血管M型超聲圖像的邊緣提取

劉艷麗，劉 奇，高曉濤

(承德醫學院，河北承德 067000)

技術方法

血管M型超聲圖像的邊緣提取

劉艷麗，劉 奇，高曉濤

(承德醫學院，河北承德 067000)

血管;M型超聲;圖像邊緣提取

心血管邊界的分割是國內外研究的熱點，各種圖像分割方法的最終目的是得到血管的內徑，從而估測血液的流動速度和血管硬度，來分析其與心臟疾病的關聯。有文獻提出了區域生長法對血管的內璧進行分割，需預先設定種子點，從而得到最終的邊界輪廓，這種方法是比較傳統的方法之一，除了耗費時間外，較強的人工干預也是一大缺陷。近年來，各種新方法如動態規劃、形態模型、模糊聚類等也都應用到了血管超聲圖像的分割中。除了進行早期的PWV(壓力波速)間接檢測血管硬度外，透過超聲波直接測量血管形變的相關技術也日益成熟[1]，如Boutouyrie等經過長期的觀察與研究后提出，高血壓病人主動脈的硬度對于冠狀動脈的疾病是一個獨立的指標;Taniwaki和后來的van Popele均研究指出，在糖尿病第二期的病人里，主動脈的血管硬度與頸動脈的內膜厚度成正相關;Scuteri等也利用B超圖像分析得出右頸動脈的內膜厚度與血管的形變均與相關疾病(高血壓、肥胖等)的新陳代謝有關。因此，本文針對心血管M型超聲圖像采用了紋理濾波結合形態學操作進行了血管邊緣的提取。

1 圖像的獲取及ROI的選擇

原始圖像是從華西醫院超聲科采集到的周邊帶有醫院名稱、采集時間等信息的血管M型超聲圖像，由于心血管的變化會跟隨心臟的收縮和舒張過程具有周期性，我們選取一個周期內有代表性的ROI區域，大小為256×256，如圖1a所示。

2 傳統分割方法仿真

傳統的閾值分割方法算法簡單，對于對比度分明、反差大的圖像分割效果非常好，而對于質量差的醫學超聲圖像就很容易丟失細節信息，因此，我們先用自適應閾值分割方法(大津法)進行了嘗試。

大津法算法源于最小二乘法，是按圖像的灰度特性,將圖像分成背景和目標兩部分[2]。這兩部分的類間方差大小反映了構成圖像的背景和目標的灰度差別大小,當部分背景錯分為目標或部分目標錯分為背景時都會導致兩部分差別變小。因此,使類間方差最大的分割可以使錯分概率最小。

我們還嘗試了基于等位線的閾值分割方法，利用MATLAB的內置等位線函數contour，先將圖像 灰度化，然后將其灰度n(n值大小經試驗確定最佳)等分，然后進行等位線與血管邊緣比對，進而找到一個最佳的等分值，即是我們所需要的灰度閾值。實驗結果如圖1所示。

圖1 閾值分割方法的比較

比較c、d，可見等位線閾值分割方法比大津法有更好的收斂性，血管壁的內外邊緣清晰可見，但從圖像分割的角度來看，此法也存在很大程度的欠分割，比如血管下邊緣分割得不飽滿，這對血管參數的測量會有很大的影響。由此可見，對于紋理比較復雜的血管M型超聲圖像，傳統的分割方法已不再適用。

3 Gabor函數與Gabor紋理分割

紋理分割[3]是基于圖像的不同紋理特征(如紋理結構特征、紋理統計特性或是頻譜特征等)進行分析，其結果反映了物體表面顏色和灰度的某種變化。由于紋理表現出準周期性的統計特征，不同的紋理有一個主要頻率分量和其它一些次要頻率分量，其頻帶寬度一般較窄，Gabor小波濾波器能夠同時在時域和頻域同時達到高的分辨率，更適合于紋理的分析。

Gabor函數是由Gabor于1946年提出的[2]，具有高斯窗函數的短時傅里葉變換就是Gabor變換。Daugman[4]在1985年提出了二維Gabor濾波器理論，并較早將Gabor小波技術應用于紋理圖像分割。目前，Gabor小波濾波器作為圖像增強、特征提取的有效手段已被廣泛應用于車牌、指紋識別等領域，并取得了不錯的效果[5]。

通常只要改變Gabor濾波器的性能參數就可以產生任意中心頻率、方向特性和帶寬的Gabor濾波器，Gabor濾波結果可以描述不同尺度上灰度分布信息。一般來說，全局性較強的信息可以用大尺度濾波描述，同時不易受圖像中噪聲的影響;而小尺度濾波則用于描述圖像中比較精細的局部結構，會受到噪聲的影響。因此，在濾波器的選擇上要結合實際圖像的質量來定，Gabor濾波器的多尺度特征，也給不同特性的紋理圖像的提取帶來了極大的方便。文獻[6]中應用24個Gabor濾波器濾波結果結合canny、sobel等進行圖像的紋理分割嘗試，針對紋理比較稀疏的目標效果尚可，但對于目標和背景差別不大的圖像仍難達到滿意的效果，參數尺度也難以確定。因此，我們直接進行二維Gabor濾波后再進行形態學操作完成血管邊界的提取。

實驗表明，偶對稱Gabor小波比復值Gabor小波更適用于紋理圖像的分析和處理。我們將Gabor濾波器應用于超聲圖像分析，取了二維Gabor小波的實部，表達式如下:

其中:

由此我們可設定不同的m值，而得到不同方向的濾波器，根據應用中提取Gabor特征的精確程度不同,可選擇4方向，6方向或8方向,即取m=4、6或8等，實驗中其他參數的選取也是影響最終目標輪廓提取的重要因素。

其中W為濾波器窗。

4 分割實驗

4.1 圖像預處理在進行Gabor紋理濾波之前要先進行圖像預處理，在提高圖像的灰度對比度的同時，盡可能去除超聲圖像中夾雜的斑點噪聲。我們采用了改進的自適應中值濾波方法，相對于中值濾波而言,它能夠處理空間密度更大的椒鹽噪聲，具有更優良的濾波性能。

4.2 Gabor紋理參數選擇及濾波結果 經過圖像預處理過程后，可將圖像進行Gabor濾波處理。首先是Gabor濾波參數的選擇，即要確定m的值。我們基于文獻[6]對此圖像進行Gabor濾波實驗，即取(取四個方向)最后發現我們感興趣的區域完全被濾掉了，經過反復的實驗后確定方向尺度m=4或6均可，當然，方向越多表明濾波結果越精細，在不影響血管輪廓的情況下，實驗中我們均取m為6方向。經Gabor紋理分析后如圖2所示。

圖2 圖像預處理及Gabor濾波參數選擇結果比較(c)=0.77，=0.144m=4 (d)=0.77，=0.144m=6

5 數學形態學操作獲得血管的最終邊界

在將Gabor紋理濾波后的圖像進行二值化后，邊界存在許多毛刺和突起，還不能達到我們提取血管邊界的最終效果，因此，要進行多尺度形態學操作處理。數學形態學的基本思想[7]是利用結構元素對信號進行“探測”，作為探針的結構元素，可直接攜帶知識(形態、大小、灰度和色度信息等)來探測、研究圖像的結構特點。

我們采用圓盤(disk)結構元對圖像進行平滑操作。在對Gabor濾波后的圖像二值化后，可見存在一些冗余信息(如圖3a所示)，因此，需要進行一系列二值形態學操作。(1)將圖像G進行二值翻轉操作，即G=1-G。(2)將黑白對調后的圖像進行膨脹操作，為了保證圖像的輪廓獨立性，我們選擇的結構元是r=1的圓盤，膨脹兩次，這樣便可保證冗余信息與邊界不相連，但卻各自連成一體。(3)將圖像翻轉，填充不必要的空洞信息，這樣就可以去除非血管邊界區域的干擾。(4)將膨脹后的邊界再進行腐蝕操作，腐蝕的結構元與膨脹的結構元相同，腐蝕兩次后便可得到血管上下壁，如圖3b所示。

一般來說，針對不同的濾波結果，可能整個操作過程會有次序的先后變化，但利用形態學方法操作均可以得到滿意的效果。

圖3 Gabor濾波結合形態學操作結果

將Gabor紋理濾波后圖像進行形態學操作，最終由sobel算法提取邊緣，可得到血管壁的邊界，再將邊界整合到原始ROI圖像上(見圖3c)。比較圖3d閾值分割結果，可見對于此類多目標區域且紋理灰度相對均一的血管M型超聲圖像的分割，我們提出的方法更加適用。

Gabor多通道濾波器由于其同時具有時域和頻域的聯合最佳分辨率而越來越多地應用于紋理頻譜特征分析。雖然紋理分割的方法還沒有達到完善的程度，但是針對本文研究的血管超聲圖像，采用Gabor濾波器進行紋理分割的效果是比較令人滿意的。

[1]張霞,葛蘆生.自適應中值濾波算法的研究與應用[J].微計算機信息,2007,23(6):217.

[2]Jain AK, Farrokhnia F. Unsupervised texture segmentation using gabor fi lters[J]. Pattern Recognition,1991,24(12):1167-1186.

[3]Bovik AC, Clark M, Geisler WS.Multichannel texture analysis using localized spatial filters[J].Pattern Analysis and Machine Intelligence,1990,12(1):55-73.

[4]李宏貴,李興國.基于Gabor小波濾波器的紅外圖像多尺度識別[J].紅外與毫米波學報，2000,19(2):113.

[5]陳靜，羅斌.基于Gabor濾波的指紋圖像增強算法[J].計算機技術與發展,2008,18(4):126.

[6]李波.基于多通道Gabor小波濾波器的圖像分割研究[D].長春:東北師范大學，2004.

[7]阮秋琦, 阮宇智(譯).數字圖像處理[M].第2版.北京:電子工業出版社，2004.423-429.

R445

A

1004-6879(2013)04-0319-04

2013-03-06)