基于监督下降方法的左心室超声图像分割

　　【摘 要】基于监督下降方法的左心室超声图像分割与传统基于表观模型的左心室超声图像分割相比，可以有效解决特征点迭代定位过程中的庞大计算量问题。本文通过对左心室超声图像分割现状和对基于监督下降方法的左心室超声图形分割优势的分析，进一步明确了基于监督下降方法的左心室超声图像分割技术的基本特点，同时对其实际的图像分割技术应用展开详细的研究，希望能为相关研究提高参考。
　　【关键词】左心室；超声图像分割；监督下降方法；特征点定位
　　在医学的超声图像分割技术中，经食道的超声心动检测是当前应用最为广泛的超声探测方法之一，也是检测人体左心室功能的基础依据。由于医学图像分割处理和分析领域具有较高的复杂程度，为了根据超声图像中某种特殊含义来提取相应特征，需要切实保证图像分割处理技术的科学性。而基于监督下降方法的左心室超声图像分割技术凭借自身优势，为临床医学与病理学的相关研究提供了有力支持。
　　一、左心室超声图像分割的现状分析
　　近年来，随着医学领域的不断发展和各类图像分割算法在医学图像处理工作中的广泛应用，有效解决了超声心动图中由于较高复杂性和多变性引起的图像分割处理难题。其中对于人体左心室超声图像分割，其实际的分割过程中一般需要通过对图像中各个特征点迭代变换位置的灵活利用，来实现对目标区域内轮廓的提取。从本质上来看，左心室超声图像分割可以理解为对特征点的可视化问题，而目标区域内的特征点也可以被看作是非线性最小二乘近似问题来展开深入的理解。左心室超声图像分割有多种方法，其中传统的基于统计分布的ASM方法和给予表观模型的AAM方法，在实际的算法中会过多的依赖于牛顿法或者拟牛顿法。而基于监督下降方法的左心室超声图像分割（SDM）的提出和应用，可以在解决计算机视觉中非线性最小二乘相关问题过程中，取得更好的图像特征点定位效果。
　　通过对基于监督下降的左心室超声图像分割的研究，其核心应用过程主要涉及到以下几个阶段的流程：（1）对于训练集中的第i图像，分别设置ground-truth位置和初始位置；（2）根据图像分割中特征提取函数的非线性最小二乘公式，计算图像中特征位置第一次发生迭代的方向向量和偏差项向量；（3）通过对特征点新的对应位置的计算，对位置迭代方向和相应的偏差项进行更新；（4）反复重复上述第二步骤和第三步骤，直到收敛，最终获取到方向序列和偏差项序列；（5）在整体基于监督下降方法的左心室超声图像图像算法过程中，可以将获得的方向序列与偏差项序列用于图像初始位置的测试，从而得出最后的特征点定位结果。
　　二、基于监督下降方法的左心室超声图像分割优势
　　基于监督下降方法的左心室超声图像分割中的目标函数定位一般是两个特征向量最优化的相似程度，传统的图像分割方法在进行两个特征点的相似性判定度量时，大多会采用欧氏距离的判定方法来实现。笔者通过查阅相关文献，发现传统的欧式距离判定方法与基于巴氏系数的直方图判定方法相比，在两个特征向量的相似性判定中有着很大的准确性差距，而基于监督下降方法的左心室超声图像分割算法在实际的应用中就是采用的巴氏系数主动轮廓模型处理技术，从而有效提高了传统图像分割中的鲁棒性。
　　除此之外，在定位特征点的过程中，基于表观模型的传统AAM算法的优化目标可以被当成非线性最小而成相关问题来理解，但是由于解决最优化问题中涉及到的牛顿法，在特征点的每一次迭代中都需要对海森矩阵和雅可比矩阵进行计算，这种庞大的计算量不仅会大大增加技术人员的任务量，还会进一步提高计算成本代价。而基于监督下降方法的左心室超声圖像分割，在实际的应用中不会涉及到上文中提到的过于复杂的计算过程，也不需要建立表观模型，通过对局部特征的提取和从训练数据学习一组梯度下降方向的明确，将其反映到相应的测试图像中，便可以轻松的实现左心室超声图像分割[1]。
　　三、基于监督下降的左心室超声图像分割方法
　　（一）基于监督下降的改进算法
　　基于监督下降方法的左心室超神图像分割优化目标与传统的基于表观模型的图像分割存在较大的差异，具体表现在对特征函数之间的定义最优化问题方面。而基于监督下降的左心室超声图像分割算法的改进，对于提高左心室超声图像分割算法的精准度有着重要作用。医学超声图像中的特征提取函数的选取会对基于监督下降方法的左心室超声图像分割造成直接的影响，具体体现在受光照程度的不同以及心内组织密度方面存爱的差异性，这些客观因素的存在会SDM中的SIFT特征函数提取效果造成不利影响。针对上述问题，为了进一步降低一系列客观因素对于体征提取函数效果的影响，可以用B-SIFT特征提取函数的方式代替传统的SIFT特征提取函数，同时借助多尺度图像金字塔模型的建立，达到有效优化图像轮廓分割效果的目的。
　　（二）监督下降方法中B-SIFT特征
　　上文中提到的B-SIFT特征主要是指对图像局部特征进行检测的一种方法，这类局部特征检测方法大多被应用在多类计算机视觉的领域范围当中。B-SIFT特征自身具有多尺度、旋转不变形、对于图像亮度变换和噪声等影响因素有着非常好的抗干扰性能以及内部蕴含非常丰富的局部特征信息量等一系列优势。在应用B-SIFT特征进行向量的提取工作时，（1）需要确立一个初始形状的向量，然后根据该初始向量内部的每一个特征点位置，在其周围建立16×16的像素框，同时计算像素框内涉及的每一个像素的梯度；（2）在原本的像素框内以4×4的像素分8个方向对梯度的方向进行明确，计算得出直方图；（3）对每个梯度方向进行累加值绘制，由此便可以获得一个4×4×8的128维B-SIFT特征向量。
　　（三）建立多尺度图像金字塔模型
　　基于监督下降方法的左心室超声图像分割算法中多尺度图像金字塔模型的建立，主要是在左心室超声图像检测过程中实现的，通过对左心室实际形状、体积大小以及心尖朝向等客观因素的明确以及统一归一化训练集或者测试集中的图像之后，针对可能出现的图像局部特征纹理信息丢失问题进行有效的缓解[2]。此外，在左心室超声图像检测过程中由于容易受到外界其他因素和人体左心室本身存在的差异的影响，为了有效保证图像分割最终结果的准确性，需要在建立多尺度图像金字塔模型的过程中，最大程度的将训练集或者测试集中的图像进行归一，最终达到多个分辨率效果。在上述基础上，需要对低分辨率图像中进行较大步长的迭代，对于分辨率较高的图像，需要进行较小步长的迭代，这种操作方法可以使图像特征点进一步贴近真实值。
　　四、总结
　　综上所述，基于监督下降方法的左心室超声图像分割可以对传统图像分割中单一尺度定位准确度不高的问题，通过提升算法精准度来使特征点定位输出与真实轮廓更加贴近。在实际的图像分割过程中，基于监督下降方法的图像分割主要涉及到基于监督下降的改进算法、监督下降方法中B-SIFT特征以及建立多尺度图像金字塔模型等几个方面的内容。利用特征点标注图像库的建立，进而对特征进行精准描述。
　　【参考文献】
　　[1]魏雨汐，伍岳庆，陶攀，姚宇.基于监督下降方法的左心室超声图像分割[J].计算机应用，2018，38（02）：545-549.
　　[2]赵佳旻，刘涵锐，郭斌.左心室超声心动图分割方法的研究[J].智能计算机与应用，2017，7（06）：54-57.