基于高斯过程回归高强度聚焦超声仪器采集图像的层间测距算法

高洪玉

(齐鲁医药学院计算机教研室，山东 淄博 255000)

1 引 言

高强度聚焦超声(high intensity focused ultrasound，HIFU)是一种治疗实体肿瘤的新兴技术手段，采用非介入式方法通过高强度的超声能量消融肿瘤[1-2]。在HIFU治疗中一个关键的问题是对肿瘤的准确定位。在手术过程中，需要对肿瘤的位置进行实时定位，才能保证正确地消融肿瘤而不伤害健康的组织[3]。HIFU治疗中，由步进电机控制探头，按照一定的间距对组织器官进行扫描，通过超声成像，将治疗焦点定位于靶区。虽然治疗中的传感器可以精确获取位置数据，但是在治疗过程中，人体内的组织器官不可能保持完全静止，另外呼吸也会造成器官的蠕动，引起治疗目标的运动或变形，使得步进电机记录的位移产生偏差。因此，如果仅依赖于术前制定好的治疗坐标，势必会造成一定的误差[4-5]。此外，目前国内外的层间测距算法应用的测距范围均在1 mm以内，而在HIFU治疗中，步进机控制探头移动的距离最小是1 mm,因而限制了在HIFU图像中的应用[6-7]。针对这些问题，本研究提出基于高斯过程回归的层间测距算法。对斑块特征和层间间距之间的关系直接建模，通过对已知样本的训练，求解模型的参数，得到回归器，用于层间测距。

2 实验材料与实验参数

2.1 实验材料

本研究中所使用的HIFU超声图像均来源于我院的JC200型聚焦超声肿瘤治疗仪器，该仪器由中国重庆海扶医疗科技有限公司生产，其所用超声成像探头采用百胜PA230e相控阵探头，该探头包含128阵元，为平面探头，压电晶片的整体尺寸为22 mm×15 mm，主频率3.5 MHz，增益43%，聚焦深度均位于样本中心。

训练材料包括1块牛肝组织和1块猪肉组织；测试材料包括1块猪肉组织，1块牛肝组织和1块牛肉组织。

图1实验所用样本

Fig1Sampleusedintheexperiment

2.2 实验参数

通过步进电机控制超声探头的位移对样本进行序列扫查，每次位移为1 mm。每个样本组织采集的序列图像包含层间方向从-45～45 mm的间距为1 mm的91帧图像。因此，训练集包括2组超声图像，共182幅图像。测试集包含3组超声图像，共273幅图像。实验过程所用的训练样本和测距样本之间没有交集，以证实本方法的普适性和稳定性。由于实验所用材料是静止的，因此，同一序列中相邻两帧图像的间距即可认为是超声探头一次位移的距离1 mm，我们将步进电机记录的位移距离作为测距的理论值，衡量本研究测距算法的准确性。

2.3 训练过程

如图2所示，在超声图像中选择6个不同位置，每个图块含有20×20个像素点。这6个平面内的位置从上到下，从左到右依次被记为pos1,pos2,...,pos6。对于各个位置的回归器，训练过程采用训练集中各帧图像在该位置处的图块的特征。需要进行6次回归训练，得到相应位置的6个回归器。

图2 回归器的位置Fig 2 Position of regressor

针对位置为posi处的回归器，训练过程包括：(1)选择训练集图像中相应位置的斑块；(2)对于每一个选取的斑块，这里称为参考斑块。根据傅里叶方向矫正算法进行方向矫正，提取其所在平面帧内特征；对于距离d{0，1,2,3,4,5}，在层间方向，分别找出与其相对应的斑块，与参考斑块的间隔距离分别为0、1、2、3、4、5 mm。这样得到了6组斑块对；对于每一对斑块，计算帧间特征ρ，帧间特征与帧内特征一起构成了特征向量f，并记录其之间相对的距离d；这样，对应于这一选定斑块得到了6组特征向量和6个与之对应的目标值d，d{0,1,2,3,4,5}，这六组特征向量的帧内特征是相同的，只有帧间特征ρ不同。(3)将训练集特征向量集合作为输入，相应的距离作为输出，投入到高斯过程回归训练中，训练得到位置posi对应的回归器，记为regi，将以上三步针对位置1～6重复6次，得到6个回归器，分别记为reg1,reg2,…，reg6。

2.4 测距过程

3 测距结果与分析

从统计结果来看，测量绝对误差均值相对较小，在1～3 mm的范围内。绝对误差均值均低于0.5 mm，而且相对误差的均值保持在10%以内，标准差比较稳定，浮动不大。而在4 mm和5 mm处测量误差相对较大，绝对误差均值在1 mm左右，相对误差也会出现变大的趋势。但总体的相对误差在25%内。

表1 层间测距误差分析

4 结论

从以上实验结果分析，本研究提出的基于高斯过程回归的方法在1～3 mm的范围内，具有良好的测距结果。在一定程度上可以证明该方法的合理性和有效性。当距离超过3 mm时，测距误差相对较大。关于该问题有两方面的原因，一方面是，本研究所用的超声探头分辨率为2 mm左右，根据斑点解相关原理，斑点的相关性源于分辨单元的交叠，根据分辨单元的大小，这种相关性，只存在于几个mm的范围内，当超过该范围时，斑点的相关性就会减弱，或者消失。另一方面，由于生物组织结构的复杂性，组织内部的散射环境也是非常复杂的。对于真实的生物组织，由于相干散成分的存在，其斑点解相关曲线的解相关率会变慢，而且在超过一定范围后，解相关曲线不再呈现单调性和规律性。目前层间测距算主要适用于测距范围在1 mm以内，主要有基于斑点检测的层间测距,其相对误差大约为25%[8]，自适应的斑点解相关的方法，相对误差范围为10%～20%[9]，学习式解相关曲线的测距方法，相对误差范围同样是10%～20%[10]。从测距相对误差来看，我们的方法，与目前国内外的研究成果水平相当，但是我们的方法主要用于大于1 mm的范围，表明该算法在大距离范围内层间测距中具有良好的效果。

本研究提出的算法在1～3 mm的范围内有着良好的效果，但是在超过3 mm的范围内还存在一定的误差，在一定程度上说明，斑点的解相关性只在一定的范围内适用。另外，在一定的条件下斑点在横向和层间的解相关规律表现是一致的，如果可以通过纹理特征来表征具有这种特性的图块，那么就可以将横向解相关规律直接用于测距。在以后的研究中可以对这些问题做进一步的研究。