纹理分析在骨骼肌超声中的应用及研究进展

赵超超，焦玉婷，杨 智（通信作者）

（滨州医学院附属医院超声医学科 山东 滨州 256603）

纹理（texture）俗称花纹，通常指从图像中观察到的图像像元的空间分布规律，可理解为图像灰度在空间上的重复和变化规律，或图像中反复出现的局部模式(纹理基元)以及其排列规则[1]。用以描述图像的平滑度、粗糙度和规律性等的特征。在图像分析学中用数字特征描述灰度变化特征称为图像的纹理特征。超声图像纹理分析（texture analysis of ultrasound images）是通过一定的图像处理技术，分析超声图像中像素灰度的分布及关系，提取肉眼无法看到的纹理特征。有助于早期无创地明确病灶的性质以及评价疾病疗效、判断预后等[2]。为提高认识，笔者检索了国内外纹理分析在骨骼肌超声中应用的相关文献并进行综述。

1972 年Sutton 等用纹理分析技术区分正常与异常肺组织，标志着纹理分析开始应用于医学领域。目前纹理分析已在医学图像处理领域得到了广泛应用，如对X 线片、乳腺钼靶片、CT 图像、PET 图像、MRI图像等进行纹理分析。在超声领域，纹理分析已应用于甲状腺、乳腺、卵巢、前列腺、肝脏、肾脏等器官良恶性肿瘤的鉴别及恶性肿瘤的分型分级等。近年来，随着高频超声技术和超声影像学的快速发展，超声图像可精确显示肌肉厚度、回声强度、羽状角、肌束长度等具体的参数，超声已成为骨骼肌肉检查的重要影像学手段。然而，骨骼肌超声图像的获取和判读通常依赖于临床医生的主观经验，现有超声诊断设备缺乏系统、客观的定量及定性指标。肌肉纹理特征能直观地反映肌肉的性质和状态，如肌内纤维脂肪化程度、黏弹性、疲劳程度等。对骨骼肌肉超声图像纹理的研究引起了人们的广泛关注。

1 骨骼肌纹理分析的常用方法

骨骼肌超声图像获得后，将图像灰度数值化(灰度值设置为0 ～255，256 灰度级)，根据观察肌肉截取适当形的“感兴趣区域”（region of interest,ROI）并对该区域纹理特征进行提取和分析。骨骼肌超声图像纹理分析根据评估像素之间的空间关系分为三类：

1.1 一阶纹理特征

一阶统计特征是肌肉ROI 像素强度的频率直方图，频率直方图是计算一定强度的像素发生的频数，包括以下7 个特征：综合光密度、均值、标准差、方差、偏度、峰度和能量。一阶纹理特征易理解、易获取，这使其得到普遍使用。但一阶纹理特征仅评估单个像素的强度，忽略了像素之间的空间关系，不能表示纹理的规则性和粗糙性。

1.2 二阶纹理特征

二阶纹理特征解释了两个像素之间的强度和空间分布。最常用的二阶纹理分析方法是灰度共生矩阵（graylevel co-occurrence matrix，GLCM），描述具有某种空间位置关系两个像素灰度的联合分布。GLCM 是一个L×L的矩阵（L 为灰度级，就是一幅图中包含的不同灰度值的个数），是包含给定强度2 个像素的出现次数、角度（水平、垂直、上对角线或下对角线）和距离的频率计数[3]。

1.3 高阶纹理分析

高阶纹理特征评估了3 个或3 个以上像素的强度和空间关系。常用的高阶纹理分析包括：①游程长度矩阵（run-length matrix，RLM）是对给定方向和游程长度出现相同强度像素的频率进行编码，RLB 可以在几个不同行程长度的四个方向上进行评估，从中可以提取几个不同的统计特征来评估纹理描述的游程长度和频率（Galloway特征）[3]。一般来说，粗糙纹理图像将包含更多的长运行，而精细纹理图像将包含更多的短运行。②局部二元模式（local binary pattern，LBP）用来评估灰度图像的局部空间模式和对比度，其中可能包括ROI 内的点、线、边和角等，其最简单的形式是从原始ROI 中选择像素的方形矩阵（通常为3×3 的矩阵），并将中心像素强度与周围的8 个周长像素进行比较，大于或等于中心像素的周围像素强度值为1，否则为0；此新定义的矩阵将包含8 个像素，值为0 或1。假设有8 个像素位置，每个像素位置可能包含0 或1，这个二进制矩阵被压缩成一个表示特定图案新图像，然后提取常见的纹理特征，如能量和熵。由于LBP 分析为图像中的不同模式（边缘或斑点）提供独特的值，因此可利用肌肉组织内回声反射的模式和对比度来表征肌肉成分[3]。③Blob 分析方法是一种时频域分析的技术，其最大的两个特点：一是“自适应性”，它能根据小波分析的对象自动调整有关参数；二是“数学显微镜性质”，它具有放大能力和“极化”性质，能根据观察的对象自动选择最佳“偏振”方向进行分析，以取得人们满意的最佳效果[4]。正由于其诸多特点，所以能较好地突出信号局部特征，在微弱、背景噪声较强的随机信号分析中具有重要的意义。

2 纹理分析在骨骼肌超声中的应用

2.1 纹理分析在骨骼肌超声中的应用价值

骨骼肌的纹理特征受个体肌肉成分、类型及功能状态等因素的影响。Fiore 等[5]通过对肉牛屠宰前背长肌超声图像纹理分析参数值与屠宰后实际脂肪含量进行对比发现应用纹理分析可以较为准确地预测肌肉内脂肪含量，并预测纹理分析具有对活体动物组织进行客观分级的潜力。Molinari 等[3]通过对对健康者肱二头肌、股外侧肌、股直肌、内侧腓肠肌、胫骨前肌的超声图像进行了纹理分析，发现一阶统计特征和 Haralick 特征（能量、熵和不同角度的相关性测量）与性别联系密切，Galloway特征能够区分肌肉类型。Wilkinson 等[6]在对慢性肾脏病患者股直肌横断面超声图像进行纹理分析时发现所有的GLCM 参数，都与肌肉功能相关，得出纹理分析能提供一个新的评价肌肉质量的指标。

2.2 纹理分析在骨骼肌疾病中的应用

由于健康年人肌肉结构为均匀的声阻抗，肌肉表现为典型的低回声。病变的骨骼肌在超声检查时表现出明显的异常，是由于肌肉组织结构及成分发生改变，使肌肉纹理特征发生变化，如肌源性和神经源性肌病、肌肉损伤等，超声图像纹理分析能更直观地反映这些变化。Sogawa 等[7]通过对肌源性和神经源性疾病患者及健康成年人股直肌超声图像进行纹理分析发现神经源性疾病组和肌源性疾病组的回波强度高于对照组，运行长度矩阵、自回归模型和共现矩阵能很好地区分神经源性组和肌源性疾病疾病组。Kumbhare 等[8]通过对比肌筋膜疼痛患者与健康参与者的斜方肌超声图像的斑点面积、计数和LBP 等特征之间的不同，发现LBP 和blob 参数存在显著差异，得出纹理分析技术可以区分健康和斜方肌肌筋膜疼痛者，但还需要进一步的研究来评估这些差异的性质。Ternifi等[9]发现肌萎缩侧索硬化症患者和健康受试者肱的二头肌、前臂屈肌、股四头肌和胫骨前肌群超声图像GLCM 参数存在较大差异。为了检测骨骼肌减少症患者肌肉纹理的变化，探索一种利用超声波评估骨骼肌减少症患者肌肉变化的新方法，Tang 等[10]采用局部二元模式（LBP）结合灰度共生矩阵（GLCM）方法对不同人股直肌的纹理信息进行提取和定量分析，发现LBP 结合GLCM 是一种稳定的肌肉纹理特征提取方法，得出股直肌的纹理特征是评价肌肉功能和病理变化的潜在参数。

2.3 纹理分析在肌肉损伤中的应用

纹理分析能够区分肌肉的损伤类型：赵佳琦等[11]使用离体猪理化损伤模型进行超声肌肉纹理定量研究，初步验证了微波热消融与无水乙酸腐蚀所致的横纹肌声像图纹理改变与正常肌肉差别甚大，且彼此表现不同，为精确探讨骨骼肌损伤后声像图纹理特征与病理学演变规律，及骨骼肌损伤超声影像学定量诊断与疗效分级评价提供理论基础。Matta等[12]通过对13 名妇女肘部偏心收缩后24 h、48 h、72 h 和96 h 超声图像进行纹理分析（GLCM 参数和回声强度），发现纹理分析是研究运动后肌肉损伤时间变化的一种敏感方法。

2.4 纹理分析时需要考虑的问题

虽然纹理分析在组织诊断和评估神经肌肉疾病的疾病进展方面取得了较大成果，但由于缺乏仪器设备和受试者自身诸多因素的影响，这使得纹理分析在应用中存在很大局限性。Yang 等[13]的研究发现许多纹理特征存在年龄依赖性，因此，在应用时纹理分析时需要将年龄因素考虑在内。Paris 等[14]使用同一台机器不同深度调节下，对同一组受试者分别获取分辨率不同的图像，经纹理分析后发现纹理分析参数差别较大。Vara 等[15]在其他参数完全相同，仅有时间补增益（TGC）不同的情况下同样发现所获得的图像纹理分析参数没有可比性。所以在获取超声图像时仪器参数调节应该在参与者之间和参与者内部保持不变（或至少要考虑在内），以确保具有可比性的测量结果的可靠性。姚炜等[16]实验发现不同品牌超声仪器上采集的图像不能进行纹理分析参数的相互比较。姚炜等[17]还研究发现受试者内部相同肌肉不同位置间纹理测值差异无统计学意义，得出在进行骨骼肌超声纹理定量时并不需要对测量部位进行严格限制。

3 骨骼肌超声图像纹理分析的未来展望及问题

纹理分析能够对骨骼肌超声图像进行更深度地挖掘，发现人眼不能辨别的灰度值所包含的信息，揭示疾病异质性甚至分子生物学的变化，帮助医生对骨骼肌进行定量分析，客观诊断骨骼肌疾病。作为一个相对新兴的领域，纹理分析尚处于起步阶段，必然面临诸多挑战：①目前用于纹理分析的软件种类多样、纹理特征参数繁杂、后处理技术各不相同，在不同研究中纹理特征输出的数量和质量存在广泛差异，且一般仅有几个纹理参数具有较高的可靠性，缺乏更为全面地分析。②目前国内外的诸多研究均为单中心、小样本研究，且多为横断面研究和回顾性研究，得出结的论也缺乏广泛的临床验证与病理支持。③不同型号或不同厂商超声的设备、甚至同一型号新旧程度及不同医生的采集习惯都会影响图像纹理特征的稳定性，为多中心、大样本研究带来了极大困难。随着高分辨率超声诊断仪和超声影像学的迅速发展，高分辨率超声已广泛应用于人体各部组织器官疾病的诊断。