第19章：超声图像中动脉粥样硬化颈动脉斑块的分割（Atherosclerotic Carotid Plaque Segmentation in Ultrasound Imaging of the Carotid Artery）
1 引言（Introduction）
本章开头援引流行病学背景：颈动脉粥样硬化是脑卒中的首要原因，也是美国第三大死因；心血管病的死亡人数几乎是所有癌症总和的两倍。动脉粥样硬化累及大、中动脉，特征是脂质、蛋白与胆固醇酯在血管壁内膜层进行性堆积而形成斑块，导致血流明显受限。脑卒中的风险随颈动脉狭窄程度升高而上升，且在颈动脉内膜剥脱术后下降。目前临床上对脑卒中风险评估唯一成熟、用于决定是否实施颈动脉内膜剥脱术的指标就是颈内动脉的狭窄程度。
作者的动机由此出发：本章旨在提出一个针对超声图像中动脉粥样硬化颈动脉斑块的集成分割系统。作者随后在表 19.1 中以表格的形式回顾了既有方法，覆盖三大模态——超声、IVUS、MRI——罗列了 18 篇代表性工作的分割方法、2D/3D 维度、是否使用自动初始轮廓（AIC）以及病例数 N。超声方向上既有基于几何形变模型（Zahalka）、Canny 边缘（Hamou）、形态学（Abdel-Dayen）、离散动态轮廓（Mao）、Kalman 滤波（Abolmaesumi）、Balloon（Gill）、形变参数模型（Delsanto）、Snakes（Loizou）、Star–Kalman（Guerrero）、Hough 变换（Golemati）、基于区域的活动轮廓（Slabaugh）等多种思路。
作者在回顾中明确指出文献评估的两个局限：一是多数研究的样本量有限（超声方向尤其显著，只有 Loizou 2007 报道 80 例、Zahalka 2001 报道 69 例、Golemati 2007 报道 56 例、Delsanto 2006 报道 45 例达到两位数）；二是没有把规范化、降斑处理与分割作为集成流水线联合评估。本章正是在此空缺之上，提出基于图像规范化、降斑滤波与 snakes 分割的集成系统，并对比 Williams and Shah、Balloon、Lai and Chin、GVF 四种 snakes 实现。
2.1 超声图像采集（Recording of Ultrasound Images）
作者所用数据集为 80 幅 B-mode 与血流彩色多普勒的纵向超声图像，均取自颈总动脉（CCA）分叉处，呈现不同类型、几何形状不规则的动脉粥样硬化斑块。采集设备为 ATL HDI-3000 超声扫描仪（Advanced Technology Laboratories, Seattle, USA），图像以 768×576 像素、256 灰度级记录在磁光盘上。
为保证不同图像间像素密度的可比性，作者对图像做了分辨率归一化，统一为 16.66 像素/mm；该步骤是必要的，因为不同深度的颈动脉需调整图像深度，会改变单位毫米的像素数。图像采集地点为英国伦敦 Imperial College 圣玛丽医院，受试者为已出现临床症状（有卒中或 TIA 史）的脑卒中风险人群，共 80 例，其中女性 32 例、男性 48 例，年龄 26–95 岁，平均 54 岁。
2.2 手工斑块分割与分类（Manual Plaque Segmentation and Classification）
在完成图像规范化与降斑滤波（详见 §2.3、§2.4）后，由一位专家手工勾画 80 幅纵向 B-mode 超声图像上的斑块边界——具体包括斑块与动脉壁之间的边界，以及斑块与血液之间的边界。所用软件为同一研究组开发的 MATLAB 工具，勾画流程遵循 ACSRS 项目协议中确立的规范。为保证标注质量，每位专家的工作由至少另一位专家复核。
斑块按 ACSRS 协议分为 type I–V 型；本章所用 80 例均为 type II、III、IV 三型。作者解释选这三型的理由：其纤维帽（即血–斑边界）较易辨认，便于手工勾画。type I 边界显示不清，type V 则会产生声影，斑块本身也不易观察。
2.3 图像规范化（Image Normalization）
图像亮度调整采用 Elatrozy 1998 年提出的方法，目的是消除不同增益设置、不同操作者、不同设备带来的差异，便于超声组织间的可比性。具体做法是手工线性缩放：将血液的灰度中值调到 0–5，将外膜（动脉壁）的灰度中值调到 180–190，整体灰度范围 0–255；按两个参考区域所定义的线性尺度重标定整幅图像。
作者强调了规范化的复现关键：必须保证超声束垂直于外膜、外膜在斑块旁边清晰可见，并且用于规范化的参考样本取外膜最亮区域宽度的一半作为标准。
2.4 降斑滤波（Speckle Reduction Filtering）
作者采用 DsFlsmv（Despeckle filter linear scaling mean variance）线性尺度均值–方差滤波器。该滤波器在 Loizou 2008 文献中提出，并在 2005 年另一文献的颈动脉超声评估中表现最佳。其本质是加权平均——利用子区域统计量在像素邻域内估计均值和方差。本研究中具体参数为：7×7 像素窗口，迭代 5 次。
2.5 斑块轮廓初始化（Plaque Contour Initialization）
斑块通常在纵向 B-mode 上显影，并通过彩色血流成像在横截面确认其大小。但均匀回声透射的斑块在 B-mode 上不明显，必须借助彩色血流成像——它们表现为黑色充盈缺损。脉冲多普勒（PW Doppler）则用于测量流速以判定狭窄程度。本研究正是利用血流图像来抽取斑块 snakes 轮廓的初始位置。
作者把基于血流图像与 B-mode 图像的初始化流程写成 9 步：① 从血流图像中提取血流区域——寻找所有彩色像素（R、G、B 三通道值不同的像素），其余像素归为灰度区域；将彩色像素置零后，与 B-mode 图像做互相关，把血流边缘映射到 B-mode 上。② 对提取出的血流边缘做膨胀以消除小间隙、去除小的不期望区域。③ 从膨胀后的边缘图像中检测血流边缘轮廓；用户用矩形在轮廓上手动标注感兴趣区域，覆盖斑块的上界或下界，并以此作为初始 snakes 轮廓。④ 在初始轮廓上等间隔采 20–40 个点构造 B 样条。⑤ 把首尾两点连接形成闭合轮廓。⑥ 对 B-mode 做 §2.3 的规范化与 §2.4 的降斑滤波。⑦ 把初始斑块轮廓映射回 B-mode 图像上。⑧ 由 snakes 形变初始轮廓以精确定位斑块–血液边界。⑨ 保存并显示最终的斑块轮廓。
2.6 蛇形分割（Snake Segmentation）
本研究对比四种 snakes：(1) Williams and Shah（[12, 24]）；(2) Balloon（[23]）；(3) Lai and Chin（[25]）；(4) GVF（[26]）。所有实验均使用同一套参数：Williams and Shah 的强度 αs=0.6、张力 βs=0.4、刚度 δs=2；Lai and Chin 的正则化参数 ζ 按文献 [25] 设置；GVF 的弹性 αGVF=0.05、刚性 βGVF=0、正则化 μGVF=0.2。初步结果此前发表在文献 [27]。
2.7 分割方法评估（Evaluation of the Segmentation Methods）
作者采用 ROC 分析 [34]——通过真正例率 TPF 与假正例率 FPF 评估四种方法的特异性和灵敏度。TPF 表示专家判定有斑块且算法也判定有斑块；FPF 表示专家判定无斑块但算法错判有斑块；TNF 表示专家与算法均判定无斑块；FNF 表示专家判定有斑块但算法漏判。重叠度方面，作者用 Fleiss 1969 年提出的 kappa 指数 KI 与 Rosenfield 1986 年提出的 重叠指数。各指标定义见公式 (19.1)。
作者还指出：特异性 Sp=1−FPF、精确率 P、以及有效度 F=1−E [34] 也将用于描述 ROC 特征。
2.8 单变量统计分析（Univariate Statistical Analysis）
采用 Wilcoxon 配对符号秩和检验，对每个指标（TPF、TNF、FPF、FNF、KI、重叠指数、Sp、P、F）在四种分割方法之间逐对比较是否存在显著差异，显著性水平 p<0.05；样本为全部 80 幅已分割图像。
3.1 分割示例（Examples of Plaque Segmentation）
图 19.2 给出纵向 B-mode 上同一颈动脉斑块的五种勾画：(a) 专家手工勾画；(b) Williams and Shah；(c) Balloon；(d) Lai and Chin；(e) GVF；(f) 是 (b)–(e) 勾画轮廓的叠加。从叠加图看，手工与 snakes 两种勾画目视非常接近。作者说明所有图像在分割前均用 DsFlsmv 滤波器（5×5 滑窗）迭代 4 次降斑处理。
3.2 分割方法评估（Evaluation of Plaque Segmentation Methods）
表 19.2 给出四种方法在 80 幅图像上的 ROC 结果。尽管各方法在多数指标上无显著差异（详见 §3.3），综合表现最佳的是 Lai and Chin：TNF=80.89%（正确判定无斑块）、TPF=82.70%（正确判定有斑块）、FNF=15.59%（漏判）、FPF=5.86%（误判）；KI 与重叠指数分别为 80.66% 与 69.30%，均为四种方法中最高。最优 FPF 与 FNF 由 Balloon 给出（5.40% 与 13.90%）。最差的 KI（77.25%）与重叠指数（66.60%）出现在 GVF。最优 Sp 由 Balloon（0.946）给出，其次为 Lai and Chin（0.942）；最优 P 由 Lai and Chin（0.934）给出；最优 F 由 Balloon（0.888）给出，其次为 Lai and Chin（0.885）。
图 19.3 给出 95% 置信区间的 TPF–FPF ROC 曲线：曲线下面积 Lai and Chin 为 0.90，GVF 为 0.83，Balloon 为 0.79，Williams and Shah 为 0.67——Lai and Chin 的 ROC 曲线下面积最大。
3.3 单变量统计分析（Univariate Statistical Analysis）
Wilcoxon 配对符号秩和检验（p<0.05）的结果显示：四种方法在所有指标上均无显著差异，唯一的例外是 Balloon 与 Lai and Chin 之间的 FNF。
4.1 规范化与降斑滤波（Normalization and Speckle Reduction Filtering）
作者在 §4.1 指出：据其所知，本研究之前没有其他文献在分割前做过本章所描述的规范化。文献 [6] 用直方图均衡化提高颈动脉超声的对比度，但与本章的规范化不等价。本章所用规范化已被证明能改善 IMT 的手工与 snakes 分割 [37, 38]，并能提高专家对不同斑块类型的分类准确度 [38]。
降斑方面，作者引用自己此前的工作 [33, 38]：在 [38] 中已证明先规范化、后降斑的顺序能产出更高质量的图像，而颠倒顺序则可能扭曲边缘。其他研究者（[12, 37, 39]）也在颈动脉上用过降斑，并报告能改善图像质量与目视评估。但在 IVUS 成像方向上（[16–19]），斑点却被当成有用信号，而非噪声。
4.2 斑块轮廓初始化（Plaque Contour Initialization）
作者指出本章基于血流图像做初始轮廓估计的方法存在局限（详见 §2.5）。其他研究的初始轮廓策略还包括：文献 [18] 从极坐标图像的概率函数中取最大值与一阶导数零交叉；文献 [19] 用代价函数驱动分割；文献 [10] 用动态 Balloon 模型（三角网格）在两张 3D 超声上手工放置初始轮廓。作者指出这些研究与本章工作都没有系统研究过初始轮廓位置对最终分割结果的影响。
4.3 斑块分割（Plaque Segmentation）
本章四种 snakes 均给出满意结果，最佳是 Lai and Chin。作者回顾其他 snakes 工作：[10, 19] 在 3D 超声的少量病例上做过分割，结果令人鼓舞；[16] 在 IVUS 上用图搜索做斑块分割，但需要在患者动脉内置入导管带来风险且需要专家手工提供初始轮廓；[10] 用 Balloon 在 3D 超声上做三角网格有限元建模，但耗时长；[9] 用的方法耗时长，且腔边界找得不准；[6] 用形态学方法，结果与专家不一致，且专家与系统无交互；[17] 在 IVUS 上用 fast-marching 模型并行分割腔、IMT、斑块，但既未与其他方法对比，也未在不同预处理条件下评估。
ROC 评估（§3.2）显示 Lai and Chin 的 ROC 曲线下面积最大。其他研究者用 GVF [21]、snakes [21]、动态规划 [22] 在 MRI 上做过斑块分割，均需手工放置初始 snakes 轮廓，且样本量小于本章。具体而言：[22] 用动态规划在横断面 MRI 上分割动脉壁与斑块；[20] 用 mean shift 密度估计在横断面 MRI 上分割斑块边界；[21] 在横断面 MRI 上用 GVF 力场分割腔与外壁。
作者列出方法的局限性：(a) 彩色血流有时会与组织壁或斑块区域重叠；(b) 流速很低时彩色不能完全填充区域，导致轮廓初始化不够准确——可通过统计方法训练 snake 学习血流 [40] 改进；(c) snake 轮廓有时会被局部极小吸引而收敛到错误位置；(d) 未考虑 type I 与 type V 斑块的分割。
5 结论与未来方向（Concluding Remarks and Future Directions）
作者总结：所提方法为颈动脉纵向超声图像中的斑块分割提供了一个集成系统，既显著减少图像分析所需时间，又降低了手工勾画与测量中的主观性。下一步工作包括：在更大规模的数据集上、多专家条件下评估；在未来研究中纳入全闭塞性夹层、分支、type I 与 type V 斑块等特殊情形；改进分割流程，例如用统计方法初始化并训练 snake 识别血流与斑块区域 [40]。
所提分割系统将被纳入一个计算机辅助诊断系统，作为斑块纹理分析的前端 [41]，构成脑卒中早期诊断与风险评估的自动化流水线。作者指出，目前大多数斑块图像分析研究仍聚焦 2D 超声，方法覆盖分割、降斑、纹理特征提取；但由于参数众多，结果存在显著差异，因此即便在 2D 系统上仍有开发更鲁棒的分割方法、多尺度纹理特征、新型分类技术的空间。
未来方向包括：3D 形状与结构信息的提取——以加深对颈动脉斑块形态的理解，研究 3D 体积变化及其与动脉粥样硬化的关联；斑块运动分析——研究斑块各成分间的相对运动 [43]；3D/4D 系统的开发将有助于精确的运动分析；视频序列分割——[44] 在颈内动脉超声视频序列中用贝叶斯框架做斑块分割。
最后，作者提出多模态非侵入式斑块图像分析系统的设想：3D 超声的发展将使高分辨率的 3D 超声重建更容易与其他模态的 2D 切片融合；为此需要将 2D 切片的几何特征配准到 3D 体数据上，或采用互信息配准方法；2D 组织学与 3D 超声重建的对照研究也值得关注。
本章个人批注
本章读起来像是 Loizou 研究组对自己 2007 年 IEEE TBME 工作的完整叙述版——把摘要级的 paper 扩充为带表格、参数、ROC 曲线与讨论章节的全章节。结构上几乎是教科书式的：背景 → 数据采集 → 手工勾画 → 预处理（规范化+降斑）→ 初始化 → 分割 → 评估 → 讨论 → 局限 → 未来方向。值得肯定的是作者对自身工作的边界做了非常坦率的交代：方法间无显著差异、初始轮廓位置影响未做敏感性分析、type I/V 未涵盖、彩色血流的局限、snake 的局部极小问题。
把这一章放在书里的意义要联系上下文：之前几章（ch14–ch18）已经从 IMT 测量、狭窄定量、回声特征、IMT 自动测量、颈动脉识别一路讨论到了超声分割这一更具挑战性的任务。本章可视为这一系列超声方向章节中最完整的方法学呈现——它把一个端到端的流水线（采集→手工→规范化→降斑→初始化→snakes→ROC）从头拆开给读者看，是后续章节讨论斑块回声生物标志物（ch20）、远壁亮度 IMT 水平集（ch21）、分割方法学（ch22）的前置模板。
与 ch17（CALEX 自动 IMT）、ch18（CARS 颈动脉识别）相比，本章的对照点在于：它评估的是斑块本身的边界，而不是管壁–腔之间的 IMT 边界，也不是整段颈动脉的识别与追踪。这是一个明确的层次划分：识别（找位置）→ IMT 测量（管壁-腔）→ 斑块分割（血–斑边界）。层次越高，所需图像质量与算法能力越严苛。
与上下章的衔接（一段话）
本章上承 ch18（基于 CARS 的颈动脉识别——属于定位层面），下启 ch20（基于回声特征的斑块生物标志物）、ch21（基于远壁亮度的 IMT 水平集）与 ch22（分割方法学综述）。作者把本章放在 ch17 自动 IMT 测量之后、ch20 回声分析之前，意图清晰：先演示一个端到端的超声斑块分割流水线，给出具体的 snakes 实现与 ROC 评估，让读者熟悉"血–斑边界"这一层任务的难度与典型方案；接下来 ch20 把同一批分割出来的斑块用回声特征做生物标志物分析；ch21、ch22 则从不同角度（水平集、综述）回到 IMT 与分割本身，把本章的方法放到更广的算法谱系中对照。整章是超声方向的"中段桥梁"。