基于三维超声图像的主颈动脉血管分割方法

【作 者】杨鑫，吴慧慧，刘洋，徐红卫，梁华庚，蔡文娟，方梦捷，王钰洁，丁明跃,

1 华中科技大学图像识别与人工智能研究所；多谱信息处理技术国防科技重点实验室，武汉市，430074

2 华中科技大学生命科学与技术学院生物医学工程系；图像信息处理与智能控制教育部重点实验室，武汉市，430074

3 华中科技大学同济医学院附属协和医院泌尿科，武汉市，430074

4 郑州大学第五附属医院，郑州市，450052

5 湖北科技学院生物医学工程学院，咸宁市，437100

0 引言

世界卫生组织统计数据显示，心血管疾病(Cardiovascular Diseases， CVDs)是世界上三大致死疾病之一[1]，其中粥样硬化及其引起的相关疾病，如糖尿病[2]、高血压[3]、风湿和关节炎[4]等，是发达国家和发展中国家最致命的疾病之一。开展粥样硬化的早期预防、诊断和治疗研究，对于识别具有高危中风危险的病人，加强病人的管理，减小中风的概率具有重大意义与临床价值[5-6]。

研究表明，监控动脉粥样硬化的发展，对降低心血管疾病死亡率有着极其重要的影响[7]。颈动脉粥样硬化发生时，主颈动脉(Common Carotid Artery，CCA)血管壁增厚先于斑块产生，随着血管壁增厚、形成斑块，进而血管狭窄，是其典型病症。所以，颈动脉血管壁厚度和血管内外轮廓形态，是衡量其病变程度的重要指标之一[8]。

在诸多医学成像模式中，超声成像技术具有无创、便携、成本低等优点[9]，常作为医学诊断的工具之一。通过预先了解内中膜厚度（IMT，intimamedia thickness）和血管内外轮廓的变化情况，可采取相关积极手段，防治颈动脉粥样硬化及其伴随性疾病。所以，基于超声图像的厚度测量和血管提取成为近年的研究热点。

首先，就血管壁厚度测量而言，CULEX(Completely User-independent Layer Extraction)[10]和CALEX (Completely Automatic Layer Extraction)[11]是迄今为止最新颖、最智能的方法。两者均可实现全自动厚度测量，但其算法实现难度大、计算复杂度高。其次，就血管提取而言，文献[12]对血管内超声(IVUS)序列图像的处理方法进行了探讨，但其结果缺乏血管的整体轮廓信息，且未应用于三维B-Mode超声图像，也未开展方法评价工作，无法根据主颈动脉CCA获得最接近真实的血管厚度值与轮廓信息。

本文提供一种能全方位、多角度、快速、准确且易于实现、操作方便的主颈动脉CCA血管提取和厚度测量方法。

1 方法

基于颈部超声图像的主颈动脉血管提取和厚度测量方法流程图如图1所示。

图1 本文方法的步骤流程图Fig.1 Flowchart of the proposed method

具体步骤如下：

步骤1 读取颈部超声三维体数据，基于主颈动脉分叉点标记主颈动脉血管中心轴；

步骤2 依据中心轴，按三视图方向切分颈部超声三维体数据，得到二维横断面、矢状面和冠状面序列图像；

步骤3 依据二维横断面序列图像，提取三维主颈动脉血管轮廓；

步骤3.1 在二维横断面序列图像的每一张图像中，分别选取各主颈动脉血管感兴趣区域，并对该区域进行预处理；

步骤3.2 在预处理后的各主颈动脉血管感兴趣区域中，分别分割得到各主颈动脉血管的内、外轮廓；

步骤3.2.1 在二维横断面图像预处理后的主颈动脉血管感兴趣区域中，利用形态学方法，提取主颈动脉血管的内轮廓；

步骤3.2.2 依据主颈动脉血管的内轮廓进行椭圆拟合，将拟合得到的椭圆放大后，作为主颈动脉血管的初始外轮廓。椭圆放大比例系数优选在1.02～1.08之间。本文放大的含义为椭圆的长半轴、短半轴乘以放大比例系数，椭圆的圆心和倾角不变；

步骤3.2.3 依据主颈动脉血管初始外轮廓，采用GVF-Snake算法演化得到主颈动脉血管的最终外轮廓。

步骤3.3 依据3.2.3确定的内、外轮廓，按其空间位置关系三维重建，得到三维主颈动脉血管轮廓；

步骤4 依据二维矢状面序列图像，计算矢状面的内中膜厚度；

步骤4.1 在二维矢状面序列图像的每一张图像中，分别选取各主颈动脉血管感兴趣区域，并对各主颈动脉血管感兴趣区域预处理；

步骤4.2 在预处理后的各主颈动脉血管感兴趣区域中，分别分割得到各主颈动脉血管的内、外轮廓，并计算各感兴趣区域的内中膜厚度；

步骤4.2.1 利用图像信息对感兴趣区域粗分割；

步骤4.2.2 利用模糊聚类对感兴趣区域细分割，获得“血管腔、内膜”和“中膜、外膜”和“外膜以外组织”三类；

步骤4.2.3 计算该二维矢状面ROI内中膜厚度。

步骤4.3 依据各感兴趣区域的内中膜厚度，统计计算其均值，即为矢状面的内中膜厚度；

步骤5 依据二维冠状面序列图像，计算冠状面的内中膜厚度；

步骤5.1 在二维冠状面序列图像的每一张图像中，分别选取各主颈动脉血管感兴趣区域，并对各主颈动脉血管感兴趣区域预处理；

步骤5.2 在预处理后的各主颈动脉血管感兴趣区域中，分别分割得到各主颈动脉血管的内、外轮廓，并计算各感兴趣区域的内中膜厚度；

步骤5.2.1 采用数学形态学方法，在二维冠状面图像经预处理（依次为：图像阈值化、填充空洞、去除毛刺、修正初始内膜轮廓）后，获得主颈动脉血管感兴趣区域中初始化内轮廓；

步骤5.2.2 根据初始内轮廓，采用经典蛇形（Snake）方法，计算得出内膜的最终轮廓；

步骤5.2.3 将内膜初始轮廓向下平行移动，作为初始外膜轮廓；

步骤5.2.4 根据初始外轮廓，采用梯度向量场方法（GVF-Snake）方法，计算得出外膜的最终轮廓；

步骤5.2.5 计算该二维冠状面ROI内中膜厚度。

步骤5.3 依据各感兴趣区域的内中膜厚度，统计计算其均值，即为冠状面的内中膜厚度；

步骤6 结果评价与分析。

将手动分割结果作为金标准，同步骤3、4、5的分割结果相比较，计算分割结果的相似系数DSC(Dice Similarity Coefficient)、平均绝对距离MAD(Mean Absolute Distance)和最大绝对距离MAXD(Maximum Absolute Distance)，并进行验证与分析。

相似系数DSC是一种度量分割算法的标准，用于评价面积的相似度，计算方法见式（1）。

其中，RM和RA分别表示手动轮廓围绕的区域和算法轮廓围绕的区域。相似系数DSC越接近1，说明两方法的接近程度越高。

平均绝对距离MAD和最大绝对距离MAXD，都是用来度量分割算法的标准，用于评价距离相似度。假设手动轮廓点集为{mi: i=1,…,k}，对应算法轮廓点集为A={ai: i=1,…,k}，则：

其中，d(mi,A)为手动轮廓与算法轮廓的对应点间的相对距离。平均绝对距离MAD和最大绝对距离MAXD越小，说明两种轮廓的接近程度越高。

2 结果

下面结合具体实例及实验结果，给出了验证方案与结果。

(1)步骤1中，主颈动脉分叉点“BF”和中轴，如图2所示。

图2 主颈动脉结构、分叉点、中轴及三视图的示意图Fig.2 Schematic diagram of CCA,BF,axis and three views

(2)步骤2中，切分颈部超声，分别得到二维横断面序列图像、二维矢状面序列图像和二维冠状面序列图像。三维体数据3D_Data按垂直于颈动脉中心轴方向进行切分，得到二维横断面序列图像(2D_Data_Z)。一般，二维横断面序列图像至多有13～15张，取第13张作为示例说明，如图3(a)所示；按平行于颈动脉中心轴方向、从侧面投影进行切分，得到二维矢状面序列图像(2D_Data_Y)。一般，二维矢状面序列图像至多有4～6张，取第2张作为示例说明，如图3(b)所示；按平行于颈动脉中心轴方向、从正面投影进行切分，得到二维冠状面序列图像(2D_Data_X)。一般，二维冠状面的序列图像至多有3张，取第1张作为示例说明，如图3(c)所示。

图3 按步骤2切分三维体数据3D_Data结果示意图Fig.3 2D sliced images from the 3D_Data according to step 2

(3)依次按步骤3，最终内轮廓结果如图4(a)所示，其中实心圆形点表示手动分割轮廓；实线表示本文分割轮廓。最终外轮廓，采用GVF-Snake算法演化得到，如图4(b)所示，其中实心菱形点表示手动分割轮廓；实心方形点表示本文分割轮廓。最后对所有二维横断面序列图像处理后，获得每一张的血管内、外轮廓。将所有轮廓，依照空间位置关系顺序堆叠，三维重建得到三维主颈动脉血管；三维重建后，即可获得主颈动脉CCA的面积、体积等参数，依据本文方法的二维横断面轮廓重建的结果如图4(c)所示。

图4 按步骤3处理二维横断面结果示意图Fig.4 Processing results of the 2D transverse image according to step 3

(4)依次按步骤4，最终结果如图5所示。其中，图5(c)两虚线的平均间距即为该二维矢状面的内中膜厚度。

图5 按步骤4处理二维矢状面结果示意图Fig.5 Processing results of the 2D sagittal image according to step 4

(5)依次按步骤5，最终结果如图6所示。其中，图6(c)两实线的平均间距即为该二维冠状面的内中膜厚度（虚线和实线分别表示初始轮廓和最终轮廓）。

图6 按步骤5处理二维冠状面结果示意图Fig.6 Processing results of the 2D coronal image according to step 5

特别需要指出的是，与二维横断面处理不同，对二维冠状面、矢状面序列图像的每一张，经过步骤4和步骤5后，分别进行结果统计分析，可获得冠状面、矢状面血管内中膜厚度IMT的均值、方差等参数，作为血管整体评价指标。

(6)按步骤6进行结果比较。本文方法的二维横断面、矢状面和冠状面序列图像的分割结果，分别与手动结果比较，统计结果如表1所示（其中距离测度的单位为mm）。

表1 本文算法分割结果与手动分割结果比较Tab.1 Segmentation results comparison of our algorithm and manual approach

3 讨论

从表1可以看出：（1）本文中所采用的分割方法，与专家手动分割方法相当，验证了其可行性与鲁棒性；（2）在二维横断面的序列图像分割中，本文方法与专家手动分割方法有较高的相似度，相似系数DSC均大于90%，平均绝对距离MAD和最大绝对距离MAXD均在误差范围内；（3）在二维矢状面和冠状面的IMT测量中，两方法均与手动测量IMT金标准相当，平均误差均在1 mm左右；（4）二维矢状面的测量结果优于二维冠状面，这与序列图像的数量、质量、具体分割方法均有一定关系。另外，从操作时间上比较，本文在3 min内即可完成一个三维体数据的测量，而经验丰富的医生则往往需要8 min才能完成手动测量。且比文献[13]方法要准确，比文献[14]要简单、便捷。

与传统的血管提取和厚度测量方法相比，本文提供的基于颈部超声图像的主颈动脉CCA血管提取和厚度测量方法，有以下区别：

(1)不同于传统方法在某一个面上进行血管提取和厚度测量，本文将颈部超声三维体数据，按三视图方向投影切分，分别得到二维横断面、矢状面和冠状面的序列图像，并在各投影面上分别进行处理，进而因地制宜；且不同于传统方法在某一个面的单帧图像上进行血管提取和厚度测量，本文有针对性地对三个面的序列图像分别进行处理，经血管分割、提取、测量和计算后，可充分利用原有的完整三维数据信息，获得全方位的血管参数，如：血管厚度、面积、体积和斑块大小、数量等；

(2)在二维横断面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，本文结合血管形态，引入圆、椭圆作为形状先验信息，更加有效的分割血管。分割得到各主颈动脉血管的内轮廓时，引入Hough变换圆检测，获得血管圆心位置和半径参数，从而可指导后续数学形态学中的结构基元大小改变，优化内轮廓分割结果；为了更好的呈现分割结果，有针对性对内轮廓进行后处理；在二维横断面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，演化得到各主颈动脉血管的外轮廓前，引入椭圆拟合策略作为先验知识，并将拟合的椭圆作为初始外轮廓，更符合血管的生理形状；在二维横断面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，演化得到各主颈动脉血管的外轮廓时，引入主动轮廓模型ACM方法，以解决血管外轮廓的弱边界、难以区分的问题；

(3)在二维矢状面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，分割得到各主颈动脉血管的内、外轮廓时，采用“粗-细”两层分割结构；在“粗分割”时，利用灰度阈值条件和均值方差阈值条件加以约束；在“细分割”时，首先引入模糊C均值（FCM）聚类算法；其次将血管组织划分为多类；最后再分别合并为三类——“血管腔”、“内中膜”和“外膜及外组织”，获得各交界面轮廓，以提高矢状面内中膜厚度测量的准确度；

(4)在二维冠状面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，分割得到各主颈动脉血管的内、外轮廓时，利用数学形态学方法获得其初始内、外轮廓；再通过演化得到最终内、外轮廓；在二维冠状面图像的内中膜分割中，在Snake算法基础上再次引入GVF-Snake算法，解决了深度凹陷问题，提高了冠状面内中膜厚度测量的精确度。

综上所述，本文提供的基于颈部超声图像的主颈动脉CCA血管提取和厚度测量方法能有效地应对超声图像的多样性，达到准确、快速分割血管和测量厚度的目的；经定量分析与比较，本方法与手动分割、测量方法误差相当，其应用可直接减轻医务工作者的手动标记工作量；基于本文方法分析所得的临床参数（如：血管厚度、面积、体积和斑块大小、数量等），不仅可以直观定量地反映血管病变，而且能为颈动脉粥样硬化的早期防治提供更多的指导意义。

4 结论与展望

本文基于三维超声图像的主颈动脉血管分割方法，不仅能获得二维序列冠状面、矢状面图像IMT的平均厚度，还可获得横断面主颈动脉的面积、体积等参数，可为医生临床诊断提供指导与帮助。

在未来，血管分割面临着高精度与低复杂度之间的矛盾，在医学影像学的科研实践中，医学图像标准数据集和评估方法的建立，对医学图像分析研究的推动具有重要意义，所以为了准确地评估分割算法性能，还需更深入的进行验证性重复检查研究[15]和有效性的研究[16]。

[1]Celermajer DS,Chow CK,Marijon E,et al.Cardiovascular disease in the developing world: prevalences,patterns,and the potential of early disease detection[J].J Am Coll Cardiol,2012,60(14): 1207-1216.

[2]邹春鹏,吴笑英,黄品同,等.2 型糖尿病合并高脂血症患者颈动脉内膜-中层厚度与动脉弹性的相关性研究[J].中华超声影像学杂志,2010,(3): 212-215.

[3]吴长君,张璐,张春梅,等.应用内中膜厚度及动脉僵硬度定量检测技术评价高血压患者颈动脉弹性[J].中华超声影像学杂志,2011,20(5):386-389.

[4]Guin A,Chatterjee Adhikari M,Chakraborty S,et al.Effects of disease modifying anti-rheumatic drugs on subclinical atherosclerosis and endothelial dysfunction which has been detected in early rheumatoid arthritis: 1-year follow-up study[C].Semin Arthritis Rheum,2013.

[5]李秋萍,华扬.颈动脉粥样硬化的超声检测与临床相关性研究进展[J].中国脑血管病杂志,2009,6(6): 317-321.

[6]胡大一,向小平.动脉粥样硬化早期检测的临床应用[J].中国心血管病研究杂志,2007,5(2): 82-82.

[7]Lloyd-Jones D,Adams RJ,Brown TM,et al.Heart disease and stroke statistics—2010 update[J].Circulation,2010,121(7): e46-e215.

[8]Touboul PJ,Grobbee DE,den Ruijter H.Assessment of subclinical atherosclerosis by carotid intima media thickness: technical issues[J].Eur J Prev Cardiol,2012,19(2 suppl): 18-24.

[9]Saba L,Sanfilippo R,Montisci R,et al.Carotid artery wall thickness: comparison between sonography and multi-detector row CT angiograph [J].Neuroradiology,2010,52(2): 75-82.

[10]Delsanto S,Molinari F,Giustetto P,et al.CULEX-completely userindependent layers extraction: ultrasonic carotid artery images segmentation[C].Conf Proc IEEE EMBS,2005,6: 6468-6471.

[11]Molinari F,Zeng G,Suri JS.Intima-media thickness: setting a standard for a completely automated method of ultrasound measurement[J].IEEE Trans Ultrason Ferroelectr Freq Control,2010,57(5): 1112-1124.

[12]孙正,杨宇.基于 snake 模型的 IVUS 图像序列三维分割方法[J].工程图学学报,2012,32(6): 25-32.

[13]李国宽,程新耀,周渊,等.超声图像中颈动脉血管内外膜分割[J].华中科技大学学报: 自然科学版,2010,38(6): 75-79.

[14]Cheng X,Zhou Y,Jin Y,et al.Intima-medial thickness homogeneity in the common carotid artery: Measurement method and preliminary clinical study[J].JClin Ultrasound,2012,40(9):559-565.

[15]杨颖,勇强,梁立荣,等.超声检测颈动脉内-中膜厚度的重复性评价[J].中华超声影像学杂志,2010,19(2): 120-123.

[16]唐力,程艳彬,任卫东,等.实时三维超声测定颈动脉斑块体积的临床价值[J].中华超声影像学杂志,2010,(2): 116-119.