模糊C均值颈动脉超声图像内中膜厚度测量方法及系统

摘要

本发明涉及超声图像处理领域，为提供颈动脉超声图像内中膜厚度测量方法及系统，以实现较准确的测量内中膜厚度，且具有较好的理论价值和使用价值。本发明采用的技术方案是，模糊C均值颈动脉超声图像内中膜厚度测量方法及系统，步骤是，一、提取感兴趣区域二、图像滤波选取双边滤波算法分别对两个ROI图像滤波；三、ROI分割，在标准FCM算法基础上，引入HMRF模型用于构建像素间的空间约束场。本发明主要应用于超声图像处理场合。

说明书

技术领域

本发明涉及超声图像处理领域，具体讲,涉及颈动脉超声图像内中膜厚度测量方法及系统。

背景技术

世界卫生组织的统计研究表明：心血管疾病以发病率高、隐蔽性强、病程长、死亡率高等特性成为危害人类生命健康首要因素。预计到2030年，全球因心血管疾病失去生命的人数将达到2360万人。只有对血管病变早期检测、早期发现、早期合理干预，才能从根本上降低心血管疾病的致残率和死亡率。心血管疾病的病理基础(初期表现)是动脉粥样硬化，在多种致病因素的作用下，导致动脉壁中内中膜厚度(Intima Media Thickness,IMT)的增加。这里内中膜厚度指的是管腔-内膜边界(Lumen-Intima Interface,LII)和中膜-外膜边界(Media-Adventitia Interface,MAI)之间的距离。由于颈部主动脉(CommonCarotid Artery,CCA)血管是动脉硬化的常见部位，其位置近似与皮肤平行，容易测量，因此颈部主动脉的IMT可以作为评估心血管疾病的早期病变程度的重要指标，对突发心肌梗塞、中风的诊断和预防有很重要的价值。

相对于核磁、CT等成像方式，超声成像具有实时性、可重复性、非侵入性及成本低的优点，因此成为颈动脉检查的首选成像方式。基于超声成像的特点，临床上常选择成像效果较好的远端血管壁测量内中膜厚度。传统上，颈动脉超声图像的内中膜厚度通常由人工手动测量获得，测量者手工描绘图像中的LII和MAI，然后通过计算得出两边界间的距离获得IMT。然而这种方法工作量大，非常耗时而且最终获得的结果受测试者所受训练、个人经历及其主观判断的影响。为了解决颈动脉超声图像内中膜厚度的手动测量过程中存在的问题，在过去的20年中，国内外的专家学者提出了多种计算机辅助的IMT测量算法。

模糊C均值(Fuzzy C Means,FCM)作为一种模糊聚类算法可以有效地处理医学图像中存在的部分容积效应现象，然而使用标准的FCM分割图像时，可能会出现以下的缺点：对图像中的噪声敏感；聚类过程没有充分利用图像信息，未考虑图像的空间约束；算法迭代收敛时间较长，尤其是图像中待处理像素点的数量很多的情况。因此，在使用FCM算法实现颈动脉超声图像的内中膜厚度的计算机辅助测量时，需要对其进行相应的改进。本发明中采用隐马尔可夫随机场(Hidden Markov Random Field,HMRF)建立图像中像素间的空间约束，并引入标准FCM算法，提高其分割性能。

发明内容

为克服现有技术的不足，本发明旨在提供颈动脉超声图像内中膜厚度测量方法及系统，以实现较准确的测量内中膜厚度，且具有较好的理论价值和使用价值。本发明采用的技术方案是，模糊C均值颈动脉超声图像内中膜厚度测量方法，步骤是，

一、提取感兴趣区域

(1)图像裁剪：提取感兴趣区域ROI(Region of Interesting)前需裁剪原始超声图像，去除文字标识部分；

(2)图像降采样，采用双立方插值算法对裁剪后的图像两次降采样，其中采样因子分别为2和4，即采样后图像的行、列数分别为原图像的二分之一和四分之一；

(3)统计采样因子为4采样图像的灰度规律，自动选取阈值并对其二值化；

(4)寻找远端血管壁的近似位置，对二值图像形态学闭运算，填补图像中的孔洞，并根据远端血管壁位于超声图像下方的特点，利用连通域面积较大以及质心纵坐标较大的原则，选择期望的白色区域，其与黑色区域相交的上边界可认为是LII的近似位置；

(5)提取ROI，以LII的近似位置为标准，向上、向下取一定的像素尺度，分别作为ROI的上、下边界，在这一步骤中获得两个分别对应原始图像、采样因子为2采样图像的ROI；

二、图像滤波

选取双边滤波算法分别对两个ROI图像滤波；

三、ROI分割，在标准FCM算法基础上，引入HMRF模型用于构建像素间的空间约束场。

对图像f(x)，基于像素间距离相似性和灰度相似性的滤波输出为

其中g(x)是滤波后图像，是像素ξ和x的相似性函数，其中σ₁是定义域方差，σ₂是值域方差，为归一化函数。

引入HMRF模型用于FCM算法分割原始图像的ROI具体步骤是：

(1)获取初始标号场：使用降2采样的ROI图像获取初始标号场，具体操作如下：通过峰值检测思想从待测图像的直方图中获得初始聚类中心；用标准FCM算法将图像聚为3类；此时得到的图的各个区域存在许多孔洞，通过形态学闭运算填补孔洞；对分割图像上2插值，并将插值后图像作为改进FCM算法的初始标号场；

(2)内中膜分割：使用FCM算法分割血管壁，其中每次迭代都需要更新像素和聚类中心间的距离d_s

d_s＝d²(-E₁(X)-E₂(X,Y))

E₁(X)，E₂(X,Y)是建立的空间约束，分别是和标号场X的分布、灰度场Y的条件分布相关的函数。可以由条件迭代算法(Iterative>

(3)后处理:由于图像中斑块噪声的存在，造成分割后图像上管腔所处的位置可能会出现一些离散的小区域，采用最大连通域准则进行处理，移除离散小区域，得到最终分割结果；

(4)标记边界：根据最终分割图像，使用离散一阶差分算子——Sobel算子提取内中膜边界。

模糊C均值颈动脉超声图像内中膜厚度测量系统，结构包括：

一、提取感兴趣区域模块，用于：

(1)图像裁剪，提取感兴趣区域ROI(Region of Interesting)前需裁剪原始超声图像，去除文字标识部分；

(2)图像降采样，采用双立方插值算法对裁剪后的图像两次降采样，其中采样因子分别为2和4，即采样后图像的行、列数分别为原图像的二分之一和四分之一；

(3)统计采样因子为4采样图像的灰度规律，自动选取阈值并对其二值化；

(4)寻找远端血管壁的近似位置，对二值图像形态学闭运算，填补图像中的孔洞，并根据远端血管壁位于超声图像下方的特点，利用连通域面积较大以及质心纵坐标较大的原则，选择期望的白色区域，其与黑色区域相交的上边界可认为是LII的近似位置；

(5)提取ROI，以LII的近似位置为标准，向上、向下取一定的像素尺度，分别作为ROI的上、下边界，在这一步骤中获得两个分别对应原始图像、采样因子为2采样图像的ROI；

二、图像滤波模块

选取双边滤波算法分别对两个ROI图像滤波；

三、内中膜分割模块，引入HMRF模型用于构建像素间的空间约束场，在标准FCM算法基

础上进行内中膜分割。

ROI分割模块，是采用改进的FCM算法分割原始图像的ROI，具体是指，在标准FCM算法基础上，引入HMRF模型用于构建像素间的空间约束场。

本发明的特点及有益效果是：

FCM聚类算法可以有效地处理医学图像中存在的部分容积效应现象，然而FCM算法存在对噪声敏感、算法收敛慢以及丢失图像像素间相关信息的缺点，因此如何克服标准FCM算法的这些缺点、有效的分割图像，是将其引入颈动脉超声图像内中膜厚度测量的关键。本设计针对FCM算法的缺点采用以下方法进行改进：在分类前对图像滤波；为算法提供相对准确初始聚类中心；在原算法的基础上引入HMRF空间约束，以获得有效的分割结果。实验证明，本设计中提出的算法可以较准确的分割图像，并获得较准确的IMT结果。同标准FCM算法相比，性能有较大的提升。有力的支持了临床中颈动脉超声图像内中膜厚度的测量，为IMT计算机辅助测量技术的进一步优化发展提供了参考，对专家手动测量的方式是很好的补充。

附图说明：

图1是本发明提供的颈动脉超声图像内中膜厚度测量方法的一个实施例的流程示意图；

图2是本发明提供的HMRF模型改进FCM算法的详细流程示意图；

图3是裁剪后的图像；

图4是降2采样图像；

图5是降4采样图像；

图6是二值图像；

图7是原始图像ROI；

图8是降2图像ROI；

图9是原始ROI的滤波图像；

图10是降2ROI的滤波图像；

图11是标准FCM聚类图像；

图12是形态学处理后图像；

图13是初始标号场；

图14是改进FCM分割后图像；

图15是最终分割图像；

图16是IMC的标记边界。

具体实施方式

本发明的目的是针对现有技术中存在的缺陷，引入HMRF模型对标准的模糊C均值算法进行改进，并结合图像的预处理过程，利用改善的算法对预处理后的图像进行分割，最终实现颈动脉超声图像的内中膜厚度测量。该方案能较准确的测量内中膜厚度，具有较好的理论价值和使用价值。下面结合具体的实施示例及附图说明，对本发明做进一步的详细描述。

一、提取感兴趣区域

(1)图像裁剪。提取感兴趣区域(Region of Interesting,ROI)前需裁剪原始超声图像，去除文字标识部分：在保证远端血管壁存在的条件下，裁剪320×400像素大小的图像区域(参见图3)。

(2)图像降采样。采用双立方插值算法对裁剪后的图像进行两次降采样，采样因子分别为2和4(采样后图像的行、列数分别为原图像的二分之一和四分之一)，采样后的图像参见图4、图5。

(3)统计降4采样图像的灰度规律，自动选取阈值并对其二值化。理想情况下，超声图像中血管的管腔和血管壁的灰度分别呈现出暗、亮的特点，因此根据图像灰度的统计规律，采用最大类间差法自适应获取灰度阈值，二值图像，(参见图6)。

(4)寻找远端血管壁的近似位置。超声图像中血管位置的不同、斑块噪声的存在，使二值图像可能存在多个白色区域。为了寻找与远端血管壁对应的白色区域，对二值图像形态学闭运算，填补图像中的孔洞。根据远端血管壁位于超声图像中、下方的特点，利用连通域面积较大以及质心纵坐标较大的原则，选择期望的白色区域，其与黑色区域相交的上边界可认为是LII的近似位置。

(5)提取ROI。正常颈动脉血管的IMT约在0.5mm到1mm的范围内，对应超声图像中约8-16个像素点。考虑到血管可能存在弯曲和病变的情况，我们以LII的近似位置为标准，向上、向下取一定的像素尺度(对原始图像分别是40、20，对降2图像分别是20、10)，分别作为ROI的上、下边界。在这一步骤中可以获得两个分别对应原始图像、降2采样图像的ROI图7和图8。

二、图像滤波

超声图像中的噪声会对边缘信息的提取带来显著影响，因此本发明选取双边滤波算法降低图像的斑块噪声。双边滤波算法是一种非线性滤波方法，计算量小，它在医学图像的去噪处理中有较好的表现，并且在去除噪声的同时能够较好地保持图像的边缘信息。该算法同时考虑了图像像素间的距离相似性和灰度值相似性，并且可以通过高斯分布来刻画。对图像f(x)，基于像素间距离相似性和灰度相似性的滤波输出为

其中g(x)是滤波后图像，是像素ξ和x的相似性函数，其中σ₁是定义域方差，σ₂是值域方差，为归一化函数。图9、图10是两种ROI的滤波结果。

三、内中膜分割

根据颈动脉血管的成像特点，本发明选取FCM聚类算法将血管壁分割为管腔、内中膜和外膜3类，分别标号为1、2、3。标准FCM算法从本质上讲是通过最小化像素到聚类中心的加权距离来实现图像分割的目的，该加权距离又被称为目标函数，其数学表达式如下：

上式中C是预先设置的聚类数目；N是图像中的像素数目；μ_ik是像素x_k对第i类的隶属度，满足条件m为预设的模糊因子；d_ik(x_k,v_i)＝||x_k-v_i||是像素x_k到聚类中心v_i的欧式距离。通过拉格朗日算子法最小化目标函数可以得到式(2)取得极小值的条件：

重复使用式(3)和式(4)，更新聚类中心和像素的隶属度，直到满足条件停止计算，算法收敛。也就是说当两次邻近迭代计算得到的隶属度的差小于预设的阈值时，迭代终止，实现图像像素的模糊聚类划分。

为了弥补标准FCM算法丢失图像空间信息的缺点，本发明引入HMRF模型用于构建像素间的空间约束场。在HMRF中，常用两个随机场来描述待分割图像，其中一个随机场是标号场X，可用先验分布P(X)描述其局部相关性。标号场X是马尔可夫场，满足Markov特性，其先验分布可表示为

其中S＝(1，…s}是图像中像素的集合，x_i∈(1，…，q}是像素i的类别标号，N_i为像素i的邻域。根据Hammersley-Clifford等价定理，所有像素的联合概率分布为

其中Z是归一化常数，U(x)是先验能量

V_c(x)是定义在基团c上的势函数，它仅与像素的邻域像素有关。综合考虑计算消耗和实用效果，我们选择二阶邻域，并用Potts模型估计V_c(x)。那么用伪似然近似逼近的先验概率可表达为：

其中β是控制邻域间作用强度的函数，n_i(x_i)是像素i邻域像素。

另一个随机场Y被称为灰度场或特征场，可以用分布函数P(Y|X)描述其观测数据或特征向量的分布。特征场Y指待分割图像，它是可观测的随机过程。图像分割是基于像素的特征属性和区域属性给每一个像素分配标号的过程。根据贝叶斯定理，其形式化表达如下：

P(X|Y)∝P(X)P(Y|X)(9)

这里P(X|Y)是图像的后验概率，条件分布函数P(Y|X)，通常用高斯分布描述：

其中为相同标记区域像素灰度的方差，μ_m为像素灰度的均值。Chatzis指出，HMRF模型的后验分布也满足模糊划分的形式，基于这一特性我们将P(Y|X)作为待分割图像的空间约束场，并引入FCM的距离函数，本发明中改进FCM算法定义的距离函数形式为：

d_s＝d²(-ln>2(-ln>

其中

令则距离函数的最终定义为：

d_s＝d²(-E₁(X)-E₂(X,Y))(14)

基于HMRF约束的FCM算法实现步骤如下：

(5)获取初始标号场。为了实现快速分割的目的，使用降2采样的ROI图像获取初始标号场。具体操作如下：通过峰值检测思想从待测图像的直方图中获得初始聚类中心；用标准FCM算法将图像聚为3类；此时得到的图11的各个区域存在许多孔洞，通过形态学闭运算填补孔洞(参见图12)；对分割图像上2插值，并将插值后图像作为改进FCM算法的初始标号场(参见图13)。

(6)内中膜分割。降采样后的图像与原始图像有类似的灰度分布，因此将初步分割过程中得到的聚类中心作为改进FCM算法的初始聚类中心。使用改进的FCM算法分割血管壁。其中每次迭代都需要更新像素和聚类中心间的距离d_s，空间约束E₁(X)和E₂(X,Y)可由条件迭代算法(Iterative>

(7)后处理。由于图像中斑块噪声的存在，造成分割后图像上管腔所处的位置可能会出现一些离散的小区域(参见图14)，而这些小区域不是我们期望的。我们采用最大连通域准则进行处理，移除离散小区域，得到最终分割结果图15。

(8)标记边界。根据最终分割图像，使用离散一阶差分算子——Sobel算子提取内中膜边界。

本发明的一个具体实例的流程如下：

(1)图像裁剪。首先裁剪掉超声图像周围的文字标识部分，在保证远端血管壁存在的条件下，截取320×400像素大小的图像区域。

(2)ROI提取。采用双立方插值算法降采样图像。对降4图像操作，寻找远端血管壁，获取降2采样图像的ROI以及原始图像的ROI。

(3)建立初始标号场。对降2ROI双边滤波，降低噪声带来的影响。通过峰值检测的思想从待测图像的直方图中获得初始聚类中心。采用标准FCM图像将滤波后的图像聚为管腔、内中膜和外膜3类。为了使初始标号场更完整，对分类后的图像使用形态学运算，并对处理后的图像上2采样，将结果作为改进FCM算法的初始标号场。

(4)内中膜分割。对原始ROI双边滤波，降低噪声带来的影响。将初始分割后得到的聚类中心作为随后分割过程的初始聚类中心。使用HMRF模型改进的FCM算法分割图像。移除分类结果图中的离散小区域。获取最终分割结果。

(5)后处理。根据分割图像，采用Sobel算子获取内中膜边界，随后经计算得到IMT。