超声图像中胎儿股骨的自动测量

罗 娜，李 璟，周成礼，郑介志，倪 东

1) 医学超声关键技术国家地方联合工程实验室，广东省生物医学信息监测与超声成像重点实验室，深圳大学生物医学工程学院，广东深圳 518060；2)深圳市妇幼保健院超声科，广东深圳 518000

【电子与信息科学 / Electronic and Information Science】

超声图像中胎儿股骨的自动测量

罗 娜1，李 璟1，周成礼2，郑介志1，倪 东1

1) 医学超声关键技术国家地方联合工程实验室，广东省生物医学信息监测与超声成像重点实验室，深圳大学生物医学工程学院，广东深圳 518060；2)深圳市妇幼保健院超声科，广东深圳 518000

提出一种全自动测量胎儿股骨长的方法，利用Frangi滤波器结合灰度信息分割出超声图像中股骨的候选区域，根据候选区域位置、形状信息定位出股骨区域，利用股骨区域的边缘和拟合出的骨架化曲线定位到股骨的端点，并计算得到股骨长．与医生手动测量结果对比，70幅股骨图像的平均测量误差为1.18 mm，表明该方法可准确测量股骨长．

生物医学工程学；超声图像；图像处理；股骨长测量；Frangi滤波器；产前诊断

医学超声成像因具有实时[1]、廉价、无辐射等优点，已成为产前超声检查诊断的常用方法．从超声图像中测量胎儿的股骨长、头围和腹围等生物参数[2]，对评估胎儿的发育状况有重要参考[3-4]．在临床中，胎儿的生物参数通常由医生手动测量完成，其准确性高度依赖医生的临床经验，且不同医生的手动测量结果存在差异[5]．此外，超声医生频繁、重复的操作易引起重复性压力损伤[6]．因此，实现超声图像中胎儿生物参数的自动测量具有重要临床意义．近年来已有学者进行了胎儿生物参数自动测量的相关研究．Zhang等[7]提取胎儿解剖学结构的纹理特征，根据纹理和亮度信息检测边缘对图像进行分割，再根据最远两端点距离计算股骨长，平均耗时较长，达到163 s．Wang等[8]利用最大熵分割法(entropy-based segmentation)和股骨形态学特征确定股骨区域，计算股骨区域中最大矩形的对角线长度作为股骨长．余锦华等[9]提出基于二次迭代霍夫变换(two iterative Hough transform, TIRHT)的方法，使用结合空间邻域信息的二维模糊C均值聚类方法(two-dimentional fuzzy C-means，2D FCM)抑制斑点噪声，再用直线Hough变换对骨骼细化图像进行处理，采用二次曲线对股骨进行拟合得到股骨长．但该方法需要手动标记感兴趣区域(region of interest, ROI)，仅实现半自动测量．

超声图像中胎儿股骨测量的主要难点在于：① 超声图像中通常存在信噪比低、边缘缺失、模糊、伪影和斑点噪声等问题，股骨精确分割难度大；② 医学上对股骨端点的定位为，股骨两端“U”形的中点，不包括骨骺端[10]，如图1．目前大多数股骨自动测量算法仅以股骨分割图像最远的两个端点为测量端点，不符合医学上对股骨端点的定位．本研究提出基于Frangi滤波器的股骨自动测量方法，能自动检测股骨区域，并对股骨端点进行定位．

图1 股骨长标准测量图Fig.1 Standard measurement image of fetal femur

1 方 法

本研究方法流程为：首先去掉原始图像中的干扰区域，确定框选区域4个顶点，批量自动框选出股骨所在的图像区域，见图2(a)和(b)；使用Frangi滤波器对框选区域进行去噪，并检测股骨候选区域，如图2(c)；利用股骨外接矩形的长宽比率以及股骨位置信息确定股骨区域，见图2(d)和(e)；接下来，对股骨细化得到股骨中心线，并对其进行直线拟合，见图2(f)；最后，通过所拟合的直线和股骨轮廓的交点求得股骨端点位置，从而求得股骨长，见图2(g)，并将测量结果显示在原始图像上，图2(h)．

图2 算法流程图Fig.2 The framework of the proposed method

1.1 股骨检测

Frangi等[11]提出基于多尺度的血管增强方法．该方法将血管增强看作一种寻找管状几何结构的滤波过程，称为Frangi滤波．考虑到股骨与血管均呈管状结构，本研究使用Frangi滤波器分割出股骨候选区域，运用形态学方法进行边缘检测．

Frangi滤波器是基于Hessian矩阵[12]特征向量的管状滤波器，利用高阶微分提取图像体素的特征方向．输入图像I在点a0(x0,y0)邻域的泰勒展开式为

ΔaT0H0,SΔa0

(1)

(2)

其中，γ是引入的用于定义一个归一化的导数族[11]，对多尺度微分算子间的公平性反馈具有重要作用.

若无优选尺度，设γ=1． 二维高斯函数GS(a)定义为

(3)

其中，Hessian矩阵可用二阶方向导数构造

(4)

其中，微分定义见式(2)．

通过分析Hessian矩阵特征向量，可获得向量的主要方向，使这些方向上输入图像I的局部二阶结构能够被分解.

令λS,k为尺度S下得到的Hessian矩阵H0,S的第k个特征值，与之对应的特征向量为uS,k， 则由特征值和特征向量的定义可得

H0,SuS,k=λS,kuS,k⟹uTS,kH0,SuS,k=λS,k

(5)

因此，图像I在点a0的二阶导数的大小和方向可由Hessian矩阵H0,S计算的特征值与特征向量描述．通过特征值分解可得到3个正交方向的特征向量λS,1，λS,2和λS,3， 见图3[11].

图3 二阶椭球体描述的局部曲率方向[11]Fig.3 The local curvature directions which is described by the second order ellipsoid[11]

本研究将股骨看作一个二维管状结构，故仅考虑λS,1和λS,2． 幅值最大的特征值对应的特征向量代表图像中某点曲率最大方向．

由于股骨图像的灰度值比背景高，且面积仅占整幅图像的小部分，为避免随机噪声波动可能引起的不可预知的滤波响应，该先验信息也需要被采用．由于背景像素的导数值非常小，为更好的区分，Frangi引入另一测度

(6)

因为背景区域的对比度低且特征值小，S的值在非待测管状结构的背景区域将变得很小；在股骨等对比度高的区域则较大[13]．基于以上假设，Frangi提出了下述管状物体增强滤波器：

(7)

其中，RB=λS,1/λS,2， 为二阶椭圆的离心率；β和c为归一化常量．当检测到股骨等管状结构时，超声图像的Frangi滤波响应最大．Frangi滤波结果见图4.

图4 Frangi滤波处理后股骨图像Fig.4 The processed femur results by Frangi filter

采用Frangi滤波器滤波后，需对图像进行二值化处理．本研究对所有高亮区域求其外接矩形，并将外接矩形的长按递减排序，则最长的几个高亮区域被判定为股骨候选区域．在超声图像中，同时存在一些类似股骨形状的细长高亮噪声区域，因此不能判定最长的高亮区域为股骨区域．为此，加入候选区域距离图像中心的位置信息.由于胎儿超声标准切面中通常将目标物体置于图像中心附近位置，因此判定最长的几个候选区域中距离中心最近的细长高亮区域为股骨，见图5．由此，可得到最终的股骨图像．

图5 股骨候选区域及筛选结果Fig.5 Regions of femur candidates and final result

1.2 股骨测量

股骨测量中，很重要的一步就是要准确地找到股骨的端点．因为股骨的端点需要定位到两端“U”形的中点，因此，确定股骨的中轴线就十分必要. 一旦得到了股骨分割结果的二值图像，从而很容易得到股骨的边缘轮廓及骨架化结果．

本研究用最大圆盘概念来定义骨架．设C为输入图像R的一个内切圆，则C至少有两点与R相切．若C不是R内任何内切圆的子集，则称C为图像R内的最大圆盘，此时骨架B可定义为图像R内所有最大圆盘圆心的集合[14]．由图6(a)可知，每个骨架点都与一个最大圆盘的圆心相对应，每个最大圆盘与目标图像有且只有两个交点，且交点到骨架点的距离相同．因此，骨架的中轴特性得到了很好的保证[15]．将骨架化后曲线与轮廓的交点距离最远的两点标记为股骨的端点，如图7．一旦确认了股骨的端点后，即可通过计算简单的两点间距离得到股骨长度．

图6 最大圆盘及其骨架示意Fig.6 Diagrams of maximum disk and femur skeleton

图7 股骨轮廓与股骨图像骨架化拟合直线的交点,红线为股骨轮廓线，蓝线为拟合骨架Fig.7 Endpoints location. The red line is the boundary of femur and the blue line is fitting femur skeleton.

2 实验与分析

本研究对70幅18～27孕周的胎儿股骨超声图像进行实验，所有图像均由深圳华侨城医院医学影像科使用威尔德超声仪FDC6100采集获得．为验证算法的可行性和准确性，分别从股骨分割结果和测量结果两方面进行对比．分割结果采用基于面积[16]和基于距离[17]指标，并与Wang等[8]提出的最大熵方法的分割结果比较. 采用Bland-Altman指标[18]对测量结果的一致性进行分析．

2.1 股骨分割结果对比

基于面积的评价指标用于比较自动分割区域和手动分割区域之间的差异．基于面积的评价指标包括精确度(θprecision)、 特异性(θspecificity)、 敏感性(θsensitivity)和一致性(θdice)[19]， 计算公式依次为

(8)

(9)

(10)

(11)

需要注意的是，本研究的评价结果是各个指标的平均值．其中，RAM是自动分割得到的股骨区域；RGT是医生手动分割得到的股骨区域．

基于距离的评价指标是比较自动分割结果和手动分割结果的轮廓差异．评价指标包括最大对称轮廓距离(maximumsymmetriccontourdistance，MSD)、平均对称轮廓距离(averagesymmetriccontourdistance，ASD)和均方根对称轮廓距离(rootmeansquaresymmetriccontourdistance，RMSD)，如式(13)至式(15)．其中，C(RAM)和C(RGT)分别是RAM和RGT的轮廓，cRAM和cRGT分别是C(RAM)和C(RGT)上的元素，图像中某点p到轮廓的最短距离定义为

(12)

基于两种指标的实验结果见表1．需要注意的是，当自动分割结果与医生手动分割结果无交集时，结果不计入评价指标中[19]．由于本研究所提方法与Wang等[8]的方法均使用图像处理方法，故与Wang等的方法进行对比.从表1可见，本研究方法的结果在基于面积和基于距离的两种指标上，均略优于Wang等的方法．其原因在于该方法使用最大熵的方法分割股骨区域，容易造成灰度缺失，造成检测结果偏小.

MSD=max{maxdM[cRGT,C(RAM)], maxdM[cRAM,C(RGT)]}

(13)

{∑cRGT∈C(RAM)dM[cRGT,C(RAM)]+∑cRAM∈C(RGT)dM[cRAM,C(RGT)]}

(14)

(15)

表1 胎儿股骨长定量结果对比

2.2 股骨测量结果对比

图8为自动测量结果和医生手动测量结果定性对比结果. 其中，绿色虚线为医生手动测量结果，红色虚线为自动测量结果．结果表明，自动测量的股骨端点及其连线与医生手动测量结果基本重合．

图8 自动测量结果与医生手动测量结果对比Fig.8 Comparison between the results of automatic method and those of manual measurement by doctors

图9 Bland-Altman图Fig.9 Bland-Altman figure

2.3 运算效率对比

在Matlab环境下，每幅图的自动测量平均耗时为0.31s，Wang算法平均耗时0.37s，而医生手动标定股骨两端点并得到股骨长的时间约为3.05s，本研究算法耗时较手动标定方法约快10倍．

2.4 错误结果分析

在70幅图的检测中，有2幅为错误结果，见图10．图10(a)的错误是由于Frangi滤波器未将股骨区域和右侧高亮区域分离．图10(b)由于其他类似股骨的细长结构(皮肤层或伪影)的干扰，导致不能正确检测到股骨．

图10 测量错误结果Fig.10 Failure results

结 语

提出一种全自动测量股骨长的方法，用先验知识定位股骨大致区域，采用Frangi滤波器对图像进行滤波和增强，再根据图像信息确定股骨位置，对目标区域进行骨架化处理，通过计算骨架化后的曲线与股骨外围轮廓的交点测量出股骨长．对70幅超声股骨图像的实验结果表明，所提股骨自动测量方法与医生手动测量方法得到的股骨长无显著性差异，算法可行．同时，自动方法比手动方法快约10倍，达到临床实时性的需求．后续我们将会把该方法用于超声中胎儿其他解剖部位的自动测量(如肱骨测量)，以期形成一个完整的生物参数自动测量系统并应用于临床．

/ References：

[1] 倪 东，陈思平，汪天富．基于曲光线跟踪算法的超声成像实时模拟研究[J]．深圳大学学报理工版，2012，29(4)：322-327． Ni Dong, Chen Siping, Wang Tianfu. A beam width aware curvilinear ray tracing method for real-time ultrasound simulation[J]. Journal of Shenzhen University Science and Engineering, 2012, 29(4): 322- 327.(in Chinese)

[2] 万仪芳，沈国芳，朱家安．超声测量评估胎儿主要生长参数的研究[J]．上海医学，2010，33(12)：1132-1134． Wan Yifang, Shen Guofang, Zhu Jiaan. Ultrasonography determination in evaluation of major growth parameters of fetuses[J]. Shanghai Medical Journal, 2010, 33(12): 1132-1134.(in Chinese)

[3] 詹 林，文桂琼，林 毅，等．产前超声筛查诊断胎儿肢体畸形的价值[J]．中国医学影像学杂志，2010，18(3)：213-216． Zhan Lin, Wen Guiqiong, Lin Yi. et al. The effectiveness of ultrasound screening in the prenatal diagnosis of fetal malformation[J]. Chinese Journal of Medical Imaging, 2010, 18(3): 213-216.(in Chinese)

[4] 李 威，贾淑文，吕 祥．产前超声检查对胎儿畸形的诊断价值[J]．中国妇幼保健，2013，28(8)：1290-1292． Li Wei, Jia Shuwen, Lv Xiang. The effectiveness of ultrasound screening in the prenatal diagnosis of fetal malformation[J]. Maternal and Child Health Care of China, 2013, 28(8): 1290-1292.(in Chinese)

[5] 李 璟，倪 东，李胜利，等．超声图像中胎儿头围的自动测量[J]．深圳大学学报理工版，2014，31(5)：455-463． Li Jing, Ni Dong, Li Shengli, et al. The automatic ultrasound measurement of fetal head circumference[J]. Journal of Shenzhen University Science and Engineering, 2014, 31(5): 455-463.(in Chinese)

[6] Maurits V T, Antti M, Bart K. Repetitive strain injury[J]. Lancet, 2007, 369(9575): 1815-1822.

[7] Zhang Lei, Ye Xujiong, Lambrou T, et al. A supervised texton based approach for automatic segmentation and measurement of the fetal head and femur in 2D ultrasound images[J]. Physics in Medicine and Biology, 2016, 61(3): 1095-1115.

[8] Wang C W. Automatic entropy-based femur segmentation and fast length measurement for fetal ultrasound images[C]// International Conference on Advanced Robotics and Intelligent Systems.[S.l.]: IEEE, 2014: 1-5.

[9] 余锦华，汪源源，陈 萍，等．胎儿超声图像分割及自动径线测量[J]．中国生物医学工程学报，2007，26(6)：867-873． Yu Jinhua, Wang Yuanyuan, Chen Ping, et al. Fetal ultrasound image segmentation and automatic diameter and length measurement[J]. Chinese Journal of Biomedical Engineering, 2007, 26(6): 867-873.(in Chinese)

[10] Salomon L J, Alfirevic Z, Berghella V, et al. Practice guidelines for performance of the routine mid-trimester fetal ultrasound scan[J]. Ultrasound in Obstetrics & Gynecology: the Official Journal of the International Society of Ultrasound in Obstetrics and Gynecology, 2011, 37(1): 116-126.

[11] Frangi A F, Niessen W J, Vincken K L, et al. Multiscale vessel enhancement filtering[C]// International Conference on Medical Image Computing and Computer-Assisted Intervention. Berlin: Springer Berlin Heidelberg, 2000: 130-137.

[12] Jimenez-Carretero D, Santos A, Kerkstra S, et al. 3D Frangi-based lung vessel enhancement filter penalizing airways[C]// IEEE the 10th International Symposium on Biomedical Imaging.[S. l.]: IEEE, 2013: 926-929.

[13] Shashank, Bhattacharya M, Sharma G K. Optimized coronary artery segmentation using Frangi filter and Anisotropic diffusion filtering[C]// International Symposium on Computational and Business Intelligence. New Delhi, India: IEEE, 2013: 261-264.

[14] 吕 哲，王福利，常玉清，等．改进的形态学骨架提取算法[J]．计算机工程，2009，35(19)：23-25． Lv Zhe, Wang Fuli, Chang Yuqing, et al. Improved morphological skeleton extraction algorithm[J]. Computer Engineering, 2009, 35(19): 23-25.(in Chinese)

[15] Liu Hongzhi, Wu Zhonghai, Zhang Xing, et al. A skeleton pruning algorithm based on information fusion[J]. Pattern Recognition Letters, 2013, 34(10): 1138-1145.

[16] Udupa J K, Leblanc V R, Ying Zhuge, et al. A framework for evaluating image segmentation algorithms[J]. Computerized Medical Imaging and Graphics, 2006, 30(2): 75-87.

[17] Heimann T, Van Ginneken B, Styner M A, et al. Comparison and evaluation of methods for liver segmentation from CT datasets[J]. IEEE Transactions on Medical Imaging, 2009, 28(8):1251-1265.

[18] Myles P S, Cui J. Using the Bland-Altman method to measure agreement with repeated measure[J]. British Journal of Anaesthesia, 2007, 99(3): 309-311.

[19] Rueda S, Fathima S, Knight C L, et al. Evaluation and comparison of current fetal ultrasound image segmentation methods for biometric measurements: a grand challenge[J]. IEEE Transactions on Medical Imaging,?2014, 33(4): 797-813.

[20] Székely G J, Rizzo M L. The distance correlation t-test of independence in high dimension[J]. Journal of Multivariate Analysis, 2013, 117(3): 193-213.

【中文责编：英 子；英文责编：子 兰】

2017-02-14；Accepted：2017-03-11

Associate professor Ni Dong．E-mail: nidong@szu.edu.cn

Automatic measurement of fetal femur length in ultrasound image

Luo Na1, Li Jing1, Zhou Chengli2, Zheng Jiezhi1, and Ni Dong1

1) National-Regional Key Technology Engineering Laboratory for Medical Ultrasound, Guangdong Key Laboratory for Biomedical Measurements and Ultrasound Imaging, School of Biomedical Engineering, Shenzhen University, Shenzhen 518060, Guangdong Province, P.R.China 2) Department of Ultrasound, Shenzhen Maternity & Child Healthcare Hospital, Shenzhen 518000, Guangdong Province, P.R.China

We propose a novel automatic method to measure the fetal femur length. First, the candidate regions containing the femur are detected in the ultrasound image using Frangi filter and gray information. Then, the femur region is localized based on both the shape and position of the candidate regions. Finally, the femur end points are determined by detecting the edges of the femur region and fitting the femur skeleton. The femur length is measured. Comparing with the results measured by doctors, the average measurement error of 70 ultrasound femur images is 1.18 mm, which indicates that our method can accurately measure the femur length.

biomedical engineering; ultrasound images; image processing; femur length measurement; Frangi filter; prenatal diagnosis

：Luo Na, Li Jing, Zhou Chengli, et al. Automatic measurement of fetal femur length in ultrasound image[J]. Journal of Shenzhen University Science and Engineering, 2017, 34(4): 421-427.(in Chinese)

R 318; TP 751

A

10.3724/SP.J.1249.2017.04421

国家自然科学基金资助项目(6157010571)

罗 娜(1992—)，女，深圳大学硕士研究生．研究方向：医学图像处理．E-mail: 412393206@qq.com

Foundation：National Natural Science Foundation of China (6157010571)

引 文：罗 娜，李 璟，周成礼，等．超声图像中胎儿股骨的自动测量[J]. 深圳大学学报理工版，2017，34(4)：421-427.