M型超聲心動圖中左室射血分數自動計算方法

　　摘要：掌上超聲儀受功率和超聲頻率的限制很難獲取心臟B超圖像，導致目前基于二維B超的左室射血分數(leftventricularejertiraifrartirai，LVEF)測量不能在掌上超聲儀上實現，而掌上超聲儀能夠通過M型超聲獲取心臟識別信息。對此，基于M型超聲心動圖Teichholz法提出了基于數字圖像處理的LVEF自動計算方法。首先，將二尖瓣的影響考慮在內，同時為了之后的圖像分割得到好的結果，將圖像分為上下部分進行處理;其次，利用圖像二值化的三角法對圖像進行分割，對于上部分子圖像進行二尖瓣信息的消除;最后，圖像上下部分分別得到左心室室隔內膜和左心室后壁內膜的波形線，取得波峰波谷的位置數據，進行LVEF的計算。該方法所得LVEF的計算準確率達95.6%，計算效率為每張圖像0.6秒。基于M型超聲心動圖的LVEF的自動測量方法，較手動方法測量效率更高，測量精度也在合理范圍之內，對于掌上式超聲診斷儀的半自動化甚至自動化有著極大的推進作用，具有較好的臨床應用價值。

　　關鍵詞：左心室射血分數;Teichholz法;M型超聲心動圖;圖像處理;自動測量

　　甘建紅; 李煒成都信息工程大學學報2021-12-13

　　0引言

　　心血管病是威脅人類生命的重大疾病，在中國已經成為人們死亡的頭號病因。防治心血管病，對于保護人民生命安全和身體健康具有重大意義。因心血管疾病一般不能夠及時發現，所以定期的心臟功能診斷至關重要。左室射血分數(leftventricularejectionfrac?tion，LVEF)在臨床上常被用來診斷心血管疾病。掌上超聲儀因其便捷性，容易實現定期的心臟功能診斷。因此，掌上超聲儀的左室射血分數的自動計算對于保護人民身體健康具有重要意義。心臟每搏輸出量為左室舒張末期容積和收縮末期容積之差[1]，其與左室舒張末期容積之比即為左室射血分數m。左室射血分數正常值為50%?70%[3]。臨床上認為射血分數低于50%時，則代表心臟出現疾病癥狀，需要進一步診斷和治療。當射血分數低于35%時，則代表極有可能發生惡性心律失常，甚至猝死[4]。

　　超聲心動圖能夠用來測量左室射血分數。各種類型的超聲心動圖，對于左室射血分數的計算都是將左心室看作幾何體。因此，可以利用幾何體的體積公式來計算左室舒張末期容積和收縮末期容積，進而計算心臟每搏輸出量[1]。M型超聲圖計算左室容積的方法為Tekhholz公式。因為此方法測量時不需要描繪左心室內膜，操作方便快捷，所以能夠被廣大基層醫療單位應用[5]。

　　目前臨床上，M超方法仍然是手動測量方式計算LVEF指標，工作量大且效率不夠高。LVEF的自動計算的研究也大多集中于B型超聲心動圖和核磁共振圖像，都是需要將左心室內膜完整描繪出來，進而計算容積。然而在掌上超聲領域中，手工方式在手機等小尺寸終端上操作極不方便。隨著掌上超聲儀的興起，基于M超的自動測量愈發重要。對于超聲心動圖，基于B超的Simpson法被廣泛應用。此方法需要通過建模計算左室容積，所以要對心尖二腔(A2C)和四腔(A4C)兩個切面，進行左室邊界的勾畫[6]。對此，學者們提出了一些自動分割左室和自動對圖像進行分類的方法。Belaid等[7]在對圖像分割方法深人研究之后，選擇基于多相位的水平集來對心臟的左心室進行分割;Agarwal等[8]米用支持向量機對圖像分類，而分類需要獲取的圖像特征則是利用定向梯度直方圖;Mammsi等[9]在自動分割左心室的算法中利用了多分辨節點插人的策略;Khamis等[1°]通過對心尖二腔和心尖四腔切面進行時空信息提取，進而進行分類。但是這些方法無法得出最佳結果，也不能對廣大樣本有很好的適用性。結合深度學習表現出的優勢，蔣建慧等[6]利用卷積神經網絡對B型超聲心動圖進行分類，獲取A2C和A4C切面，再通過建立全卷積神經網絡對A2C和A4C的左室進行分割，進而計算LVEF。深度學習對于超聲心動圖的左室射血分數計算表現出了巨大的應用前景。

　　對于纖_振成像(magneticresonanceimaging，MRI)，射血分數的計算謂栗準確地對圖像進行左心室1%輪廓的勾畫。手工方：式對MRI進樣_|>奪分割s敎率極低且工作ft巨大[11]。因此，自動分割左;1>齒4重是MRI的研究熱點之一徐禮勝等[|3]對MRI利用全卷積兩絡迸行左心室的自動分割。得到分割結果后，可以利用時間信息計#左心室收縮末期和舒張末期容積t劉曉鳴等[14]在利用全卷積網絡對MRI進行左辦室分割的基礎上，全連接條件隨機場的加入使得自動分割更加準確。目前主流的B超、MRI分析方式都不適合于掌上超聲儀自動計算LVEF，同時也未查詢到M超自動測量EVEF的文獻Q對此，針對擊上趙聲儀器中M超信號，文中提出一種基于數字圖像處理的M型趙聲心動圖LYEF的自動計算方法，觶決拿上超聲設備LVEF計算的問氣

　　1射血分數自動計算1.1M型超聲心動圖

　　M型超聲心動圖因其方便快捷，被廣泛應用于_上超聲設備aM盤趄聲心動圖是以時間序：列形成的圖像，暴以心臟和探頭的距禽來描繪畫像。聲波可以經過心臟的各爲組織，距離綦藏著心臟的茼期性運動來：變化的。因為Mg超甫心動圖是由單重聲波形成的，而B型超聲心動圖和MRI圖像是能夠得到心臟切面的，所以M超無需描繪左心室內膜，需要確定左心室.位置聚左室室觸內膜和左室后肇內膜間的距離，即可進行左室射血分數的計黨。臨床采集的M型超聲心動圖如面1所示。

　　1型：超貫心動題測量的公式：暴Teichholz校正公式，如圖1綠色標記所示，測暈左室舒張求期內徑(LVDd)去室收縮末期內徑(LVDs)，然后計算左室容稅[151，最后計算LVEF。V=7.0^(2.4+D)xD3(1)式中的D為內徑值。LVEF(%)=(LVEDV-LXESY)vLVEDyxlOO%(2)其中，LVEIW和LVESV分別為測量的舒張末期容積和收縮末期容稅。

　　1.2計算方法

　　由于左室后績心肌致密度較高，因此形成的圖像較亮，如?1黃色方框區域所示。圖像進行二值化時，該齡區域導致二值化閾值偏大》而內膜甚較_區域，M造成內膜區域分割不準確。對此，通過一定方法將原圖分為上下兩部分，分別計算處理6由于左心室ft空氣難回波接近0，從心聛結構：乘講親聲彼從室_鎘到左室后壁必然經過心腔。據此，劃分位置的計算可通過如下方法實現：計算M超圖像中每行所有像素的施慶值之和(為了便于敘述將此灰度僮之和稱為能量)，從能?大的行開始，向上辱找第一個能量景小的行，從該行將圖像分為上下兩個予團像，分別對兩個子圖像進行處理&具體處理流程如圖2所示。

　　1.3檢測上部分子圖像中室隔內膜邊界1.3.1分離左室室隔內膜與二尖#

　　在M型超聲采集心臟圖像過程中.，通常會采集到二尖瓣信息。在M超圖像中有二尖瓣圖像，如圖3所感，紅色方框即為二尖瓣所在區域，綠色方框為二尖瓣與左心_室隔內膜相連之處，且連接范圍較寬3二者成為一個大的連通域，將導致常規二值化方法不能將二染瓣與室隔內膜分離，無法褥到正確的室隔內膜邊界。因此，首要工作是將二者較強的連接迸行分離s

　　(1)確定左實室隔內膜與二尖瓣枏鄰大致范圍

　　原?上部分子圖像二租化后的結果如廚4所示，其中綠色方框為二尖瓣與室隔內膜相連之處。為了確定綠色方框的位置，首先需要確定左室室鎘內膜和二尖瓣相鄰的太致范圍。從二值化結果可以看出，若從圖像蠡度為30開始處理，可以避兔圖像中右室位置的影響。針對圖4，計算It度為30到圖像底部每一'行中黑色像素點所占百分比，結果如圖5所經過大量實驗，范圍的上邊界確定為黑色像素占比為35%時，下邊界確定為圖5中紅色線對應的位置。此位置的特征為：百分比最大值第一次出現時對應的僮董s大致范圍在圖6U)中由黃色線標記》

　　(2)范圍內分離二尖瓣與室隔內膜

　　將圖6(a：｝中：釭色方樞區域放大：顯示，姐頭6(b)所示。其中苘列的部分像素值已在：圖中標出。此區域圖像待征為：像素灰度儇由上至下遞增。將符合此條件的所有像素的灰度：值置為〇，即表示這些位董屬于左心室內部，進而有助于確定袁盤的左室塞隔內膜。然后再對上部分子圖像進行二值化，結果為圖7。將處理前后的二#[化爾像進行對比，可以發現，左室室隔內膜得到了較完整的補充。

　　1.3.2確定左室室隔內膜縱坐標最值(1)劃定感興趣區域

　　經過分離左室重搞內膜和二尖瓣的工作后，可以得到圖7所示的緒果a在圖7中確累左室室隔內膜邊界，首先需要劃定感興趣K域，從高度為30處開始劃分，可以有效避免圖像中右室瘦董的影響，而左室室隔內膜和二央瓣相鄰的大致范__下邊界也能夠將左宣室隔內膜完整包括。所以，感興趣區域劃定為高度30到大致范圍的下邊界@

　　(2)邊_檢測

　　對感興趣區域進行形態學開運算，可以確保消除某些連逋域的影響，同時使得最后的結果較為準確。再進行邊緣檢測，能夠得到左室室隔內膜邊界，結果如圖8所示。因為此時不能確保得到的輪廓連通，所以需要對結果進行形態學閉運算。

　　(3)確定內膜邊界縱坐標暈值

　　圖9為圖8紅色方框部分的放大，顯示，綠色分界線表明內膜邊界已經與萁他連通域分離開來。?圖8中尋我最大連通域，即為內膜邊界。通過確定邊界的縱坐祿最值，即為圖像上部分子?像所需結果。

　　1.4檢測下部分子圖像中左室后壁內膜邊界1.4.1確定左室后壁內膜邊界

　　下部分子圖像二值化結巣如M1〇所示，可以著到，有比較明顯的波形線(紅色)&但圖像分割結果不夠好，綠色方框部分為未分開的位置&

　　1.4.2處理錯誤區間

　　先對二值化的圖像進行形態#閉運基為了確保心腔位置在二值化圖像中為全黑時使_最后得到的位置數據較為準確。所有列從上到下統計第一次出現白色像素點的位置，統計結果如圖11所示。在此數據中尋找最小值，即此時波形錢的波峰^根據斜率-變化及與數據均值的比較結果，5兔定鐠謨區間。找出錯誤區間的區同端點，以線性函數重敍描繪這段區間。再在此時的數據中#找最大值，即波形線的波谷。

　　2實驗結果

　　實驗暈用PyChaitii-Community-2020.1為集■成開表環機OpenCV雇本為4.2.Q。在實際臨床應用中，根據探頭的朝向，M型超聲心動圖有可能采集商二尖瓣，也可能沒有二_信袁。為驗證本算法的魯襻性，分別對有二尖瓣的M超畫像和沒有二尖瓣的M超圖像進行實驗c實驗結果如圖12所示。_12(a)為有二尖瓣信息的實驗結果計算得到的LVEF為55%。圖12(b)為無二尖瓣信息的實驗結果，計算得到的LVEF為54%。實驗對象為3000張M型超聲心動圖，自動測量LVEF的平均時間為0.6秒。與臨床醫生手動計算縉果相比，自動測暈的準確率為95.6%。此方法計算準確率較高，并且有不錯的計算效率，具有較好的臨床應用價值B

　　3結束語

　　通過實驗鬼成了M型超聲心動圖中左室射血分數的自動計算，促進了掌上超貪診斷儀的推廣斑用。深度學習技術在左室射血分數自動計算方面表現出了巨大的應用前景。下一步的工作是將深度學習遽用于實驗中，并且提高計算效率，滿足掌上超聲珍斷儀的要求p