使用边缘检测和Hough 变换自动分割颈动脉超声图像

谭雅兰

（四川大学计算机学院，成都610065）

0 引言

颈动脉硬化是颈动脉粥样硬化的简称，颈动脉硬化意味着可能存在全身动脉粥样硬化。目前的研究表明，老年人中发生缺血性脑卒与颈动脉硬化有密切关系[1]。颈动脉硬化早期表现为内膜-中膜增厚，随着时间推移逐渐形成粥样硬化斑块。如果进一步有斑块内出血、斑块破裂脱落、附壁血栓形成以及继发血管狭窄等现象发生，可能会引起流向脑部的血流动力学发生变化改变，进而发生缺血性脑血管事件[2]。

准确测量和了解颈动脉的几何形状在评估和管理颈动脉粥样硬化方面是十分重要的。颈动脉的超声成像广泛用于动脉粥样硬化的诊断，因为它允许对狭窄程度和斑块形态的无创评估[3]。此外，先进的图像处理技术可以用来从数字化的超声图像中提取特征（纹理或运动特征），并增强解释过程。为了进一步自动化诊断程序，自动识别动脉壁边界是十分重要的。颈动脉粥样硬化的诊断，监测和治疗需要血管壁和斑块的详细视图。准确测量和分析血管几何形态和弹性需要可靠的定义或颈动脉壁边界的分割。当使用例如超声波这类含有噪声的图像时，人工观察者手动描绘血管壁需要丰富的经验，繁琐的并且易于变化[4]。

以前关于颈动脉壁分割的研究包括应用动态规划、变形模型、snake 和气球模型[5]。更具体地说，为了自动检测超声图像中的回波接口，Mao 等人使用交互式分割方法来识别二维横向超声图像中的动脉壁[6]。该方法基于用单个种子点初始化的可变形模型。该模型结合全局几何约束，图像梯度和对比度特征来优化分割结果。Loizou 等人使用Snake 的修改来检测超声图像中颈总动脉的内膜和外膜层，并计算内膜中层厚度（IMT）[7]。Gill 等人提出了基于动态气球模型的半自动方法，分割三维颈动脉超声图像[8]。气球模型由手动放置在颈动脉血管内部的三角网表示，然后通过施加膨胀力被驱向血管壁。Hassan 等人提出了基于模糊K均值的聚类方法用于分割带有斑块的颈动脉图像，通过在颈动脉空间中提取特征对颈动脉进行分割并检测劲动脉斑块[9]。

由Hough 首先提出的Hough 变换由于其健壮性已经成为图像分割应用中最受欢迎的工具之一[10]。它将图像空间中复杂的全局检测问题转换为参数空间中简单的局部峰值检测。它被应用于机器视觉中的各种问题，例如线检测，圆检测，任意形状提取和运动提取。HT 的医学图像应用包括在视频荧光图像中自动分割腰椎和眼底图像、乳房X 线图像中胸肌的自动识别、超声图像分割动脉壁、动脉壁横切面图像的收缩和舒张直径估计、心脏结构分割从超声心动图序列和实时活检针分割等[11-12]。

本文研究的目的是探究应用边缘检测和HT 进行分割纵向的颈动脉超声图像动脉壁的有效性。使用直线检测纵向图像并提取管腔边界。进一步，可以估计动脉直径。此外，在纵向切片中，可用作血管疾病的指标IMT 同样可以使用本文的技术进行分割和测量。

1 算法实现

1.1 算法设计

边缘检测中的梯度算子和霍夫变换可用于识别颈动脉的B 型超声图像的纵向切片中的动脉壁。在超声的图像中，血液像素的平均灰度中位数（GSM）在0 到5之间，而外膜的平均灰度中位数（GSM）在180 到190之间。根据广泛接受的关于颈动脉B 超图像归一化的规范，这些GSM 值的图像被认为是标准化的，因此不再进行标准化。

这部分算法主要步骤包括：①图像预处理。通过各向异性扩散滤波去噪和形态学闭运算平滑图像；②边缘检测。使用梯度算子检测颈动脉壁的边缘，使用形态学膨胀运算去除边缘空洞；③霍夫变换。使用霍夫变换检测并选择出能代表边缘的直线。算法过程如图1 所示。

图1 算法流程图

1.2 图像预处理

为了去除超声图像中的噪声，多次使用各向异性扩散滤波器，这步骤的处理结果如图2（b）所示，图像比原始图像更加平滑。在此基础上，使用尺寸为50×70像素的矩形结构元件进行形态学闭合运算来合并图像的小“通道”和“开口”。结构化元素的尺寸是经过一系列不同元素尺寸的实验后选择的，以确保合并小开口而不改变图像中包含的解剖信息。经过形态学闭运算的图像结果如图2（c）所示。

图2 图像预处理步骤过程示意图

1.3 边缘检测

为了识别颈动脉壁的边缘，将Roberts 梯度算子应用于预处理后的图像，边缘检测后的结果如图3（a）所示。边缘检测方法的输出产生二进制图像，在边缘位置值为1，而在所有其他位置值为0。为了将代表的边缘的点连接起来，使用尺寸为5×3 像素的矩形结构元件进行形态学膨胀运算来连接断开的边缘线段，消除空洞，该步骤需要重复几次。经过形态学运算处理后的图像如图3（b）所示，边缘点基本连接起来了。

图3 边缘检测步骤的结果示意图

1.4 霍夫变换检测边界

将HT 应用于检测产生的二值图像的边缘。HT可以用来检测数字图像中形式为v( c,pi)=0 的参数曲线，其中c 是坐标向量，p 是参数向量，i=1…n 是参数向量，曲线n=2 代表线，n=3 代表圆，n=5 代表椭圆。HT将图像转换成n 维参数空间，对应于称为累加器阵列的n 维阵列。在边缘像素的二值图像上操作，通过具有矢量坐标c 的像素的所有可能的曲线v( c,pi)=0 被变换为参数pi的组合，然后参数pi增加累加器阵列的相应单元。针对图像中的所有边缘像素执行计算，并且搜索得到的累加器阵列以获得最大值以检测具有特定参数值的曲线。

用于HT 计算的直线的方程表示为：

为了定义动脉壁边界和计算血管直径，应该检测两条线，即对应于近壁的边缘和远壁的边缘的两条线。累加器阵列中具有最大值的两条线被认为是Hough 变换得到的主直线。通过两条直线之间的距离估算血管直径。边缘检测的结果经过霍夫变换后的得到的结果如图4（a）所示，通过选择两个峰值，得到动脉壁边界的线段，结果如图4（b）所示。

图4 霍夫变换后的结果示意图

2 结果分析

算法过程中对每一步骤都展示了其结果，最终代表颈动脉管壁的直线是通过将得到霍夫线段延长得到的。人工手动分割的效果如图5（a）所示，（b）是将自动分割结果展示在原图像上。从图中可以看出，颈动脉的近探头边界与手工分割的基本一样，但是在远探头的管壁，由于颈动脉内膜的影响，分割结果稍微有点偏差。总的来说，通过本文的一系列算法步骤，颈动脉管壁的上下边界成功检测并提取出来，到了自动分割颈动脉的目的。通过计算出最后得到的能待变颈动脉管壁的直线之间的距离可以进一步计算颈动脉的直径。

图5 手动分割结果与自动分割结果对比图

3 讨论

从超声图像中自动分割动脉管腔是临床诊断中的重要任务，超声图像分割受到图像质量的强烈影响。衰减、斑点、声影和信号丢失等特征性伪影以及感兴趣区域之间的低对比度可能使分割任务复杂化。本文提出的自动分割技术可能是颈动脉自动分割的有用工具。该技术的主要优点包括简单，计算成本低和有效的结果。

该自动分割技术也可用于颈动脉轮廓在横向切片的超声图像，通过将颈动脉的横截面看作是圆形或者是椭圆形，依然可以通过霍夫变换检测并提取出。将两个截面的图像得到的结果进行比较可以得到更加准确的结果。该方法也同样适用于IMT 提取和测量，通过同样的算法步骤，对某些参数稍作调整也同样适用，且通过找到IMT 内膜测量其厚度，也可以进一步精确颈动脉管腔的直径。

本文的算法还有进一步可提升的点。为了研究本文的技术对患病动脉的适用性，需要进一步对具有动脉粥样硬化血管和不同狭窄水平的受试者的超声图像用于实验。在纵向超声图像中，可以观察到斑块和邻近正常（非动脉硬化）壁的一部分，可以在正常血管部分计算收缩和舒张直径以及IMT。这些参数的估计被广泛用于关于患病颈动脉的生理学和弹性的研究。

在这个实验中，通过简单的直线来近似壁腔边界。但实际上，具有随机形状的斑块边界不能用直线近似，动脉边界具有随机的形状。可以进一步考虑使用主动轮廓或活动轮廓与HT 技术的组合，其中HT 输出可以是主动轮廓方法的初始估计。这种组合的潜在优点包括最小化收敛到错误结构的可能性和完全自动化的技术。主动轮廓与HT 技术相结合，在动脉边界脱离简单几何形状的疾病存在下可能特别有用。

4 结语

总之，本文描述的基于边缘检测算子和霍夫变换的技术提供了一种简单、快速和准确的方法来分割颈动脉的纵向的超声图像。该技术可以在临床上用于可靠地估计具有生理意义的动脉壁的特征，例如来自静态图像的IMT。该结论适用于健康（非动脉粥样硬化）动脉的图像和其他超声图像中待分割区域边缘形状类似直线的自动分割。并且有希望将该技术可以通过与其他技术相结合能够分割更加复杂情况的图像。