值相對較小，在1～3 mm的范圍內。絕對誤差均值均低于0.5 mm，而且相對誤差的均值保持在10%以內，標準差比較穩定，浮動不大。而在4 mm和5 mm處測量誤差相對較大，絕對誤差均值在1 mm左右，相對誤差也會出現變大的趨勢。但總體的相對誤差在25%內。

表1 層間測距誤差分析

4 結論

從以上實驗結果分析，本研究提出的基于高斯過程回歸的方法在1～3 mm的范圍內，具有良好的測距結果。在一定程度上可以證明該方法的合理性和有效性。當距離超過3 mm時，測距誤差相對較大。關于該問題有兩方面的原因，一方面是，本研究所用的超聲探頭分辨率為2 mm左右，根據斑點解相關原理，斑點的相關性源于分辨單元的交疊，根據分辨單元的大小，這種相關性，只存在于幾個mm的范圍內，當超過該范圍時，斑點的相關性就會減弱，或者消失。另一方面，由于生物組織結構的復雜性，組織內部的散射環境也是非常復雜的。對于真實的生物組織，由于相干散成分的存在，其斑點解相關曲線的解相關率會變慢，而且在超過一定范圍后，解相關曲線不再呈現單調性和規律性。目前層間測距算主要適用于測距范圍在1 mm以內，主要有基于斑點檢測的層間測距,其相對誤差大約為25%[8]，自適應的斑點解相關的方法，相對誤差范圍為10%～20%[9]，學習式解相關曲線的測距方法，相對誤差范圍同樣是10%～20%[10]。從測距相對誤差來看，我們的方法，與目前國內外的研究成果水平相當，但是我們的方法主要用于大于1 mm的范圍，表明該算法在大距離范圍內層間測距中具有良好的效果。

本研究提出的算法在1～3 mm的范圍內有著良好的效果，但是在超過3 mm的范圍內還存在一定的誤差，在一定程度上說明，斑點的解相關性只在一定的范圍內適用。另外，在一定的條件下斑點在橫向和層間的解相關規律表現是一致的，如果可以通過紋理特征來表征具有這種特性的圖塊，那么就可以將橫向解相關規律直接用于測距。在以后的研究中可以對這些問題做進一步的研究。