刘艳丽，刘 奇，高晓涛

(承德医学院，河北承德 067000)

技术方法

血管M型超声图像的边缘提取

刘艳丽，刘 奇，高晓涛

(承德医学院，河北承德 067000)

血管;M型超声;图像边缘提取

心血管边界的分割是国内外研究的热点，各种图像分割方法的最终目的是得到血管的内径，从而估测血液的流动速度和血管硬度，来分析其与心脏疾病的关联。有文献提出了区域生长法对血管的内璧进行分割，需预先设定种子点，从而得到最终的边界轮廓，这种方法是比较传统的方法之一，除了耗费时间外，较强的人工干预也是一大缺陷。近年来，各种新方法如动态规划、形态模型、模糊聚类等也都应用到了血管超声图像的分割中。除了进行早期的PWV(压力波速)间接检测血管硬度外，透过超声波直接测量血管形变的相关技术也日益成熟[1]，如Boutouyrie等经过长期的观察与研究后提出，高血压病人主动脉的硬度对于冠状动脉的疾病是一个独立的指标;Taniwaki和后来的van Popele均研究指出，在糖尿病第二期的病人里，主动脉的血管硬度与颈动脉的内膜厚度成正相关;Scuteri等也利用B超图像分析得出右颈动脉的内膜厚度与血管的形变均与相关疾病(高血压、肥胖等)的新陈代谢有关。因此，本文针对心血管M型超声图像采用了纹理滤波结合形态学操作进行了血管边缘的提取。

1 图像的获取及ROI的选择

原始图像是从华西医院超声科采集到的周边带有医院名称、采集时间等信息的血管M型超声图像，由于心血管的变化会跟随心脏的收缩和舒张过程具有周期性，我们选取一个周期内有代表性的ROI区域，大小为256×256，如图1a所示。

2 传统分割方法仿真

传统的阈值分割方法算法简单，对于对比度分明、反差大的图像分割效果非常好，而对于质量差的医学超声图像就很容易丢失细节信息，因此，我们先用自适应阈值分割方法(大津法)进行了尝试。

大津法算法源于最小二乘法，是按图像的灰度特性,将图像分成背景和目标两部分[2]。这两部分的类间方差大小反映了构成图像的背景和目标的灰度差别大小,当部分背景错分为目标或部分目标错分为背景时都会导致两部分差别变小。因此,使类间方差最大的分割可以使错分概率最小。

我们还尝试了基于等位线的阈值分割方法，利用MATLAB的内置等位线函数contour，先将图像 灰度化，然后将其灰度n(n值大小经试验确定最佳)等分，然后进行等位线与血管边缘比对，进而找到一个最佳的等分值，即是我们所需要的灰度阈值。实验结果如图1所示。

图1 阈值分割方法的比较

比较c、d，可见等位线阈值分割方法比大津法有更好的收敛性，血管壁的内外边缘清晰可见，但从图像分割的角度来看，此法也存在很大程度的欠分割，比如血管下边缘分割得不饱满，这对血管参数的测量会有很大的影响。由此可见，对于纹理比较复杂的血管M型超声图像，传统的分割方法已不再适用。

3 Gabor函数与Gabor纹理分割

纹理分割[3]是基于图像的不同纹理特征(如纹理结构特征、纹理统计特性或是频谱特征等)进行分析，其结果反映了物体表面颜色和灰度的某种变化。由于纹理表现出准周期性的统计特征，不同的纹理有一个主要频率分量和其它一些次要频率分量，其频带宽度一般较窄，Gabor小波滤波器能够同时在时域和频域同时达到高的分辨率，更适合于纹理的分析。

Gabor函数是由Gabor于1946年提出的[2]，具有高斯窗函数的短时傅里叶变换就是Gabor变换。Daugman[4]在1985年提出了二维Gabor滤波器理论，并较早将Gabor小波技术应用于纹理图像分割。目前，Gabor小波滤波器作为图像增强、特征提取的有效手段已被广泛应用于车牌、指纹识别等领域，并取得了不错的效果[5]。

通常只要改变Gabor滤波器的性能参数就可以产生任意中心频率、方向特性和带宽的Gabor滤波器，Gabor滤波结果可以描述不同尺度上灰度分布信息。一般来说，全局性较强的信息可以用大尺度滤波描述，同时不易受图像中噪声的影响;而小尺度滤波则用于描述图像中比较精细的局部结构，会受到噪声的影响。因此，在滤波器的选择上要结合实际图像的质量来定，Gabor滤波器的多尺度特征，也给不同特性的纹理图像的提取带来了极大的方便。文献[6]中应用24个Gabor滤波器滤波结果结合canny、sobel等进行图像的纹理分割尝试，针对纹理比较稀疏的目标效果尚可，但对于目标和背景差别不大的图像仍难达到满意的效果，参数尺度也难以确定。因此，我们直接进行二维Gabor滤波后再进行形态学操作完成血管边界的提取。

实验表明，偶对称Gabor小波比复值Gabor小波更适用于纹理图像的分析和处理。我们将Gabor滤波器应用于超声图像分析，取了二维Gabor小波的实部，表达式如下:

其中:

由此我们可设定不同的m值，而得到不同方向的滤波器，根据应用中提取Gabor特征的精确程度不同,可选择4方向，6方向或8方向,即取m=4、6或8等，实验中其他参数的选取也是影响最终目标轮廓提取的重要因素。

其中W为滤波器窗。

4 分割实验

4.1 图像预处理在进行Gabor纹理滤波之前要先进行图像预处理，在提高图像的灰度对比度的同时，尽可能去除超声图像中夹杂的斑点噪声。我们采用了改进的自适应中值滤波方法，相对于中值滤波而言,它能够处理空间密度更大的椒盐噪声，具有更优良的滤波性能。

4.2 Gabor纹理参数选择及滤波结果 经过图像预处理过程后，可将图像进行Gabor滤波处理。首先是Gabor滤波参数的选择，即要确定m的值。我们基于文献[6]对此图像进行Gabor滤波实验，即取(取四个方向)最后发现我们感兴趣的区域完全被滤掉了，经过反复的实验后确定方向尺度m=4或6均可，当然，方向越多表明滤波结果越精细，在不影响血管轮廓的情况下，实验中我们均取m为6方向。经Gabor纹理分析后如图2所示。

图2 图像预处理及Gabor滤波参数选择结果比较(c)=0.77，=0.144m=4 (d)=0.77，=0.144m=6

5 数学形态学操作获得血管的最终边界

在将Gabor纹理滤波后的图像进行二值化后，边界存在许多毛刺和突起，还不能达到我们提取血管边界的最终效果，因此，要进行多尺度形态学操作处理。数学形态学的基本思想[7]是利用结构元素对信号进行“探测”，作为探针的结构元素，可直接携带知识(形态、大小、灰度和色度信息等)来探测、研究图像的结构特点。

我们采用圆盘(disk)结构元对图像进行平滑操作。在对Gabor滤波后的图像二值化后，可见存在一些冗余信息(如图3a所示)，因此，需要进行一系列二值形态学操作。(1)将图像G进行二值翻转操作，即G=1-G。(2)将黑白对调后的图像进行膨胀操作，为了保证图像的轮廓独立性，我们选择的结构元是r=1的圆盘，膨胀两次，这样便可保证冗余信息与边界不相连，但却各自连成一体。(3)将图像翻转，填充不必要的空洞信息，这样就可以去除非血管边界区域的干扰。(4)将膨胀后的边界再进行腐蚀操作，腐蚀的结构元与膨胀的结构元相同，腐蚀两次后便可得到血管上下壁，如图3b所示。

一般来说，针对不同的滤波结果，可能整个操作过程会有次序的先后变化，但利用形态学方法操作均可以得到满意的效果。

图3 Gabor滤波结合形态学操作结果

将Gabor纹理滤波后图像进行形态学操作，最终由sobel算法提取边缘，可得到血管壁的边界，再将边界整合到原始ROI图像上(见图3c)。比较图3d阈值分割结果，可见对于此类多目标区域且纹理灰度相对均一的血管M型超声图像的分割，我们提出的方法更加适用。

Gabor多通道滤波器由于其同时具有时域和频域的联合最佳分辨率而越来越多地应用于纹理频谱特征分析。虽然纹理分割的方法还没有达到完善的程度，但是针对本文研究的血管超声图像，采用Gabor滤波器进行纹理分割的效果是比较令人满意的。

[1]张霞,葛芦生.自适应中值滤波算法的研究与应用[J].微计算机信息,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]李宏贵,李兴国.基于Gabor小波滤波器的红外图像多尺度识别[J].红外与毫米波学报，2000,19(2):113.

[5]陈静，罗斌.基于Gabor滤波的指纹图像增强算法[J].计算机技术与发展,2008,18(4):126.

[6]李波.基于多通道Gabor小波滤波器的图像分割研究[D].长春:东北师范大学，2004.

[7]阮秋琦, 阮宇智(译).数字图像处理[M].第2版.北京:电子工业出版社，2004.423-429.

R445

A

1004-6879(2013)04-0319-04

2013-03-06)