Echocardiography Image Segmentation: A Survey(超声心动图图像分割方法综述--中文翻译）

Echocardiography Image Segmentation: A Survey

摘要：尽管超声图像的获取是较廉价，并且免于辐射的，但是超声图像因为信号衰减、斑点噪声等干扰，使得超声图像的分割具有较大挑战。本文将近些年应用于超声心动图像分割的相关方法进行了分类总结，并列出了10篇具有原创思想的文章，这些文章具有特殊的临床使用价值或是对于超声心动图像分割具有指导意义。

关键词：超声心动图，分割，活动轮廓模型，水平集方法，可变性模板

Ⅰ介绍

超声心动图图像分割受数据质量的影响很强。超声图像由于斑点、阴影和信号衰减产生的特征伪影，使得分割任务复杂化；由于获取超声的方向性可能产生边界缺失；图像的低对比度也使得图像分割的难度更大。然而，当前在信号传输、空间及时间分辨率、数字系统、便携性等方面已经有了较大的提升，来自超声设备的图像质量也得到了广泛提升。在超声数据中，左心室（LV）外观主要表现为暗区，代表了房间里的血池，由心内膜、心肌和心外膜包围。超声图像中的单个组织具有多个灰度值分布，并且具有空间纹理特征。这些特征产生的原因有：收缩期的快速运动、低信噪比、边缘脱落（尤其是在舒张期）、密集肌肉产生的阴影、超声仪器的特殊特性和设置以及超声图像形成的各向异性[4]。超声图像可以用于许多不同检查：心脏发育、心脏结构和功能以及在正常生理状态和病理情况下的变化。例如，通过二维超声图像计算射血分数可以获得左心室功能。根据使用者放置传感器的身体位置，可以获得心脏的不同视图。最常见的视图方位是：左心房和左心室的长轴视图，从心脏底部到心尖的平面上的心脏短轴视图和四室视图。论文组织如下：第二节回顾了超声心动图图像分割方法的研究思路；第三节概述了超声心动图图像分割方法；第四节回顾最新进展；最后，第五节以最后的评论结束论文。

1. 分割方法

大部分研究主要关注心内膜运动，来获得左心室面积或体积以及射血量等间接量度，也可以用于局部室壁运动评估。这些测量也被用于缺血性心脏病的诊断和评估。大多数分析基于二维采集，从采集的二维切片上获取主要运动部分。标准的二维诊断视图包括副弦短轴（SAX），顶部四室（4c），两室（2c）以及三个房间（3c）视图（非专业翻译）。后三个视图也可被称为（顶端）长轴视图。由于超声图像采集的各向异性、诸如肺部阴影等伪影以及可能很强的衰减，数据质量以及分割的挑战因视图而异。心脏病学家在决策时使用心脏动态图，因为动态图中可以观察到与变形组织相关的斑点图案，而在静止帧中，斑点图案并不总是有用的。因此，与其他一些临床应用领域相比，在超声心动图中，将分割视为时空问题可能更符合逻辑。最近更成功的方法采取了这种观点。超声心动图图像有几个特殊的缺点，这阻碍了人的解释和自动分析。

1）像素强度与组织的任何物理特性没有简单的关系。不同组织的强度通常无法通过像素强度或者纹理去区分。

2）超声心动图图像信息具有高度的各向异性和位置依赖性，因为反射强度、空间分辨率和信噪比取决于超声心动图波束的深度和入射角，以及用户控制的深度增益设置；

3）许多成像伪影发生，导致局部解剖信息丢失：大量噪音、衰减、阴影、旁瓣、混响和有限的回声窗口。因此，静态帧图像通常只包含部分信息。

基于这些原因，自动分割超声心动图图像序列已被证明是一项具有挑战性的任务。许多方法分割超声心动图资料已提出。它们可以划分为以下类：水平集（LS）方法、可变形模板、活动形状模型（ASM）、活动轮廓方法、活动外观模型（aam）、自下而上的方法和数据库引导（dbguided）分割 [3]。

2.1水平集分割方法

基于以下原因，水平集在医学图像中的应用主要是用于提升主动轮廓的性能。首先，水平集方法通过结合区域和边界分割来增强模型的鲁棒性。其次，将纹理和形状先验模型与连续参数函数相结合，建立隐式分割函数模型[6，7，8，9，10，11，12，13，和14]。

2.2可变性模板

或者，基于无监督学习方法的可变性模板也可用于模型分割[15, 16, 17 and 18]。然后，该方法需要了解如何执行初始化。水平集方法和可变性模板在处理医学图像时都具有良好的效果。尽管如此，它们在优化函数中包含的先验知识方面也存在一些缺陷。

2.3活动形状模型和活动外观模型

这类方法包括主动形状模型（asm）[19、20、21]和主动外观模型（aam）[22、23、24]。然而，这两种方法都需要大量带注释的训练图像，并且初始化必须接近于局部最优。此外，这些方法假定培训样本数据的形状和外观服从高斯分布。

2.4活动轮廓分割模型

活动轮廓方法促进了水平集方法的方法，因为该方法有效的减少了水平集方法对初始化的敏感性。

2.5自下而上的分割方法

自下而上的方法使用边缘检测来检测LV边界，该边缘检测构成了表示对象边界的特征。虽然这些方法计算复杂度低，但对初始条件敏感，对成像条件缺乏鲁棒性。[29,30]

2.6数据库引导的分割方法

数据库引导的分割方法使用监督学习方法，具体来说，基于增强技术的判别模型被用于分割超声图像左心室。数据库引导的分割方法另一个要点在关于初步猜测的独立性。然而，这些方法有几个缺点。然而，该方法有几个缺点，除了搜索过程的高复杂性外，还需要大量的训练图像来估计模型的参数以及训练中缺少的对成像条件的鲁棒性设置[34、35和32]。

超声心动图轮廓检测的相关问题：

1. 当前的方法通常不包括有关分段对象的形状和外观变化的允许范围的信息。超声图像信息往往定义不清或不完整。因此，有关特征器官形状和外观、其解剖和病理形状变化以及空间器官嵌入的广泛模型知识应构成稳健分割方法的一个组成部分。
2. 大多数现有方法使用隐式、全局和简化模型构建轮廓位置。然而，强局部图像特征的位置并不总是符合由专家人类观察者绘制的所需轮廓。轮廓的准确位置应建模或从专家观察员提供的示例中学习。此外，局部（但未知）解剖的不同部位的轮廓特征也不同。
3. 许多自动化技术在单个二维帧上执行静态分割或使用基本的连续性约束，因此，通常会产生与心脏循环动力学不一致的分割结果。最近，有报道称，有几种方法试图解决二维或三维超声心动图时间序列中的第三个问题。

Ⅱ超声心动图分割

3.1心内膜边界检测

应用最为广泛的方法是将超声心内膜分割方法作为一种边界轮廓发现方法。这并不简单，因为左心室室边界周围的对比度随边界相对于传感器方向的相对方向和衰减而变化。因此，传统的基于强度梯度的方法的成功率有限。在典型的临床图像上。Mishra等人[39]提出了一种使用遗传算法进行优化的主动轮廓解。两位专家在20帧进行了人工描绘，并将平均值与自动算法进行了比较，以表明专家之间的互变异性与手动和自动方法之间的差异相似。Boukerroui等人基于区域的分割方法[40]遵循贝叶斯方法论方法。水平集通常被认为是活动轮廓的替代方法，这种方法也被认为是超声心动图图像分割。Yan【41】等考虑采用快速行军方法将水平集方法应用于心脏超声图像；为了减少由于使用局部特征（强度梯度）测量造成的误差，他们在加速项目中使用了基于平均强度梯度的测量。将该方法应用于胸骨旁短轴和四腔顶视图序列，但仅对结果进行定性讨论。Lin等人[42]提出了水平集分割思想的一个有趣的变体，它将边缘和区域信息结合在跨空间尺度的水平集方法中。Boukerroui等人[40]在贝叶斯框架中工作，提出了一种鲁棒的自适应区域分割。自适应特性考虑了局部类平均值和缓慢的空间变化，以补偿同一组织内超声回波信号的不均匀性。该方法通过观察者在长轴序列上的手动描绘进行评估，并与另一种基于区域的分割方法进行了比较。〔43〕。基于人工神经网络（ANN）的方法已被用于基于区域的分割[44，45]。例如，Binder等人[46]将两层反向传播网络应用于38例数据质量可变的患者的舒张末期和收缩末期SAX图像。这是少数明确研究不同质量数据的研究之一。38个数据集中有34个数据集的分割成功。两位专家将自动跟踪方法与人工跟踪方法进行了比较。

3.2 心肌和心外膜检测

关于心肌的分割和分析[47]以及心外膜边界检测[36、48和49]的文献非常有限。这两种模式都对本地B模式图