M型超声心动图中左室射血分数自动计算方法

　　摘要：掌上超声仪受功率和超声频率的限制很难获取心脏B超图像，导致目前基于二维B超的左室射血分数(leftventricularejertiraifrartirai，LVEF)测量不能在掌上超声仪上实现，而掌上超声仪能够通过M型超声获取心脏识别信息。对此，基于M型超声心动图Teichholz法提出了基于数字图像处理的LVEF自动计算方法。首先，将二尖瓣的影响考虑在内，同时为了之后的图像分割得到好的结果，将图像分为上下部分进行处理;其次，利用图像二值化的三角法对图像进行分割，对于上部分子图像进行二尖瓣信息的消除;最后，图像上下部分分别得到左心室室隔内膜和左心室后壁内膜的波形线，取得波峰波谷的位置数据，进行LVEF的计算。该方法所得LVEF的计算准确率达95.6%，计算效率为每张图像0.6秒。基于M型超声心动图的LVEF的自动测量方法，较手动方法测量效率更高，测量精度也在合理范围之内，对于掌上式超声诊断仪的半自动化甚至自动化有着极大的推进作用，具有较好的临床应用价值。

　　关键词：左心室射血分数;Teichholz法;M型超声心动图;图像处理;自动测量

　　甘建红; 李炜成都信息工程大学学报2021-12-13

　　0引言

　　心血管病是威胁人类生命的重大疾病，在中国已经成为人们死亡的头号病因。防治心血管病，对于保护人民生命安全和身体健康具有重大意义。因心血管疾病一般不能够及时发现，所以定期的心脏功能诊断至关重要。左室射血分数(leftventricularejectionfrac?tion，LVEF)在临床上常被用来诊断心血管疾病。掌上超声仪因其便捷性，容易实现定期的心脏功能诊断。因此，掌上超声仪的左室射血分数的自动计算对于保护人民身体健康具有重要意义。心脏每搏输出量为左室舒张末期容积和收缩末期容积之差[1]，其与左室舒张末期容积之比即为左室射血分数m。左室射血分数正常值为50%?70%[3]。临床上认为射血分数低于50%时，则代表心脏出现疾病症状，需要进一步诊断和治疗。当射血分数低于35%时，则代表极有可能发生恶性心律失常，甚至猝死[4]。

　　超声心动图能够用来测量左室射血分数。各种类型的超声心动图，对于左室射血分数的计算都是将左心室看作几何体。因此，可以利用几何体的体积公式来计算左室舒张末期容积和收缩末期容积，进而计算心脏每搏输出量[1]。M型超声图计算左室容积的方法为Tekhholz公式。因为此方法测量时不需要描绘左心室内膜，操作方便快捷，所以能够被广大基层医疗单位应用[5]。

　　目前临床上，M超方法仍然是手动测量方式计算LVEF指标，工作量大且效率不够高。LVEF的自动计算的研究也大多集中于B型超声心动图和核磁共振图像，都是需要将左心室内膜完整描绘出来，进而计算容积。然而在掌上超声领域中，手工方式在手机等小尺寸终端上操作极不方便。随着掌上超声仪的兴起，基于M超的自动测量愈发重要。对于超声心动图，基于B超的Simpson法被广泛应用。此方法需要通过建模计算左室容积，所以要对心尖二腔(A2C)和四腔(A4C)两个切面，进行左室边界的勾画[6]。对此，学者们提出了一些自动分割左室和自动对图像进行分类的方法。Belaid等[7]在对图像分割方法深人研究之后，选择基于多相位的水平集来对心脏的左心室进行分割;Agarwal等[8]米用支持向量机对图像分类，而分类需要获取的图像特征则是利用定向梯度直方图;Mammsi等[9]在自动分割左心室的算法中利用了多分辨节点插人的策略;Khamis等[1°]通过对心尖二腔和心尖四腔切面进行时空信息提取，进而进行分类。但是这些方法无法得出最佳结果，也不能对广大样本有很好的适用性。结合深度学习表现出的优势，蒋建慧等[6]利用卷积神经网络对B型超声心动图进行分类，获取A2C和A4C切面，再通过建立全卷积神经网络对A2C和A4C的左室进行分割，进而计算LVEF。深度学习对于超声心动图的左室射血分数计算表现出了巨大的应用前景。

　　对于纖_振成像(magneticresonanceimaging，MRI)，射血分数的计算謂栗准确地对图像进行左心室1%轮廓的勾画。手工方：式对MRI进樣_|>奪分割s敎率极低且工作ft巨大[11]。因此，自动分割左;1>齒4重是MRI的研究热点之一徐礼胜等[|3]对MRI利用全卷积两络迸行左心室的自动分割。得到分割结果后，可以利用时间信息计#左心室收缩末期和舒张末期容积t刘晓鸣等[14]在利用全卷积网络对MRI进行左办室分割的基础上，全连接条件随机场的加入使得自动分割更加准确。目前主流的B超、MRI分析方式都不适合于掌上超声仪自动计算LVEF，同时也未查询到M超自动测量EVEF的文献Q对此，针对擊上趙声仪器中M超信号，文中提出一种基于数字图像处理的M型趙声心动图LYEF的自动计算方法，觯决拿上超声设备LVEF计算的问氣

　　1射血分数自动计算1.1M型超声心动图

　　M型超声心动图因其方便快捷，被广泛应用于_上超声设备aM盤趄声心动图是以时间序：列形成的图像，暴以心脏和探头的距禽来描绘画像。声波可以经过心脏的各爲组织，距离綦藏着心脏的茼期性运动来：变化的。因为Mg超甫心动图是由单重声波形成的，而B型超声心动图和MRI图像是能够得到心脏切面的，所以M超无需描绘左心室内膜，需要确定左心室.位置聚左室室觸内膜和左室后肇内膜间的距离，即可进行左室射血分数的计黨。临床采集的M型超声心动图如面1所示。

　　1型：超貫心动題测量的公式：暴Teichholz校正公式，如图1绿色标记所示，测暈左室舒张求期内径(LVDd)去室收缩末期内径(LVDs)，然后计算左室容税[151，最后计算LVEF。V=7.0^(2.4+D)xD3(1)式中的D为内径值。LVEF(%)=(LVEDV-LXESY)vLVEDyxlOO%(2)其中，LVEIW和LVESV分别为测量的舒张末期容积和收缩末期容税。

　　1.2计算方法

　　由于左室后績心肌致密度较高，因此形成的图像较亮，如?1黄色方框区域所示。图像进行二值化时，该齡区域导致二值化阈值偏大》而内膜甚较_区域，M造成内膜区域分割不准确。对此，通过一定方法将原图分为上下两部分，分别计算处理6由于左心室ft空气難回波接近0，从心聛结构：乘讲親声彼从室_镉到左室后壁必然经过心腔。据此，划分位置的计算可通过如下方法实现：计算M超图像中每行所有像素的施慶值之和(为了便于叙述将此灰度僮之和称为能量)，从能?大的行开始，向上辱找第一个能量景小的行，从该行将图像分为上下两个予團像，分别对两个子图像进行处理&具体处理流程如图2所示。

　　1.3检测上部分子图像中室隔内膜边界1.3.1分离左室室隔内膜与二尖#

　　在M型超声采集心脏图像过程中.，通常会采集到二尖瓣信息。在M超图像中有二尖瓣图像，如图3所感，红色方框即为二尖瓣所在区域，绿色方框为二尖瓣与左心_室隔内膜相连之处，且连接范围较宽3二者成为一个大的连通域，将导致常规二值化方法不能将二染瓣与室隔内膜分离，无法褥到正确的室隔内膜边界。因此，首要工作是将二者较强的连接迸行分离s

　　(1)确定左實室隔内膜与二尖瓣枏邻大致范围

　　原?上部分子图像二租化后的结果如厨4所示，其中绿色方框为二尖瓣与室隔内膜相连之处。为了确定绿色方框的位置，首先需要确定左室室镉内膜和二尖瓣相邻的太致范围。从二值化结果可以看出，若从图像蠡度为30开始处理，可以避兔图像中右室位置的影响。针对图4，计算It度为30到图像底部每一'行中黑色像素点所占百分比，结果如图5所经过大量实验，范围的上边界确定为黑色像素占比为35%时，下边界确定为图5中红色线对应的位置。此位置的特征为：百分比最大值第一次出现时对应的僮董s大致范围在图6U)中由黄色线标记》

　　(2)范围内分离二尖瓣与室隔内膜

　　将图6(a：｝中：釭色方樞区域放大：显示，姐頭6(b)所示。其中苘列的部分像素值已在：图中标出。此区域图像待征为：像素灰度儇由上至下递增。将符合此条件的所有像素的灰度：值置为〇，即表示这些位董属于左心室内部，进而有助于确定袁盤的左室塞隔内膜。然后再对上部分子图像进行二值化，结果为图7。将处理前后的二#[化爾像进行对比，可以发现，左室室隔内膜得到了较完整的补充。

　　1.3.2确定左室室隔内膜纵坐标最值(1)划定感兴趣区域

　　经过分离左室重搞内膜和二尖瓣的工作后，可以得到图7所示的绪果a在图7中确累左室室隔内膜边界，首先需要划定感兴趣K域，从高度为30处开始划分，可以有效避免图像中右室瘦董的影响，而左室室隔内膜和二央瓣相邻的大致范__下边界也能够将左宣室隔内膜完整包括。所以，感兴趣区域划定为高度30到大致范围的下边界@

　　(2)边_检测

　　对感兴趣区域进行形态学开运算，可以确保消除某些连逋域的影响，同时使得最后的结果较为准确。再进行边缘检测，能够得到左室室隔内膜边界，结果如图8所示。因为此时不能确保得到的轮廓连通，所以需要对结果进行形态学闭运算。

　　(3)确定内膜边界纵坐标晕值

　　图9为图8红色方框部分的放大，显示，绿色分界线表明内膜边界已经与萁他连通域分离开来。?图8中寻我最大连通域，即为内膜边界。通过确定边界的纵坐禄最值，即为图像上部分子?像所需结果。

　　1.4检测下部分子图像中左室后壁内膜边界1.4.1确定左室后壁内膜边界

　　下部分子图像二值化结巣如M1〇所示，可以着到，有比较明显的波形线(红色)&但图像分割结果不够好，绿色方框部分为未分开的位置&

　　1.4.2处理错误区间

　　先对二值化的图像进行形态#闭运基为了确保心腔位置在二值化图像中为全黑时使_最后得到的位置数据较为准确。所有列从上到下统计第一次出现白色像素点的位置，统计结果如图11所示。在此数据中寻找最小值，即此时波形钱的波峰^根据斜率-变化及与数据均值的比较结果，5兔定镨谟区间。找出错误区间的区同端点，以线性函数重敍描绘这段区间。再在此时的数据中#找最大值，即波形线的波谷。

　　2实验结果

　　实验晕用PyChaitii-Community-2020.1为集■成开表环機OpenCV雇本为4.2.Q。在实际临床应用中，根据探头的朝向，M型超声心动图有可能采集商二尖瓣，也可能没有二_信袁。为验证本算法的鲁襻性，分别对有二尖瓣的M超画像和没有二尖瓣的M超图像进行实验c实验结果如图12所示。_12(a)为有二尖瓣信息的实验結果计算得到的LVEF为55%。图12(b)为无二尖瓣信息的实验结果，计算得到的LVEF为54%。实验对象为3000张M型超声心动图，自动测量LVEF的平均时间为0.6秒。与临床医生手动计算缙果相比，自动测暈的准确率为95.6%。此方法计算准确率较高，并且有不错的计算效率，具有较好的临床应用价值B

　　3结束语

　　通过实验鬼成了M型超声心动图中左室射血分数的自动计算，促进了掌上超貪诊断仪的推广斑用。深度学习技术在左室射血分数自动计算方面表现出了巨大的应用前景。下一步的工作是将深度学习遽用于实验中，并且提高计算效率，满足掌上超声珍断仪的要求p