1、基于加速健壮特征拟合算法和ChanVese模型的超声图像腔室分割方法基于加速健壮特征拟合算法和ChanVese模型的超声图像腔室分割方法 摘要：针对超声心动周期序列图的腔室自动分割过程中，弱边缘轮廓难以有效提取的问题，提出一种基于加速健壮特征（SURF）拟合算法和ChanVese模型的超声图像腔室分割方法。首先对序列中第一帧图像进行人工标记弱边缘轮廓；然后，提取弱边缘轮廓周围的SURF点，建立Delaunay三角网；接着，通过相邻两帧之间的特征点匹配，预测后续帧的弱边缘轮廓；之后，用ChanVese模型提取粗糙轮廓；最后采用区域生长算法得到精确的目标轮廓。实验结果表明，该算法能较好地完整提取超
2、声序列图像中含弱边缘的腔室轮廓，并且与专家手动分割结果相近。 关键词：超声心动图； ChanVese模型；Delaunay三角网；加速健壮特征算法；腔室分割 中图分类号：TP391.41 文献标志码：A Abstract：During the automatic segmentation of cardiac structures in echocardiographic sequences within a cardiac cycle， the contour with weak edges can not be extracted effectively. A new approach c
3、ombining Speeded Up Robust Feature （SURF） and ChanVese model was proposed to resolve this problem. Firstly， the weak boundary of heart chamber in the first frame was marked manually. Then， the SURF points around the boundary were extracted to build Delaunay triangulation. The positions of weak bound
4、aries of subsequent frames were predicted using feature points matching between adjacent frames. The coarse contour was extracted using ChanVese model， and the fine contour of object could be acquired by region growing algorithm. The experiment proves that the proposed algorithm can effectively extr
5、act the contour of heart chamber with weak edges， and the result is similar to that by manual segmentation. 英文关键词Key words：echocardiography； ChanVese model； Delaunay triangulation；Speeded Up Robust Feature （SURF） algorithm； chamber segmentation 0 引言 超声心动图的腔室的正确分割与提取，对临床定量分析、病灶判断、医学辅助诊断有着重要的意义。但由于医生手
6、动分割超声图像心室十分耗时、人工成本巨大，就衍生出对超声心动图的腔室自动分割的急切需求。 近年来超声图像的自动分割技术发展迅速，目前常用的超声图像主流分割方法有几何活动轮廓、参数活动轮廓1、统计模型2、分类分割3-4等方法。然而由于超声图像的散斑噪声、部分轮廓边缘模糊和算法本身一些特性，导致这些算法对超声心动周期图的腔室的分割并不理想，都存在各种缺陷：如几何活动轮廓漏检弱边缘造成边界泄露；参数活动轮廓的模型参数难以调整确定，无法收敛到要求的弱边缘；统计模型易受噪声影响和漏检弱边缘；分类分割在弱边缘地带容易错分类5-6。 由于大多数方法都无法分割好超声心脏腔室的弱边缘，针对此问题，本文提出一种针
7、对超声心动周期图腔室的自动分割方法。此方法主要根据超声心动周期图的图像帧前后差别变化不大的特点，通过手动标记初始帧图像的目标腔室的弱边缘，结合加速健壮特征（Speeded Up Robust Feature， SURF）拟合算法7和Delaunay三角网格模型8，对后续帧的弱边缘进行预测并标定，之后用CV（ChanVese）模型9进行分割。这样就很好利用了CV模型对超声图像的强抗噪性和对明显边缘轮廓有较好分割效果的特点，又解决了其易漏检弱边缘的问题，实现对了超声心动周期图的腔室的有效提取。 1 算法流程与原理 1.1 各向异性扩散的图像降噪处理 由于超声图像存在较多的散斑噪声，如果直接对图像进
8、行分割，将产生较多的伪轮廓、伪边缘点，所以对图像进行预处理是非常必要的。 基于偏微分方程的各向异性扩散方法能较好解决超声图像的散斑噪声问题，并已经广泛应用在超声图像的去噪处理上，且取得较大的成功。在超声图像的预处理阶段，该方法能在去除噪声的同时，保留了甚至增强图像的边缘信息10。 通过图1可看出各向异性滤波降噪的同时确实保留了图像细节的特性。 由于分割目标区域并非整个图片，而是超声图像采图的信息区，如图2（a）所示。直接对其分割将得到较差的效果，如图2（b）所示。而采图信息区域在图片的固定位置，只需要对信息区域进行对比度增强，就有助2（c1-c2）I-（c1+c2）/2值的增大，使CV模型有更
9、好的分割效果。图2（d）是对图（c）的白色区域经过对比度拉伸后得到的结果。根据图2（d）的扇形区域的灰度均值，再确定图2（c）中黑色区域应在图2（e）的背景颜色，原则上是使2（c1-c2）I-（c1+c2）/2值越大越好。图2（f）是经过图像对比度增强后和背景颜色改变的分割效果，明显经过处理后图像，弱边缘轮廓漏检的范围明显减小了。 1.3 对图像进行SURF特征点提取 为了对弱边缘的变化进行预测，需要对图像进行局部特征匹配。在超声心动周期系列帧中，前后帧的变化不大，相邻帧之间具有较多的局部特征相似性，弱边缘轮廓周边也存在相应的特征点信息。利用这一特点，可以找出弱边缘轮廓附近的特征点，弱边缘轮廓
10、的后续帧的运动变化，很大程度上会反映在这些特征点变化上，因此可从特征点的运动来间接体现出弱边缘轮廓点的运动。 由Bay等7提出的SURF图像局部特征，利用了积分图像和Haar小波相结合来提高特征的提高速度，而且SURF具有对比较模糊的图像，如去噪后的超声图像有较好的特征检测能力。文献13-14通过对比实验，表明SURF相对于其他局部特征算法具有较高的鲁棒性，因此比较适合用于超声图像的局部特征点匹配。 对相邻两帧各自进行符合SURF算法要求的特征点进行提取15，对两幅图进行特征点匹配，本文采用Hausdorff 距离法评价标准16进行匹配。由于匹配可能存在误匹配，对匹配对只保留最佳的一半（约15
11、0个匹配对）。由于相邻两帧比较相似，一般能获得较佳的匹配效果。 1.4 Delaunay三角网和形变模型的建立 根据人体软组织器官的形变特点，当软组织某一点位置发生改变，软组织附近的点也会发生位置变化，且这一点与附近点的相对位置关系比较稳定。 本文结合这一特性，提出了超声图像弱边缘轮廓形变的局部建模策略：根据提取的SURF特征点建立Delaunay三角网（Delaunay三角网具有最近三点形成三角形、各个三角边都不相交的特点），然后通过对手动标记的弱边缘轮廓采样取点，逐个将样本点与样本点各自所落入的三角形建立模型，通过前后帧两幅的配准，可预测弱边缘采样点在后一帧的位置。其中弱边缘采样点的位置变
12、化预测主要是根据：采样点的位置变化可由三角区域的三个点的位置变化来体现，前后帧的采样点在三角相对位置坐标法的相对三角坐标不变。 在建立形变模型过程中，首先将可能出现弱边缘漏检的地方进行手动标记，如图5（a）的轮廓线。然后对标记轮廓进行离散化采样，图5（a）中的圆圈点即为离散后其中的一个采样点。将采样点逐个加入由SURF特征点建立的Delaunay三角网中，如图5（b）为其中一个采样点加入三角网中。最后根据采样点在相邻两帧所落入的三角网的相对位置变化，预测采样点在后一帧的位置。图5（c）中的预测点即为根据三角形相对坐标模型对图5（b）的所示采样点位置的后一帧的预测。 1.5 目标区域的获得 CV
13、模型分割处理的效果会出现多个闭合轮廓，最后需要使用阈值为1的区域生长算法17得出唯一的目标闭合轮廓。 图6是针对1.2节中CV模型分割处理图片后，漏检了部分弱边缘轮廓的解决方法效果图。通过图6（a）的手动标注弱边缘轮廓，然后结合SURF特征点建立预测模型，再用CV模型进行分割就能产生闭合的轮廓（见图6（b）。最后通过区域生长，得到最终的目标轮廓（见图6（c）。 1.6 算法流程 本文算法的分割流程如下： Step1 采用各向异性扩散的对图像去噪； Step2 针对CV模型特性，对超声图像进行相应的对比度增强； Step3 手动选取弱边缘轮廓，设此帧为当前帧，下一帧为预测帧； Step4 提取S
14、URF特征点，并匹配两帧的特征点； Step5 根据SURF特征点建立Delaunay三角网； Step6 对手动标记的弱边缘进行采样，根据三角位置坐标法对预测帧的弱边缘轮廓的采样点位置进行预测并标记； Step7 用CV模型对预测帧进行分割； Step8 用区域生长算法提取目标区域； Step9 把预测帧设为当前帧，把下一帧设为预测帧，转至Step4。 2 实验与分析 下面将给出使用上述的算法对目标区域序列进行分割的效果和分析。本文实验数据采用食道中段双腔静脉切片图像（90）和经胃右心室流入切面图像（90）的两个超声心动图序列帧来进行实验，分别对右心房和右心室进行分割验证。图像序列均来自PH
15、ILIPS IE33超声仪，图像大小均为400500，共10个帧序列。 3 结语 本文算法利用初始帧进行弱边缘手动标记轮廓，结合SURF特征点建立Delaunay三角网，建立标记轮廓形变预测模型，最后用CV模型对心室进行轮廓提取。该算法有效地解决了CV模型分割超声心动系列图中腔室经常出现弱边缘漏检的问题；但该方法很大程度上依赖于SURF特征点的正确匹配准确性和可靠性，而且当存在大量弱边缘轮廓，导致弱边缘轮廓周围缺少相应的特征点，模型的准确度也会下降。在后续研究中将进一步对SURF特征点的准备提取和形变模型进一步完善，使本文方法能更好地解决超声图像分割问题。 参考文献： 1LEE H， CODE
16、LLA N C， CHAM M D， et al. Automatic left ventricle segmentation using iterative thresholding and an active contour model with adaptation on shortaxis cardiac MRIJ. IEEE Transactions on Biomedical Engineering， 2010， 57（4）： 905-913. 2SUN S， BAUER C， BEICHEL R. Automated 3D segmentation of lungs with l
17、ung cancer in CT data using a novel robust active shape model approachJ. IEEE Transactions on Medical Imaging， 2012， 31（2）： 449-460. 3CARNEIRO G， NASCIMENTO J C， FREITAS A. The segmentation of the left ventricle of the heart from ultrasound data using deep learning architectures and derivativebased
18、search methodsJ. IEEE Transactions on Image Processing， 2012， 21（3）： 968-982. 4MAULIK U. Medical image segmentation using genetic algorithmsJ. IEEE Transactions on Information Technology in Biomedicine， 2009， 13（2）： 166-173. 5NOBLE J A， BOUKERROUI D. Ultrasound image segmentation： a surveyJ. IEEE Tr
19、ansactions on Medical Imaging， 2006， 25（8）： 987-1010. 6MAZAHERI S， SULAIMAN P S B， WIRZA R， et al. Echocardiography image segmentation： a surveyC/ Proceedings of the 2013 International Conference on Advanced Computer Science Applications and Technologies. Piscataway： IEEE Press， 2013： 327-332. 7BAY
20、H， ESS A， TUYTELAARS T， et al. SURF： speededup robust featuresJ. Computer Vision and Image Understanding， 2008， 110（3）： 346-359. 8LIEBSCHER S， KIRSCHSTEIN T， BECKER C. RDELA a Delaunaytriangulationbased， location and covariance estimator with high breakdown pointJ. Statistics and Computing， 2013， 23
21、（6）： 677-688. 9CHAN T F， VESE L A. Active contours without edgesJ. IEEE Transactions on Image Processing， 2001， 10（2）： 266-277. 10LYSAKER M， LUNDERVOLD A， TAI X. Noise removal using fourthorder partial differential equation with applications to medical magnetic resonance images in space and timeJ. I
22、EEE Transactions on Image Processing， 2003， 12（12）： 1579-1590. 11MUMFORD D， SHAH J. Optimal approximations by piecewise smooth functions and associated variational problemsJ. Communications on Pure and Applied Mathematics， 1989， 42（5）： 577-685. 12WANG X， HUANG D， XU H. An efficient local ChanVese mo
23、del for image segmentationJ. Pattern Recognition， 2010， 43（3）： 603-618. 13MIKOLAJCZYK K， TUYTELAARS T， SCHMID C， et al. A comparison of affine region detectorsJ. International Journal of Computer Vision， 2005， 65（1）： 43-72. 14MIKOLAJCZYK K， SCHMID C. A performance evaluation of local descriptorsJ. I
24、EEE Transactions on Pattern Analysis and Machine Intelligence， 2005， 27（10）： 1615-1630. 15BAY H， TUYTELAARS T， Van GOOL L. Computer Vision ECCV 2006C/ Proceedings of the 9th European Conference on Computer Vision， LNCS 3951. Berlin： SpringerVerlag， 2006： 404-417. 16SANGINETO E. Pose and expression i
25、ndependent facial landmark localization using denseSURF and the Hausdorff distanceJ. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2013， 35（3）： 624-638. 17POONGUZHALI S， RAVINDRAN G. A complete automatic region growing method for segmentation of masses on ultrasound imagesC/ Procee
26、dings of the the 2006 International Conference on Biomedical and Pharmaceutical Engineering. Piscataway： IEEE Press， 2006： 88-92. 18CARNEIRO G，GEORGESCU B，GOOD S， et al. Detection and measurement of fetal anatomies from ultrasound images using a constrained probabilistic boosting treeJ. IEEE Transactions on Medical Imaging， 2008， 27（9）： 1342-1355.
