计算机辅助超声识别梗死心肌声学特征的研究进展

王 飞，杜国庆

(哈尔滨医科大学附属第二医院超声医学科，哈尔滨 150086)

计算机辅助医学影像诊断是通过快速智能的计算机技术获得高分辨率影像学图像，并对图像进行分割、识别和分析图像特征的方法，为临床提供更多的诊断参数及肉眼无法识别的诊断信息[1]。近年来，计算机辅助超声广泛应用于临床诊断，不仅具有较高的诊断准确率，还大大提高了诊断速度，已成为当前医学影像学的研究热点。

心肌梗死的发病率和死亡率较高，造成不可逆的心脏功能改变，疾病早期即可出现心肌细胞的坏死和溶解以及心肌微循环灌注障碍；疾病后期可出现左心室重塑，即左心室进行性扩大，梗死区心肌组织瘢痕形成，导致心功能下降，出现心力衰竭，严重威胁人类生命健康[2]。可见，心肌梗死的早期诊断和治疗对患者预后非常重要。超声心动图具有便捷、无创、价廉、实时等优点，是临床诊断心肌梗死最常用的主要检查方法之一，但传统超声心动图的诊断受操作者临床经验的影响较大，存在主观性强、个体差异较大等缺点。计算机辅助超声心动图诊断心肌梗死不仅可避免不同操作者的诊断差异，使诊断结果更加客观，还可为超声医师提供更多的诊断信息，节约时间和成本，有助于心肌梗死的早期诊断。

超声心动图因图像边界模糊、斑点噪声大、对比度低等给计算机辅助超声诊断心肌梗死带来困难。近30年来，超声硬件设备和超声成像技术均取得了重大发展，如高频率超声传感器的使用、超声造影剂微泡以及谐波成像等都显著提高了超声心动图的图像质量，为计算机辅助超声心动图诊断心肌梗死创造了条件。随着计算机技术的迅猛发展，计算机对超声图像的识别越来越快速、准确，使计算机辅助超声诊断心肌梗死成为可能。在计算机辅助超声识别梗死心肌组织图像特征的过程中，计算机能够从超声图像中分割出心肌组织，进而辨别梗死心肌组织与非梗死心肌组织。现对计算机辅助超声识别梗死心肌声学特征的研究进展予以综述。

1 心肌分割

心肌分割是计算机识别超声图像中梗死心肌声学特征的前提，区分心肌组织与其他组织，不仅有助于定量计算心腔容积及心脏收缩功能，还有助于消除其他组织的干扰。图像分割是计算机辅助分析图像的关键，按照一定标准将超声心动图分割为若干具有一致性或均匀性特征的区域，每个区域都是具有特定的共同特征集，再根据共同特征域提取出感兴趣区。图像分割是图像处理、分析和计算机视觉领域最重要的研究方向之一，也是研究难点之一[1,3]。

心肌的分割方法很多，但尚无公认的能够准确分割超声图像的方法。随着计算机技术的发展以及对心肌分割研究的不断深入，结合各种算法的优势可以很好地消除图像斑点，提高计算机识别心肌的准确性。

计算机识别超声图像心肌声学特征的过程包括对心内膜、心外膜以及心肌组织的分割。对心内膜的分割有助于定量研究心室容积变化及心室功能，包括对心内膜局部运动的评估以及获得一些重要的心功能参数(如左心室面积或容积、左心室面积变化率及射血分数等)。郑雅朦等[4]采用计算机辅助超声诊断的方法准确分割了左心室短轴声像图心内膜，并定量计算左心室射血分数发现，与双平面Simpson法及心导管法计算的左心室射血分数相比，三者间有较好的一致性。心肌分割有助于计算心肌室壁增厚率及心肌质量，通过对局部室壁收缩功能异常和室壁增厚率的定量计算帮助临床识别心肌运动异常节段，确定梗死位置和范围，为临床合理制定治疗方案及评估治疗效果提供帮助。通过对心内膜和心外膜边界的分割来识别超声图像的中心肌区，为计算机辅助识别心肌组织的图像特征奠定基础。

1.1心内膜的分割方法 分割左心室心内膜是计算机辅助超声识别心肌的关键。自动跟踪识别心内膜的方法很多，主要有以下几种：①基于形变模型的图像分割方法，主要包括活动轮廓模型、形态滤波和边缘增强滤波等，其中以活动轮廓模型的研究最多[5-7]。Du等[8]采用淘汰粒子集优算法对缺血再灌注兔的心肌声学造影图像进行分析，计算灌注强度和梗死面积并与病理结果进行比较发现，该方法诊断梗死心肌的灵敏度为95.45%，特异度为87.50%。②其他较为常用的分割方法，主要包括分水岭分割算法、多梯度水平集合分割算法、时间平均法、三元量子化阈值转换法、瞬时信息径向搜索算法等[9-12]。Shalbaf等[13]采用阈值分割方法识别心肌组织，并对局部室壁运动进行定量计算。③基于多种分割方法的融合算法。Fernández-Caballero等[14]通过滤波、梯度检测、梯度滤波等多平台对图像进行预处理，再将霍夫变换以及等高线算法融合，对心内膜进行分割的研究发现，与单一算法相比，多种算法相融合的分割心内膜的方法准确性更高。Melo等[15]将时间平均法、微波去噪法、边缘增强滤过法、形态学处理法以及分水岭分割算法融合，取得了较满意的效果。

1.2心外膜及心肌的分割方法 超声图像的心外膜分割较心内膜分割更为复杂。心肌组织中超声信号的传播逐渐衰减，由于超声图像质量差、对比度低、组织界限不清、散在斑点干扰大以及其他不确定信息等，导致心外膜分割存在较大困难，故目前对心外膜分割的研究较少。Dietenbeck等[16]将基于几何约束的水平集合分割方法用于并行定位心内膜与心外膜轮廓，从而识别心肌区域。Dias和Leitao[17]通过迭代多极动态程序，即马尔科夫随机场、贝叶斯定理模式、瑞利分布的随机变量融合等，实现对心肌的准确识别。Guo等[18]采用中智相似积分算法对心肌声学造影图像进行分割，通过中智相似值定义能量函数和曲线演变的方法获得心肌声学造影图像中初始心内膜边界，再根据所获得的心内膜边界和心肌厚度，再次使用曲线演变的方法得到心外膜边界。以超声专家确定的心肌边界作为金标准，与淘汰粒子群优化聚类算法及无边界活动轮廓模算法相比，中智相似积分算法能更快速准确地分割心肌，在心外膜分割时更具优势。

2 心肌声学特征提取与分析

准确分割心肌有助于临床定量计算左心室射血分数、室壁运动、室壁增厚率等和评估心脏功能。心肌梗死超声表现具有多样性，梗死心肌局部室壁运动可表现为运动减弱、消失或矛盾运动；而梗死心肌受周围非梗死心肌运动的影响，干扰了对心肌梗死严重程度的判断。

Tanaka[19]认为，通过异常回波信号可识别心肌损伤，如心肌梗死、心肌病和心肌挫裂伤等。若能从超声图像中提取出反映心肌组织异常回波信号的声学特征，就能很好地弥补单纯通过测量临床功能参数评估心肌梗死的不足，提供更多肉眼无法识别的诊断信息，为识别梗死心肌提供一种新的无创的方法。提取超声心动图心肌声学特征是计算机辅助区分梗死心肌与非梗死心肌的关键，也是研发智能计算机辅助超声诊断系统的重要步骤之一。目前，已有多种提取超声心动图图像重要组织学特征的方法，通过分类器对所提取的组织学特征进行分类，并将其用于机器训练，通过机器不断的自主学习对采集的组织学特征进行分级，从而区分梗死心肌与非梗死心肌。

2.1图像特征提取 计算机可通过视觉分析方法识别多种反映梗死心肌组织异常回声信号的图像特征(纹理特征和离散小波变换特征等)。通过识别超声心动图的梗死心肌图像特征，有助于识别更多肉眼无法判断的诊断信息，从而更准确地诊断心肌梗死。

纹理特征描述图像像素的规律性、平滑性和粗糙程度。结构分析和统计分析是较常用的纹理分析方法[20-21]。结构分析方法是采用局部二进制模式的简单高效的纹理描述符，能够对图像进行精细描述，并对图像灰度和对比度的纹理特征进行测量，但具体方法比较复杂[22]。统计分析方法是基于灰度共生矩阵的测量方法，算法相对简单，主要包括一阶统计、Laws纹理能量和灰度共生矩阵，能提供更多的信息。一阶统计的测量值根据灰度强度计算得出，包括感兴趣区的平均强度、方差、标准差、偏态、峰度[23]。Laws纹理能量方法是通过使用适当大小的局部滤波器区分不同类型的纹理，将生成的纹理特征用于测量固定大小窗口内的变化量[24]。灰度共生矩阵是图像的二价统计量度，图像空间中相隔的两像素间存在一定的灰度关系，灰度共生矩阵是通过灰度空间相关特性(如对比度、熵、能量、均匀性等)描述图像纹理特征的常用方法[25]。Skorton等[26]对心肌梗死犬模型进行半定量分析发现，采用灰度共生矩阵特征提取方法诊断心肌梗死的灵敏度为90%，特异度为70%。

2.2图像特征的选择和分级 图像特征的选择和分级是一种计算机处理图像的过程。计算机可根据识别的图像特征挑选出能够反映梗死心肌相关异常回波信号的特征，并将其进行分级，从而对梗死心肌组织做出判断。图像特征的选择和分级也是机器自主学习的过程，是开发智能化计算机辅助诊断的关键，通过机器反复的模拟训练和判定算法的不断迭代优化实现对心肌组织的辨别。

用适当的算法对所提取的图像特征进行选择和分级，可以简化处理过程，提高诊断的效率和准确率。特征排序是特征选择的过程，用于从提取特征中选择适当且重要的特征子集。根据一定的鉴别标准对特征进行排序可以降低分类器的复杂性，而不影响其性能。对图像特征进行排序的方法有很多，其中以Kullback-Leibler散度、柯尔莫诺夫-斯米尔诺夫检验、最大相关最小冗余标准以及巴氏距离应用最为广泛[29]。

分类器可对所选取的超声特征进行自动分级，因此选择合适的分类器十分重要。多种分类器可以用于梗死心肌和非梗死心肌的分级，其中最常用的是高斯混合模型、支持向量机、概率神经网络、决策树等[30-32]。Acharya等[30]采用由9个重要特征组成的特征子集高斯混合模型分类器鉴别冠状动脉疾病患者的准确度、灵敏度和特异度均为100%。根据超声图像理特征分析，并对图像进行神经概率网络分级，诊断心肌梗死的灵敏度、特异度和准确度分别为91.2%、97.5%和94.3%；采用支持向量对心肌梗死患者进行分级的灵敏度、特异度和准确度分别为97.5%和95.0%、96.2%[31-32]。

3 应用前景与局限

从图像识别到图像配准，从机器学习到人工智能，计算机以迅猛地速度走入超声心动图领域，机器学习大致分为以下两类。①监督学习：在监督学习中，机器被“教导”，通过提供的标记训练数据集对数据进行分类[33-34]。在训练过程中，机器学习算法数据的基本模式，并将其与已知结果进行比较。经过训练后，机器可通过一个不可见的数据集对其判别能力进行自我检测。监督学习方法主要包括随机森林、支持向量机和人工神经网络。②无监督学习：使用无标记数据，根据数据之间的相似性将输入数据分为多个组或集群，又称为聚类，以深度生成模型(预训练)为主流。但各种机器学习方法并不排斥，将机器学习的子领域进行整合可创造出更强大的技术，如深度强化学习，即通过深度学习对具有相关特征的训练数据进行分类，以卷积神经网络模型为研究热点，它基于多级抽象提取一系列可辨识性特征，识别图像目标，能够使用卷积神经网络等技术处理更大、更复杂的数据集，是目前超声医学领域的前沿研究方法。

机器学习在超声心动图中的应用还处于相对早期阶段。由于心肌组织变异性较大，超声心动图图像干扰因素较多，尚无公认的能准确地识别梗死心肌各项声学特征的模型或算法，目前多采用多种算法相互结合的方法。随着人工智能时代的到来，未来计算机辅助超声技术一定能更好地为临床诊断提供帮助[34]。