基于超声的厚度提取算法*

叶林伟, 刘洪海

(上海交通大学 机械系统与振动国家重点实验室，上海 200240)

0 引 言

肌肉在收缩和舒张的过程中，其结构形态会发生变化。肌电信号(EMG)和肌音信号(MMG)是众多研究骨骼肌力学特性的方法中2种最常用的方法[1～3]，分别反映了肌肉运动单元的神经和力学活动，但两者均不能反映肌肉的结构形态特征。对肌肉形态学的研究主要有核磁共振成像，计算机断层扫描，超声影像等。由于超声影像的实时、便携、无辐射和低成本的特性。在肌肉收缩和舒张过程的研究中，应用的越来越多。目前，对肌肉的研究集中于运用超声影像实时获取肌肉的形态学参数，如肌肉厚度[4，5]，羽状角等，此外，也有对如何用超声影像分析人体的手势动作[6，7],肌肉疲劳[8]等进行研究。

本文提出了一种测量上臂肱二头肌肌肉厚度的方法：上肌腹对特征点的提取跟踪；下肌膜特征线的提取和跟踪；计算肌内厚度。

1 模型总体流程

典型的肱二头肌超声图像如图1所示。

图1 上臂超声图像

可以观察到肌肉上界面与下界面(箭头所指)，上界面为肌肉组织与皮肤等其他组织的分界面，为不规则的曲线，下界面为肱二头肌与骨骼的界面，可以看作直线。肌肉的厚度即为上下界面的距离，本文中定义的肌肉厚度为上界面某一点到下界面对应点的竖直距离。根据图像中上下界面的特点，采取的算法流程如图2所示。

图2 算法流程框

对于上界面，采取点跟踪的方式，用一个点代表上界面，对下界面，采取直线跟踪的方式，用直线代表下界面，而后点到直线的竖直距离即为肌肉的厚度。

2 上界面点跟踪

用特征点代表上界面的跟踪流程如下：

1)特征点检测

图3为肌肉上界面特征点检测过程：

a.从图像中取包含上界面的矩形区域；

b.将此区域灰度值按列叠加，形成一行数据，归一化后寻找峰值点。在底部中上界面对应处可以看到明显的峰值点，则在顶部图中，特征点的横坐标由底部图中左侧虚线对应的峰值点的横坐标确定，纵坐标定义为矩形两条长边纵坐标的均值。

图3 特征点检测

2)特征点跟踪

设第N帧图像中特征点位置(x0,y0),第N+1帧检测得峰值点为(x1,y1),因为界面连续变化，特征点亦连续变化，则相邻特征点之间的位移满足

(1)

式中ε为一正数。当峰值点满足条件时，即为第N+1帧的特征点。

应用特征点检测和跟踪，即可在视频流中不断地跟踪代表上界面的特征点，实现上界面跟踪。

3 下界面跟踪

检测出肌肉与骨骼的界面的直线后，即可用点到直线的竖直距离作为肌肉的厚度。

1)直线检测

直线检测采取霍夫变换的方法，霍夫变原理如图4所以，利用点与线的对偶性，将图像空间中的直线通过表达形式变换为参数空间的一个点。即将原始图像中给定直线的检测问题转换为寻找参数空间中的峰值问题。

图4 霍夫变换

图4所示直线可用参数对(ρ′,θ′)表示，直线的检测采取投票的策略，即位于直线轨迹上的点越多，则此直线存在的概率越大。

2)直线跟踪

直线跟踪方法与点跟踪方法相似，均采用阈值的方法。

设直线1经过的坐标为

[x0,x1,x2，…，xn]

(2)

直线2经过的坐标为

[y1,y2,y3，…，yn]

(3)

因下界面连续变化，故检出直线也连续变化，2条特征线坐标满足

(4)

式中ε为一正数。当检测出的直线满足条件时，即为第N+1帧的特征线。

应用特征线检测和跟踪，即可在视频流中不断地跟踪代表下界面的特征线，实现下界面的跟踪。

4 实验结果

检测出上界面特征点与下界面特征线之后，即计算上下界面间的距离，图5为特征点与特征线检测结果。两者之间的竖直距离即为肌肉厚度。

图5 检测结果

实验时，受试者坐在椅子上，超声探头固定于人体上臂肱二头肌处，保持上臂自然下垂，前臂做屈伸运动。持续时间为30～40 s左右。图6为实验结果。分别反映了肘部屈伸角度、肌肉厚度(pixel)随帧序列的变化关系。

图6 实验结果

5 结果评价

为了评价算法的有效性和结果的准确性，手工测量了500幅图像的肌肉厚度值，每组100幅图像，每组图像进行了2次测量，并取平均值，以消除单次测量的误差，其中一组测量值对比如图7所示。

图7 2种测量值对比

为定量评测结果的好坏，以相关系数和标准均方根误差作为评价指标，评价结果如表1所示。可以看出：相关系数均大于0.9，均方根误差均小于5 pixel，误差在可接受范围内，并且自动测量结果数据离散度小，数据较为平滑，相对于手工测量，减小了随机误差的影响。

表1 评价结果

6 结 论

提出了一种基于超声图像的肌肉厚度自动测量方法，相对于传统手工测量，大幅减少了工作量，同时提高了测量的精度，通过实验证明了方法的有效性和精确性。

[1] 丁其川，熊安斌，赵新刚，等.基于表面肌电的运动意图识别方法研究及应用综述[J].自动化学报，2016,42(1):13-25.

[2] 游 淼.基于肌动图(MMG)与肌电图(EMG)信号的假肢控制系统研究[D].长沙：中南大学,2011.

[3] 李庆玲.基于sEMG信号的外骨骼式机器人上肢康复系统研究[D].哈尔滨：哈尔滨工业大学，2009.

[4] 凌 姗.超声序列图像中肌肉形态特征的自动测量方法研究[D].长沙：中南大学,2014.

[5] Shi J,Zheng Y P,Huang Q H,et al.Continuous monitoring of sonomyography,electromyography and torque generated by normal upper arm muscles during isometric contraction:Sonomyography assessment for arm muscles[J].IEEE Transactions on Biomedical Engineering,2008,55(3):1191-1198.

[6] Sikdar S,Rangwala H,Eastlake E B,et al.Novel method for predicting dexterous individual finger movements by imaging muscle activity using a wearable ultrasonic system[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering,2014,22(1):69-76.

[7] Shi J,Zheng Y,Yan Z.Prediction of wrist angle from sonomyography signals with artificial neural networks technique[C]∥International Conference of the IEEE Engineering in Medicine & Bio-logy Society,IEEE Engineering in Medicine & Biology Society Conference,PubMed,2006:3549-3552.

[8] Shi J,Zheng Y P,Chen X,et al.Assessment of Muscle fatigue using sonomyography:Muscle thickness change detected from ultrasound images[J].Medical Engineering & Physics,2007,29(4):472-479.