基于超声图像小波分形维和熵监测生物组织凝固性坏死

陈　华，赵新民，谭乔来，邹　孝，钱盛友，江剑晖

(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)



基于超声图像小波分形维和熵监测生物组织凝固性坏死

陈华1，赵新民1，谭乔来1，邹孝1，钱盛友1，江剑晖2

(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)

摘要:高强度聚焦超声(HIFU)治疗肿瘤过程中，辨别组织是否发生凝固性坏死非常重要. 本文从数字图像处理的角度出发，研究利用超声图像的小波分形维和熵监测生物组织变性的可行性. 将高强度聚焦超声打击新鲜猪肉组织后获得的超声图像与打击前的超声图像做差值处理，截取焦域中心64×64像素的图像，然后提取其小波分形维和熵作为参量信息，比较不同参量对组织凝固性坏死的辨识效果. 实验表明，提取小波分形维和熵特征并输入BP神经网络，相对于仅使用某种特征参数而言有更高的识别率，可为临床监测生物组织是否有凝固性坏死发生提供有力的依据.

关键词:高强度聚焦超声； 组织变性； 小波分形维； 熵； BP神经网络

0引言

近年来，高强度聚焦超声(HIFU)治疗越来越受到医学界的关注，已经步入临床应用阶段[1]. 该方法主要是通过超声换能器将超声能量从体外聚焦于体内靶组织，使靶组织在 1 s 内迅速升温至 60 ℃以上，发生凝固性坏死来杀死肿瘤细胞以达到治疗的目的[2-4]. 在治疗过程中，做到实时监控是非常重要的. 明文等[5-6]通过对超声回波信号的特征提取来进行生物组织的损伤评价，但实际应用中实现比较复杂. 因超声图像具有直观性和可视性，因此在临床医疗中医生一般是通过观察患者的超声图像来进行治疗. 有研究表明，HIFU治疗中获取的B超监控图像特征能反映组织损伤程度的变化[7-8]，因此本文从数字图像处理的角度出发，提取B超图像纹理特征参数(小波分形维和熵)，探讨B超图像与生物组织变性之间的关系，可以帮助临床医生实时有效监控，对提高治疗效果有重要意义.

1基本理论

1.1小波分形维

分形维反映了复杂形体占有空间的有效性，它是复杂形体不规则性的量度. 通常直线或曲线是1维的，平面或球面是2维的，具有长、 宽、 高的形体是3维的，然而对于分形如海岸线、 科赫曲线等的复杂性无法用维数等于1, 2, 3这样的数值来描述. 它的维数在1和2之间，维数是分数,这个维数就是分形维. 在分形维的计算方法中，盒子法采用较为普遍. 其原理为将图像看做三维的曲面，然后计算覆盖的盒子数，即可得到分形维数[9]. 对于一幅M×M大小的图像，将其看做三维空间的一个曲面. 长为M、 宽为M、 高为L(L为图像的像素级数，一般取L=256). 将其所在平面(M×M)分为R×R大小的网格，对高度坐标也进行相同的划分，不过划分的单位为R*L/M. 这样，图像所在三维空间就被划分成很多盒子. 看得出来，这样划分的目的是使长宽方向和高度方向的划分次数相同. 在被划分成的每个R×R大小网格内，找出最大像素值u和最小像素值b. 假设当前是第(i,j)个网格，则最少一共要几个盒子才能覆盖住,盒子个数记为n(i,j). 则

(1)

式中： []表示取整，然后对每个R×R大小网格内的盒子数求和，记为N. 则

(2)

此时理论上分形维数为

(3)

改变R的值，求出一组N来，应用线性拟合，所得直线的斜率就是分形维数D.

分形维数是描述图像纹理的一个很好的特征，但是单一的分形维数不能提供足够信息以描述和识别图像纹理. 在小波变换中，近似值是大的缩放因子产生的系数，表示信号的低频分量； 而细节值是小的缩放因子产生的系数，表示信号的高频分量. B超图像可认为是一维超声回波信号的二维扩展，对超声图像进行一层小波分解后会得到1幅近似子图和3幅细节子图(包括水平分量，垂直分量和对角分量). 其细节子图是原图像的高频分量，包含了主要的纹理信息. 另分形与小波存在着深刻的内在联系，它们在尺度变换上具有一致性，因此，把小波和分形结合起来提取数字图像特征可以弥补单纯应用分形提取特征产生的不足[10]. 本文使用小波分解函数db2对超声差值图像进行两层小波分解，提取其第一层细节子图的水平分量，利用上面所述的盒子法再对提取出的水平分量求其分形维数，就得到了小波分形维. 组织有凝固性坏死发生和没有凝固性坏死发生的超声图像其纹理是不一样的，因此小波分形维在一定程度上能描述这两种图像纹理的不规则程度.

图1　小波分解后的近似子图和细节子图

1.2熵

图像纹理反映的是图像的一种局部结构化特征，具体表现为图像像素点某邻域内像素点与灰度级或者颜色的某种变化，由纹理基元和基元的排列两个要素构成. 在描述图像纹理时，熵作为统计特征，可以用来描述某图像所包含的信息量. 熵在数字图像处理中可用于测量其灰度级分布随机性. 对于一张图像来说，其所包含的总信息量的大小可用式(4)来表示

(4)

因此，用熵来描述组织有凝固性坏死发生和没有凝固性坏死发生的超声图像，可表明两种不同图像其内容混乱的程度或两种不同图像所包含信息量的大小.

1.3BP神经网络

BP神经网络是一种按误差反向传播算法训练的多层前馈网络，能学习和存贮大量的输入输出模式映射关系，因其对训练对象具有很好的记忆功能和外推能力而获得广泛的应用. 另外BP网络具有很强的非线性映射能力，一个3层BP神经网络能够实现对任意非线性函数进行逼近. 本文选用3层BP神经网络来进行聚类分析，由输入层，隐含层和输出层构成，隐含层采用logsig函数作为传递函数，而输出层采用线性函数作为传递函数.

图2　实验系统Fig.2　Experimental system

2实验系统设计

实验系统如图2 所示. 实验所用的 HIFU探头为深圳普罗公司生产的PRO2008系列，其中心频率为1.18 Hz，几何焦距为13 cm, 最大输出声功率为400 W. 组织样品置于HIFU探头的正下方. B超图像由PHILIPS公司生产的EnVisor型超声诊断系统获取，并经 PCI8001图像采集卡送入计算机. 通过改变HIFU源功率以及击打方式重复进行大量实验，然后用MATLAB自编程序对实验数据进行处理. 超声图像如图3～图5 所示.

图3　HIFU打击前的超声图像Fig.3　The ultrasound images before HIFU

图4　HIFU打击后的超声图像Fig.4　The ultrasound images after HIFU

图5　焦域中心64×64大小的差值图像Fig.5　The subtraction image of 64 * 64 size in focal region center

3仿真结果与分析

3.1超声图像处理

实验过程中保持测试条件基本不变，组织初始温度为37 ℃，即为基准温度. 实验共采用了12种不同剂量，如表1 所示. 通过改变源功率、 击打时间、 击打间隔和击打次数，收集了130例离体新鲜猪肉组织经HIFU辐照后的B超图像，在每例实验结束后通过切片观察猪肉组织是否发生凝固性坏死，未发生凝固性坏死的用1表示，有凝固性坏死发生的用2表示. 运用MATLAB编程对获得的HIFU辐照前后的B超图像进行去噪处理和差值处理，截取焦域中心64×64大小的差值图像，然后编程提取其小波分形维和熵作为参量信息.

表1　实验采用HIFU剂量及凝固性坏死情况

用MATLAB编程所得出的结果中，没有凝固性坏死发生的超声差值图像的小波分形维在1.549 2～2.097 0 之间变化； 有凝固性坏死发生的超声差值图像的小波分形维在2.080 5～2.151 1之间变化. 而求得没有凝固性坏死发生的超声差值图像的熵在1.360 7～2.162 2之间变化； 有凝固性坏死发生的超声差值图像的熵在2.094 1～3.517 2之间变化.

3.2基于单参数的组织凝固性坏死识别

从130组样本数据中随机选取50组超声差值图像的小波分形维和熵作为训练样本，根据前面所介绍的构建BP神经网络的方法，构建3层BP神经网络进行分类识别. logsig作为输入层与隐含层之间的传递函数，纯线性函数作为隐含层和输出层的传递函数，目标向量为其对应的1和2.

训练完成后，将剩余80组组织样本(样本编号1～29为没有凝固性坏死发生的组织、 样本编号30～80为有凝固性坏死发生的组织)的小波分形维和熵分别输入到各自训练好的网络中对其进行辨识，观察其输出值如图5 和图6 所示. 图中“○”表示没有凝固性坏死发生，“*”表示有凝固性坏死发生，横坐标表示样本编号.

图7　基于熵的组织凝固性坏死辨识Fig.7　Recognition of tissue coagulation necrosis

比较两个参量对组织是否有凝固性坏死发生的辨识效果，由图5 和图6 可知，针对没有凝固性坏死发生的组织，基于熵的辨识效果较好； 针对有凝固性坏死发生的组织，基于小波分形维的辨识效果较好. 针对小波分形维和熵的辨识结果，80组组织样本是否发生凝固性坏死辨识正确的分别有75例、 76例，总辨识率分别为93.75%和95%.

3.3基于双参数的组织凝固性坏死识别

为进一步提高组织凝固性坏死识别率，结合小波分形维和熵两个参量构建了3层BP神经网络进行模式识别. 将上述50组样本的小波分形维和熵相对值组成一个50*2矢量矩阵作为训练样本，将其输入后进行学习，训练样本的目标向量为其对应的1和2.

训练完成后，将剩余80组组织样本的小波分形维和熵相对值输入到已经训练好的网络中对其进行辨识，观察其输出值. 如图8所示，图中“○”表示没有凝固性坏死发生，“*”表示有凝固性坏死发生，横坐标表示样本编号. 图7所示的是基于双参数的训练样本分布，横坐标表示熵，纵坐标表示小波分形维，图中“○”表示没有凝固性坏死发生，图中“*”表示有凝固性坏死发生.

图8　基于双参数的训练样本分布Fig.8　Training sample distribution based ontwo parameters

图9　基于双参数的组织凝固性坏死识别Fig.9　Recognition of tissue coagulationnecrosis based on two parameters

从图7中可以看出，表示两个参数的坐标点几乎没有交叉，凝固坏死和没有凝固坏死的区域分界清晰. 从图8可以看出，采用训练好的BP神经网络进行组织凝固性坏死识别，能有效区分组织是否发生凝固性坏死. 实验表明，结合两个参量建立神经网络相对于仅使用某种参量而言对组织是否发生凝固性坏死的识别率均有所提高，分类效果更好.

4结论

本文从数字图像处理的角度出发研究了HIFU治疗中组织凝固性坏死的辨识方法，为HIFU治疗过程监控提供了一种新的思路. 通过对130例新鲜离体猪肉组织在HIFU辐照前后获得的B超差值图像的小波分形维和熵进行分析发现： 其各自都能反映组织是否有凝固性坏死的发生，综合小波分形维和熵特征并输入BP神经网络可获得更好的辨识效果，能有效识别出组织是否变性. 通过监测HIFU治疗中生物组织凝固性坏死情况，有助于对HIFU治疗剂量的调整，同时对疗效评价也能提供一定的参考. 在下一步的工作中，将进一步深入研究组织凝固性坏死情况与HIFU剂量和相关参量的内在关系，有望为临床治疗监控生物组织变性提供更有力的依据.

参考文献：

[1]钟徽，万明习，江一峰，等. 高强度聚焦超声软组织损伤超声监控成像与评价方法[J]. 声学学报，2006, 5(31)： 247-254.

Zhong Hui, Wan Mingxi, Jiang Yifeng, et al. Ultrasound imaging and evaluation of lesion induced by High Intensity Focused Ultrasound(HIFU)[J]. Acta Acustica, 2006, 5(31)： 247-254. (in Chinese)

[2]朱道静，周崑. 高强度聚焦超声治疗肝细胞型肝癌的现状与进展[J]. 临床超声医学杂志, 2014, 16(4)： 259-260.

Zhu Daojing, Zhou Kun. High intensity focused ultrasound for hepatocellular carcinoma： currentdevelopment and progress[J]. JournalofUltrasoundinClinicalMedicine, 2014, 16(4)： 259-260. (in Chinese)

[3]邹建中，龚晓波，贺雪梅，等. 高强度聚焦超声辐照离体组织靶区无灰度变化有坏死现象的研究[J]. 临床超声学杂质，2008, 10(9)： 581-583.

Zhou Jianzhong, Gong Xiaobo, He Xuemei, et al. Gray value invariance and necrosis formation in target tissue receiving HIFU irradiation[J]. Journal of Ultrasound in Clinical Medicine, 2008, 10(9)： 581-583. (in Chinese)

[4]Hu Jiwen, Ding Yajun, Qian Shengyou, et al. Simulations of adaptive temperature control with self-focused hyperthermia system for tumor treatment[J]. Ultrasonics, 2012, 53 (1), 171-177.

[5]明文，钱盛友，赵新民，等. 基于超声散射回波的组织损伤程度监测方法[J]. 测试技术学报，2014, 28(3)： 210-213.

Ming Wen, Qian Shengyou, Zhao Xinmin，et al. A method of monitoring tissue damage degree on the backscattered ultrasonic echoes[J]. Journal of Test and Measurement Technology, 2014, 28(3)： 210-213. (in Chinese)

[6]明文，谭乔来，钱盛友，等. 基于小波能量和小波熵的组织损伤评价研究[J]. 测试技术学报，2014, 28(3)： 209-213.

Ming Wen, Tan Qiaolai, Qian Shengyou, et al. Research on evaluation of tissue damage based on wavelet energy and wavelet entropy[J]. Journal of Test and Measurement Technology, 2014, 28(3)： 209-213. (in Chinese)

[7]邹孝，钱盛友. 一种基于B超图像处理的生物组织变性监测方法[J]. 计算机工程与科学，2011, 33(12)： 57-60.

Zou Xiao, Qian Shengyou. A method to check biological tissue denaturation based on mode B ultrasonic image processing[J]. Computer Engineering and Science, 2011, 33(12)： 57-60. (in Chinese)

[8]Hou Zhenxiu, Zhao Yongping, Chen Xinliang, et al. A study of three dimensional tumor figure creating and treatment trail in HIFU[J]. Journal of Harbin Institute of Technology (New Series), 2006, 13(3)： 255-257.

[9]Gagnepain J J, Roques-Carmes C. Fractal approach to two dimensional and three dimensional surface roughness[J]. Wear(0043-1648), 1986, 109(1-4)： 119-126.

[10]张卉. 基于分形与小波理论的特征提取方法研究与应用[D]. 武汉： 武汉理工大学，2008.

Monitoring Coagulation Necrosis of Biological Tissue Based on Wavelet Fractal Dimension and Entropy

CHEN Hua1, ZHAO Xinmin1, TAN Qiaolai1, ZOU Xiao1, QIAN Shengyou1, JIANG Jianhui2

(1. College of Physics and Information Science, Hunan Normal University, Changsha 410081, China；2. Shenzhen Pro-hifu Midical Tech. Co. Ltd., Shenzhen, Guangdong 518067, China)

Abstract:It is very important to recognize whether the tissue was coagulation necrosis or not in the process of High Intensity Focused Ultrasound (HIFU) treatment of tumor. From the view of digital image processing, the feasibility of using wavelet fractal dimension and entropy of ultrasonic image to monitor the biological tissue degeneration is studied. Firstly,the subtraction image of 64 * 64 pixel in focal region center was obtained from subtracting the ultrasonic image before High Intensity Focused Ultrasound (HIFU) And after High Intensity Focused Ultrasound (HIFU) against fresh pork tissue. And the wavelet fractal dimension and entropy were extracted from it, which were used as the parameter information, then comparing the recognition effect on tissue coagulation necrosis for different parameters. The result shows that combining the wavelet fractal dimension with entropy to construct BP neural network can get a higher recognition rate compared to use one characteristic parameter. It can provide a strong basis for the clinical monitoring whether the biological tissue has the coagulation necrosis or not.

Key words:high intensity focused ultrasound (HIFU); tissue degeneration; wavelet fractal dimension; entropy; BP neural network

中图分类号:TP391

文献标识码:A

doi:10.3969/j.issn.1671-7449.2016.02.012

作者简介：陈华(1991-)，女，硕士生，主要从事数字图像处理与HIFU疗效评价等研究.通信作者： 赵新民(1974-)，男，实验师，硕士，主要从事信号及图像检测处理等研究.

基金项目：国家自然科学基金资助项目(11174077，11474090)； 湖南省自然科学基金资助项目(11JJ3079)； 湖南省教育厅基金资助项目(12C0237,12C0204).

收稿日期:2015-09-17

文章编号:1671-7449(2016)02-0160-06