漂移迭代搜索算法提取高頻超聲聲像圖肝包膜線并量化評估肝硬化

蔣芙蓉，趙靜文*，劉 翔，賈洪博，石蘊玉，湯 顯，宋家琳

(1.上海工程技術大學電子電氣工程學院，上海 201620；2.上海長征醫院超聲科，上海 200003)

肝硬化為不可逆慢性進行性肝臟疾病，可進展為肝癌，早期診斷及治療非常重要[1-2]。超聲為目前檢查肝硬化的重要手段，主要由醫師通過掃查進行診斷，主觀依賴性強，且難以識別部分細微異常。自動診斷肝硬化現已成為新的發展方向。本研究基于多濾波協同方法提出漂移迭代搜索算法，以自動提取高頻超聲聲像圖中的肝包膜線，并觀察其用于評估肝硬化的價值。

1 資料與方法

1.1 一般資料 收集2013年4月—2014年5月47例就診于上海長征醫院的肝硬化患者，男35例，女12例，年齡28～77歲，平均(51.6±11.6)歲；按病情嚴重程度將其分為輕(n=18)、中(n=16)及重度組(n=13)，年齡分別為31～71歲、平均(50.1±10.1)歲， 28～67歲、平均(50.8±11.0)歲，33～77歲、平均(55.3±14.7)歲；排除脂肪肝、肝血吸蟲病及其他器質性肝臟疾病患者。隨機選取20名健康體檢者作為對照組，男15名，女5名，年齡26～76歲，平均(51.5±13.2)歲。本研究獲醫院倫理委員會批準，檢查前受檢者均簽署知情同意書。

1.2 儀器與方法 采用GE Voluson E8超聲診斷儀，11L線陣探頭，頻率4～10 MHz。囑受檢者仰臥，掃查肝臟，調整圖像深度及增益，以清晰顯示肝包膜及淺層肝實質，并存儲顯示肝臟左、右葉肝包膜的二維聲像圖。

1.3 提取肝包膜線 基于多濾波協同方法，以漂移迭代搜索算法處理肝臟聲像圖并精準定位肝包膜線，流程見圖1。閾值t均為本課題組前期預試驗得出。

1.3.1 判斷腹腔積液 觀察肝臟聲像圖，以轉置灰度統計閾值法判斷有無腹腔積液，若存在，則將腹腔積液檢測邊界以上的圖像灰度值設置為零。

以W表示肝臟聲像圖寬度，以H表示其高度，并將其逆時針旋轉90°，將X軸方向的掃描范圍限制在圖像左半部分，即原圖的上半部分(圖2A、2B)；逐列計算所有像素點的平均灰度值，繪制灰度曲線(圖2C)；計算曲線中低于平均灰度值閾值t1(50像素)部分的連續寬度L。67組肝臟聲像圖中，腹腔積液區占圖像上半部分的1/4及以上(圖3)，故以L≥H/8為存在腹腔積液；同時以灰度曲線L中點所在垂直線為腹腔積液檢測邊界，將其左側部分、即原圖以上部分的灰度值設置為零。

1.3.2 線性結構增強 參考文獻[3]方法，先以尺度差分去除肝臟聲像圖中的背景噪聲，凸顯其線性特征，再以多尺度Hessian矩陣實現線性結構增強。

圖1 提取肝包膜線整體流程圖

圖2 轉置灰度統計閾值法流程圖 A.肝臟聲像圖原圖； B.轉置掃描示意圖(紅線表示X軸方向的中線，即掃描范圍的最末列；藍線表示正在掃描中的任意列)； C.灰度曲線(藍線表示平均灰度值曲線；紅線表示連續寬度L的范圍)

圖3 肝臟聲像圖 A.對照組受檢者，男，31歲，肝包膜平滑； B.重度組患者，男，56歲，肝包膜呈波浪、鋸齒狀并出現斷裂，伴腹腔積液

圖4 線性結構增強流程圖 A.肝臟聲像圖原圖； B.Iσ=0； C.Iσ=1； D.Iσ=20； E.尺度差分圖像Ibandpass(Ibandpass=Iσ=1-Iσ=20)； F.多尺度Hessian矩陣處理圖像

以σ表示圖像尺度，I(x,y;σ)表示圖像；σ=0時，I(x,y;σ)=I(x,y)，相當于肝臟聲像圖原圖(圖4A、4B)；隨σ增大，圖像趨于模糊，細節被抑制，而線性特征、尤其肝包膜結構凸顯；σ=20時，圖像Iσ=20細節信息基本丟失，與背景區分度較小，可視為線性結構有效信息的最大尺度；將最小尺度(σ=1，圖4C)與最大尺度(σ=20，圖4D)圖像進行差分，相當于對原圖實現帶通濾波(圖4E)；之后采用多尺度Hessian矩陣處理圖像，使其線性結構顯著增強[4](圖4F)。

1.3.3 去除噪聲 采用橫向濾波結合局部濾波去除圖像中的肝實質噪聲。首先采用橫向濾波，設置20×W像素的矩形窗口遍歷全圖，若該矩形窗口的平均灰度值低于肝臟聲像圖原圖的平均灰度值，則濾除該區域的全部噪聲；此后肝包膜下方仍有少量噪聲點，以局部濾波加以過濾，并設置5×5像素滑動窗口進一步掃查圖像，若其平均灰度值低于平均灰度值閾值t2(50像素)，則濾除該窗口內全部噪聲。見圖5。

1.3.4 精準定位肝包膜 通過漂移迭代搜索法精準定位肝包膜，并增添糾錯機制，以橫向濾波過濾噪聲。

圖5 橫向濾波結合局部濾波效果圖 A.輕度組患者，男，31歲； B.輕度組患者，女，38歲 (紅框示肝包膜下方的少量噪聲點) 圖6 漂移迭代搜索示意圖 (紅箭及紅點表示定位肝包膜的方向；黃線表示迭代搜索邊界)

首先基于去除噪聲后圖像由左下角開始，自下至上、從左至右進行反向搜索，若相鄰像素差的絕對值大于相鄰像素差閾值t3(30像素)，則認為出現跳變狀態，以第二次跳變狀態的點為邊界點，以其所在水平線為中心，上、下分別輻射一定距離(距離閾值為t415像素)，即出現上、下兩條水平線，以此作為限制邊界，在此邊界內由左向右逐步進行迭代動態限制，搜索包膜線潛在線段。以橫向濾波為糾錯機制，濾除肝包膜斷裂處上方可能出現的噪聲，得到完整精確的肝包膜線。見圖6。

1.4 量化分析肝包膜特征 基于提取的肝包膜線，以3個指標定量評價肝硬化病程[5]。

1.4.1 連續性(Continuity) 當構成肝包膜線的曲線長度相同時，其段數越少，則斷裂程度越低，連續性越好；構成肝包膜線的曲線段數相同時，曲線越長，則其延展性越好，連續性越好。連續性特征描述式為：

其中，Number表示構成肝包膜線的曲線段數，length(i)表示第i段的曲線長度。

1.4.2 平滑性(Smoothness) 肝包膜線的平滑性與其整體趨勢及細微處的抖動均相關；肝包膜線整體斜率變化越小、相鄰曲線段斜率抖動越小，則其平滑性越好。平滑性特征描述式為：

其中，ki表示第i段曲線的斜率，ksubi表示第i段與第i-1段曲線斜率差的絕對值，kstd表示每段曲線相對于曲線整體的傾斜程度，ksub表示相鄰曲線的細微變化及波動程度，kmean表示曲線整體的平均傾斜程度，θi表示第i段曲線與水平方向的夾角。

1.4.3 腹腔積液(Ascites) “0” 為不存在、“1”為存在腹腔積液。

1.5 統計學分析 采用SPSS 24.0統計分析軟件。以±s表示符合正態分布的計量資料，采用單因素方差分析行多組間比較；若差異具有統計學意義，則以Dunnett T3檢驗進行組間比較。P<0.05為差異有統計學意義。

2 結果

4組受檢者年齡、性別及體質量差異均無統計學意義(P均>0.05)。

精確定位并提取了全部67組圖像中的肝包膜線，輕、中及重度組及對照組提取準確率分別為100%(18 /18)、93.75%(15/16)、92.31%(12/13)及100%(20/20)，見圖7。4組肝包膜線的連續性及平滑性差異均有統計學意義(P均<0.05)，兩兩比較差異亦有統計學意義(P均<0.05)；僅重度組可見腹腔積液。見表1。

圖7 漂移迭代搜索算法提取肝包膜線各階段效果圖

表1 提取的輕、中、重度肝硬化患者及健康人肝包膜線特征比較

3 討論

計算機輔助診斷肝硬化系統主要針對肝實質紋理進行定量分析[6-7]，而肝硬化的另一評價標準——肝包膜特征近年才引起重視；自動定位并提取聲像圖中的肝包膜線是其重點和難點。現有提取肝包膜線方法主要包括動態規劃算法[8]、人工監督與梯度優化方法[9]、多尺度多目標優化方法[10]、空間上下文約束多尺度方法[11]及基于形態學處理的遍歷搜索法[12]等，均可檢測出大部分肝包膜線，但部分需人工選擇初始參考點或僅能提取連續性肝包膜線，而重度肝硬化超聲所示肝包膜可存在斷裂現象，導致提取后影像學特征嚴重損失。針對上述問題，本研究基于多濾波協同方法提出漂移迭代搜索算法，以實現自動提取肝包膜線，并定量評價肝硬化。

肝臟聲像圖中，腹腔積液的灰度值較低，且多集中于圖像上半部分，位于肌肉和脂肪層與肝包膜之間[13]。本研究首先識別腹腔積液，并將其檢測邊界上方的圖像灰度值設置為零，以避免肝包膜嚴重斷裂時誤檢其上脂肪層。肝臟聲像圖包括不同尺度肌肉和脂肪層、肝包膜、肝實質及不均勻背景噪聲等[14]。本研究通過適當選取尺度范圍凸顯線性結構，同時抑制背景噪聲。肝臟聲像圖中，肝包膜為局部線性結構，且亮度及粗細程度均不一，本研究采用Hessian矩陣實現其線性增強[4]；圖7可見重度組提取的肝包膜線與水平方向夾角過大，導致橫向濾波無法濾除肝包膜下方區域噪聲，采用局部濾波可有效彌補其不足。最后采用漂移迭代搜索聯合濾波糾錯機制成功提取的肝包膜線相比其他方法[8,11-12,15]準確率較佳。

本研究以連續性、平滑性及腹腔積液3個指標評價所提取的肝包膜線，發現連續性及平滑性隨肝硬化加重而降低，即肝包膜線斷裂次數增多并出現階梯狀、鋸齒狀及波浪狀形變，局部和整體斜率均變大。本研究僅重度組出現腹腔積液，即肝臟聲像圖顯示腹腔積液提示重度肝硬化。

綜上，采用漂移迭代搜索算法可精確定位并提取高頻超聲聲像圖中的肝包膜線，有助于判斷肝硬化程度；但重度肝硬化時肝包膜線斷裂嚴重，且超聲檢查受探頭角度及介質等影響，導致部分圖像中肝包膜清晰度較低，有待進一步完善。