1、第 卷 第 期 年 月北京生物医学工程 .基金项目：国家自然科学基金（、）资助作者单位：北京工业大学环境与生命学部（北京）智能化生理测量与临床转化北京市国际科研合作基地（北京）通信作者：乔爱科，教授。：.基于超声心动图的二叶式主动脉瓣钙化病灶自动分割算法赵志浩，乔爱科，摘 要 目的 提出一种基于超声心动图（，）的二叶式主动脉瓣钙化病灶（，）自动分割算法，以提高 识别效率。方法 选取 患者的，应用迭代均值滤波器、一二阶全变分和指定直方图均衡化算法对其进行降噪、灰度平衡化的图像预处理；根据钙化阈值特征，应用阈值滤波器、邻域原理获取钙化病灶的初始轮廓，并根据 中主动脉瓣的大小和位置特征，自适应地选择
2、初始轮廓作为初始种子区域；根据钙化阈值、迭代终止条件、自适应调整迭代次数等相关参数，自动分割 区域。将自动分割的结果与手动分割结果进行比较，并分析 中不同的椒盐噪声（，）及斑点噪声（，）对分割结果的影响。结果 所建立的自动分割算法的平均处理时间、平均迭代次数分别达到了.、，像素精确度（，）、交并比（，）、系数（，）分别达到了.、.、.。与 半自动算法相比，自动分割算法的平均处理时间提高了.，平均、分别提高了.、.、.。结论 该算法能有效地分割出 中的，并解决人工参与分割个性差异大、识别效率低且易受到噪声干扰的问题。关键词 超声心动图；二叶式主动脉瓣钙化；图像处理；图像分割：.中图分类号.文献标
3、志码 文章编号（）本文著录格式 赵志浩，乔爱科 基于超声心动图的二叶式主动脉瓣钙化病灶自动分割算法北京生物医学工程，（）：，（）：，；，：（：.）【】（）（），；，；，（）（）.，（），（），（）.，.，.，.，.，.，.，【】；引言超声心动图（，）具有无创、价格低廉、易于提供大量的有用信息等优点，目前 是 二 叶 式 主 动 脉 瓣（，）钙化性狭窄诊断和评估的主要工具。相关研究显示钙化部位与严重程度是瓣叶形态学评估的重要方面，通过评估钙化部位可以预测瓣周漏的位置，因此准确分割二叶式主动脉瓣 钙 化 病 灶（，），可以帮助医生定位 患者钙化部位以及进一步分析钙化的严重程度。在以往的临床实践中，
4、分割 通常采用手动操作，费力、耗时，十分依赖操作人员的技能和经验。近年来，半自动的分割算法在医学图像分割领域得到广泛的应用，但仍然需要人工参与、手动选择关键点绘制感兴趣区域（，），初始种子区域的选择完全取决于操作者；并且需要手动设置迭代次数等参数，没有实现分割算法的自适应性。因此需要自动 图像分割方法。基于 精确和自动地分割 仍然是一项具有挑战性的任务。目前，中 的自动分割的相关研究较少，其主要原因是 的分辨率较低。尤其在 中必然存在椒盐和乘性斑点等噪声，严重影响 的分割效率。针对以上问题，具有降噪及对比度增强的图像预处理功能，并能够自动选择初始种子区域及自动设置钙化阈值等参数的分割算法更具优
5、势。基于此，本文建立了一种基于超声心动图的二叶式主动脉瓣钙化病灶自动分割算法，为临床超声科医生简化繁琐的操作步骤，并为其诊断提供帮助。方法获取钙化性二叶式主动脉瓣狭窄患者，图像分辨率为 像素，且每张 都由经验丰富的超声科医生对钙化病灶区域轮廓进行手动标注，将其作为标准结果。.图像预处理 的图像预处理主要包括以下两个步骤：首先，基于 等提出的迭代均值滤波器（，）滤除椒盐噪声，基于 等提出的一二阶全变分（，）滤除斑点噪声；然后，基于 提出的指定直方图均衡化算法（，）增强 中背景与前景的对比度，直方图均衡化的分块大小为。.初始种子区域选择针对现有方法中初始种子区域的人工选择存在的差异大、效率低问题，
6、基于 中主动脉瓣的北京生物医学工程 第 卷钙化阈值、位置和大小特征信息，建立了一种自动筛选初始种子区域的方法，主要包括以下几个步骤。（）通过阈值处理，得到二值化图像。阈值处理如下：?其他（）式中：?、?分别是统计得到的超声科医生手动标注钙化病灶区域内像素值的最大值和最小值的平均值，?，?。（）基于边界跟踪方法的数字化二值图像拓扑结构分析算法，提取二值化 中的轮廓，并将所有的轮廓进行标记作为种子区域的备选集合。轮廓的提取选用的是 邻域原理。基于 中 的位置和大小特征信息，在种子区域的备选集合中初步筛选符合条件的轮廓继续作为种子区域，不符合的剔除。筛选规则：由于胸骨旁短轴切面 中 大致位于图中九等
7、分中心分块的位置，因此将 进行九等分。的位置大致位于分块编号为 的区域，通过位置坐标筛选剔除 号区域外的所有种子区域。临床上 最大开口面积的正常范围为 ，所以满足周长在 之间或面积在 之间两个条件中任意一个都可作为符合条件的种子区域。将两个满足条件的单位换算成像素单位，可近似表述为种子区域周长介于 个像素点或者面积介于 个像素点。（）分别选择符合初选的种子区域，计算其钙化阈值。将其钙化阈值与统计的手动标记数据中的钙化像素平均值进行比较，若差值在 之间，认为该种子区域有效；否则无效。最后，将以上找到的所有种子区域的重心（，）及最小外接圆半径，以（，）为圆心，.倍 向上取整后为半径做圆，该圆就是选
8、定的初始种子区域。.区域的自适应活动轮廓演化算法 模型适用于具有可见轮廓的图像，其处理的质量取决于预处理的结果，处理的效率取决 于 初 始 种 子 区 域 和 迭 代 次 数 的 选 择。模型的具体实现过程如下。假设二进制函数：Z，。对于超曲面内部的每个点，取（）；对于外部的每个点，取（）。给定迭代 次的超曲面状态，：Z，使用以下步骤得到：（）（）（）（）（），（）（）（）（），（）其他|（）（）（）（）（）（）（）（）|（）（）（）（）（）式中：和 为膨胀和腐蚀的离散化表示；（）：，（）（）为选择的初始种子区域；为气球力，根据 的正负，决定膨胀和腐蚀；为单个阈值，通过计算初始种子区域的钙化阈
9、值来确定；为一种使用数学形态学演化轮廓的算子，其应用于从形态上解决一些著名的轮廓演化偏微分方程。将选择的初始种子区域作为第一个 区域轮廓线的位置，下一个 区域轮廓线的位置由当前 轮廓线的位置、演化方向、迭代次数，以及下一个 区域的边缘结构信息四方面条件共同决定。整个 区域的自适应活动轮廓演化过程中，无需进行手动设置迭代次数等参数，自适应调整迭代次数等相关参数，实现自动分割 区域。区域演化在符合如下条件时就会停止迭代演化：（）演化下一个 区域轮廓线时位置已经超过图像范围；（）演化下一个 区域轮廓线时不再能找到属于钙化的像素点；（）演化下一个 区域轮廓线与上一个 区域轮廓线一致时；（）计算演化的
10、区域的面积小于一定程度时结束 区域轮廓线的演化。实验结果与分析.实验结果为了测试本文算法的分割效率和准确度，选择两幅典型的二叶式主动脉瓣钙化，其中分别是单个钙化病灶、多个钙化病灶。将自动分割得到的实验结果与手动结果进行对比，分别计算像素精确度（，）、交并比（，）、系数（，）等衡量指标。第 期 赵志浩，等：基于超声心动图的二叶式主动脉瓣钙化病灶自动分割算法图（）原始图像是单个钙化病灶的二叶式主动脉瓣，（）为经过 滤波以及 对比度增强后的图像效果，（）中的初始种子区域是半径为 像素的圆，经过演化可知，在迭代 次时满足迭代终止条件，即实现 的分割，如图（）所示。与图（）中超声科医生手动标注的钙化病灶
11、区域相比，为.，为.，为.，面积相对误差为.。自动分割的处理时间为 ，处理时间的统计是指从图像预处理开始到自动分割结束的时间间隔。图（）原始图像是三个钙化病灶的二叶式主动脉瓣，（）为经过 滤波以及 对比度增强后的图像效果，（）中的有效初始种子区域分别是半径为、像素的圆，经过演化可知，在迭代 次时满足迭代终止条件，即实现 的分割，如图（）所示。与图（）中超声科医生手动标注的钙化病灶区域相比，为.，为.，为.，面积相对误差为.。自动分割的处理时间为 。图（）初始种子区域的初步筛选示意，如图 所示。经过种子区域的初筛后，依然保留有 个种子区域，见图（）。针对 个种子区域进行细筛选之后，确定其上面的
12、个种子区域有效。为了验证细筛的有效性，针对剔除的无效的种子区域也进行了活动轮廓演化，都没有得到演化结果。经过细筛后的种子区域能够降低无效种子区域处理的概率。如果经过细筛后，没有一个初始种子区域可供选择，则放弃对该 的钙化处理，并给出对应提示。图 单个钙化病灶实例操作流程 图 三个钙化病灶实例操作流程 图 初始种子区域初步筛选 北京生物医学工程 第 卷.实验结果分析.噪声敏感性分析为了进一步分析低 率 滤波效果的差异性，选择对 分别添加 之间的，分别统计其 和 值。张 分别添加 的 的 和 平均波动范围分别在.、.。因此，在处理 率为 之间的图像时，滤波效果的鲁棒性较高。为了进一步分析低 率 滤
13、波效果的差异性，选择对 分别添加 之间的，分别统计了其 和 值。张 分别添加 的 的 和 平均波动范围分别在 .、.。因此，在处理 率为 之间的图像时，滤波效果的鲁棒性较好。为探究其对噪声的敏感性，在图（）中加入的随机噪声、类椒盐噪声（真实图像中噪声的强度仅为.水平），通过计算滤波后的图像与原图像之间的均方差误差来确定其敏感性。由敏感性分析结果可知，测试中图像噪声的强度依次增强到 倍，绝对数量上也增加了，而滤波后图像与原图像的均方差误差却只增加了.，因此可以认为该算法对随机噪声、类椒盐噪声不敏感。.算法误差分析由于缺乏正确评价识别钙化病灶成功与否的客观标准，本文以专业超声科医生手动标注的结果为
14、标准，进一步分析该算法对 自动识别的准确性。利用、，将 位患者 中 的手动分割与自动分割结果进行对比分析。自动分割算法的结果见表。实验结果表明，该算法的自动识别能力具有较高的效率和准确度。.与 半自动分割算法的比较以专业超声科医生手动标注的结果为标准，与 半自动算法相比，针对相同的 数据进一步分析该自动算法对 识别的效率及准确性。在不考虑超声科医生人工参与时间的前提下，假设 半自动分割算法的初始种子区域与自动算法相同，且设定的迭代次数为。将从平均处理时间、平均、平均 和平均 方面，对其分割结果与本文的自动分割算法相比较，结果见表。由表可见，与同类半自动算法相比，自动分割算法的平均处理时间提高了
15、.，平均 提高了.，平均 提高了.，平均 提高了.。实验结果表明，该算法的准确度和效率均优于同类半自动分割算法。表 自动分割与同类半自动分割结果比较 算法分类平均迭代次数平均 平均 平均 平均处理时间 自动分割.半自动分割.讨论在本研究中，基于 所建立的二叶式主动脉瓣钙化区域自动分割算法来分割，并使用超声科医生手动分割结果作为标准与自动分割算法进行比较。该研究的重点是去除半自动分割算法中的人工参与以及提高识别效率。在相关研究中，邵蒙恩等采用改进的 模型的自适应分割算法分割甲状腺结节，其结果的平均迭代次数、平均面积重叠率分别达到了、.；王桃等采用自适应机制的医学超声图像分割算法分割肝脏肿瘤等，其
16、结果的精度平均达到.；黄建波等采用先验概率和统计形状的分割算法分割前列腺，其结果的平均 相似系数为.。由本文的结果可见，相较于同行的分割算法，本算法的分割结果较好。其次，在保证初始种子区域、迭代次数等参数相一致的前提下，才能保证半自动分割与自动分割的处理时间保持一致。自动分割结果的平均处理时间达到了.，与半自动分割相比较，该算法节约了医生人工参与消耗的时间。本研究的局限性：在数据采集方面，数据的采集均是由临床医生手动选取的胸骨旁短轴切面心动周期为舒张期的，因此数据采集人工处理量较大，暂时还不能做到与检测设备一起保持较高的实时性效果。其次，针对每一位患者的数据采集只考虑了一个心动周期为舒张期的。在初始种子区域选择研究方面，其筛选条件限制了该算法仅适用于胸骨旁短轴切面的 患者的 处理。在自适应活动轮廓演化研究方面，针对选择多个初第 期 赵志浩，等：基于超声心动图的二叶式主动脉瓣钙化病灶自动分割算法始种子区域时，计算效率较低。结论本研究基本解决 识别与分割过程中需要人工参与、个性差异大、识别效率低，且容易受到随机噪声的干扰等问题，基于 所建立的二叶式主动脉瓣钙化区域自动分割算法，能够有效、准
