【作 者】汪靈夢 ，趙萬明 ，邢運成 ，孫 通 ，陳 昕

1 深圳大學(xué)生物醫(yī)學(xué)工程學(xué)院，深圳市，518060

2 醫(yī)學(xué)超聲關(guān)鍵技術(shù)國家地方聯(lián)合工程實驗室，深圳市，518060

3 廣東省醫(yī)學(xué)信息檢測與超聲成像重點實驗室，深圳市，518060

0 引言

肌肉是構(gòu)成人體的重要組織，與各項生命活動息息相關(guān)。人體總共有600多塊肌肉，按結(jié)構(gòu)和功能肌肉可以分為骨骼肌、心肌和平滑肌三種。肌肉通過收縮和舒張可以幫助我們完成各種復(fù)雜運動，例如在消化道運輸食物，心臟搏動以及牽引骨骼運動。肌肉形態(tài)結(jié)構(gòu)與功能密切關(guān)聯(lián)，定量分析和評估肌肉的長度、厚度、羽狀角、曲率以及橫截面積等各項形態(tài)學(xué)參數(shù)是當前研究的熱點，在臨床醫(yī)學(xué)、康復(fù)、運動學(xué)等領(lǐng)域得到了廣泛應(yīng)用[1-2]。

測量肌肉運動最主要方法是表面肌電信號(Surface Electromyography, SEMG)。肌電信號時頻特性直接反映肌肉力的大小、肌肉的功能和狀態(tài)、肌群的相互協(xié)作協(xié)調(diào)等特性。然而肌電信號容易受到各種潛在因素影響，如電極位置、肌肉類型、鄰近肌肉干擾等，這些都制約了肌電信號在肌肉評估中的應(yīng)用。

超聲（Ultrasound, US）成像相對于X線成像、計算機斷層成像（Computer Tomography, CT）以及磁共振成像（Magnetic Resonance Imaging, MRI）等其它成像方式，具有實時、快速、無輻射、價格低廉等優(yōu)勢。超聲成像可獲得肌肉收縮實時動態(tài)圖像，被廣泛應(yīng)用于研究骨骼肌形態(tài)學(xué)參數(shù)，骨骼肌超聲成像為臨床觀察和診斷肌肉組織特性提供了重要工具。

骨骼肌由肌腹和肌腱兩部分構(gòu)成，肌腹由肌纖維構(gòu)成，肌腱由肌束末端致密結(jié)締組織匯聚形成，肌腹通過肌腱牽引骨骼從而產(chǎn)生運動。肌束附著在腱膜一側(cè)，解剖學(xué)上把靠近皮膚的腱膜叫淺層腱膜，靠近骨骼的腱膜叫深層腱膜。如圖1所示，肌肉厚度是肌肉深層腱膜和淺層腱膜間的距離；羽狀角是深層腱膜和肌束方向形成的銳角；肌肉長度是肌束與深層腱膜和淺層腱膜交點間的距離。

圖1 骨骼肌形態(tài)結(jié)構(gòu)示意圖Fig.1 Simplified structure of musculoskeletal

1 動態(tài)骨骼肌超聲圖像處理常用算法

早期骨骼肌超聲都是獲取靜態(tài)超聲圖像，處理方法通常都是手動處理。隨著技術(shù)的發(fā)展，更多研究都是采集肌肉運動過程中的動態(tài)超聲圖像，用手動方法處理不但耗時，而且結(jié)果不穩(wěn)定。因此各種圖像處理方法被提出。本節(jié)對常用動態(tài)骨骼肌超聲圖像處理算法進行簡要概述，各種算法應(yīng)用將在第2節(jié)具體介紹。

1.1 直線檢測算法

在超聲圖像中肌纖維呈現(xiàn)近似直線結(jié)構(gòu)，因此各種直線檢測算法被用于肌纖維檢測。Hough變換和Radon變換是圖像處理中常用的直線檢測算法。

1.1.1 Hough變換

霍夫變換(Hough Transform)是圖像處理中從圖像中識別幾何形狀的基本方法之一。由Hough P于1962年提出，最初只用于二值圖像直線檢測，后來擴展到多種形狀檢測。Hough變換基本原理在于通過改變曲線表達形式，將原始圖像空間給定曲線變?yōu)閰?shù)空間的一個點。這樣就把原圖像中給定曲線檢測問題轉(zhuǎn)化為尋找參數(shù)空間中峰值的問題。Hough變換檢測肌纖維結(jié)構(gòu)一般分為四步：①對圖像做二值化和邊緣檢測，作為Hough變換預(yù)處理步驟；②對邊緣檢測后的圖像做Hough變換，返回Hough變換矩陣、角度和半徑用于后續(xù)直線提取；③設(shè)定好需要檢測Hough變換矩陣峰值數(shù)（即直線條數(shù)），用Hough變換峰值檢測函數(shù)找出符合條件的峰值；④在找出的峰值中按預(yù)先設(shè)定的直線檢測條件，如最小直線間距、直線長度，用Hough變換直線檢測函數(shù)找出符合條件的直線，即為檢測的肌纖維位置。

1.1.2 Radon變換

Radon變換（Radon Transform）常用于二維或三維數(shù)據(jù)重建，相較于Hough變換Radon變換可以直接處理灰度圖像。Radon變換是對一個平面f (x, y)，在極坐標系中沿著不同的方向投影，對每一條投影線計算平面f (x, y)線積分，得到的積分結(jié)果就是f (x, y)的Radon變換。Radon變換基本原理在于計算圖像在各個方向的積分，即亮度累加，這樣就把直線檢測轉(zhuǎn)化為在變換區(qū)域?qū)α咙c、暗點的檢測。Radon變換檢測肌纖維結(jié)構(gòu)一般分為四步：①把肌肉圖像轉(zhuǎn)化為灰度圖像、設(shè)置Radon變換角度范圍，作為Radon變換預(yù)處理步驟；②對灰度圖像進行Radon變換，得到Radon變換矩陣和半徑；③設(shè)定好需要檢測直線條數(shù)，用峰值檢測函數(shù)找出符合條件的峰值；④將峰值點坐標由極坐標系轉(zhuǎn)化到直角坐標系，從而得到圖像中肌束位置。

1.2 特征點/特征區(qū)域追蹤算法

超聲圖像中有的肌纖維有一定弧度呈現(xiàn)出非直線形狀，這時需要手動在第一幀超聲圖像上選取特征點/特征區(qū)域，然后運用相關(guān)算法辨別它在下一幀的位置，從而計算出每幀超聲圖像中肌肉參數(shù)。區(qū)域匹配算法和光流法是常用于特征點/特征區(qū)域追蹤的算法。

1.2.1 區(qū)域匹配算法

區(qū)域匹配算法通過跟蹤特定區(qū)域位移變化提取出組織運動信息，用于追蹤目標組織中平移或接近于平移運動，如肌肉腱膜移動。區(qū)域匹配算法追蹤肌肉運動一般分為三步：①在第一幀超聲圖像中選擇目標追蹤區(qū)域；②根據(jù)某種匹配準則，在下一幀圖像中搜索與目標區(qū)域最相似的區(qū)域；③根據(jù)追蹤結(jié)果計算目標區(qū)域移動，依此類推實現(xiàn)目標區(qū)域動態(tài)追蹤。常用的匹配準則包括：互相關(guān)、快速互相關(guān)、平方差、絕對差分求和等，選用不同準則得到的追蹤結(jié)果也不相同?；ハ嚓P(guān)算法需要在全局范圍內(nèi)計算兩幀圖像的互相關(guān)函數(shù)，運算量較大；快速互相關(guān)算法通過靈活選擇搜索方法可以降低計算量；絕對差分求和算法直接計算兩個檢測區(qū)域的絕對差分和，可以提高目標區(qū)域檢測速度。

1.2.2 光流法

光流法是利用圖像序列中像素在時間域上的變化、相鄰幀之間物體亮度相關(guān)性來找到上一幀跟當前幀之間存在的對應(yīng)關(guān)系，計算相鄰幀之間物體運動信息的一種方法。光流法大多是建立在Horn-Schunck算法和Lucas-Kanade算法基礎(chǔ)之上。肌肉收縮具有時間連貫性，采用光流法可以有效捕捉肌束連續(xù)運動[3]。光流法追蹤肌肉運動方法和區(qū)域匹配法類似也分三步：①假設(shè)目標區(qū)域運動時保持亮度不變，這是光流法最基本的約束條件；②根據(jù)亮度約束條件和全局約束條件、局部約束條件等附加約束條件求解出目標區(qū)域在后一幀的位置信息；③用第二步的方法追蹤當前幀和后一幀的位置關(guān)系，實現(xiàn)目標區(qū)域動態(tài)追蹤。相對于區(qū)域匹配算法，光流法計算量相對較大，但是魯棒性強、可用于追蹤平移之外的其它肌肉形變。

2 骨骼肌超聲算法研究

現(xiàn)有對肌肉參數(shù)的研究主要集中在肌肉羽狀角、長度和厚度動態(tài)測量，本節(jié)分別介紹這三個參數(shù)不同提取方法以及對這些方法進行簡要比較。

2.1 羽狀角

測量肌肉羽狀角主要在于確定深層腱膜位置和肌束方向。ZHOU等[4]提出迭代Hough變換（Revoting Hough Transform, RVHT）檢測肌束方向，這種方法通過將超聲邊緣圖像映射到Hough空間，找出圖像中最明顯的直線，然后移除這條直線設(shè)定線寬范圍內(nèi)所有特征點，再用移除這些特征點后的圖像進行下一次Hough變換檢測肌束方向，重復(fù)上述過程直至低于自定義閾值。這種方法可以檢測出圖像中每一個可能肌束方向，但檢測誤差會因迭代過程累加。深淺腱膜在肌肉超聲圖像中是最明顯也是最容易檢測出來的，ZHOU等[5]利用肌肉的這一結(jié)構(gòu)特性改進了迭代Hough變換。這種方法核心思想是對高斯濾波和二值化后的圖像用迭代Hough變換檢測出深淺腱膜方向，再在檢測出的深淺腱膜間選擇一個合適的感興趣區(qū)域(Region of Interest, ROI)用于肌束方向檢測。這種方法縮小了Hough變換區(qū)域，減小了計算量。Hough變換檢測直線特性要經(jīng)過判斷檢測峰值是否符合要求的投票步驟，增加了計算復(fù)雜程度，為了盡可能避免這一過程LING等[6]提出了一個肌束方向檢測新框架，這種方法只對有較小間隔肌纖維部分進行迭代Hough變換，達到了降低計算量的目的。

Hough變換對斑點噪聲敏感，極大依賴于邊緣檢測算子的性能，只能對二值圖像處理，Radon變換受斑點噪聲影響小，不必進行邊緣檢測還可以直接對灰度圖像進行處理。RANA等[7]提出用Radon變換檢測肌束方向。由于Radon變換是沿不同方向和角度對整個圖像區(qū)域投影，那些長度較短的肌纖維投影值較小，不容易被檢測出來，ZHAO等[8]利用肌肉結(jié)構(gòu)中肌纖維方向角度差異小這一特性提出了局部Radon變換，其主要方法是對肌肉圖像在接近肌纖維方向進行投影。這樣不但可以檢測出長度較短的肌束，而且極大縮小了Radon變換角度范圍減少了計算量。溫慧瑩等[9]提出了基于局部Radon變換和卡爾曼濾波的超聲圖像肌束方向跟蹤方法，用基于約束互信息的自由變換算法和局部Radon變換實現(xiàn)了ROI區(qū)域自動選取和肌束方向檢測。

以上這些方法是利用超聲圖像直線特征來提取肌束方向，存在幾個缺點：①肌束通常是由多段組成，各段尺寸明顯小于圖像總尺寸，長度較小的肌纖維不容易被檢測出來；②圖像上肌束像素灰度在不同位置分布不均勻，肌束直線所對應(yīng)Radon空間極值點強度被削弱；③標準Radon變換是整個圖像平面內(nèi)像素點灰度值的積分，直線方向上像素點灰度值能夠產(chǎn)生極值，同時投影方向積分路徑較長也能產(chǎn)生極值。雖然局部Radon變換通過限制肌束位置和方向來增強準確性，但這些方法都是檢測肌束直線特征，并未從根本上克服以上問題，檢測性能存在局限。

LI等[10]利用了肌束并行排列的紋理特征提出了歸一化Radon變換方法，該方法原理是利用歸一化Radon變換對超聲圖像進行投影，當投影方向與肌束方向重合時，歸一化Radon變換結(jié)果在不同截距上變化達到最大，再在所有Radon方向利用分段-方差(Segmented-Variance)法求取不同截距上統(tǒng)計變化量，變化最大的方向即為肌束方向，這種方法很好避免了由于積分路徑不同對測量結(jié)果的影響。CHEN等[11]創(chuàng)新性提出了頻域Radon變換，先對超聲圖像進行傅里葉變換，然后再對頻域進行Radon變換，最終找到肌束方向。與檢測單一肌束方向相比，這兩種方法可以檢測出某一區(qū)域所有肌束的平均方向，提高了算法魯棒性與準確性。

2.2 長度

肌肉長度是肌束與深層腱膜和淺層腱膜交點間的距離，因此很多長度測量方法都利用肌肉結(jié)構(gòu)這一特點，直接計算兩點間的距離。這些方法通常先選取一幀肌肉超聲圖像為基準幀，然后在肌束與腱膜交點處選取兩個特征點/特征區(qū)域，計算出兩個特征點/特征區(qū)域的距離即為肌束長度，最后用特征點/特征區(qū)域追蹤算法追蹤相關(guān)特征點/特征區(qū)域，實現(xiàn)肌束長度動態(tài)追蹤。

2005年LORAM等[12]提出塊匹配算法追蹤腓腸肌和比目魚肌運動，它的核心步驟是用互相關(guān)算法尋找相關(guān)性最大區(qū)域。這種方法對于肌肉運動范圍較小的超聲圖像序列有明顯檢測效果，DARBY等[13]提出了Kanade-Lucas-Tomasi特征追蹤算法，這種方法和上一種方法相比用平方差算法代替互相關(guān)算法尋找相關(guān)性最大區(qū)域，當肌肉長度變化較小時兩種方法效果相似，但當肌肉長度變化較大時這種方法比互相關(guān)算法表現(xiàn)更好。CHUANG等[14]提出基于多核塊匹配的光流算法追蹤腱膜運動，其主要方法是將ROI區(qū)域分成很多小塊，對每小塊用塊匹配算法找近似匹配塊，然后組合所有小塊匹配結(jié)果即為整個區(qū)域的匹配結(jié)果。這種方法相對于前兩種方法在尋找ROI區(qū)域方面準確性有了提高。

基于塊匹配的斑點追蹤算法只對肌肉平行移動有較好追蹤效果，而肌肉運動往往是不規(guī)則的有時會發(fā)生形變。光流法可以檢測物體不規(guī)則運動，CRONIN等[15]提出了基于Lucas-Kanade光流算法的肌束長度自動追蹤方法，這種方法主要是用光流算法追蹤ROI區(qū)域從而確定肌束長度。FARRIS等[16]利用光流算法開發(fā)的UltraTrack軟件可以用來測量肌束長度動態(tài)變化，對肌肉超聲數(shù)據(jù)進行離線分析。

以上這些方法是通過追蹤端點/ROI的運動來評估肌肉長度變化，但肌肉是由很多有序排列的肌纖維構(gòu)成的，這些方法只能計算出很小區(qū)域內(nèi)肌肉參數(shù)。ZHOU等[17]提出了一種更宏觀的肌肉參數(shù)計算方法，從整幅超聲圖像入手，先對超聲圖像用Gabor變換，增強超聲圖像中肌肉線性結(jié)構(gòu)，然后用Hough變換檢測腱膜方向，標準Radon變換檢測肌束方向，然后用定義求肌肉長度。這種方法是對整幀超聲圖像做變換，擴大了肌肉參數(shù)檢測有效面積，可以提高檢測準確性，但是超聲設(shè)備所成肌肉圖像中還會夾雜著與肌束方向不同的血管， ZHOU等[18]進一步提出了在肌束方向敏感段用光流算法評估肌束長度的方法。利用肌束方向粘結(jié)性分割出超聲圖像中有相同肌纖維方向的區(qū)域即方向敏感段，再從方向敏感段提取腱膜和肌束信息，從而獲得肌肉參數(shù)。

2.3 厚度

一般測量肌肉厚度有兩種方法，一種是基于點的追蹤方法，這種方法和肌束長度追蹤方法類似，在圖像基準幀中選取兩個關(guān)鍵點，然后在連續(xù)幀用特征區(qū)域/特征點追蹤方法定位關(guān)鍵點，最后計算出兩點間的距離即為肌束厚度。另一種是基于肌肉腱膜輪廓的追蹤方法，這種方法是先檢測出深淺腱膜然后測量兩腱膜間距離。

CARESIO等[19]提出了肌束厚度自動提取方法，它對高斯濾波和導(dǎo)數(shù)增強肌肉線性結(jié)構(gòu)后的圖像用標準Hough變換檢測深淺腱膜方向，然后計算腱膜上特征點間距離即為肌肉厚度。ZHENG[20-21]等提出了用互相關(guān)算法連續(xù)測量肌束厚度，這種方法是追蹤手動選取在深淺腱膜上的矩形區(qū)域，然后測量矩形區(qū)域中水平中心線間距離即為肌肉厚度。但是這種方法需要手動選擇ROI，重復(fù)性和可靠性不能得到很好保證。ZHENG等[22]進一步提出了一種高效基于壓縮追蹤算法的Coarse-to-Fine方法，這種方法涉及多次濾波、采樣和判斷，檢測效果有一定提升，但計算量大并且由于淺層和深層腱膜運動不一致，兩個ROI水平位置在運動中不能保證對齊造成測量結(jié)果不準。

為克服上述ZHENG等方法的問題LI等[23-24]創(chuàng)新性提出了一種基于光流的超聲圖像肌肉厚度測量方法。這種方法，根據(jù)肌肉腱膜與測量位置之間的幾何關(guān)系計算肌肉厚度，分別在第一幀圖像深淺腱膜上人工標記一個ROI，為了保證ROI對齊，在ROI肌束上再各標記兩個點，對每幀超聲圖像均采用光流法跟蹤ROI，利用兩點間短線動態(tài)跟蹤肌束。最后在超聲圖像一定像素位置引入一條垂線，垂線與兩短橫線間交點間的距離即為肌肉厚度。

上述幾種方法是基于點或者較小范圍追蹤腱膜的方法，只能獲得腱膜上幾個點或者兩段直線間的距離，這些方法依賴于操作者經(jīng)驗，獲得的結(jié)果具有一定偶然性，不能完全反映肌肉厚度信息，因此有人提出了基于輪廓的追蹤方法。HAN等[25]假定超聲圖像中深淺腱膜是主要肌束特征，用迭代Hough變換定位腱膜，深淺腱膜上所有點間距離的平均值即為肌肉厚度。LING等[26]提出了一種基于局部和全局強度擬合模型（Local and Global Intensity Fitting, LGIF）的肌束厚度追蹤算法，這種方法首先人工在超聲圖像的深淺腱膜各選一點作為特征點，然后用區(qū)域生長方法，在特征點臨近像素范圍內(nèi)尋找與特征點性質(zhì)相似的點，并與之合并形成新的生長區(qū)域，這樣不斷向外擴張直至得到肌束深淺腱膜輪廓，然后計算腱膜間厚度平均值。與基于點的追蹤方法相比基于輪廓的追蹤方法準確性和魯棒性更高，得到的肌肉厚度更具代表性，能更好反映肌肉厚度變化。

3 總結(jié)與展望

本文簡述了骨骼肌超聲圖像處理算法方面的研究進展。Hough變換處理二值圖像只需要處理前景或者背景像素，計算量小、速度較快，但由于二值圖像不連續(xù)性，難以對一幅圖像進行恰當二值分割，所以在一般情況下Radon變換要比Hough變換更精準。區(qū)域匹配方法用于追蹤特征點/特征區(qū)域原理簡單，但只對肌肉平移變化敏感，光流算法追蹤超聲圖像中特征點/特征區(qū)域有很好的效果，結(jié)果可靠，但其計算量大，對計算設(shè)備配置要求較高。這些肌肉參數(shù)提取和追蹤算法選擇在實際應(yīng)用中要結(jié)合超聲圖像自身特點、設(shè)備性能以及需要得到的參數(shù)等多方面綜合考慮。肌肉參數(shù)計算結(jié)果是否準確，不僅和超聲圖像處理算法有關(guān)，還與超聲探頭、超聲射頻信號重建質(zhì)量有很大關(guān)系。不同探頭放置方法獲得的超聲圖像不同，怎樣放置超聲探頭才能獲得最利于圖像處理的超聲圖像，到目前為止還沒有標準可供參考。骨骼肌長度偏長，正常成年人股肌長度為8～12 cm，而一般線陣超聲探頭視野只有4～6 cm，不能完全獲取肌束長度圖像，寬景成像技術(shù)通過移動探頭可以行成更大視野超聲圖像。骨骼肌形態(tài)參數(shù)獲取也不局限于骨骼肌超聲圖像，在超聲射頻信號中提取肌肉參數(shù)是一種新思路[27]。近幾年深度學(xué)習(xí)發(fā)展迅速，用深度學(xué)習(xí)的方法可以更準確地分割出肌束方向[28]，深度學(xué)習(xí)為動態(tài)骨骼肌超聲圖像處理提供了一種新的研究方法。在圖像處理領(lǐng)域現(xiàn)有肌肉圖像離線處理算法已經(jīng)比較成熟，也取得了豐碩研究成果。但到目前為止這種技術(shù)還沒有應(yīng)用到臨床上，將骨骼肌圖像處理算法實現(xiàn)到超聲設(shè)備上，研發(fā)肌肉形態(tài)參數(shù)檢測專用超聲設(shè)備有廣闊應(yīng)用前景[29]。