技术领域
[0001] 本
发明涉及计算机科学与技术领域，具体而言，涉及一种超声图像心肌检测和特征测量方法。
背景技术
[0002] 在大多数发达国家和许多发展中国家中，心
血管疾病是导致死亡的主要原因。而在我国，心
血管疾病是首要死因，其中，急性心肌梗死(acute myocardial infarction，AMI)的发病率和致死率持续上升，每年新增患者约100万例、死亡约50万例，AMI已造成我国医疗资源的巨大消耗，其院内
治疗平均花费在内科住院原因中位居首位。因此，快速准确地发现、诊断早期病变对于构建和谐的医疗环境具有重要的意义。
[0003] 心动超声检查以其无创、实时、价格低廉等特有的优势，是心血管疾病患者首选的检查方法，并且相比于
心电图检查，超声可以快速
鉴别多种心血管疾病并能快速测
定心功能检查。但是，在鉴别左室壁运动异常时，超声医生常常依赖于自身经验进行诊断，很多年轻医生不能及时发现运动异常心肌，具有极大地主观性、且无客观地定量或定性标准。然而，左心室是心脏最重要的部分，它在形态上和运动状态上表现出的异常，却是临床作为判断心脏病变的重要依据。因此，如何利用超声心动图检查进行准确地定量、定性分析左室变化，是医学研究的热点。
[0004] 对心脏左室变化的定量、定性分析的
基础是要确定左室心肌在不同时期的轮廓，目前，在临床诊断中，对超声图像进行分割基本是靠人工完成，费时费
力、工作量大，现有超声仪器一般只能完成一些简单的
边缘检测工作，并且不是每次都达到预期效果，常需要进行多次尝试，对于心室完整边缘检测仍存在很大困难。
[0005] 现有的技术有的受到噪声的影响，心肌分割检测的边界不够连续和光滑；有的心肌区域被分割成几个不连续的区域；有的虽然去除噪声的影响，但分割结果不够精确，把不是心肌的区域也包括进来。超声图像中左心室心外膜灰度不均匀、边缘信息较弱以及轮廓不连续等，给心外膜的自动分割造成较大困难。
发明内容
[0006] 本发明提供一种超声图像心肌检测和特征测量方法，用以实现心肌区域的精确分割。
[0007] 为达到上述目的，本发明提供了一种超声图像心肌检测和特征测量方法，包括以下步骤：
[0008] 对左心室超声二维灰度图像BUSI中的每个点用淘汰粒子群聚类
算法进行分类，聚类数目为三类，分别表示背景类、组织类和心腔类，其中，聚类依据的每个点的属性值是图像的灰度值；
[0009] 根据淘汰粒子群
聚类算法的分类结果，将心腔类区域的边界作为
霍夫变换的候选点，对所确定的候选点进行椭圆曲线拟合；
[0010] 将椭圆曲线拟合的结果作为心肌内膜对应的曲线，根据心肌的厚度特性，将心肌内膜对应的曲线扩展，获得心肌外膜对应的曲线；
[0011] 将心肌内膜对应的曲线和心肌外膜对应的曲线之间的区域作为左心室的心肌轮廓区域。
[0012] 进一步地，上述超声图像心肌检测和特征测量方法还包括以下步骤：
[0013] 将左心室超声二维灰度图像BUSI中的左心室的心肌轮廓区域赋值为白色，其余区域赋值为黑色，并将赋值后的图像作为输出图像BUSIseg。
[0014] 进一步地，上述超声图像心肌检测和特征测量方法还包括以下步骤：
[0015] 将左心室的心肌轮廓区域均匀分成6个节段，计算各个节段的灰度均值和方差、以及计算心肌灰度值和心腔灰度值的比率，并根据特征值来用不同的
颜色来标识。
[0016] 本发明将淘汰粒子群理论和霍夫变换算法相结合来解决心肌分割和
定位，淘汰粒子群聚类结果为椭圆曲线拟合算法提供候选曲线，椭圆曲线拟合算法在聚类结果图像上进行拟合，获得精确分割结果，对分割后的图像进行二值化处理，得到左心室心肌黑白二值图像，并利用心肌分区特征值和心肌特征值颜色灌注，使超声心动图自动定量、定性地分析左室变化、早期诊断冠心病成为可能，将极大减少对超声医生经验的依赖，结果准确可靠，从而减轻患者经济负担、减少医患纠纷，从而更好地构建和谐医疗关系。
附图说明
[0017] 为了更清楚地说明本发明
实施例或
现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018] 图1为本发明一个实施例的超声图像心肌检测和特征测量方法
流程图。
具体实施方式
[0019] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0020] 图1为本发明一个实施例的超声图像心肌检测和特征测量方法流程图。如图所示，该方法包括以下步骤：
[0021] S101，输入左心室超声二维灰度图像BUSI；
[0022] S102，对左心室超声二维灰度图像BUSI中的每个点用淘汰粒子群聚类算法进行分类；
[0023] S103，聚类数目为三类，分别表示背景类、组织类和心腔类，其中，聚类依据的每个点的属性值是图像的灰度值；
[0024] S104，根据淘汰粒子群聚类算法的分类结果，将心腔类区域的边界作为霍夫变换的候选点；
[0025] S105，对所确定的候选点进行椭圆曲线拟合；
[0026] S106，将椭圆曲线拟合的结果作为心肌内膜对应的曲线，根据心肌的厚度特性，将心肌内膜对应的曲线扩展，获得心肌外膜对应的曲线，将心肌内膜对应的曲线和心肌外膜对应的曲线之间的区域作为左心室的心肌轮廓区域。
[0027] 进一步地，为便于用户查看心肌检测结果，上述超声图像心肌检测和特征测量方法还包括以下步骤：
[0028] S107，将左心室超声二维灰度图像BUSI中的左心室的心肌轮廓区域赋值为白色，其余区域赋值为黑色，并将赋值后的图像作为输出图像BUSIseg。
[0029] 进一步地，上述超声图像心肌检测和特征测量方法还包括以下步骤：
[0030] S108，将左心室的心肌轮廓区域均匀分成6个节段；
[0031] S109，计算各个节段的灰度均值和方差、以及计算心肌灰度值和心腔灰度值的比率；
[0032] S110，根据步骤S109中计算得到的特征值来用不同的颜色来标识。
[0033] 上述实施例将左心室超声二维灰度图像作为输入，采用淘汰例子群理论来分割超声图像，完成左心室候选区域的分割，然后将分割出的心室候选区域的边界作为初始曲线，根据左心室类似椭圆的特性，利用霍夫变换算法的椭圆曲线拟合方法进行精细分割，从而使分割结果既去除噪声的影响，又保持了心肌形状的精确和完整。
[0034] 经过多次试验，我们使用淘汰粒子群理论和霍夫变换算法的曲线拟合理论进行心肌分割，分割结果精确、边界光滑连续，实现了自动分割。与同类型的算法相比，本发明分割结果优异，不仅可不受超声图像上的斑点噪声影响而将心肌精确地分割出来，而且保持了心肌边界的平滑和完整。
[0035] 本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模
块或流程并不一定是实施本发明所必须的。
[0036] 本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0037] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行
修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
