朱海煜 白景峰 杨聪

摘 要： 为解决超声检查中的医师职业病、过于依赖医生经验、对传染疾病的隔离等问题，提出一种超声图像引导的膀胱超声自动扫描系统，该技术可根据超声图像判断超声探头位置，从而实现自动扫描。本研究搭建了各自动扫描系统各个模块，并针对超声图像引导技术进行实验。系统通过OK-MC10A图像采集卡从B超诊断仪Mylab 90上取得实时医学图像，经过滤波、二值化等预处理后，使用连通域标记、K均值聚类等算法对其进行图像分割，实时确定膀胱区域质心坐标，并以此判断超声探头位置。人体实验表明，该系统可以在超声扫描过程中实时识别膀胱图像，并测量出准确的膀胱直径。

关键词： 超声扫描;图像采集;图像分割

中图分类号： TP393

文献标志码： A

文章编号：1007-757X（2019）06-0014-03

Abstract： In order to solve the problems of thatdoctors occupational diseases， the doctor over-reliance relies on doctors' his/her experience and isolation ofes infectious diseases in ultrasonic examination， an ultrasonic automatic scanning system of bladder guided by ultrasonic image was is proposed. This technology system can judge the position of ultrasonic probe according to the ultrasonic image and realize automatic scanning. In this study， the automatic scanning system modules were are built and the experiment was is conducted on the ultrasonic image guidance technology. The system obtains real-time medical images from Mylab 90， a b-mode ultrasonic diagnostic instrument， through OK-MC10A image acquisition card. After preprocessing such as filtering and binarization， the system USEuseSs connected domain markers， k-means clustering and other algorithms to segment the images and determine the centroid coordinates of the bladder region in real time， so as to determine the position of the ultrasonic probe. Human experiments show that the system can recognize the bladder image in real time and measure the bladder diameter accurately.

Key words： Ultrasonic scanning; Image acquisition; Image segmentation

0 引言

由于超聲扫描所具有的安全、无创、低成本等优点，医生们常常使用该技术获取体内器官的实时影像，并进行诊断。通常来说，每位医生同时只能对一名患者进行超声检查操作，由于医师数目有限且检查需求量大，因此，超声医师往往面临着较高的工作压力。扫描过程中皮肤接触不可避免，医师容易暴露于未知的病菌环境中。同时，传统的B超扫描方法，对医生的个人经验依赖性过大，往往需要较多时间来积累，导致检查效果参差不齐。因此，需要寻找一种机器人辅助超声扫描的超声检查手段，减少超声检查中医师的比重。

1999年，Pieroot等首次将工业机器人应用于超声自动扫描，开启了机器人辅助超声扫描手段的先河[1]。2002年，Abolmaesumi团队在机器人辅助超声诊断系统里，加入视觉伺服手段，完成了远程超声扫查[2]。除远程超声扫查外，机器人辅助超声穿刺的相关研究也比比皆是。2004年，Hong团队在实时经皮胆囊造口术中应用该技术，并且做到跟随患者呼吸过程中的器官位移，实时调节穿刺路径[3]。为了进一步降低超声扫查对医师的依赖性，自动超声扫描技术逐渐受到研究者的重视。2013年，Ammar等通过摄像头获取胸腹部图像，经过图像处理规划扫描路径，使用机械臂对肝脏进行扫描，并做到呼吸跟踪[4]。2018年，张娟等通过Kinect相机实时获取扫描系统的深度图像，对其分析处理规划运动路径，引导机械臂持探头完成采集过程[5]。

目前，自动超声扫描系统均以体外图像引导扫描为主，然而，在扫描某些无明显体表特征的器官时，该方式将面临局限。因此，针对腹部超声中常见的膀胱超声扫描场景，需要提出一种由超声图像引导的自动超声扫描系统。本文介绍了搭建该系统所需的部分模块。首先是图像采集模块，用于从B型超声诊断仪中实时采集超声图像，并显示到屏幕窗口中;其次是图像处理模块，对超声图像进行实时处理，以获得膀胱的形状信息和探头的位置信息;最后是运动控制模块，夹持探头完成扫描，图1为系统框架。

1 图像采集模块

常见的超声图像采集方法主要有两种，DICOM3.0接口和图像采集卡。由于各影像设备公司出于商业机密的考虑[6]，常常不完全遵守DICOM3.0标准，且部分使用期限较长的超声诊断仪不支持DICOM协议，为了保证本系统的兼容性和简便性，本文采用图像采集卡方式获取B超诊断仪的图像信息。

本图像采集模块由B型超声诊断仪、图像采集卡和计算机构成。B型超声诊断仪选用的是Esaote公司的Mylab 90型超声诊断系统，该诊断仪可以配备线阵探头和凸阵探头。图像采集卡选用的是北京嘉恒图像公司的OK-MC10A采集卡，该采集卡基于PCI总线，支持VGA＼S-video等视频接口。

嘉恒图像提供了OK系列采集卡在Windows系统下C++、VB的开发库，故本系统利用VC++语言编写驱动程序，以QT为软件开发平台，利用QT库函数在可视化方面的优势，配合OK系列图像采集卡提供的开发函数库，实现功能强大的图形采集处理系统。

图像采集卡的工作流程大致可分为：初始化（参数设置）、采集图像到目标体、调用回调函数、结束采集。如图2所示。

2 图像处理模块

超声从探头发出后，从体表到组织深部将经过声阻抗不等、衰减性不一的不同器官和组织，从而产生不同的反射与衰减。超声诊断仪接收到超声回波后，将回波的强弱转换为像素的灰度，显示到屏幕上，从而产生了人体的断面图像，即声像图。膀胱为内部充满尿液的器官，故膀胱边界处由于尿液与膀胱壁的声阻抗不等，产生较大的反射回波，内部为声阻抗均匀的尿液，无明显回波，故本系统模块基于膀胱声像图的特征进行分割。本模块主要分为预处理部分和图像分割部分。

2.1 图像的预处理

由于人体组织的复杂性，超声在人体内传播时，除了反射、透射外，还会出现衍射、散射和折射现象，由此产生的回波相互叠加作用，导致超声图像出现斑点噪声、图像伪影、图像对比度降低等缺点。需要对图像先进行平滑化（滤波）处理，以在尽量保留图像特征的条件下，抑制目标图像的噪声。中值滤波方法可去除孤点噪声，且实现难度低，在超声图像的去噪工作中被广泛应用。

中值滤波是在一个N*N的矩阵中，对矩阵中的N2个像素点的灰度进行排序，取得其中的中值，并将矩阵中心的像素点灰度赋值为该中值，如式（1）。

其中，G（x，y）代表超声图像中坐标（x，y）处像素点的灰度值，Zxy代表中心点为（x0，y0）的N*N的矩阵（过滤窗口）。如图3所示。

膀胱内部存在较为明显的液性暗区，中央的灰度接近0，与视野中的组织灰度有较大差异，下侧及左右边界的两侧灰度变化剧烈，可以通过二值化处理方便地将膀胱与其余区域区别开来。

二值化处理如下式。

其中，G（x，y）代表坐标（x，y）处的灰度值，k代表二值化处理中的阈值，高于阈值的灰度被赋值为1，低于阈值的灰度被赋值为0。常见的阈值选取方法有自取值法，otsu法，迭代法，P分值法等等，需要根据图像处理效果来进行选取。由于超声图像为扇形区域，有效区外均为黑色背景，基于全圖的阈值选取方法均会产生较大误差，不能准确地找出超声图像有效区地阈值，所以本文采用自取值的办法，观察到膀胱内部的灰度值往往低于20，在保存膀胱边界信息的条件下，进行多次尝试，采取了k=15作为最终的阈值，并进行二值化处理，如图4所示。

2.2 膀胱区域的分割

在二值化处理后，可以看出，膀胱区域与背景部分已然分割开来，对比图3，膀胱下侧边界和左右两侧边界与二值化图像中的边界均较为拟合，但上半部分的边界则相差较多。本文通过在二值化图像中寻找连通域的办法，分割膀胱的两侧及下侧边界。连通区域的标记算法有很多，有的需要一次遍历图像完成标记，有的则需要2次甚至更多，本文选用satoshi suzuki研究的算法，仅需遍历一次图像，该算法包含在OPENCV函数库中，通过调用函数connectedComponentsWithStats完成连通域的标记。

由于超声伪影的问题，膀胱区域上侧边界的内部被灰色伪影所污染，导致该处边界不清晰，不易通过二值化分割。因此，本文采用局部区域的K均值聚类算法，对该处边界进行精细化分割，保证分割质量，随后将分割完的区域合并到二值化图像中，并进行闭运算连接边界，完成整个膀胱的分割。K均值聚类算法的流程图如图5所示。

该算法的时间复杂度：O（I*n*k*m），空间复杂度：O（n*m），其中m为每个元素字段个数，n为数据量，I为迭代次数。一般I，k，m均可认为是常量，所以时间和空间复杂度可以简化为O（n），即线性。

3 运动控制模块

本文采用三轴步进控制系统带动超声探头在人体腹部上进行扫描操作，该系统的核心部件为日本山洋电气株式会社生产的闭环步进系统，该公司提供了相遇的驱动及控制软件SPBD2W-01，在PXI控制器上安装好后即可对固定了超声探头的金属杆进行三维位置控制。

将PXI控制器与三轴步进系统连接起来后打开驱动软件，设置波特率为38400 bps，选择合适的COM口，即可进入到软件的操作界面。分别设置好各轴方向上的加速度、速度、相对位置偏移量（以角度为单位，每360°代表对应轴向上前进4mm），点击SET按钮和SEND按钮即可传递运动控制信号到三轴步进系统，控制金属杆移动到目标位置。

4 实验结果及分析

本文搭建膀胱超声扫描系统如图6所示。

由B超诊断仪、PC（图像采集卡、图像采集处理程序）、PXI控制器和三维运动平台组成。

本研究采用人体实验验证所提出的扫描系统的可行性。在实验中，采用3种扫描速度（1.2 cm/s，1.5 cm/s，2.0 cm/s）分别对人体进行横切扫描，探头由耻骨处的膀胱下沿出发，沿腹壁中轴线进行直线扫描，终止于脐部，扫描中程序实时采集、分割并输出图像分割结果及膀胱识别结果，完成扫描后对其进行统计。若连续5帧图像中，分割区域的质心位置稳定在一定的范围内，则认为当前探头处于膀胱区域。图像识别率为探头位置识别正确的帧数占总帧数的比例，图像识别率见表1所示。识别率稳定在89%以上，证明本系统对探头位置基本识别正确。直径测量误差率见表2所示。

其公式为p=afr*v-d/d，其中d=108 mm，为医师手动扫描获得的直径，a为探头位置处于膀胱中的帧数，fr=3.78 f/s，为帧频，v为扫描速度，可以看出误差率与扫描速度呈正相关，扫描速度越快，则帧间隔距离延长，误差增大。扫描速度不高于1.5 cm/s时，直径误差率处于5%以内，精度符合要求。扫描速度为2 cm/s时，帧频需提升至5.8 f/s，直径误差率方低于5%。当前系统图像识别率的主要限制点在于膀胱两侧边界处识别率较低，且采集处理速度较慢，限制了直径误差率的降低。

5 总结

本研究搭建了膀胱超声自动扫描系统的图像采集模块、图像处理模块以及三维运动平台，并进行了整体实验，初步验证了该技术的可能性，但还需要增加图像模块与运动平台之间的联动，通过图像处理的逻辑判断控制运动平台的扫描动作，以实现完整的自动扫描系统。并且，需要优化图像处理算法，改变算法参数，更换分割算法，以提升图像分割效果，并且降低图像处理的时间复杂度，进一步地提高测量的精准度;另外，还需要增加力反馈模块，实时测量探头与腹部之间的压力，提升系统安全性。

参考文献

[1] Pierrot F. Hippocrate： A safe robot arm for medical applications with force feedback[J]. Medical Image Analysis， 1999， 3（3）：285-300.

[2] Abolmaesumi P ， Salcudean S ， Zhu W H ， et al. Image-guided control of a robot for medical ultrasound[J]. IEEE Transactions on Robotics and Automation， 2002， 18（1）：11-23.

[3] Graumann C， Fuerst B， Hennersperger C， et al. Robotic ultrasound trajectory planning for volume of interest coverage[C]// Proceeding of IEEE International Conference on Robotics and Automation （ICRA）. Stockholm， Sweden， May 16-21，2016：736-741.

[4] Mustafa A S B， Ishii T， Matsunaga Y， et al. Development of robotic system for autonomous liver screening using ultrasound scanning device[C]// Proceedings of IEEE International Conference on Robotics & Biomimetics.Shenzhen， China， December， 2013：804-809.

[5] 張娟， 李锐， 程威， 等. 基于机器人操作系统的机械臂辅助超声扫描系统研究[J]. 生物医学工程研究， 2018（4）：382-387.

[6] 王健， 熊虹， 王婷， 等. 医学影像设备和医疗信息系统的接口方法[J]. 中国卫生信息管理杂志， 2017（3）：475-479.

（收稿日期： 2019.05.15）