基于特征匹配的超聲影像評估仿真研究

何立風，周廣彬，雷 濤，楊梅梅

(1.陜西科技大學電子信息與人工智能學院，陜西 西安 710021；2.日本愛知縣立大學信息科學學院，日本 愛知縣 長久手市 480-1198；3.西安郵電大學電子工程學院，陜西 西安 710000)

1 引言

計算機科學、醫(yī)學的不斷發(fā)展，為醫(yī)學超聲影像的進步打下了堅實基礎。目前，計算機輔助軟件越來越得到人們的關注，并被應用在醫(yī)學的方方面面，輔助醫(yī)生進行清晰、準確的診斷和鑒別[1-2]。急性腎損傷(AKI)是臨床常見危重病之一，在普通住院患者中發(fā)病率為3%-5%，在重癥監(jiān)護病房(ICU)中則達到30%-50%。許多原因可導致AKI，ICU中最常見的病因為膿毒癥，膿毒癥并發(fā)AKI可顯著延長患者的住院時間，增加病死率，但如果在疾病早期尚未導致腎功能明顯下降時識別并早期干預，便可顯著改善預后[3-4]。隨著超聲廣泛的應用于重癥醫(yī)學的各個領域，其可實時無創(chuàng)動態(tài)的反應臟器的灌注，可直觀的發(fā)現(xiàn)臟器的損傷程度，雖然目前已有重癥腎臟超聲的AKI血流診斷分級[5]，但缺少集高級專家經(jīng)驗為一套體系的自動化評分模型，此外包括操作者的水平經(jīng)驗、患者的客觀條件等均影響結(jié)果看的判斷。大量臨床實驗證明，腎臟內(nèi)部血流量占腎臟總面積大小是醫(yī)學中評價腎臟損傷等級的重要指標[6]，因此根據(jù)腎臟重癥超聲，利用圖像分割提取技術(shù)構(gòu)建腎臟損傷等級評估模型，并聯(lián)合血清學指標、損傷標志物及腎臟損傷等級評估模型可構(gòu)建綜合體系進行膿毒癥AKI的預測及診斷。計算腎臟血流總面積會涉及到圖像的顏色特征，圖像的顏色特征提取是機器視覺中的一個重要范疇，其基本特征包括：全局顏色特征和空間顏色特征[7]。本文提出了一種基于特征匹配的超聲影像評估仿真方法，首次利用數(shù)字圖像處理技術(shù)估計腎臟血流量面積，建立腎臟損傷評估等級模型。算法通過量化、圖像分割、濾波進行細化處理并進行成像，結(jié)合影像物理意義近似得出其血流總量。為醫(yī)院開辟全新的膿毒癥AKI預測方式，提高早期診斷水平，進而提高該疾病的救治率。

2 基本原理

顏色特征作為圖像信息統(tǒng)計和識別中一個重要的基準，也是超聲影像中的重要特征，其提取方法很多，在基于RGB三種顏色通道中，存在255*255*255種不同的色彩，能表示任意色光[8]。但是一般情況下，僅用數(shù)百種顏色就可以近似表示出與原圖像相似程度很高的圖片，當然這個方法的缺點是很明顯的，即不能充分的表示圖像的空間信息。顏色特征在提取過程中難免會出現(xiàn)局部損失，本文算法通過中值濾波的方法對其進行局部細節(jié)丟失造成的孔洞進行平滑填充，較好的恢復出要提取出圖像中的顏色信息，以進行圖像的顏色數(shù)量統(tǒng)計，進而結(jié)合其顏色的物理意義做相應的運算。

2.1 彩色模型

彩色模型的目的是，在某些標準下用通常可以接受的方式方便地對彩色加以說明。本質(zhì)上，彩色模型是坐標系統(tǒng)和子空間的說明，其中，位于系統(tǒng)中的每種顏色都由單個點來表示。

現(xiàn)在所用的大多數(shù)色彩模型不是面向硬件的，就是面向應用的。在數(shù)字圖像處理中，實際中最通用的模型如下：面向硬件的RGB模型，用于彩色監(jiān)視器和一大類彩色視頻攝像機；CMY模型和CMYK模型，用于彩色打印機；HIS模型，這種模型更符合人描述和解釋顏色的方式。HIS模型還有另一個優(yōu)點，它可以解除圖像中顏色和灰度信息的聯(lián)系，使其更適合于許多灰度處理技術(shù)[9]。

2.2 量化

在數(shù)字信號處理領域，量化通常是指將信號的連續(xù)取值(或者大量可能的離散取值)近似為有限多個(或較少的)離散值的過程[10]。量化主要應用于從連續(xù)信號到數(shù)字信號的轉(zhuǎn)換中。連續(xù)信號經(jīng)過采樣成為離散信號，離散信號經(jīng)過量化即成為數(shù)字信號。注意離散信號通常情況下并不需要經(jīng)過量化的過程，但可能在值域上并不離散，還是需要經(jīng)過量化的過程。本文中在提取顏色特征時，將顏色條量化為有限個等份，便于計算。

2.3 圖像分割

圖像分割就是把圖像分成若干個特定的、具有獨特性質(zhì)的區(qū)域并提出感興趣目標的技術(shù)和過程。它是由圖像處理到圖像分析的關鍵步驟。現(xiàn)有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等[11]。從數(shù)學角度來看，圖像分割是將數(shù)字圖像劃分成互不相交的區(qū)域的過程。圖像分割的過程也是一個標記過程，即把屬于同一區(qū)域的像索賦予相同的編號。本文是一種基于大量經(jīng)驗基礎上的提出的基于區(qū)域的分割方法，目的是進一步減少時間復雜度，使本算法的工程性具有高效、實時的特點。

2.4 常見的圖像濾波方法

圖像濾波，即在盡量保留圖像細節(jié)特征的條件下對目標圖像的噪聲進行抑制，是圖像預處理過程中不可或缺的部分，其處理效果的好壞直接影響到后續(xù)圖像處理和分析的有效性和可靠性。常用的濾波方法分別為高斯濾波，均值濾波，中值濾波。基于中值濾波在圖像平滑過程中能很好地保留圖像清晰度的特性[12]，本文采用中值濾波對粗提取的血流區(qū)域進行細化，處理過程如圖1所示。

圖1 中值濾波的處理過程

圖1中f(x，y)為其圖片I中當前像素點，圖像尺寸為m*n。

3 本文提出的顏色特征提取方法

本小節(jié)主要從四個方面介紹本文的工作：量化血流樣本條、圖像分割及顏色粗提取[13]、中值濾波進行圖像平滑、近似估算其血流總量，具體的算法流程如圖2(a)所示。

圖2 本文顏色特征提取方法處理流程

3.1 量化血流樣本條

血流樣本條作為超聲影像圖片中的重要組成部分，反映了腎臟內(nèi)部不同顏色區(qū)域血流的變化情況，而其在腎臟中的分布也間接性的反映了就醫(yī)者腎臟的健康情況。圖2(b)代表不同顏色的區(qū)域血流速度不同，紅色部分代表血流流入，藍色部分代表血流流出，由于計算的是血流總量，因此本算法統(tǒng)一取正值。經(jīng)MATLAB分析知，位于同一行中的像素值相同，因此其血流速度相同。

算法1 樣本條量化及其物理意義映射

輸入：樣本條a，單位份數(shù)的血流速度n

輸出：各位置顏色對應的血流速度A，對應位置的RGB值B

Begin

| for i from 1 to h/2

| | A(i，:)=N-n*(i-1);

| | B(i，:)=a(i，1，:);

| end

| for i from(h/2+1)to h

| | A(i，:)=(i-h/2)*n;

| | B(i，:)=a(i，1，:);

| end

End

將血流條分為h份，由樣本條可知最大血流速度為N(18.2cm/s)所以單位份數(shù)的血流速度n如式(1)所示

(1)

各顏色對應RGB的值通過上表1偽代碼進行實現(xiàn)，結(jié)合其位置實現(xiàn)了的顏色和物理意義之間的映射，從而達到了量化的效果。

3.2 圖像分割及顏色粗提取

由于在采集樣本時，數(shù)據(jù)提供方為保證數(shù)據(jù)的規(guī)范性，均采用在身體部位固定點進行成像，所以在B超上腎臟部位的取樣框是固定的，由于核心工作是計算取樣框內(nèi)部的信息，因此可以對原圖像進行分割，在不損失數(shù)據(jù)的情況下盡可能接近取樣框，這樣可大幅減少計算量。根據(jù)數(shù)據(jù)采樣時的約定取范圍X軸像素點位置從120到580，Y軸像素點位置從150到750，如圖3所示。

圖3 圖像分割

進行完上一步，就可以進行顏色特征的粗提取了。分析3.1節(jié)中樣本條的RGB通道分量知，彩色區(qū)域圖像必有一個通道近似為0[14]，在此先驗知識的基礎下，本文提出了一種顏色特征粗提取方法，算法偽代碼實現(xiàn)如下所示，

算法2 顏色特征粗提取算法

輸入：經(jīng)分割后的醫(yī)學影像圖I1

輸出：濾掉背景色，粗提取后的顏色圖I2

Begin

| [m，n]=Size(I1)

| for i from 1 to m

| | for j from 1 to n

| | | if !(r=0&(g*b)!=0 ‖

| | | |g=0&(b*r)!=0‖b=0&(g*r)!=0)

| | | |I1(i，j，:)=[255，255，255];

| | | end

| | end

| end

| I2=I1;

End

上面算法初步實現(xiàn)了醫(yī)學影像中圖像的顏色特征粗提取，提取效果如圖4所示，可以看出，雖然實現(xiàn)了對原圖像很大程度上的提取成像，但是生成的顏色圖有很多孔洞，需要進一步的去細化。

圖4 顏色特征的粗提取

3.3 顏色特征的精細化

本小節(jié)通過前面介紹的中值濾波方法進行細化，圖像質(zhì)量進一步得到了提升。對于RGB圖像，需要對其三通道分別進行中值濾波，算法偽代碼實現(xiàn)如下所示。

算法3 顏色特征細化算法

輸入：顏色特征粗提取圖像I2

輸出：對其RGB三通道進行中值濾波后細化的圖像I3

Begin

| for i from 1 to 3

| | g(:，:，i)=medfilt2(I2(:，:，i))

| | I3=g;

| end

End

經(jīng)過細化后的顏色特征如圖5所示，很明顯，空洞特征很大特征上被精細化。

圖5 濾波細化后的顏色特征

3.4 血流總量的計算

通過上面三個小節(jié)已經(jīng)得出了本實際問題需要處理的信息，接下來就是進行對其物理化，方法是通過三通道值進行比對，相同像素值進行累加，隨后進行位置對應，乘以其對應的血流速度，進而累加求和，近似估算出血流總量，這里不再贅述，結(jié)果如圖6所示。

圖6 近似的血流總量

4 實驗結(jié)果分析

4.1 實驗平臺

本文是運行在普通計算機上的，操作系統(tǒng)為Windows7，在配置為intel-i7-6700八核3.4GHz的臺式機上利用MATLAB2018a進行編程實現(xiàn)上述醫(yī)學超聲影像的精細化顏色特征提取，最后將其應用于臨床醫(yī)學的超聲影像血流量估計中。

4.2 實驗誤差分析

均方根誤差(Root Mean Squared Error，RMSE)是衡量“平均誤差”的一種較方便的方法，可以評價數(shù)據(jù)的變化程度[15]。本文通過計算均方根誤差判斷粗提取以及細化后的圖像與原始圖像像素對應位置的顏色通道的相對誤差值，為相關人士參考提供了可靠性保障。均方根誤差是均方誤差的算術(shù)平方根，本文中均方根誤差數(shù)學化如式(2)所示。

(2)

表4 均方根誤差及算法效率

采用上述方法計算用之前得出的粗提取的顏色圖片與細化后的顏色圖片分別與原圖片做均方誤差作比較，實驗分析展示出本文算法經(jīng)細化后圖片質(zhì)量大幅提升，并以可視化的方法進行誤差分析，很好的求出了腎臟血流總流量。

5 結(jié)束語

本文對超聲影像進行了基于特征匹配的評估仿真研究，首次將醫(yī)學圖像與計算機相結(jié)合實現(xiàn)了腎臟血流量的評估仿真，旨在為腎臟損害程度建立初步評價標準。首先，采用量化手段對血流速度樣本條進行量化；其次，通過顏色通道值比對結(jié)合圖像分割，降低時間復雜度并對腎臟中血流區(qū)域提取成像；再者，結(jié)合濾波算法，對所提取區(qū)域進行細化處理；最后，通過與顏色條結(jié)合其對應的物理值，近似得出其血流總量。實驗結(jié)果表明，本文算法在能對超聲影像中血流量進行有效提取，不僅為腎臟損傷等級自動化評估提供了新方案，而且降低了現(xiàn)有因醫(yī)者經(jīng)驗判斷方法而造成的損失。后續(xù)工作將通過機器學習算法對腎臟面積進行估計，與本文算法結(jié)合，建立一套評價腎臟損害的等級評價模型，輔助醫(yī)學研究。