基于视频的舌下微循环血流灌注自动评价方法

吕 菲，赵兴群

东南大学生物科学与医学工程学院，南京市，210096

基于视频的舌下微循环血流灌注自动评价方法

【作 者】吕 菲，赵兴群

东南大学生物科学与医学工程学院，南京市，210096

目的 微循环灌注的评价结果为早期发现脓毒症微循环改变提供了重要依据，基于血管分割得到的功能性毛细血管密度能够有效反映微血管灌注情况。方法 首先，通过预处理操作改善图像的质量，增强血管与背景的对比度；其次利用自适应局部阈值法对图像进行初次分割，得到大致的血管区域；最后，通过后处理环节去除伪影并连接血管片段，根据最终血管分割结果计算功能性毛细血管密度。结果 经过实际采集的舌下微循环血管数据的验证，上述方法与AVA软件测量结果的吻合率达到92%以上。 结论 上述方法可以快速准确地实现舌下微循环血流灌注的自动化评价，具有较强的临床应用价值。

舌下微循环；血流灌注；功能性毛细血管密度；阈值分割；区域生长

0 引言

重症脓毒症是继发于感染的急性器官功能障碍，是威胁人类健康的重要疾病，在重症脓毒症发生的最初几个小时内得到及时和适当的治疗，可明显改善病情[1]。研究证实在脓毒症患者中，微循环的改善决定患者的病况，因此治疗脓毒症的关键即改善微循环[2]。侧流暗场(Sidestream Dark Field，SDF)成像技术的问世，实现了无创、无毒、相对廉价的微循环可视化视频监测[3]。SDF对舌下粘膜微循环的监测在脓毒症患者的早期诊断中很敏感，临床研究证实脓毒症患者微循环血管密度下降，小血管灌注比例下降，在死亡患者中这种病理变化更为明显。

功能性毛细血管密度(Functional Capillary Density，FCD)能够有效反映微血管灌注情况，因而常用于微循环血流灌注评价[4]。FCD定义为功能性毛细血管区域与成像视野范围的比值，因此对功能性毛细血管进行有效分割是准确计算FCD的前提。

目前微循环领域的血管分割方法主要针对高质量的视网膜图像，但是同样的方法应用于低对比度的舌下微循环图像中，准确度会大幅下降。针对SDF图像分析，Dobbe等人研发了一款商业软件AVA(Automated Vascular Analysis)，能够实现半自动、高精度的血管密度分析，虽然该软件得到了广泛应用，但该方法耗时长并且需要大量人工交互，因此无法适用于微循环的实时分析[5]。本文提出了一种快速、准确且易于实现的舌下微循环血管的自动化分割算法，并根据分割结果计算FCD，实现舌下微循环血流灌注的自动化评价。

1 方法

舌下微循环血流灌注自动评价方法主要包括：预

处理、阈值分割和后处理三部分。

1.1 预处理

舌下微循环血管图像通常对比度低，血管图像灰度动态范围小，在临床采集过程中，由于呼吸、心跳常造成图像抖动和模糊，因此预处理工作是必不可少的步骤。预处理通常包含一系列操作来改善图像的质量，增强血管与背景的对比度。文中图像预处理操作主要包括：抖动矫正、匹配滤波、限制对比度自适应直方图均衡化及中值滤波。

通过抖动矫正而获得稳定的视频序列对于后续研究有着重要的作用，通常采用的图像配准方法包括互相关方法，交互信息方法以及一些在医学图像配准中常用的鲍威尔方法，梯度下降法，单纯形法等[6]。经过抖动矫正后，对每5帧图像进行加权计算得到一幅平均图像。

匹配滤波器用于增强血管区域特征。匹配滤波器的形状必须和目标信号类似，由于血管横截面的分布是关于血管中心线对称的，并且血管在一定长度内直径和方向都是确定的，因此可以选取高斯滤波器作为匹配血管模型的滤波器。如果滤波器的方向与血管方向一致时，则产生峰值响应，而舌下微循环血管形态复杂，方向不定，因此需要对高斯滤波器进行旋转，以检测不同方向的血管，对于每个像素点，只保留各个方向上响应的最大值[7]。

使用限制对比度自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization， CLAHE)，重新分布亮度来改变图像对比度，从而进一步降低背景噪声的影响以及增强血管边缘对比度。在CLAHE之后进行中值滤波，一方面能较好地去除噪声(尤其是椒盐噪声)，同时能够较好地保持目标图像的细节，对图像进行平滑。

1.2 阈值分割

通过阈值法得到血管与背景分离的初始结果，并用于后续处理。阈值法是图像分割中的一种十分重要的方法，常用的阈值分割算法有最大熵法，最大类间方差法等[8]。由于SDF图像中，背景灰度分布不均匀性以及血管区域灰度的多变性，全局阈值法往往不能兼顾图像中各个区域的实际情况，分割后易出现块状现状，导致分割失效。为此，文中选择自适应局部阈值法进行图像的初次分割，自适应局部阈值法基于图像信息度量将图像分成可变尺寸的窗口，选择局部阈值对子图像进行阈值分割[9]。

将图像转化为具有k个大小最大灰度分布的灰度值的图像时，所需调整灰度级的最小像素数定义为该图像的归一化图像信息度量(Normalized Picture Information Measure，NPIM)。对于图像函数 f (x, y)，其归一化的直方图为：g(i)=h(i)/N(f), (i=0, 1, ..., L-1)，其中h(i)为图像的直方图取值，N(f)为像素总数，L为灰度级数。定义g'(i)为图像灰度的频率，使图像灰度的频率按由小到大重新排序g'(0)≤g'(1)≤ ... ≤g'(L-2)≤g'(L-1)：，于是图像f(x, y)的归一化图像信息度量为：

通过实验选择合适的截断值，用于自适应调整子图像的尺寸，保证每个分割的子图像中都包含背景以及血管。

在一幅尺度为M×N，灰度级L为的灰度 f(x, y)图像中，g(x, y)为f(x, y)在每个对应点(x, y)的k×k邻域灰度均值图像，定义k(i, j)为同时使 f(x, y)=i，g(x, y)=j的像素点对数。假设分割阈值适量为(s, t)，则灰度-邻域灰度均值直方图被分为四块。由于图像中背景以及目标所占比例最大，灰度及邻域灰度均值相差不大，因此将沿对角线分布的区域分布视为背景B以及目标O。因此，应该在B区以及O区根据点灰度-邻域灰度均值二维最大熵法确定最佳阈值，使代表背景以及目标的信息量最大[10]。

背景B区以及目标O区的熵分别为：

其中，

则整体熵判别函数为：

根据最大熵原则，使H取最大值的(s*, t*)为最佳阈值。

在进行阈值分割前，首先将图像分成Q×R的子图像，并计算子图像的NPIM，如果NPIM 〉 δ（其中δ为通过实验选择的最佳值），则子图像采用上述熵阈值分割法进行阈值分割，否则调整子图像的尺度。对

整幅图像的每个子图像重复上述阈值分割，最终得到二值图像，毛细血管为黑色像素，背景为白色像素。

1.3 后处理

尽管在预处理步骤中，能够有效去除噪声，但是经过阈值分割后的图像包含许多分散的斑块伪影。为此，在后处理环节中通过形态学操作降低斑块伪影的干扰，主要操作包括：连通域分析及基于连通域的区域生长[11]。

经过初次阈值分割后的二值图像 f 中，f (x, y)=0的黑色像素表示毛细血管，f (x, y)=255的白色像素表示背景。连通域分析的步骤如下：

(1) 初始化，令起始标号值k为1，存储数组M清空；

(2) 对图像从左到右、从上到下进行扫描，若为背景点则继续扫描，重复(2)；一旦遇到血管点，则加入M中，执行(3)；若整幅图像扫描完毕，则执行(5)；

(3) 得到M中的第一个元素(x', y')，置，f (x', y')=K，并将其从M中移除，搜索(x', y')的四邻域点，一旦遇到血管点，则加入M中，并置其灰度值为K。判断M是否为空，若不为空，则重复(3)；否则执行(4)；

(4) 此时视为已经完成一个连通域的搜索，并且该连通域的灰度值均为K。K = K+1，并且将M清空，执行(2)；

(5) 根据实验得到阈值T，对于所有检测到的连通域，若连通域内的像素点数小于T，则认为是阈值分割产生的伪影，并置其灰度值为255；否则认为是真实存在的血管，并置其灰度值为0。

经过连通域分析后的图像中，虽然去除了斑块伪影的影响，但是却误删了许多血管片段，并且可能出现血管不连续的情况。为此，在连通域分析后的图像中，将片段血管的端点保存起来，生成种子点队列，作为后面区域生长的种子点。

在进行区域生长时，需要参考预处理后尚未进行阈值分割的图像Ir。为了降低算法计算量，只搜索经过连通域分析后的图像中Ia 的背景中可能存在的血管像素点。由于在舌下微循环血管图像中，大小血管的灰度值有一定的差距，如果使用统一判定阈值则效果并不理想，因此取当前种子点i所在连通域区域中的像素点在Ir中的灰度均值ζ(i)作为区域生长的阈值，很好地利用了图像的局部灰度信息，有利于最终的生长效果。对于每个种子点，搜索其八邻域内的像素点，若存在像素点(x", y")满足条件：Ia(x", y")=255且│Ir (x", y")-ζ(i)│≤ ε， 其中ε为判定误差，则将该像素点加入种子点队列，重复上述步骤，直到种子点队列中不再新增像素。

经过后处理环节，既能有效去除噪声点，又能连接不连续的血管片段，从而得到舌下微循环血管图像的最终分割结果，FCD的值为分割出的血管区域与整幅图像区域的比值。

2 结果与讨论

实验采用手持SDF成像设备(MicroScan，Microvision Medical)实际采集了8组舌下微循环血管数据。图1(a)为其中一组原始采集图像；图1(b)为经过预处理后的结果，图像中血管部分明显增强；图1(c)为阈值分割后的结果，图像中可以得到大致的血管区域，但却包含许多分散的斑块伪影；图1(d)为后处理的结果，图中伪影干扰明显得到改善，并且断裂的血管也变得连续，取得了良好的结果，并且完整地保留了血管的结构网络。

图1 血管分割结果Fig.1 Vessel segmentation results

为了评价本文所提出方法的分割结果，将AVA分割的结果作为评价分割准确性的标准，并以两个对应区域的重叠指数作为分割结果的评价指标。重叠指数定义为：

其中V1和V2是两幅需要对照的分割结果图像，V0是两幅图像的重叠区域。OM的范围在0到1之间，0代

表两幅图像之间没有重叠部分，1代表两幅图像完全重叠。文中V1由AVA分割获得，V2则为本文方法分割结果。实验中处理的8组舌下微循环血管数据，最终分割的平均重叠指数为0.853±0.036，表明本文方法与AVA分割的结果在很大程度上吻合。

FCD的值为分割出的血管区域与整幅图像区域的比值，表1显示了分别使用AVA以及本文方法测量的FCD结果与相对误差，结果显示本文方法与AVA的测量结果吻合度高于92%。在处理速度上，通常AVA计算一组实验数据所用时间平均为(15～20) min，并且操作人员的熟练程度将直接影响计算结果，而本文方法的自动化算法计算一组实验数据所用的时间平均为(30～50) s，很大程度上加快了计算速度并且减轻了人工负担。因此本文提出的舌下微循环血流灌注自动评价方法是准确可行的，具有较强的临床应用价值。

表1 本文方法与AVA计算FCD结果比较Tab.1 Calculated FCD values comparison of the proposed method and AVA

3 总结与展望

本文提出了一种基于视频的舌下微循环血流灌注自动评价方法，可以快速、准确且自动地完成血管分割，且基于分割结果计算的FCD与AVA的测量结果吻合度高于92%，能够替代原来耗时费力的半自动测量方法，并帮助科研人员进行后续临床研究。

本文接下来将在以下两个方面继续开展工作：(1) 改进血管分割方法，主要改进阈值分割方法，降低初次分割结果中错误分割率；(2) 测量更多的微循环血管特征参数，例如灌注血管密度(Perfused Vessel Density，PVD)、微血管流动参数(Microvascular Flow Index，MFI)等。

[1] Levy MM, Dellinger RP, Townsend SR, et al. The Surviving Sepsis Campaign: results of an international guideline-based performance improvement program targeting severe sepsis[J]. Intensive Car Med, 2010, 36(2): 222-231.

[2] Trzeciak S, McCoy JV, Dellinger RP, et al. Early increases in microcirculatory perfusion during protocol-directed resuscitation are associated with reduced multi-organ failure at 24 h in patients with sepsis[J]. Intensive Car Med, 2008, 34(12): 2210-2217.

[3] Goedhart PT, Khalilzada M, Bezemer R, et al. Sidestream Dark Field (SDF) imaging: a novel stroboscopic LED ring-based imaging modality for clinical assessment of the microcirculation[J]. Optics Exp, 2007, 15(23): 15101-15114.

[4] Demir SU, Hakimzadeh R, Hargraves RH, et al. An automated method for analysis of microcirculation videos for accurate assessment of tissue perfusion[J]. BMC Med Imag, 2012, 12(1): 37.

[5] Dobbe JGG, Streekstra GJ, Atasever B, et al. Measurement of functional microcirculatory geometry and velocity distributions using automated image analysis[J]. Med Biol Eng Comput, 2008, 46(7): 659-670.

[6] Damas S, Cordón O, Santamari a J. Medical image registration using evolutionary computation: An experimental survey[J]. IEEE Comput Intell Mag, 2011, 6(4): 26-42.

[7] Zhang B, Zhang L, Zhang L, et al. Retinal vessel extraction by matched fi lter with fi rst-order derivative of Gaussian[J]. Computers in biology and medicine, 2010, 40(4): 438-445.

[8] 许修, 郑彩仙, 王成, 等. 基于血管增强滤波的脑部静脉分割新方法[J]. 中国医疗器械杂志, 2013, 37(4): 240-243.

[9] Mirshahi N, Demir S, Ward K, et al. An adaptive entropic thresholding technique for image processing and diagnostic analysis of microcirculation videos[J]. Int J Advanc Life Sci, 2011, 2(3 and 4): 133-142.

[10] 张新明, 郑延斌. 二维直方图准分的 Tsallis 熵阈值分割及其快速实现[J]. 仪器仪表学报, 2011, 32(8): 1796-1802.

[11] Bhalla N, Kanwal N, Girdhar A, et al. An approach for contrast enhancement of color images with the help of adaptive region growing segmentation[J]. Int J Comput, Int Manag, 2011, 19(3): 28-33.

An Automated Method for Assessment of Sublingual Microcirculatory Perfusion Based on Videos

【 Writers 】Lv Fei, Zhao Xingqun
School of Biological Science & Medical Engineering, Southeast University, Nanjing, 210096

【 Abstract 】Objective The assessment result of microcirculatory perfusion provides significant evidence for the detection of microcirculatory alterations in sepsis patients, and functional capillary density based on vessel segmentation can re fl ect microcirculatory perfusion effectively. Methods First, preprocessing comprise operations to improve the quality of images in order to maximize the contrast between background and vessels. Secondly, adaptive local thresholding is used for initial segmentation to get the general vessel region. Finally, post-processing technique reduces the image artifacts and links the vessel fragment, and then functional capillary density is calculated based on the segmentation results. Results Several sublingual microcirculatory data have been tested, and the agreement between the results by AVA and the proposed algorithm reached up to 92%. Conclusions The method can realize automated assessment of sublingual microcirculatory perfusion rapidly and accurately, and has strong clinical value.

sublingual microcirculation, microcirculatory perfusion, functional capillary density, threshold segmentation, region growing

TP391.41

A

10.3969/j.issn.1671-7104.2014.04.005

2014-01-14

赵兴群，E-mail: ndt@seu.edu.cn.

1671-7104(2014)04-0251-04