胎兒顏面部三維超聲基準標準切面自動校對系統的研究*

劉盛鋒，卓柳，倪東△

（1.哈爾濱理工大學自動化學院，哈爾濱150080；2.醫學超聲關鍵技術國家地方聯合工程實驗室，廣東省生物醫學信息檢測與超聲成像重點實驗室，深圳大學生物醫學工程系，深圳518060）

1 引 言

超聲檢查對胎兒和孕婦無副作用，診斷準確，是目前產前診斷與缺陷兒篩查的首選影像檢查方法。胎兒顏面部檢查是一項重要的超聲產前檢查項目。其中，包含重要解剖結構的標準切面的定位是超聲產前診斷的關鍵步驟之一。目前臨床超聲產前診斷主要有二維超聲和三維超聲。與二維超聲相比，三維超聲具有表面模式、三平面正交模式和多平面模式，可提供更加全面可靠的信息，更好的評估解剖結構，已廣泛應用于臨床胎兒顏面部的診斷。由于宮內胎兒胎位的不確定性，醫生從胎兒顏面部三維超聲體數據中手動校對胎兒胎位，手動定位三正交的基準標準切面是非常困難和耗時的。

近年來，吸引了許多研究者對三維超聲自動提取標準切面的興趣。Carneiro等［1］提出通過精確定位三維胎兒腦部體數據中的解剖結構的位置、方向和大小，來定位其解剖結構的標準切面。采用類似的方法，Lu等［2］研究了心臟三維超聲數據中標準切面的自動提取方法。Feng等人［3］，針對三維超聲的表面模式，提出了從三維超聲胎兒顏面部體數據中自動尋找胎兒面部的最優視角，結合3D人臉表面和2D面部輪廓精確檢測3D人臉。Cuingnet等人［4］針對三維超聲腦部體數據，提出將胎兒腦部解剖結構頭骨、正中矢狀面和眼球軌道作為參考，重新建立腦部體數據的正交坐標系和原點，最終確定腦部解剖結構的標準切面。Chen等人［5］針對三維超聲胎兒顱腦輪廓分割進行了研究。

迄今為止，關于三維超聲標準切面搜索研究已取得了一些進展，但就我們所知，尚無一個方法是針對從顏面部體數據中自動獲取重要解剖結構的標準切面。另一方面，不管是臨床研究還是計算機輔助，針對胎兒顱腦的研究，最受關注的解剖結構為雙眼球［4-6］和面部輪廓［3-4，7-8］。雙眼球在超聲圖像中特異性強，對稱存在，相比其他解剖結構易識別，且受胎兒胎位、胎齡的影響小。但是雙眼球灰度信息較為單一，在超聲圖像中存在較多與其表觀類似的區域，文獻［4-5］僅用雙眼球本身來定位，魯棒性有待提高。另一方面，正中矢狀面上的面部輪廓線亦較易識別，可反應顏面部的本質特性，臨床上往往對其進行多個生物學參數測量［9-12］，以判斷是否有顏面部畸形。

本研究提出一種三維超聲胎兒顏面部三正交基準標準切面自動校對系統，可減少醫生工作量，提高產前超聲診斷的標準化水平。首先，根據平面上一點和法向量確定平面的原理，即通過自動檢測雙眼球，并基于對稱性雙眼球軌道和軌道中點定位正中矢狀面；然后，通過自動檢測正中矢狀面上的面部輪廓線定位面額冠狀切面；最后，根據雙眼球和三平面正交關系校對水平橫切面。從而重新定義胎兒顏面部的三維基向量。

2 方法

2.1 眼球自動檢測

在三維超聲顏面部體數據中，眼球能反應胎兒顏面部的本質特征：眼球受胎兒體位、大小和圖像質量等變化影響小；超聲眼球表現為中央極小的無回聲區，眼球周邊為一完整的、厚度均勻的強回聲，這一強回聲壁由眼框骨和眼瞼組成，見圖1；眼球具有對稱性，可確定顏面部解剖結構的參考方向，校對正中矢狀面，所以最先檢測雙眼球的位置。但是雙眼球灰度信息較為單一，在超聲圖像中存在較多與其表觀類似的區域，可能降低自動檢測的魯棒性。在超聲圖像中，蝶骨位于眼球下方，具有對稱性，其聲像表現為中央極小的強回聲區，周邊為厚度均勻的弱回聲區，具有較強的標識性。因此，可通過聯合眼球下方的蝶骨增加眼球自動檢測的魯棒性。

圖1 3D超聲眼球灰度示意圖Fig 1 Diagram of 3D ultrasound eyeballs gray images

考慮到超聲圖像中典型眼球和蝶骨具有旋轉不變的特性的表觀，本研究擬將2D Haar-like特征［14］擴展到三維空間來描述訓練樣本的表觀。2D Haar-like特征的基本原理是：特征值定義為特征模板中不同區域的像素灰度值之差。本研究定義了10種形式的3D Haar-like特征，見圖2。

圖2 3D Haar-like特征模板示意圖Fig 2 Diagram of 3D Haar-like feature templates

為了更有效的計算濾波器的值，本研究提出了與計算2D Haar-like型特征的“積分圖”方法類似的方法“積分體”。“積分體”和“積分圖”的區別在于“積分體”是在三維空間中計算出來的。其具體計算過程如下：

（1）“積分體”是一個大小與體數據相同的三維矩陣，對于“積分體”上的某一點（x，y，z）來說，其值是時空體中所有序號小于等于當前位置的所有點的像素亮度和：

其中 iv（x，y，z）表示積分體（x，y，z）位置的值，i（x′，y′，z′）表示體數據中（x′，y′，z′）位置的值。（2）借助“積分體”的概念，任何一個立方體中的所有像素和可以通過7個加減操作計算出來。對于每一點（x，y，z）積分體的計算公式為：

每次計算特征值時，只需要計算頂點上的積分體值，這樣可以大大減少計算時間［14-15］。

在機器學習的實際應用中，特征數量往往較多，其中可能存在不相關的特征，特征之間也可能存在相互依賴，容易導致如下后果：（1）特征個數越多，分析特征、訓練模型所需的時間就越長。（2）特征個數越多，容易引起“維度災難”，模型也會越復雜，其推廣能力會下降。基于此，本研究將所有Haarlike總特征維數28318分成每1000維的特征子集，使用支持向量機 （support vector machine，SVM）分類器，然后利用每個特征子集對樣本集進行分類，選取分類精度最高的特征子集做為最后的特征。

在獲取最優特征子集后，即可分別訓練眼球和蝶骨檢測的SVM分類器；根據眼球與蝶骨位置關系空間不變性，采用眼球和蝶骨聯合檢測的方法；對所有眼球檢測的預測點使用k-means聚類求得雙眼球中心；最后，由雙眼球中心所確定方向向量和雙眼球中心連線的中心點，來定位正中矢狀面。雙眼球與正中矢狀切面空間位置關系見圖3。

圖3 雙眼球與正中矢狀切面空間位置關系示意圖Fig 3 Diagram of the spatial relation between the eyeballs and the median sagittal plane

2.2 面部輪廓線自動檢測

面部輪廓線自動檢測的過程，也是求最優直線的過程包括三個部分：鼻骨位置、面部輪廓模型和最優面部輪廓線擬合。

在三維超聲顏面部體數據中，面部輪廓能反應胎兒顏面部的本質特征：面部輪廓受胎兒體位、胎兒大小和圖像質量等變化影響小，清楚可見，易獲取；面部輪廓表現為成一定形狀的強回聲，區別于周圍其他軟組織，這一強回聲壁由面額骨、鼻子、鼻骨和下巴皮膚、下頜骨組成；面額冠狀切面通過面額骨、鼻骨和下額骨，與正中矢狀面的交線為面部輪廓線，即鼻骨和下額骨的連線，定位面部輪廓線，從而校對面額冠狀面。面部輪廓線及面部冠狀切面超聲圖像見圖4。

圖4 面部輪廓線及面部冠狀切面超聲圖像Fig 4 Ultrasound images of facial profile plane and facial coronary plane

正中矢狀面、雙眼球水平橫切面、面額冠狀切面之間成兩兩正交關系，相交于鼻骨［16］。鼻骨和雙眼球具有固定的空間位置和大小比例關系：（1）鼻骨和雙眼球成等腰三角形，鼻骨為頂點；（2）鼻骨到雙眼球中心連線的距離d（如圖（5a）的紅色直線）即為等腰三角形的高；（3）雙眼球中心之間的距離D（如圖5（a）的藍色直線），即為等腰三角形的底邊；（4）等腰三角形的高和底邊具有一定的比例關系，大概為d∶D=1∶4。所以，由雙眼球中心連線即可粗略確定鼻骨位置。鼻骨初定位后，為后面的正中矢狀面的面部輪廓區域分割進行了限制，可減少超聲圖像中宮內其他組織結構的噪聲影響，提高分割的準確性。鼻骨-顏面部模型見圖5。

Hough變換是圖像處理中從圖像中識別幾何形狀的基本方法之一。Hough變換的基本原理在于利用點與線的對偶性，將原始圖像空間的給定的曲線通過曲線表達形式變為參數空間的一個點。這樣就把原始圖像中給定曲線的檢測問題轉化為尋找參數空間中的峰值問題。也即把檢測整體特性轉化為檢測局部特性。本研究中是用來檢測直線。

在根據鼻骨確定的面部輪廓區域中，進行kmeans聚類分割得到二值圖，再進行Hough直線檢測，檢測到的多條直線集中分布在面部輪廓線區域，這是因為面部輪廓近似一條直線。根據Hough變換直線得到極坐標下的θ，便大大減少了面部輪廓線確定的范圍，即已經確定了面部輪廓線的大致范圍（θ1，θ2）。

圖5 鼻骨-顏面部模型示意圖a.模型示意圖；b.面部比例示意圖；c.鼻骨-眼球中心距離統計圖Fig 5 Diagram of the nasal-facial model

然后采用模板匹配的方法對Hough直線檢測確定的角度范圍和初步鼻骨位置兩個參數進行篩選，得到最佳的面部輪廓擬合直線方程，即為面部輪廓線。其過程是：首先，將多個胎兒正中矢狀面上的面部輪廓區原圖和對應的k-means分割二值圖加權平均，得到平均模板圖，其中模板大小為80×180。然后，對平均模板圖閾值分割得到面部輪廓線二值模板圖；最后，進行模板匹配，原則是，在已經確定的面部輪廓線大致范圍內（θ1，θ2），將 Hough直線檢測得到的二值圖與面部輪廓線二值模板圖進行運算再求和，得到和最大的匹配角度方向即為面部輪廓線的方向位置，再結合之前確定的鼻骨這個點，就可以精確擬合面部輪廓線。

面部輪廓線檢測后，直接校對面額冠狀切面。最后以鼻骨、雙眼球、面部輪廓線為參考，重新定義胎兒顏面部三維空間坐標（x′，y′，z′，o′），鼻骨為新坐標系的原點o′，面部輪廓線為新坐標的z′軸，雙眼球方向向量為新坐標的x′軸，鼻骨與雙眼球軌道中心所在方向向量為新坐標的 y′軸，x′o′y′平面即為雙眼球水平橫切面，所以由此校對雙眼球水平橫切面。

2.3 評價方法

本研究對算法在眼球檢測和三個基準標準切面和用戶間可變性等方面進行了定量評估，為了便于作定量評價，基于VTK開發了一個交互式軟件。用戶可以從體數據里獲取任意點的位置，記錄點的坐標，還可以獲取任意位置的切面，主要包括切面的法向量和中心點在內的參數信息。此外，還邀請了兩位在胎兒顏面部超聲檢查方面有三年以上經驗的超聲醫生（記為醫生1和2）和三位超聲醫學影像專業的研究生（訓練他們從體數據中標注三個基準標準切面；記為學生1，2和3），請他們標注最優的標準切面，并記錄下這些切面的法向量和中心點等參數。在標注過程中，用戶可以重復多次直到結果滿意為止。

本研究用上述兩位醫生的平均結果作為評測的金標準：眼球中心點真實位置（坐標點）和三個基準標準切面的真實位置（切面的法向量和中心點）。其中，眼球真實位置用紅色標注，三個標準切面用帶有紅色邊線的平面標注。對于評價眼球檢測結果的好壞，是通過評價自動檢測眼球中心點和臨床專家醫生標注的實際位置的歐式距離。對于評價獲取三個基準標準切面的好壞，主要采用兩個指標：（1）手動獲取與自動檢測的切面之間的角度：

其中，nm表示手動獲取切面的法向量，na表示自動獲取切面的法向量。（2）兩個平面之間的距離：

其中，bautomatic為體數據原點到自動獲取切面中心點的距離，bmanual為體數據原點到手動獲取切面中心點的距離。

3 實驗內容與結果

3.1 實驗數據

本研究使用的數據全部由深圳婦幼保健院超聲科邁瑞DC-8機器上采集，包括經驗豐富和新手醫生采集的數據，數據孕周分布在20周到39周，主要集中在29周到32周之間。共采集了788個來自174個不同的胎兒體數據，體數據的平均大小為250×195×220（像素），兩個像素相當于1 mm，每個胎兒有橫切面和矢狀面兩種掃查方式獲得的多個顏面部體數據。本研究使用來自134個胎兒的708個體數據做為訓練，來自40個胎兒的80個體數據（其中矢狀面掃查方式和水平橫切面掃查方式各40個）做為檢測。2D FP profile模板為20個胎兒的平均模板。所有的檢測數據都能反應一般情況。

3.2 實驗結果

主要通過平均誤差、中間誤差和標準偏差，定量得到自動檢測的雙側眼球中心點和三個基準標準切面的真實位置與臨床專家醫生標注的實際位置誤差分析結果分別見表1和表2。其中，表2中第一列的前三個指標分別為矢狀、冠狀和水平切面的角度，后三個為其對應切面間的距離。

表1 眼球檢測的歐氏距離誤差分析Table 1 Error analysis of Euclidean distance for eyeballs detection

表2 三基準標準切面檢測的誤差分析Table 2 Error analysis of the three reference standard planes detection

為了驗證用戶間的可變性，表3給出了不同用戶之間（包括醫生與醫生、醫生與學生以及自動檢測與醫生）的誤差比較。由此可知，自動檢測與醫生之間的誤差小于醫生與醫生之間的誤差，驗證了本研究提出的方法自動獲得的結果誤差在用戶間可變性變化范圍內，可以減少用戶間的差異。

表3 不同用戶間的誤差比較Table 3 Error comparison between different users

4 結論

首次實現了三維超聲中胎兒顏面部自動校對多基準標準切面導航系統。通過自動檢測胎兒雙眼球定位正中矢狀面，進而通過自動檢測正中矢狀面上的面部輪廓線定位面額冠狀切面，最后以鼻骨、雙眼球和面部輪廓線為參考校對水平橫切面，從而自動定義胎兒顏面部三維基準向量。實驗表明，標準切面角度誤差在2.541～4.601度之間，距離誤差在0.739～1.000毫米之間。實驗結果說明了本系統的可行性。