基于超声图像处理的HIFU所致组织损伤自动检测方法：实验研究

田 灿，钱盛友 *，邹 孝，刘 备，王润民，江剑辉

(1.湖南师范大学物理与信息科学学院，湖南 长沙 410081；2.深圳普罗惠仁医学科技有限公司， 广东 深圳 518067)

HIFU治疗是近年兴起的一种非侵入局部治疗技术[1-2]，其原理是使超声波在目标区域聚焦，并形成局部高能量密度，组织温度瞬间可达65℃以上，并产生凝固性坏死，从而达到治疗肿瘤的目的[3-5]。HIFU治疗肿瘤是基于热机制对组织的损伤，因此治疗过程中实时监测组织损伤非常重要[6-7]。通过HIFU治疗中获取的实时图像，利用机器视觉技术自动检测出生物组织变性的位置，可帮助临床医师快速、客观定位治疗损伤区域，更好地掌控疗效进程和制定进一步的治疗方案。现有超声监控手段主要基于回波信号[8-9]和超声声像图。相对于回波信号，超声声像图更具直观性。HIFU治疗过程中获取的超声监控图像可反映组织损伤情况[10-12]。冯艳玲等[13]对HIFU辐照前后图像焦域附近进行二维亚像素级相关分析；陈华等[14]采用线性判别分析(linear discriminant analysis, LDA)方法对图像提取的特征参数进行处理；颜佩等[15]提取减影图像小波系数Hu矩等特征参数对组织损伤进行识别。上述方法均依赖图像配准技术[16]，且均需手动确定HIFU辐照区域，从而判别组织是否损伤。本研究根据HIFU辐照后超声声像图中HIFU损伤区域的特点，采用粗定位和损伤识别相结合的方法，探讨基于超声图像处理的HIFU所致组织损伤的自动检测方法。

1 实验系统与方法

实验系统主要由HIFU源、超声成像仪和计算机控制系统组成(图1)。HIFU探头为PRO2008系列(深圳普罗公司)，以Philips EnVisor型超声诊断系统获取超声声像图，并由PCI8001图像采集卡输入计算机。测试对象为新鲜离体猪肉。将离体猪肉置于HIFU探头正下方，保存并分析HIFU辐照前后的超声声像图。辐照后对离体猪肉切片进行肉眼观察，记录其损伤情况及位置，作为评价检测结果的依据。

2 HIFU损伤区域粗定位

对HIFU辐照后超声声像图进行灰度化处理后，截取ROI，使其包围住测试样本。①设计灰度极大区域搜索算法，定位图像中所有亮斑；②结合数学形态学、连通域标记及Canny边缘检测算法提取测试对象的边缘轮廓；③利用欧式判据筛选出HIFU损伤候选区。

图1 实验系统示意图

2.1灰度极大区域搜索 超声声像图中HIFU损伤区域呈现为局部亮斑，可将其视为灰度极大区域，其灰度值在中心处最大，向四周逐渐变小。具体算法：①遍历图像中所有像素点，寻找灰度最大值点，如灰度最大值>灰度阈值(T)，则该点可视为亮斑中心点，并保存其坐标值，以此为中心形成1个尺寸合适的矩形窗口；②将矩形窗口中所有像素灰度赋值为0后，再次遍历图像中所有像素点寻找灰度最大值点，以此类推，直到图像上灰度最大值≤T为止，完成图像上所有灰度极大区域的搜索。

由于超声声像图中大部分亮斑为扁平状，因此窗口应设计为宽大于高的矩形。通过前期实验测试，最终认为以最大灰度值为中心，上下分别取5个像素点、左右分别取9个像素点，即矩形窗口尺寸为19×11，可较好地包围住1个亮斑区域，同时又不影响相邻的亮斑区域。通过分析图像的灰度直方图发现大部分像素分布在灰度均值(G)附近，形成1个单峰，亮斑中心点T应设在单峰右侧(灰度值较大)像素数目较少处，故最终确定最优T为2G。

2.2测试对象边缘轮廓提取 数学形态学是以形态结构元素为基础对图像进行分析的数学工具[17]，其基本运算为膨胀和腐蚀。通过这2种基本运算可以生成许多其他的形态学运算。设f(x,y)是输入图像，b(x,y)是结构元素，用结构元素b对输入图像f进行膨胀和腐蚀的运算定义分别为：

(f⊕b)(s,t)=max{f(s-x,t-y)+b(x,y)|(s-x,t-y)∈Df,(x,y)∈Db}

(1)

(f⊙b)(s,t)=min{f(s+x,t+y)+b(x,y)|(s+x,t+y)∈Df,(x,y)∈Db}

(2)

先腐蚀后膨胀的过程为开运算，其定义为：

f·b=(f⊙b)⊕b

(3)

由于离体猪肉边缘存在声波反射，使其边缘分布多个零散亮斑，如在原图上直接提取猪肉边缘，则这些亮斑处会明显凹凸不平。为获取平滑的边缘轮廓，本研究利用开运算得到ROI背景图，而后对背景图进行阈值分割，并在二值图像的正反图像中2次使用连通域标记保留最大连通域[18]，去除分离的白色和黑色干扰区域后，得到完整的目标区域二值图像；最后利用Canny边缘检测算法得到目标区域的边缘轮廓图。

2.3筛选HIFU损伤候选区 利用灰度极大区域搜索算法定位图像中所有亮斑后，为排除边缘亮斑噪声干扰，计算所有亮斑中心至边缘线的欧式距离，筛选出HIFU损伤候选区。

设边缘轮廓图中灰度值为1的点横坐标为X，纵坐标为Y，如存在n个亮斑，第i(i=1,2…n)个亮斑中心点横坐标为m(i)，纵坐标为n(i)，计算第i个亮斑中心点至边缘线的距离(d)为：

d[X,Y,m(i),n(i)]=

(4)

其中第i个亮斑中心点至边缘线的最小距离记为dmin(i)，设距离函数阈值为Tj。排除dmin(i)

3 HIFU损伤识别

粗定位中，根据亮斑分布位置特性，可排除大部分噪声区。为进一步识别HIFU损伤，本研究最终选取可体现候选区HIFU损伤区和噪声区差异的2个特征参数，即最大灰度值和掩模(MASK)图的矩形度，并以支持向量机(support vector machine， SVM)分类器训练和测试对其进行对比分析。

3.1特征提取 ①由于HIFU治疗会导致图像中焦点处灰度值最大，因此选取最大灰度值作为特征参数。经由粗定位得到多个HIFU损伤候选区后，截取候选区作为样本并提取最大灰度值。将切片观察到出现组织损伤的区域判定为HIFU损伤区，无损伤区域视为噪声区。②矩形度特征参数的提取：由ROI原图与其背景图(通过数学形态学获得)相减得到差值图，选取其灰度直方图右侧波谷点的灰度值作为全局阈值，对其进行阈值分割，得到二值图像为含有所有亮斑区域的MASK图，截取其中与HIFU损伤候选区对应的部分，并提取矩形度。为证实MASK图矩形度的有效性，利用8幅ROI原图，分别获取8个HIFU损伤区(图2A)和8个噪声区对应的MASK图样本(图2B)。HIFU损伤和噪声MASK图样本形状存在差异，矩形度能够区分不规则形状，提示选取矩形度作为特征参数可有效区分HIFU损伤区和噪声区。

图2 候选区样本 A.HIFU损伤区MASK图； B.噪声区MASK图

设H为目标(灰度值为1的区域)的垂直高度，W为目标的水平宽度，A为目标的面积，矩形度(recognition rate， R)的定义为：

R=A/(H×W)

(5)

利用矩形度的倒数(R′)=1/R作为矩形度的数字特征。2个特征参数分别反映HIFU损伤区的灰度特性和几何特性。截取所有由ROI原图粗定位得到的HIFU损伤候选区和MASK图中对应部分作为样本，分别提取最大灰度值和矩形度用于SVM训练和测试。为验证这2个特征参数能否有效识别HIFU损伤区，随机选取4个HIFU损伤区和4个噪声区的最大灰度值和R′，在HIFU损伤和噪声图像中，2个特征参数均有一定差值(表1)，提示可通过SVM对其进行分类识别。

表1 HIFU损伤区和噪声区的特征参数

3.2SVM分类 SVM算法的主要任务是寻找满足样本分类要求的最优超平面，实现对线性可分数据的最优分类[19-20]。本研究SVM分类器选择径向基核函数，并采用交叉验证的方法选取最优参数，完成对HIFU损伤区域的分类识别。以正确识别率(correct recognition rate， Rc)和总识别率(summation recognition rate， Rs)来衡量系统的识别效果：

图3 灰度极大区域搜索 A.HIFU辐照前声像图； B.HIFU辐照后声像图； C.HIFU辐照前ROI原图； D.HIFU辐照后ROI原图； E.灰度极大区域搜索结果, 绿色标记处为亮斑中心 图4 离体猪肉边缘轮廓

图6 HIFU损伤识别 A、B.分别为最大灰度值训练、矩形度训练，红色“+”为HIFU损伤区，绿色“*”为噪声区，“o”为训练SVM时的支持向量； C、D.分别为最大灰度值测试、矩形度测试，红色“+”为HIFU损伤区，绿色“*”为噪声区，“o”表示该点判别错误

(6)

(7)

4 实验结果与分析

HIFU损伤区域粗定位见图3。利用数学形态学、连通域标记和Canny边缘检测算法提取的离体猪肉边缘轮廓图见图4。通过提取上述边缘轮廓，根据亮斑中心至边缘的距离筛选出HIFU损伤候选区，粗定位最终结果见图5。

本实验选取53张HIFU辐照后ROI原图，通过粗定位获得346个候选区，截取候选区和其MASK图中对应部分作为样本，以186个作为训练，160个作为测试。通过Matlab 2014a软件编程，将2个特征参数分别输入SVM中。SVM对训练样本的可视化图见图6A、6B，图中HIFU损伤区大致分布在噪声区上方，说明HIFU损伤区的2组特征参数大致高于噪声区，即2组特征参数对HIFU损伤和噪声具有一定区分能力。SVM对测试样本的测试结果见图6C、6D，错误识别基本集中在分界地带。最大灰度值的正确识别率和总识别率分别为83.33%和86.25%，矩形度的正确识别率和总识别率分别为91.25%和93.33%。

通过SVM训练后的模型，以矩形度对5幅ROI原图的HIFU损伤进行自动检测，见图7。与辐照后切片对比，发现图7仅红色标识处对应的猪肉组织呈白色亮块，提示采用上述方法可检测出HIFU损伤的位置，且可正确识别不存在损伤的图像。

图7 HIFU损伤自动检测结果 A、B.1处HIFU损伤粗定位结果； C、D.1处HIFU损伤识别后的最终检测结果； E、F.2处HIFU损伤粗定位结果及识别后的最终检测结果; G、H.3处HIFU损伤粗定位结果及识别后最终检测结果； I、J.无HIFU损伤粗定位结果及识别后最终检测结果 黄色框为HIFU损伤候选区，红色框中为HIFU损伤区

5 结论

本研究采用先定位HIFU损伤候选区域，再通过SVM分类器进行识别的策略，同时利用灰度极大区域搜索算法实现HIFU损伤检测的自动化过程。与传统方法相比，本方法基于HIFU辐照后的超声声像图进行研究分析，解决了HIFU辐照前后图像必须进行配准的难题，有利于减少手动定位的误差，为有效监控HIFU治疗提供了重要方向。