漂移迭代搜索算法提取高频超声声像图肝包膜线并量化评估肝硬化

蒋芙蓉，赵静文*，刘 翔，贾洪博，石蕴玉，汤 显，宋家琳

(1.上海工程技术大学电子电气工程学院，上海 201620；2.上海长征医院超声科，上海 200003)

肝硬化为不可逆慢性进行性肝脏疾病，可进展为肝癌，早期诊断及治疗非常重要[1-2]。超声为目前检查肝硬化的重要手段，主要由医师通过扫查进行诊断，主观依赖性强，且难以识别部分细微异常。自动诊断肝硬化现已成为新的发展方向。本研究基于多滤波协同方法提出漂移迭代搜索算法，以自动提取高频超声声像图中的肝包膜线，并观察其用于评估肝硬化的价值。

1 资料与方法

1.1 一般资料 收集2013年4月—2014年5月47例就诊于上海长征医院的肝硬化患者，男35例，女12例，年龄28～77岁，平均(51.6±11.6)岁；按病情严重程度将其分为轻(n=18)、中(n=16)及重度组(n=13)，年龄分别为31～71岁、平均(50.1±10.1)岁， 28～67岁、平均(50.8±11.0)岁，33～77岁、平均(55.3±14.7)岁；排除脂肪肝、肝血吸虫病及其他器质性肝脏疾病患者。随机选取20名健康体检者作为对照组，男15名，女5名，年龄26～76岁，平均(51.5±13.2)岁。本研究获医院伦理委员会批准，检查前受检者均签署知情同意书。

1.2 仪器与方法 采用GE Voluson E8超声诊断仪，11L线阵探头，频率4～10 MHz。嘱受检者仰卧，扫查肝脏，调整图像深度及增益，以清晰显示肝包膜及浅层肝实质，并存储显示肝脏左、右叶肝包膜的二维声像图。

1.3 提取肝包膜线 基于多滤波协同方法，以漂移迭代搜索算法处理肝脏声像图并精准定位肝包膜线，流程见图1。阈值t均为本课题组前期预试验得出。

1.3.1 判断腹腔积液 观察肝脏声像图，以转置灰度统计阈值法判断有无腹腔积液，若存在，则将腹腔积液检测边界以上的图像灰度值设置为零。

以W表示肝脏声像图宽度，以H表示其高度，并将其逆时针旋转90°，将X轴方向的扫描范围限制在图像左半部分，即原图的上半部分(图2A、2B)；逐列计算所有像素点的平均灰度值，绘制灰度曲线(图2C)；计算曲线中低于平均灰度值阈值t1(50像素)部分的连续宽度L。67组肝脏声像图中，腹腔积液区占图像上半部分的1/4及以上(图3)，故以L≥H/8为存在腹腔积液；同时以灰度曲线L中点所在垂直线为腹腔积液检测边界，将其左侧部分、即原图以上部分的灰度值设置为零。

1.3.2 线性结构增强 参考文献[3]方法，先以尺度差分去除肝脏声像图中的背景噪声，凸显其线性特征，再以多尺度Hessian矩阵实现线性结构增强。

图1 提取肝包膜线整体流程图

图2 转置灰度统计阈值法流程图 A.肝脏声像图原图； B.转置扫描示意图(红线表示X轴方向的中线，即扫描范围的最末列；蓝线表示正在扫描中的任意列)； C.灰度曲线(蓝线表示平均灰度值曲线；红线表示连续宽度L的范围)

图3 肝脏声像图 A.对照组受检者，男，31岁，肝包膜平滑； B.重度组患者，男，56岁，肝包膜呈波浪、锯齿状并出现断裂，伴腹腔积液

图4 线性结构增强流程图 A.肝脏声像图原图； B.Iσ=0； C.Iσ=1； D.Iσ=20； E.尺度差分图像Ibandpass(Ibandpass=Iσ=1-Iσ=20)； F.多尺度Hessian矩阵处理图像

以σ表示图像尺度，I(x,y;σ)表示图像；σ=0时，I(x,y;σ)=I(x,y)，相当于肝脏声像图原图(图4A、4B)；随σ增大，图像趋于模糊，细节被抑制，而线性特征、尤其肝包膜结构凸显；σ=20时，图像Iσ=20细节信息基本丢失，与背景区分度较小，可视为线性结构有效信息的最大尺度；将最小尺度(σ=1，图4C)与最大尺度(σ=20，图4D)图像进行差分，相当于对原图实现带通滤波(图4E)；之后采用多尺度Hessian矩阵处理图像，使其线性结构显著增强[4](图4F)。

1.3.3 去除噪声 采用横向滤波结合局部滤波去除图像中的肝实质噪声。首先采用横向滤波，设置20×W像素的矩形窗口遍历全图，若该矩形窗口的平均灰度值低于肝脏声像图原图的平均灰度值，则滤除该区域的全部噪声；此后肝包膜下方仍有少量噪声点，以局部滤波加以过滤，并设置5×5像素滑动窗口进一步扫查图像，若其平均灰度值低于平均灰度值阈值t2(50像素)，则滤除该窗口内全部噪声。见图5。

1.3.4 精准定位肝包膜 通过漂移迭代搜索法精准定位肝包膜，并增添纠错机制，以横向滤波过滤噪声。

图5 横向滤波结合局部滤波效果图 A.轻度组患者，男，31岁； B.轻度组患者，女，38岁 (红框示肝包膜下方的少量噪声点) 图6 漂移迭代搜索示意图 (红箭及红点表示定位肝包膜的方向；黄线表示迭代搜索边界)

首先基于去除噪声后图像由左下角开始，自下至上、从左至右进行反向搜索，若相邻像素差的绝对值大于相邻像素差阈值t3(30像素)，则认为出现跳变状态，以第二次跳变状态的点为边界点，以其所在水平线为中心，上、下分别辐射一定距离(距离阈值为t415像素)，即出现上、下两条水平线，以此作为限制边界，在此边界内由左向右逐步进行迭代动态限制，搜索包膜线潜在线段。以横向滤波为纠错机制，滤除肝包膜断裂处上方可能出现的噪声，得到完整精确的肝包膜线。见图6。

1.4 量化分析肝包膜特征 基于提取的肝包膜线，以3个指标定量评价肝硬化病程[5]。

1.4.1 连续性(Continuity) 当构成肝包膜线的曲线长度相同时，其段数越少，则断裂程度越低，连续性越好；构成肝包膜线的曲线段数相同时，曲线越长，则其延展性越好，连续性越好。连续性特征描述式为：

其中，Number表示构成肝包膜线的曲线段数，length(i)表示第i段的曲线长度。

1.4.2 平滑性(Smoothness) 肝包膜线的平滑性与其整体趋势及细微处的抖动均相关；肝包膜线整体斜率变化越小、相邻曲线段斜率抖动越小，则其平滑性越好。平滑性特征描述式为：

其中，ki表示第i段曲线的斜率，ksubi表示第i段与第i-1段曲线斜率差的绝对值，kstd表示每段曲线相对于曲线整体的倾斜程度，ksub表示相邻曲线的细微变化及波动程度，kmean表示曲线整体的平均倾斜程度，θi表示第i段曲线与水平方向的夹角。

1.4.3 腹腔积液(Ascites) “0” 为不存在、“1”为存在腹腔积液。

1.5 统计学分析 采用SPSS 24.0统计分析软件。以±s表示符合正态分布的计量资料，采用单因素方差分析行多组间比较；若差异具有统计学意义，则以Dunnett T3检验进行组间比较。P<0.05为差异有统计学意义。

2 结果

4组受检者年龄、性别及体质量差异均无统计学意义(P均>0.05)。

精确定位并提取了全部67组图像中的肝包膜线，轻、中及重度组及对照组提取准确率分别为100%(18 /18)、93.75%(15/16)、92.31%(12/13)及100%(20/20)，见图7。4组肝包膜线的连续性及平滑性差异均有统计学意义(P均<0.05)，两两比较差异亦有统计学意义(P均<0.05)；仅重度组可见腹腔积液。见表1。

图7 漂移迭代搜索算法提取肝包膜线各阶段效果图

表1 提取的轻、中、重度肝硬化患者及健康人肝包膜线特征比较

3 讨论

计算机辅助诊断肝硬化系统主要针对肝实质纹理进行定量分析[6-7]，而肝硬化的另一评价标准——肝包膜特征近年才引起重视；自动定位并提取声像图中的肝包膜线是其重点和难点。现有提取肝包膜线方法主要包括动态规划算法[8]、人工监督与梯度优化方法[9]、多尺度多目标优化方法[10]、空间上下文约束多尺度方法[11]及基于形态学处理的遍历搜索法[12]等，均可检测出大部分肝包膜线，但部分需人工选择初始参考点或仅能提取连续性肝包膜线，而重度肝硬化超声所示肝包膜可存在断裂现象，导致提取后影像学特征严重损失。针对上述问题，本研究基于多滤波协同方法提出漂移迭代搜索算法，以实现自动提取肝包膜线，并定量评价肝硬化。

肝脏声像图中，腹腔积液的灰度值较低，且多集中于图像上半部分，位于肌肉和脂肪层与肝包膜之间[13]。本研究首先识别腹腔积液，并将其检测边界上方的图像灰度值设置为零，以避免肝包膜严重断裂时误检其上脂肪层。肝脏声像图包括不同尺度肌肉和脂肪层、肝包膜、肝实质及不均匀背景噪声等[14]。本研究通过适当选取尺度范围凸显线性结构，同时抑制背景噪声。肝脏声像图中，肝包膜为局部线性结构，且亮度及粗细程度均不一，本研究采用Hessian矩阵实现其线性增强[4]；图7可见重度组提取的肝包膜线与水平方向夹角过大，导致横向滤波无法滤除肝包膜下方区域噪声，采用局部滤波可有效弥补其不足。最后采用漂移迭代搜索联合滤波纠错机制成功提取的肝包膜线相比其他方法[8,11-12,15]准确率较佳。

本研究以连续性、平滑性及腹腔积液3个指标评价所提取的肝包膜线，发现连续性及平滑性随肝硬化加重而降低，即肝包膜线断裂次数增多并出现阶梯状、锯齿状及波浪状形变，局部和整体斜率均变大。本研究仅重度组出现腹腔积液，即肝脏声像图显示腹腔积液提示重度肝硬化。

综上，采用漂移迭代搜索算法可精确定位并提取高频超声声像图中的肝包膜线，有助于判断肝硬化程度；但重度肝硬化时肝包膜线断裂严重，且超声检查受探头角度及介质等影响，导致部分图像中肝包膜清晰度较低，有待进一步完善。