基于特征匹配的超声影像评估仿真研究

何立风，周广彬，雷 涛，杨梅梅

(1.陕西科技大学电子信息与人工智能学院，陕西 西安 710021；2.日本爱知县立大学信息科学学院，日本 爱知县 长久手市 480-1198；3.西安邮电大学电子工程学院，陕西 西安 710000)

1 引言

计算机科学、医学的不断发展，为医学超声影像的进步打下了坚实基础。目前，计算机辅助软件越来越得到人们的关注，并被应用在医学的方方面面，辅助医生进行清晰、准确的诊断和鉴别[1-2]。急性肾损伤(AKI)是临床常见危重病之一，在普通住院患者中发病率为3%-5%，在重症监护病房(ICU)中则达到30%-50%。许多原因可导致AKI，ICU中最常见的病因为脓毒症，脓毒症并发AKI可显著延长患者的住院时间，增加病死率，但如果在疾病早期尚未导致肾功能明显下降时识别并早期干预，便可显著改善预后[3-4]。随着超声广泛的应用于重症医学的各个领域，其可实时无创动态的反应脏器的灌注，可直观的发现脏器的损伤程度，虽然目前已有重症肾脏超声的AKI血流诊断分级[5]，但缺少集高级专家经验为一套体系的自动化评分模型，此外包括操作者的水平经验、患者的客观条件等均影响结果看的判断。大量临床实验证明，肾脏内部血流量占肾脏总面积大小是医学中评价肾脏损伤等级的重要指标[6]，因此根据肾脏重症超声，利用图像分割提取技术构建肾脏损伤等级评估模型，并联合血清学指标、损伤标志物及肾脏损伤等级评估模型可构建综合体系进行脓毒症AKI的预测及诊断。计算肾脏血流总面积会涉及到图像的颜色特征，图像的颜色特征提取是机器视觉中的一个重要范畴，其基本特征包括：全局颜色特征和空间颜色特征[7]。本文提出了一种基于特征匹配的超声影像评估仿真方法，首次利用数字图像处理技术估计肾脏血流量面积，建立肾脏损伤评估等级模型。算法通过量化、图像分割、滤波进行细化处理并进行成像，结合影像物理意义近似得出其血流总量。为医院开辟全新的脓毒症AKI预测方式，提高早期诊断水平，进而提高该疾病的救治率。

2 基本原理

颜色特征作为图像信息统计和识别中一个重要的基准，也是超声影像中的重要特征，其提取方法很多，在基于RGB三种颜色通道中，存在255*255*255种不同的色彩，能表示任意色光[8]。但是一般情况下，仅用数百种颜色就可以近似表示出与原图像相似程度很高的图片，当然这个方法的缺点是很明显的，即不能充分的表示图像的空间信息。颜色特征在提取过程中难免会出现局部损失，本文算法通过中值滤波的方法对其进行局部细节丢失造成的孔洞进行平滑填充，较好的恢复出要提取出图像中的颜色信息，以进行图像的颜色数量统计，进而结合其颜色的物理意义做相应的运算。

2.1 彩色模型

彩色模型的目的是，在某些标准下用通常可以接受的方式方便地对彩色加以说明。本质上，彩色模型是坐标系统和子空间的说明，其中，位于系统中的每种颜色都由单个点来表示。

现在所用的大多数色彩模型不是面向硬件的，就是面向应用的。在数字图像处理中，实际中最通用的模型如下：面向硬件的RGB模型，用于彩色监视器和一大类彩色视频摄像机；CMY模型和CMYK模型，用于彩色打印机；HIS模型，这种模型更符合人描述和解释颜色的方式。HIS模型还有另一个优点，它可以解除图像中颜色和灰度信息的联系，使其更适合于许多灰度处理技术[9]。

2.2 量化

在数字信号处理领域，量化通常是指将信号的连续取值(或者大量可能的离散取值)近似为有限多个(或较少的)离散值的过程[10]。量化主要应用于从连续信号到数字信号的转换中。连续信号经过采样成为离散信号，离散信号经过量化即成为数字信号。注意离散信号通常情况下并不需要经过量化的过程，但可能在值域上并不离散，还是需要经过量化的过程。本文中在提取颜色特征时，将颜色条量化为有限个等份，便于计算。

2.3 图像分割

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等[11]。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像索赋予相同的编号。本文是一种基于大量经验基础上的提出的基于区域的分割方法，目的是进一步减少时间复杂度，使本算法的工程性具有高效、实时的特点。

2.4 常见的图像滤波方法

图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理过程中不可或缺的部分，其处理效果的好坏直接影响到后续图像处理和分析的有效性和可靠性。常用的滤波方法分别为高斯滤波，均值滤波，中值滤波。基于中值滤波在图像平滑过程中能很好地保留图像清晰度的特性[12]，本文采用中值滤波对粗提取的血流区域进行细化，处理过程如图1所示。

图1 中值滤波的处理过程

图1中f(x，y)为其图片I中当前像素点，图像尺寸为m*n。

3 本文提出的颜色特征提取方法

本小节主要从四个方面介绍本文的工作：量化血流样本条、图像分割及颜色粗提取[13]、中值滤波进行图像平滑、近似估算其血流总量，具体的算法流程如图2(a)所示。

图2 本文颜色特征提取方法处理流程

3.1 量化血流样本条

血流样本条作为超声影像图片中的重要组成部分，反映了肾脏内部不同颜色区域血流的变化情况，而其在肾脏中的分布也间接性的反映了就医者肾脏的健康情况。图2(b)代表不同颜色的区域血流速度不同，红色部分代表血流流入，蓝色部分代表血流流出，由于计算的是血流总量，因此本算法统一取正值。经MATLAB分析知，位于同一行中的像素值相同，因此其血流速度相同。

算法1 样本条量化及其物理意义映射

输入：样本条a，单位份数的血流速度n

输出：各位置颜色对应的血流速度A，对应位置的RGB值B

Begin

| for i from 1 to h/2

| | A(i，:)=N-n*(i-1);

| | B(i，:)=a(i，1，:);

| end

| for i from(h/2+1)to h

| | A(i，:)=(i-h/2)*n;

| | B(i，:)=a(i，1，:);

| end

End

将血流条分为h份，由样本条可知最大血流速度为N(18.2cm/s)所以单位份数的血流速度n如式(1)所示

(1)

各颜色对应RGB的值通过上表1伪代码进行实现，结合其位置实现了的颜色和物理意义之间的映射，从而达到了量化的效果。

3.2 图像分割及颜色粗提取

由于在采集样本时，数据提供方为保证数据的规范性，均采用在身体部位固定点进行成像，所以在B超上肾脏部位的取样框是固定的，由于核心工作是计算取样框内部的信息，因此可以对原图像进行分割，在不损失数据的情况下尽可能接近取样框，这样可大幅减少计算量。根据数据采样时的约定取范围X轴像素点位置从120到580，Y轴像素点位置从150到750，如图3所示。

图3 图像分割

进行完上一步，就可以进行颜色特征的粗提取了。分析3.1节中样本条的RGB通道分量知，彩色区域图像必有一个通道近似为0[14]，在此先验知识的基础下，本文提出了一种颜色特征粗提取方法，算法伪代码实现如下所示，

算法2 颜色特征粗提取算法

输入：经分割后的医学影像图I1

输出：滤掉背景色，粗提取后的颜色图I2

Begin

| [m，n]=Size(I1)

| for i from 1 to m

| | for j from 1 to n

| | | if !(r=0&(g*b)!=0 ‖

| | | |g=0&(b*r)!=0‖b=0&(g*r)!=0)

| | | |I1(i，j，:)=[255，255，255];

| | | end

| | end

| end

| I2=I1;

End

上面算法初步实现了医学影像中图像的颜色特征粗提取，提取效果如图4所示，可以看出，虽然实现了对原图像很大程度上的提取成像，但是生成的颜色图有很多孔洞，需要进一步的去细化。

图4 颜色特征的粗提取

3.3 颜色特征的精细化

本小节通过前面介绍的中值滤波方法进行细化，图像质量进一步得到了提升。对于RGB图像，需要对其三通道分别进行中值滤波，算法伪代码实现如下所示。

算法3 颜色特征细化算法

输入：颜色特征粗提取图像I2

输出：对其RGB三通道进行中值滤波后细化的图像I3

Begin

| for i from 1 to 3

| | g(:，:，i)=medfilt2(I2(:，:，i))

| | I3=g;

| end

End

经过细化后的颜色特征如图5所示，很明显，空洞特征很大特征上被精细化。

图5 滤波细化后的颜色特征

3.4 血流总量的计算

通过上面三个小节已经得出了本实际问题需要处理的信息，接下来就是进行对其物理化，方法是通过三通道值进行比对，相同像素值进行累加，随后进行位置对应，乘以其对应的血流速度，进而累加求和，近似估算出血流总量，这里不再赘述，结果如图6所示。

图6 近似的血流总量

4 实验结果分析

4.1 实验平台

本文是运行在普通计算机上的，操作系统为Windows7，在配置为intel-i7-6700八核3.4GHz的台式机上利用MATLAB2018a进行编程实现上述医学超声影像的精细化颜色特征提取，最后将其应用于临床医学的超声影像血流量估计中。

4.2 实验误差分析

均方根误差(Root Mean Squared Error，RMSE)是衡量“平均误差”的一种较方便的方法，可以评价数据的变化程度[15]。本文通过计算均方根误差判断粗提取以及细化后的图像与原始图像像素对应位置的颜色通道的相对误差值，为相关人士参考提供了可靠性保障。均方根误差是均方误差的算术平方根，本文中均方根误差数学化如式(2)所示。

(2)

表4 均方根误差及算法效率

采用上述方法计算用之前得出的粗提取的颜色图片与细化后的颜色图片分别与原图片做均方误差作比较，实验分析展示出本文算法经细化后图片质量大幅提升，并以可视化的方法进行误差分析，很好的求出了肾脏血流总流量。

5 结束语

本文对超声影像进行了基于特征匹配的评估仿真研究，首次将医学图像与计算机相结合实现了肾脏血流量的评估仿真，旨在为肾脏损害程度建立初步评价标准。首先，采用量化手段对血流速度样本条进行量化；其次，通过颜色通道值比对结合图像分割，降低时间复杂度并对肾脏中血流区域提取成像；再者，结合滤波算法，对所提取区域进行细化处理；最后，通过与颜色条结合其对应的物理值，近似得出其血流总量。实验结果表明，本文算法在能对超声影像中血流量进行有效提取，不仅为肾脏损伤等级自动化评估提供了新方案，而且降低了现有因医者经验判断方法而造成的损失。后续工作将通过机器学习算法对肾脏面积进行估计，与本文算法结合，建立一套评价肾脏损害的等级评价模型，辅助医学研究。