陳　華，趙新民，譚喬來，鄒　孝，錢盛友，江劍暉

(1. 湖南師范大學 物理與信息科學學院，湖南 長沙 410081； 2. 深圳普羅惠仁醫(yī)學科技有限公司，廣東 深圳 518067)

?

基于超聲圖像小波分形維和熵監(jiān)測生物組織凝固性壞死

陳華1，趙新民1，譚喬來1，鄒孝1，錢盛友1，江劍暉2

(1. 湖南師范大學 物理與信息科學學院，湖南 長沙 410081； 2. 深圳普羅惠仁醫(yī)學科技有限公司，廣東 深圳 518067)

摘要:高強度聚焦超聲(HIFU)治療腫瘤過程中，辨別組織是否發(fā)生凝固性壞死非常重要. 本文從數(shù)字圖像處理的角度出發(fā)，研究利用超聲圖像的小波分形維和熵監(jiān)測生物組織變性的可行性. 將高強度聚焦超聲打擊新鮮豬肉組織后獲得的超聲圖像與打擊前的超聲圖像做差值處理，截取焦域中心64×64像素的圖像，然后提取其小波分形維和熵作為參量信息，比較不同參量對組織凝固性壞死的辨識效果. 實驗表明，提取小波分形維和熵特征并輸入BP神經(jīng)網(wǎng)絡，相對于僅使用某種特征參數(shù)而言有更高的識別率，可為臨床監(jiān)測生物組織是否有凝固性壞死發(fā)生提供有力的依據(jù).

關鍵詞:高強度聚焦超聲； 組織變性； 小波分形維； 熵； BP神經(jīng)網(wǎng)絡

0引言

近年來，高強度聚焦超聲(HIFU)治療越來越受到醫(yī)學界的關注，已經(jīng)步入臨床應用階段[1]. 該方法主要是通過超聲換能器將超聲能量從體外聚焦于體內靶組織，使靶組織在 1 s 內迅速升溫至 60 ℃以上，發(fā)生凝固性壞死來殺死腫瘤細胞以達到治療的目的[2-4]. 在治療過程中，做到實時監(jiān)控是非常重要的. 明文等[5-6]通過對超聲回波信號的特征提取來進行生物組織的損傷評價，但實際應用中實現(xiàn)比較復雜. 因超聲圖像具有直觀性和可視性，因此在臨床醫(yī)療中醫(yī)生一般是通過觀察患者的超聲圖像來進行治療. 有研究表明，HIFU治療中獲取的B超監(jiān)控圖像特征能反映組織損傷程度的變化[7-8]，因此本文從數(shù)字圖像處理的角度出發(fā)，提取B超圖像紋理特征參數(shù)(小波分形維和熵)，探討B(tài)超圖像與生物組織變性之間的關系，可以幫助臨床醫(yī)生實時有效監(jiān)控，對提高治療效果有重要意義.

1基本理論

1.1小波分形維

分形維反映了復雜形體占有空間的有效性，它是復雜形體不規(guī)則性的量度. 通常直線或曲線是1維的，平面或球面是2維的，具有長、 寬、 高的形體是3維的，然而對于分形如海岸線、 科赫曲線等的復雜性無法用維數(shù)等于1, 2, 3這樣的數(shù)值來描述. 它的維數(shù)在1和2之間，維數(shù)是分數(shù),這個維數(shù)就是分形維. 在分形維的計算方法中，盒子法采用較為普遍. 其原理為將圖像看做三維的曲面，然后計算覆蓋的盒子數(shù)，即可得到分形維數(shù)[9]. 對于一幅M×M大小的圖像，將其看做三維空間的一個曲面. 長為M、 寬為M、 高為L(L為圖像的像素級數(shù)，一般取L=256). 將其所在平面(M×M)分為R×R大小的網(wǎng)格，對高度坐標也進行相同的劃分，不過劃分的單位為R*L/M. 這樣，圖像所在三維空間就被劃分成很多盒子. 看得出來，這樣劃分的目的是使長寬方向和高度方向的劃分次數(shù)相同. 在被劃分成的每個R×R大小網(wǎng)格內，找出最大像素值u和最小像素值b. 假設當前是第(i,j)個網(wǎng)格，則最少一共要幾個盒子才能覆蓋住,盒子個數(shù)記為n(i,j). 則

(1)

式中： []表示取整，然后對每個R×R大小網(wǎng)格內的盒子數(shù)求和，記為N. 則

(2)

此時理論上分形維數(shù)為

(3)

改變R的值，求出一組N來，應用線性擬合，所得直線的斜率就是分形維數(shù)D.

分形維數(shù)是描述圖像紋理的一個很好的特征，但是單一的分形維數(shù)不能提供足夠信息以描述和識別圖像紋理. 在小波變換中，近似值是大的縮放因子產生的系數(shù)，表示信號的低頻分量； 而細節(jié)值是小的縮放因子產生的系數(shù)，表示信號的高頻分量. B超圖像可認為是一維超聲回波信號的二維擴展，對超聲圖像進行一層小波分解后會得到1幅近似子圖和3幅細節(jié)子圖(包括水平分量，垂直分量和對角分量). 其細節(jié)子圖是原圖像的高頻分量，包含了主要的紋理信息. 另分形與小波存在著深刻的內在聯(lián)系，它們在尺度變換上具有一致性，因此，把小波和分形結合起來提取數(shù)字圖像特征可以彌補單純應用分形提取特征產生的不足[10]. 本文使用小波分解函數(shù)db2對超聲差值圖像進行兩層小波分解，提取其第一層細節(jié)子圖的水平分量，利用上面所述的盒子法再對提取出的水平分量求其分形維數(shù)，就得到了小波分形維. 組織有凝固性壞死發(fā)生和沒有凝固性壞死發(fā)生的超聲圖像其紋理是不一樣的，因此小波分形維在一定程度上能描述這兩種圖像紋理的不規(guī)則程度.

圖1　小波分解后的近似子圖和細節(jié)子圖

1.2熵

圖像紋理反映的是圖像的一種局部結構化特征，具體表現(xiàn)為圖像像素點某鄰域內像素點與灰度級或者顏色的某種變化，由紋理基元和基元的排列兩個要素構成. 在描述圖像紋理時，熵作為統(tǒng)計特征，可以用來描述某圖像所包含的信息量. 熵在數(shù)字圖像處理中可用于測量其灰度級分布隨機性. 對于一張圖像來說，其所包含的總信息量的大小可用式(4)來表示

(4)

因此，用熵來描述組織有凝固性壞死發(fā)生和沒有凝固性壞死發(fā)生的超聲圖像，可表明兩種不同圖像其內容混亂的程度或兩種不同圖像所包含信息量的大小.

1.3BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種按誤差反向傳播算法訓練的多層前饋網(wǎng)絡，能學習和存貯大量的輸入輸出模式映射關系，因其對訓練對象具有很好的記憶功能和外推能力而獲得廣泛的應用. 另外BP網(wǎng)絡具有很強的非線性映射能力，一個3層BP神經(jīng)網(wǎng)絡能夠實現(xiàn)對任意非線性函數(shù)進行逼近. 本文選用3層BP神經(jīng)網(wǎng)絡來進行聚類分析，由輸入層，隱含層和輸出層構成，隱含層采用logsig函數(shù)作為傳遞函數(shù)，而輸出層采用線性函數(shù)作為傳遞函數(shù).

圖2　實驗系統(tǒng)Fig.2　Experimental system

2實驗系統(tǒng)設計

實驗系統(tǒng)如圖2 所示. 實驗所用的 HIFU探頭為深圳普羅公司生產的PRO2008系列，其中心頻率為1.18 Hz，幾何焦距為13 cm, 最大輸出聲功率為400 W. 組織樣品置于HIFU探頭的正下方. B超圖像由PHILIPS公司生產的EnVisor型超聲診斷系統(tǒng)獲取，并經(jīng) PCI8001圖像采集卡送入計算機. 通過改變HIFU源功率以及擊打方式重復進行大量實驗，然后用MATLAB自編程序對實驗數(shù)據(jù)進行處理. 超聲圖像如圖3～圖5 所示.

圖3　HIFU打擊前的超聲圖像Fig.3　The ultrasound images before HIFU

圖4　HIFU打擊后的超聲圖像Fig.4　The ultrasound images after HIFU

圖5　焦域中心64×64大小的差值圖像Fig.5　The subtraction image of 64 * 64 size in focal region center

3仿真結果與分析

3.1超聲圖像處理

實驗過程中保持測試條件基本不變，組織初始溫度為37 ℃，即為基準溫度. 實驗共采用了12種不同劑量，如表1 所示. 通過改變源功率、 擊打時間、 擊打間隔和擊打次數(shù)，收集了130例離體新鮮豬肉組織經(jīng)HIFU輻照后的B超圖像，在每例實驗結束后通過切片觀察豬肉組織是否發(fā)生凝固性壞死，未發(fā)生凝固性壞死的用1表示，有凝固性壞死發(fā)生的用2表示. 運用MATLAB編程對獲得的HIFU輻照前后的B超圖像進行去噪處理和差值處理，截取焦域中心64×64大小的差值圖像，然后編程提取其小波分形維和熵作為參量信息.

表1　實驗采用HIFU劑量及凝固性壞死情況

用MATLAB編程所得出的結果中，沒有凝固性壞死發(fā)生的超聲差值圖像的小波分形維在1.549 2～2.097 0 之間變化； 有凝固性壞死發(fā)生的超聲差值圖像的小波分形維在2.080 5～2.151 1之間變化. 而求得沒有凝固性壞死發(fā)生的超聲差值圖像的熵在1.360 7～2.162 2之間變化； 有凝固性壞死發(fā)生的超聲差值圖像的熵在2.094 1～3.517 2之間變化.

3.2基于單參數(shù)的組織凝固性壞死識別

從130組樣本數(shù)據(jù)中隨機選取50組超聲差值圖像的小波分形維和熵作為訓練樣本，根據(jù)前面所介紹的構建BP神經(jīng)網(wǎng)絡的方法，構建3層BP神經(jīng)網(wǎng)絡進行分類識別. logsig作為輸入層與隱含層之間的傳遞函數(shù)，純線性函數(shù)作為隱含層和輸出層的傳遞函數(shù)，目標向量為其對應的1和2.

訓練完成后，將剩余80組組織樣本(樣本編號1～29為沒有凝固性壞死發(fā)生的組織、 樣本編號30～80為有凝固性壞死發(fā)生的組織)的小波分形維和熵分別輸入到各自訓練好的網(wǎng)絡中對其進行辨識，觀察其輸出值如圖5 和圖6 所示. 圖中“○”表示沒有凝固性壞死發(fā)生，“*”表示有凝固性壞死發(fā)生，橫坐標表示樣本編號.

圖7　基于熵的組織凝固性壞死辨識Fig.7　Recognition of tissue coagulation necrosis

比較兩個參量對組織是否有凝固性壞死發(fā)生的辨識效果，由圖5 和圖6 可知，針對沒有凝固性壞死發(fā)生的組織，基于熵的辨識效果較好； 針對有凝固性壞死發(fā)生的組織，基于小波分形維的辨識效果較好. 針對小波分形維和熵的辨識結果，80組組織樣本是否發(fā)生凝固性壞死辨識正確的分別有75例、 76例，總辨識率分別為93.75%和95%.

3.3基于雙參數(shù)的組織凝固性壞死識別

為進一步提高組織凝固性壞死識別率，結合小波分形維和熵兩個參量構建了3層BP神經(jīng)網(wǎng)絡進行模式識別. 將上述50組樣本的小波分形維和熵相對值組成一個50*2矢量矩陣作為訓練樣本，將其輸入后進行學習，訓練樣本的目標向量為其對應的1和2.

訓練完成后，將剩余80組組織樣本的小波分形維和熵相對值輸入到已經(jīng)訓練好的網(wǎng)絡中對其進行辨識，觀察其輸出值. 如圖8所示，圖中“○”表示沒有凝固性壞死發(fā)生，“*”表示有凝固性壞死發(fā)生，橫坐標表示樣本編號. 圖7所示的是基于雙參數(shù)的訓練樣本分布，橫坐標表示熵，縱坐標表示小波分形維，圖中“○”表示沒有凝固性壞死發(fā)生，圖中“*”表示有凝固性壞死發(fā)生.

圖8　基于雙參數(shù)的訓練樣本分布Fig.8　Training sample distribution based ontwo parameters

圖9　基于雙參數(shù)的組織凝固性壞死識別Fig.9　Recognition of tissue coagulationnecrosis based on two parameters

從圖7中可以看出，表示兩個參數(shù)的坐標點幾乎沒有交叉，凝固壞死和沒有凝固壞死的區(qū)域分界清晰. 從圖8可以看出，采用訓練好的BP神經(jīng)網(wǎng)絡進行組織凝固性壞死識別，能有效區(qū)分組織是否發(fā)生凝固性壞死. 實驗表明，結合兩個參量建立神經(jīng)網(wǎng)絡相對于僅使用某種參量而言對組織是否發(fā)生凝固性壞死的識別率均有所提高，分類效果更好.

4結論

本文從數(shù)字圖像處理的角度出發(fā)研究了HIFU治療中組織凝固性壞死的辨識方法，為HIFU治療過程監(jiān)控提供了一種新的思路. 通過對130例新鮮離體豬肉組織在HIFU輻照前后獲得的B超差值圖像的小波分形維和熵進行分析發(fā)現(xiàn)： 其各自都能反映組織是否有凝固性壞死的發(fā)生，綜合小波分形維和熵特征并輸入BP神經(jīng)網(wǎng)絡可獲得更好的辨識效果，能有效識別出組織是否變性. 通過監(jiān)測HIFU治療中生物組織凝固性壞死情況，有助于對HIFU治療劑量的調整，同時對療效評價也能提供一定的參考. 在下一步的工作中，將進一步深入研究組織凝固性壞死情況與HIFU劑量和相關參量的內在關系，有望為臨床治療監(jiān)控生物組織變性提供更有力的依據(jù).

參考文獻：

[1]鐘徽，萬明習，江一峰，等. 高強度聚焦超聲軟組織損傷超聲監(jiān)控成像與評價方法[J]. 聲學學報，2006, 5(31)： 247-254.

Zhong Hui, Wan Mingxi, Jiang Yifeng, et al. Ultrasound imaging and evaluation of lesion induced by High Intensity Focused Ultrasound(HIFU)[J]. Acta Acustica, 2006, 5(31)： 247-254. (in Chinese)

[2]朱道靜，周崑. 高強度聚焦超聲治療肝細胞型肝癌的現(xiàn)狀與進展[J]. 臨床超聲醫(yī)學雜志, 2014, 16(4)： 259-260.

Zhu Daojing, Zhou Kun. High intensity focused ultrasound for hepatocellular carcinoma： currentdevelopment and progress[J]. JournalofUltrasoundinClinicalMedicine, 2014, 16(4)： 259-260. (in Chinese)

[3]鄒建中，龔曉波，賀雪梅，等. 高強度聚焦超聲輻照離體組織靶區(qū)無灰度變化有壞死現(xiàn)象的研究[J]. 臨床超聲學雜質，2008, 10(9)： 581-583.

Zhou Jianzhong, Gong Xiaobo, He Xuemei, et al. Gray value invariance and necrosis formation in target tissue receiving HIFU irradiation[J]. Journal of Ultrasound in Clinical Medicine, 2008, 10(9)： 581-583. (in Chinese)

[4]Hu Jiwen, Ding Yajun, Qian Shengyou, et al. Simulations of adaptive temperature control with self-focused hyperthermia system for tumor treatment[J]. Ultrasonics, 2012, 53 (1), 171-177.

[5]明文，錢盛友，趙新民，等. 基于超聲散射回波的組織損傷程度監(jiān)測方法[J]. 測試技術學報，2014, 28(3)： 210-213.

Ming Wen, Qian Shengyou, Zhao Xinmin，et al. A method of monitoring tissue damage degree on the backscattered ultrasonic echoes[J]. Journal of Test and Measurement Technology, 2014, 28(3)： 210-213. (in Chinese)

[6]明文，譚喬來，錢盛友，等. 基于小波能量和小波熵的組織損傷評價研究[J]. 測試技術學報，2014, 28(3)： 209-213.

Ming Wen, Tan Qiaolai, Qian Shengyou, et al. Research on evaluation of tissue damage based on wavelet energy and wavelet entropy[J]. Journal of Test and Measurement Technology, 2014, 28(3)： 209-213. (in Chinese)

[7]鄒孝，錢盛友. 一種基于B超圖像處理的生物組織變性監(jiān)測方法[J]. 計算機工程與科學，2011, 33(12)： 57-60.

Zou Xiao, Qian Shengyou. A method to check biological tissue denaturation based on mode B ultrasonic image processing[J]. Computer Engineering and Science, 2011, 33(12)： 57-60. (in Chinese)

[8]Hou Zhenxiu, Zhao Yongping, Chen Xinliang, et al. A study of three dimensional tumor figure creating and treatment trail in HIFU[J]. Journal of Harbin Institute of Technology (New Series), 2006, 13(3)： 255-257.

[9]Gagnepain J J, Roques-Carmes C. Fractal approach to two dimensional and three dimensional surface roughness[J]. Wear(0043-1648), 1986, 109(1-4)： 119-126.

[10]張卉. 基于分形與小波理論的特征提取方法研究與應用[D]. 武漢： 武漢理工大學，2008.

Monitoring Coagulation Necrosis of Biological Tissue Based on Wavelet Fractal Dimension and Entropy

CHEN Hua1, ZHAO Xinmin1, TAN Qiaolai1, ZOU Xiao1, QIAN Shengyou1, JIANG Jianhui2

(1. College of Physics and Information Science, Hunan Normal University, Changsha 410081, China；2. Shenzhen Pro-hifu Midical Tech. Co. Ltd., Shenzhen, Guangdong 518067, China)

Abstract:It is very important to recognize whether the tissue was coagulation necrosis or not in the process of High Intensity Focused Ultrasound (HIFU) treatment of tumor. From the view of digital image processing, the feasibility of using wavelet fractal dimension and entropy of ultrasonic image to monitor the biological tissue degeneration is studied. Firstly,the subtraction image of 64 * 64 pixel in focal region center was obtained from subtracting the ultrasonic image before High Intensity Focused Ultrasound (HIFU) And after High Intensity Focused Ultrasound (HIFU) against fresh pork tissue. And the wavelet fractal dimension and entropy were extracted from it, which were used as the parameter information, then comparing the recognition effect on tissue coagulation necrosis for different parameters. The result shows that combining the wavelet fractal dimension with entropy to construct BP neural network can get a higher recognition rate compared to use one characteristic parameter. It can provide a strong basis for the clinical monitoring whether the biological tissue has the coagulation necrosis or not.

Key words:high intensity focused ultrasound (HIFU); tissue degeneration; wavelet fractal dimension; entropy; BP neural network

中圖分類號:TP391

文獻標識碼:A

doi:10.3969/j.issn.1671-7449.2016.02.012

作者簡介：陳華(1991-)，女，碩士生，主要從事數(shù)字圖像處理與HIFU療效評價等研究.通信作者： 趙新民(1974-)，男，實驗師，碩士，主要從事信號及圖像檢測處理等研究.

基金項目：國家自然科學基金資助項目(11174077，11474090)； 湖南省自然科學基金資助項目(11JJ3079)； 湖南省教育廳基金資助項目(12C0237,12C0204).

收稿日期:2015-09-17

文章編號:1671-7449(2016)02-0160-06