葛 帅，严加勇，谢利剑，姜逊渭

（1.上海理工大学 医疗器械与食品学院，上海 200093；2.上海健康医学院 医疗器械学院，上海 201318；3.上海交通大学附属儿童医院，上海 200062）

0 引言

超声心动图是临床分析人体心脏功能的主要手段之一，左心室（Left Ventricle，LV）的形态特征是判断心脏功能的重要生理参数。要对左心室形态特征进行计算和分析，首先要对左心室图像进行分割。目前，临床上基本采用手动或半自动方法对左心室图像进行分割。医生手动分割左心室轮廓不仅速度较慢，而且受医生经验等主观因素影响，因此设计一种全自动的分割算法可为临床医生提供极大方便。心脏超声图像分割存在以下几个难点：①与其他医学图像相比，超声图像存在大量斑点噪声，给计算机的自动分割带来较大困难；②心脏结构复杂，各个腔室形状随心动周期实时变化；③不同患者的心脏存在个体差异，需分割的区域形状不规则。

许多科研人员对心脏超声图像分割算法进行了研究。超声心动图左心室分割方法可分为传统方法和机器学习方法。传统方法研究有：Ngo 等［1］提出基于水平集的方法进行左心室核磁共振图像分割；侯彪等［2］使用小波域隐马尔科夫树模型进行图像分割；张骥祥等［3］提出基于小波域隐马尔可夫多尺度图像分割；张建伟等［4］应用活动轮廓模型（Active Appearance Models，AAM）对核磁共振的左心室进行分割；徐艳等［5］提出基于Snake 模型的脑部核磁共振图像分割方法；袁艳红等［6］将T-snake 模型应用于超声心动图左心室心肌分割；Santiago 等［7］将主动形状模型（Ac⁃tive Shape Models，ASM）应用于核磁共振图像左心室的分割；樊崇皓［8］提出基于稀疏形状组合模型对左心室外膜图像进行分割。此类算法存在如下缺点：①需要人为设计图像局部特征对像素进行聚类或分类；②由于不同患者的心脏大小和形态存在差异，易造成分割错误。

近年来，机器学习在图像分类领域得到成功应用，由此应用于医学图像分割领域［9］。Akbari 等［10］提出用支持向量机算法在超声图像上进行分割；Yu 等［11］提出一种基于动态CNN 的方案对左心室轮廓进行分割；朱锴等［12］提出在FCN 的基础上加入关键点定位和求取图像凸包方法应用于超声图像左心室分割；2015 年U-Net 网络［13］被提出，之后U-Net 网络在医学图像领域得到了广泛应用，宫霞等［14］使用U-Net 对淋巴结超声图像进行分割，提高了分割精度；邢妍妍等［15］利用融合型U-Net++网络对胎儿头部的超声图像进行边缘检测。

综上所述，U-Net 网络在超声图像分割领域具有良好的应用前景，但是直接使用传统U-Net 网络在分割精度上与实际临床应用需求还存在一定差距。为了提高分割效果，本文采用相应策略，如图像增强［16］以及深度学习模型的改进等。在图像增强基础上，利用底层密集连接与传统的U-Net 网络相结合，有效增加了特征的复用，减少了梯度消失现象，从而提高超声图像的分割精度。

1 方法

本文提出的超声图像左心室自动分割算法包括图像灰度均衡化预处理及引入密集链接的U-Net 网络两个部分。

1.1 图像预处理

超声的原始图像通常是扇形束，因此图片存在大量的黑色背景，为增加后续网络训练的效果、提高最终分割精度，本文对图片进行灰度均衡化预处理。

首先统计图片有效区域的各灰度级i的像素数目ni，0≤i＜256；然后计算图像中灰度为i的像素出现的概率p(i)=ni/n，其中n为ROI 区域中像素点的总数；再计算p(i)的累积分布函数f(i)=；最后根据直方图均衡化公式计算出ROI 的灰度分布，如式（1）所示。在原图像的基础上进行预处理得到灰度均衡化的图像，如图1（a）、图1（b）所示。

Fig.1 The image gray level equalization of the fan-shaped area图1 扇形区域图像灰度均衡化

其中，i代表原始图像的灰度值，h(i)是均衡化后的灰度值，m 代表图像尺寸，fmin代表累积分布函数最小值，round 指四舍五入。

1.2 原始U-Net 网络

U-Net 是基于全卷积神经网络用于图像分割的经典网络，网络上采样阶段与下采样阶段采用相同数量层的卷积操作，网络左右对称，且使用跳跃链接结构将下采样层与上采样层相连，下采样层提取到的特征可直接传递到上采样层，使得U-Net 网络的像素定位更加准确，分割精度更高。

1.3 密集连接

在深度学习网络中，随着网络的加深，梯度消失问题会愈加明显，并且深层所得到的高阶特征很可能存在表达不够精确的问题。对此在U-Net 最底层采用密集连接[17]来改进传统U-Net 网络的卷积层结构。密集连接通过建立若干个跨层来连通网络中距离较远的前后层，是一种综合长连接和短连接策略，其中C 代表卷积层，如图2 所示。

Fig.2 Dense connection图2 密集连接

1.4 本文网络

本文利用密集连接改进了传统的U-Net 网络，模型结构如图3 所示。每一个解码器都包含3 个卷积层和一次下采样，并且每次下采样之后特征通道数量翻倍。最底层的解码器包含4 个卷积层，这些卷积层均密集相连，其他解码器包含3 个卷积层和一次上采样。网络总共进行4 次下采样和4 次上采样，并且每次上采样之后特征通道数量减少一半。改进后的网络具备以下3 点优势：①每层的输出特征图都是之后所有层的输入，加强了特征复用，更有效提高了特征利用率；②每一层都可以直接利用损失函数的梯度以及最开始输入的信息，有助于训练更深的网络，防止梯度消失；③最低层的特征图虽然尺寸最小，但是特征得到了复用。

Fig.3 A new network combining U-Net network and dense connection图3 U-Net 网络与密集连接结合的新网络

2 实验

2.1 实验数据集

本文使用的超声心动图来源于上海儿童医院心外科，数据在采集后进行了脱敏处理，在使用过程中不涉及患者隐私信息。每个视频代表一个超声心动图，包含数个心动周期，每个视频选取包含心脏舒张期与收缩期图像。视频图像来自8 名不同患者，在每个患者数个视频中各选取60张图片，共480 张图片。为了应对数据量不足问题，本文对图像进行刚性变换，如旋转、翻转、错切和平移，以及弹性变换，对训练集的超声图像进行数量扩充。图像尺寸为800×600。实验用其中360 张图片作为训练集，剩余的120张图片作为测试集。

2.2 网络训练

实验在CentOS 系统上进行，采用Python 语言，在Ten⁃sorFlow 和Keras框架下实现，GPU型号为NVIDIA Tesla P100。实验首先对超声图像有效区域进行灰度均衡化，并利用图像扩增算法令训练数据量提升4 倍。网络训练采用自适应学习率，Adam 优化器，损失函数为Dice 系数的负数，训练迭代次数为100。

2.3 结果与分析

本文模型得到的分割结果如图4 所示（彩图扫OSID 码可见）。金色轮廓是真实标注结果，红色轮廓是模型输出的自动分割结果。从分割结果可以看出该模型能较好地分割出左心室区域。

Fig.4 Part of the results图4 部分分割结果

本文主要采用Dice 系数对分割精度进行评估。Dice系数用于度量两个集合的相似程度，Dice 系数表达式如式（2）所示，其中A 代表真实标注结果的像素点数量，B 代表模型预测结果的像素点数量，分子是A 与B 像素点的交集两倍，分母是A 和B 的总像素点之和，所以它的范围在0-1之间。

本研究采用密集连接与U-Net 网络结合的分割方法，最终的Dice 系数为91.76%±1.78%。

本文与Graph Cuts、传统U-Net 以及FCN 方法进行对比［18］，结果如表1 所示，可以看到本文分割结果大幅优化，更加接近真实情况，可为后续临床提供重要信息。

Table 1 Comparison of results with traditional methods表1 与传统方法结果对比

3 结语

本文提出一种密集连接与U-Net 网络相结合的超声心动图左心室自动分割方法。通过数据扩增得到较为充足的训练集，利用图像灰度均衡化作为预处理，在分割网络中引入密集连接以提高分割效果。实验证明，本文提出的超声心动图左心室自动分割方法具备较高的分割精度，对后续心脏功能分析等具有重要意义。后续研究计划增加标注图像的样本数量，并在本文模型的基础上引入其他结构单元如ResNet 等，以进一步提高图像分割精度。