超声医学论文
摘要：作为一种医学成像方法, 超声诊断在产科临床上中应用得最为普遍。本文首先介绍了超声医学图像处理方法的原理及特点, 对其技术及所涉及的算法进行了探讨, 浅析了该方法中的要点。其次, 将产前超声医学作为背景对这些技术应用进行了介绍, 最后, 探讨了产前超声智能化诊断的发展趋势。
关键词：产科学; 医学图像处理; 计算机辅助诊断; 标准切面提取; 生物学参数测量;
引言
出生缺陷, 不但是新生儿死亡的罪魁祸首, 也成了家庭与社会的重负, 并且发生率也在逐年攀升。当前我国每年新增出生缺陷病例总数庞大, “每年为了治疗出生缺陷患儿, 需要花费数百亿元之多, 维持最基本生活费用高达数百亿元, 给国家造成的间接费用达数千亿元”。超声产前诊断安全且不会带来损害, 在评估胎儿生长状况中应用得较为普遍, 并且在控制胎儿死亡率、婴儿先天畸形率以及孕产妇死亡率及等方面也发挥了关键作用。产前超声图像的医学诊断是使用超声进行产前诊断的核心所在。
过去50年来, 在临床上大量采用各式非侵人式成像设备的形势下, 医学图像处理技术得以高速发展, 起初, 它被纳入模式分析以及机器智能的范畴, 在人们看来, 这一领域的研究就是在另一类数据库当中应用计算机视觉以及机器学习技术。不过超声图像由于具有斑点噪声的特点, 所以较为劣质, 也给辨识并研究图像细节带来了一定难度。而且并非所有医师都能具有较高的超声检查水准, 并且还可能会出现检査期长、工作劳力大、检查结果方面过于依赖医师等问题。对于在资源不够充沛的地区, 以上问题表现得更为突出。有鉴于此, 为了辅助医生开展产前检查工作, 研究者们在计算机视觉以及机器学习技术的基础上开发了一些较为适用的图像处理方法。
本文首先综述了超声医学图像处理中的计算机视觉以及机器学习技术方法, 随后对此类技术方法的临床应用进行了介绍。
1 超声医学图像处理方法
1.1 计算机视觉
医学影响和计算机视觉之间存在着相辅相成的关系, 在过去30年来, 它们的结合深深地影响着医学图像处理领域的面貌。许多方法学以及技术类别方面的研究都大量涌现于计算机视觉这一领域, 鉴于本文主题为产前超声医学, 仅综述了应用得最为普遍的图像滤波以及图像分割。
滤除斑点噪声是超声图像滤波的目的所在。人体内众多尺寸小于波长的组织结构的后向散射声波共同作用形成了斑点噪声, 它使得B超图像的对比度以及组织内能够获取的细节信息得以降低。虽然B超成像技术已经极其成熟, 不过怎样在控制斑点噪声的同时保留图像细节依然不失为一大难题。
在一定程度上, 当前已有的超声图像滤波算法都能直到超声图像的噪声滤除作用, 不过由于在所有应用中都有最佳表现的滤波算法是不存在的, 所以比较简单且可行的方法是, 针对特定图像, 将定量以及定性的方法综合起来, 比照各个滤波算法的性能以筛选出最佳算法。
图像分割:
长期以来图像分割都是医学图像处理领域的研究热点, 这一研究旨在依据特定规则, 对图像中的像素进行分类。初期采用了利用了图像灰度信息的聚类、阈值化以及区域生长这些技术方法, 对于分开灰度值上较为近似的两类物体而言, 采用此类方法往往难度也会比较大;可以在边缘检测方法的前提下, 对相应信息进行处理, 但是该方法存在着无法精准提取物体以及对噪声敏感的缺点。因为通常情况下, 产科超声医学图像都比较劣质, 而且如颈部透明层以及胎儿腹部等待分割目标也比较复杂, 所以只能通过更多的信息方法来获得较好的分割效果。随着活动轮廓模型的提出, 形状先验信息也得以广泛关注, 2000年以后提出的标准割等算法则将类似于区域内的连续性以及区域间的差异性等信息都考虑在内。在神经网络的方法的基础上, 对于某些分割目标也会更为专注, 而且还能将多样化的图像特点融合在内。数据库引导的分割这一全新的分割方式也于2005年出现, 它通过学习一个判别分类器来将目标以及背景区分开来, 进而利用隐藏在专家标注数据库中的信息来分割。
虽然前文对各类分割算法的优点、不足之处以及适用情形进行了研究, 实际上, 按照笔者的经验, 对于某一分割任务, 大部分分割算法都能获得“勉强合格”的分割效果。而分割算法的成功则取决于怎样在某种分割算法中将类似于纹理、特定的统计特征参数、轮廓等特定目标的图像底层信息融入进去, 并对解剖结构形状先验、平滑先验和成像物理等进行先验。
1.2 机器学习
在产前超声医学图像处理中, 机器学习在产前超声诊断的智能化方面, 发挥了非常关键的作用。对于不具备精确知识以及难以分析推导的问题而言, 从实例中自行学习的算法能够发挥非常关键的作用。近期以来, 数据库中累积了众多超声医学图像, 这些都得益于临床中, 许多高性价比的超声成像设备的普及应用, 这使得产前超声医学中, 机器学习应用的可行性也有所提升。
2 产前应用
近些年来, 研究通过计算机辅助的方式, 让产前超声诊断的智能化目标得以实现成了全球的新热点。本章节立足于标准切面自动搜索以及生物学参数自动测量这两大层面, 对前人的研究工作进行了回顾分析。
2.1 标准切面自动搜索
到目前为止, 在标准切面自动搜索方法这一领域, 前辈们就留下了一定研究成果。Abuhamad等率先提出了自动标准切面成像模式, 这一方法需要优先人工确定一个参考面, 再按照统计学方法寻找其他切面。随后, 刘小平等提出了在模板匹配为基础的方法, 从心脏三维超声数据中自动提取四腔切面。以上工作是以传统图像处理方法为基础的, 它的有效性不但取决于所作假设的科学性, 并且对于一些复杂变化的目标也无法发挥作用。
机器学习技术能自动地从一组训练数据中提取先验知识, 不仅可以学习到更复杂、可靠的先验, 而且能提高系统的泛化性能。国外以西门子研究院为代表, 自2008年开始已将机器学习算法成功地用于产前超声标准切面自动提取任务中, 包括胎儿脑部的标准切面搜索、三维超声胎儿面部最优视角检测等。
采用机器学习法检测解剖结构的思想方法可总结如下:首先建立起一组标注好的图像数据库, 随后采用一定的特征对这些图像进行描述, 再将之输人判别学习模型中, 进而构建目标检测器。
2.2 生物学参数测量
关于产前超声生物学参数测量的研究发展得比较早, 前辈们的工作是以与畸形筛查有着紧密联系的胎儿颈部透明层测量以及和孕龄估计、生长监测有关的胎儿解剖结构测量为主的。
2.3 颈部透明层测量
Bernardino等、Lee等分别提出采用Sobel算子来帮助医生手工检测颈部透明层的边界;用来界定颈部透明层边界的代价函数。其中后者由梯度以及连续性部分构成, 在这一代价函数的基础上, 应用动态规划算法来对该边界进行搜索。以上方法都离不开颈部透明层的感兴趣区域的人工选取。
2.4 胎儿解剖结构测量
国外Cameiro、Jardim、Thomas、Chalana等专家都对此进行了探究。在我国, 半自动的胎儿腹围方法、标准切面图像中孕囊径线的测量分别由复旦大学汪源源团队提出;深圳市妇幼保健院以及深圳大学进行了探究。
3 结论
由于当前临床诊断中, 超声图像的医学诊断是非常重要的方式, 凭借着非侵入式、没有损伤、实时等优势而得以普及应用。本文基于产前超声医学, 对与之有关的图像处理法的原理以及进展进行了阐述, 并在一定意义上, 比照并评估了其中的核心技术。由此可知, 在一定程度上, 产前医学的实际问题都能利用多样化的技术来解决, 并且它们也都存在一定弊病, 对于实际应用而言, 直接应用特定的技术或算法往往难以获得满意的结果。
本文仅会对部分热点问题, 对图像处理在产前超声中的应用进行了探究。但是由此可知, 作为计算机辅助诊断当中的新方向, 产前超声诊断的智能化作的实现则是任重而道远。到目前为止, 例如心脏、胎儿颜面部以及腹部等标准切面的自行获取都还不具备任何相关研究, 并且与之对应的生物学参数测量也报道得不多。同时, 在智能化产前超声诊断任务当中, 也可应用机器学习领域以及计算机视觉领域中所取得的研究成果。可以预知, 未来产前超声的诊断将会朝着综合智能化的方向发展。
参考文献
[1]陈秀兰, 李胜利.胎儿唇腭裂产前超声筛查与诊断新进展[J].中华医学超声杂志 (电子版) , 2013, 04:263~266.
[2]黄巧燕, 张棣.胎儿畸形的产前超声诊断现状[J].医学综述, 2010, 24:3803~3806.
[3]王海燕.产前超声诊断胎儿占位性病变的临床价值[J].中华医学超声杂志 (电子版) , 2014, 02:160~166.