第18章 颈动脉识别系统（CARS）：三种超声图像全自动范式的比较
一、章节概述
本章由Filippo Molinari、Kristen Mariko Meiburger、U. Rajendra Acharya、William Liboni、Andrew Nicolaides和Jasjit S. Suri撰写，发表于Saba等人编著的《多模态动脉粥样硬化成像与诊断》一书（第221-236页）。本章系统介绍了一种名为颈动脉识别系统（Carotid Artery Recognition System，简称CARS）的全自动框架，用于在超声图像中自动定位动脉形态。
颈动脉内膜-中膜厚度（Intima-Media Thickness，IMT）是评估动脉粥样硬化和心脑血管疾病（CVDs）进展的重要标志物。超声成像是评估颈动脉状态的常用手段，而IMT测量通常涉及两个阶段：首先是颈动脉的识别（Stage-I），然后是管壁边界的分割（Stage-II）。传统方法需要人工标记感兴趣区域（ROI），这限制了自动化的发展和应用。本章的核心目标是实现远端外膜边界（ADF）的自动估计，并比较三种不同自动化范式的性能表现。
三种CARS技术分别为：CARSgd（基于一阶高斯导数边缘分析）、CARSia（基于特征提取与拟合的集成方法）和CARSsa（基于局部统计和信号处理方法）。作者在包含365幅图像的多机构数据库上进行了系统评估，采用Hausdorff距离作为性能度量标准。
二、关键问题与研究动机
2.1 核心科学问题
本章围绕以下关键问题展开研究：
第一，如何实现颈动脉在超声图像中的全自动识别？手动标记ROI的方法不仅耗时，而且引入操作者依赖性，导致测量结果存在主观差异。研究表明，IMT测量中的受试者间变异性可高达0.05毫米，这严重影响了临床诊断的准确性和一致性。
第二，在图像存在噪声、不同几何形态（水平、倾斜、弯曲、扭曲或壁层间歇性缺失）的情况下，识别算法能否保持鲁棒性？超声图像中的斑驳噪声、血流后向散射和图像伪影都会影响颈动脉管腔的清晰度，对算法的稳定性构成挑战。
第三，不同自动化范式的性能表现如何量化比较？此前文献中缺乏对Stage-I（即颈动脉自动识别）性能的系统比较研究。Rossi等人和Golemati等人的研究虽然提出了全自动技术，但未能提供颈动脉识别性能的详细评估。
2.2 研究动机与意义
完全自动化技术的优势体现在多个方面：首先，能够处理大体量图像数据，适合多中心大规模流行病学研究；其次，消除了操作者间的变异性，提高了测量的可重复性；最后，正确的自动识别有助于提高后续壁分割（Stage-II）的准确性。
研究团队自2005年以来持续开发全自动超声血管壁图像分割和IMT测量方法。从最初的局部统计方法，到后来的特征工程技术，再到2011年的多分辨率方法，每一代技术都在性能和鲁棒性方面有所改进。本章对这些技术进行了扩展性综述和实验表征。
三、主要公式与推导
3.1 CARSgd despeckle滤波公式
CARSgd技术中采用的去斑滤波基于一阶局部统计滤波器，其定义为：
其中，\(I_{x,y}\)为含噪像素的强度值，\(N_I\)为\(N \times M\)像素邻域内的平均强度，\(k_{x,y}\)为局部统计测度，\(J_{x,y}\)表示移动窗口内去斑后的中心像素值。局部统计测度的计算公式为：
其中\(\sigma_I^2\)为邻域内像素的方差，\(\sigma_n^2\)为裁剪图像中噪声的方差。研究表明，7×7像素为最佳邻域尺寸。
3.2 CARSia验证概率与连接概率
CARSia技术中，线段验证概率定义为：
其中能量函数基于支持度\(g_1(s_i)\)和宽度稳定性\(g_4(s_i)\)：
线段连接概率定义为：
其中能量函数基于邻近性\(h_1(s_i, s_j)\)和对齐性\(h_2(s_i, s_j)\)：
3.3 Hausdorff距离度量
Hausdorff距离（HD）用于评估两条边界之间的最长距离，数学定义为：
其中\(d_{12}\)表示边界B1上最远顶点到边界B2所有顶点的最小欧氏距离，\(d_{21}\)则相反。HD是评估远端外膜边界（ADF）性能的理想指标，因为它能够反映ADF边界相对于ground truth LI/MA轮廓的最坏情况距离。
3.4 FOAM算子公式
用于IMT测量的一阶绝对矩（FOAM）算子定义为：
其中：
高斯核参数选择为：
四、核心算法与建模方法
4.1 CARSgd算法流程
CARSgd（基于一阶高斯导数边缘分析）是一种新颖且低复杂度的颈动脉识别程序，包含以下五个步骤：
步骤1：精细到粗糙的下采样。 图像首先按因子2进行下采样（即行数和列数减半）。采用双三次插值方法实现。下采样使管壁边缘厚度接近高斯核的尺度，为后续壁识别做准备。
步骤2：斑驳噪声抑制。 使用一阶局部统计滤波器（LSMV）衰减斑驳噪声。该滤波器在颈动脉成像中表现最优，能够有效去除远端外膜识别过程中的虚假峰值。
步骤3：一阶高斯导数边缘（FODGE）算子。 去斑图像与35×35像素的一阶高斯导数核进行卷积。高斯导数核的尺度参数设为8像素（对应原始细分辨率图像中约1毫米IMT的一半）。白色水平条纹对应于近端和远端外膜层。
步骤4：自动远端外膜（ADF）追踪。 对滤波后图像的每一列应用启发式搜索。从图像底部开始，搜索第一个宽度至少为6像素的白色区域，该区域最深的点标记该列上远端外膜层的位置。
步骤5：ADF边界定位器的上采样。 ADF轮廓然后上采样至原始细尺度，并与原始裁剪图像叠加用于可视化和性能评估。
4.2 CARSia算法流程
CARSia利用图像信息自动检测远端外膜，基于颈动脉在超声图像中具有暗的低强度区域（管腔）介于两个亮的高强度区域（近端和远端外膜层）之间的假设。核心思想是利用颈动脉的几何和强度特征来识别动脉壁。
首先定义"种子点"，即位于颈动脉壁上的局部强度最大值。种子点通过线性判别器聚类（预先在15幅图像子集上训练）。检测到的种子点被连接形成线段。通过计算验证概率\(P(D_{valid}|s_i)\)和连接概率\(P(D_{conn}|s_i, s_j)\)，应用智能程序去除短或假的线段，并连接相近且对齐的线段。四种特征定义如下：支持度（g1）为线段上包含的种子点数量；残差（g2）为种子点到线段的平均平方误差；散布度（g3）为连接种子点的最短路径长度除以包含的种子点数；宽度稳定性（g4）为沿拟合线段上宽度在估计外膜层宽度容差范围内的点百分比。
4.3 CARSsa算法流程
CARSsa基于这样的假设：颈动脉图像可被视为具有不同强度分布的混合模型。像素属于管腔时具有低均值和低标准差；属于外膜层时具有高均值和低标准差；其余像素具有高均值和高标准差。
由此导出颈动脉图像的二维直方图（2DH）。对每个像素，考虑10×10邻域，计算均值和标准差，归一化到0和1，分成50个类（每个类间隔0.02）。管腔像素通常落在2DH的第一类中（归一化均值低于0.08，归一化标准差低于0.14）。处理步骤包括：低通滤波（高斯核尺寸29×29，σ=1）卷积图像以减少噪声和斑驳效应；ADF追踪从图像底部开始搜索强度分布第90百分位以上的第一个最大值点；管腔追踪向上移动搜索第一个满足2DH标准的最小值点。
4.4 性能验证方法
研究采用Hausdorff距离度量评估性能。通过三种方法验证颈动脉识别的准确性：比较ADF追踪与gold standard LI/MA轮廓；专家超声医师的视觉检查；计算机追踪ADF与gold standard ADF的比较。
五、主要结论
5.1 识别性能比较
三种技术的Hausdorff距离测试结果如下：
CARSgd的ADF与实际ADF位置的平均HD为24.93±24.47像素（1.53±1.51毫米），与GTLI的平均HD为35.11±18.82像素（2.16±1.16毫米），与GTMA的平均HD为25.03±19.47像素（1.54±1.19毫米）。
CARSia的相应值分别为29.51±50.03像素（1.82±3.08毫米）、43.78±46.43像素（2.71±2.89毫米）和30.07±42.88像素（1.86±2.66毫米）。
CARSsa的相应值分别为41.60±46.95像素（2.56±2.89毫米）、43.09±25.33像素（2.66±1.52毫米）和31.67±27.42像素（1.95±1.64毫米）。
F检验显示，CARSgd的方差在统计上显著低于CARSia（p<10^-33）和CARSsa（p<5×10^-3）。
5.2 识别准确率
以50像素（约3毫米）作为正确识别的阈值，CARSgd在全部365幅图像中均正确识别，准确率达100%；CARSia未能识别27幅动脉图像，准确率93%；CARSsa未能识别15幅图像，准确率96%。专家视觉检查结果与数值分析一致。
5.3 计算效率
平均计算时间分别为：CARSgd 1.1±0.3秒、CARSia 2.0±1.1秒、CARSsa 20.4±1.8秒。CARSgd具有最低的计算负担，CARSsa不适合实时实现。研究团队开发了名为"AtheroEdge"的研究工具，可在1秒内处理一幅图像。
5.4 鲁棒性评估
当图像被方差为0.06的高斯随机加性噪声污染时，三种技术的性能保持稳定：CARSgd仍保持100%准确率、CARSia保持92%、CARSsa保持95%。这表明CARS系统对噪声具有鲁棒性。
5.5 IMT测量误差分析
ADF轮廓每移动1像素（总共16次迭代），HD逐渐增加。当ADF偏移达到约6-8像素（0.5毫米）时，平均系统误差急剧上升。因此，稳定值位于6-8像素（0.5毫米）的容差范围内。在该容差区内，IMT测量保持稳定，IMT变化仅为12微米，相对于1毫米的壁厚度，误差变化低至0.12%。
六、挑战与开放问题
6.1 颈静脉干扰问题
颈动脉识别的主要挑战之一是避免将颈静脉（JV）误识别为颈动脉（CA）。由于颈静脉在超声图像中的外观与颈动脉相似，自动化技术可能错误地识别JV而非CA。研究观察到CARSgd在29幅图像中将JV误识别为CA，CARSia在33幅图像中出现同样问题，CARSia受JV影响更为显著。为解决这一问题，作者插入了一个最终检查：如果追踪的ADF轮廓的行索引过低（位于图像底部附近），则假设算法识别的是JV而非CA，然后检查是否存在位于下方的强回声结构。
6.2 尖峰检测与平滑问题
ADF追踪可能因存在过多尖峰而不准确。研究团队开发了智能尖峰去除算法，通过简单差分算子找到LI/MA边界上的过零点，对这些过零点重新应用差分算子，计算绝对差值，绝对差值超过预定阈值的点判定为尖峰位置。使用线性插值方法（利用相邻非尖峰边界点）去除检测到的尖峰，最后通过三次样条插值对ADF追踪进行正则化。
6.3 高回声结构存在时的误差
不准确的ADF追踪出现在4幅图像（CARSgd）、5幅图像（CARSia）和2幅图像（CARSsa）中。可能的误差原因包括：图像标记物吸引ADF轮廓（对于CARSgd）；线段追踪错误（CARSia）；低回声外膜层和下方高回声深层结构的存在（CARSsa）。在后一种情况下，基于强度的ADF检测策略失效，将高回声深层结构误认为外膜层。
6.4 像素尺寸与校准因素
将HD转换为毫米需要校准因子。对于DICOM格式图像，可自动获取PhysicalDeltaX和PhysicalDeltaY字段。手动校准则通过测量扫描深度（通常标注在图像角落）除以裁剪后的行数获得。本研究中使用的图像具有不同的像素密度，校准因子从0.0600到0.0900 mm/pixel不等。
6.5 与其他方法的比较局限性
直接与其他已发表研究进行比较并不容易。Rossi等人2008年的技术需要针对特定扫描仪调整参数，且只定位动脉管腔而非外膜层。Golemati等人2007年的技术在纵切面图像中需要动脉呈直线且水平放置。这些差异使得数值比较成为不可能。
七、个人思考与批判性分析
7.1 方法论创新点
本章的一个重要贡献是系统性地比较了三种不同自动化范式在同一数据集上的性能表现。这种比较研究在文献中较为罕见，为后续研究提供了重要的基准参考。
CARSgd方法的设计体现了巧妙的工程思维：通过精细到粗糙的下采样策略，使管壁厚度与高斯核尺寸匹配（8像素），既降低了计算复杂度，又提高了识别准确性。研究表明，当FODGE核尺寸与理论IMT值（8像素）匹配时，性能从σ=6时的94%或σ=10时的97%提升至100%。这种尺度匹配策略值得在其他医学图像处理任务中借鉴。
7.2 局限性讨论
尽管三种方法都取得了较高的准确率，但仍存在一些局限性。首先，CARSsa的计算时间最长（20.4秒），不适合实时临床应用，这限制了其在急诊或大量筛查场景中的使用。其次，CARSia方法需要预先训练线性判别器，这意味着其性能可能依赖于训练数据的质量和多样性。第三，虽然三种方法在噪声条件下表现鲁棒，但对于某些特定形态（如严重弯曲或扭曲的动脉）仍可能失效。
7.3 临床转化价值
研究结果表明，CARSgd可以作为一种参考技术用于颈动脉定位，其具有非常准确的ADF轮廓和低计算负担。结合AtheroEdge系统，整个CARS流程可以在1秒内完成一幅图像的处理，这为临床环境中的实时应用提供了可能。然而，在将该技术广泛应用于临床实践之前，还需要在更大规模、更多样化的患者群体中进行验证。
7.4 对后续研究的启示
本章的研究框架为后续自动化IMT测量研究提供了重要参考。首先，Stage-I和Stage-II的独立性设计理念值得坚持，因为Stage-I的误差会传播到Stage-II并影响整体性能。其次，Hausdorff距离结合容差阈值的评估方法为性能量化提供了标准范式。第三，多机构数据的验证策略增强了研究结论的普适性。
未来研究方向可能包括：结合深度学习技术提高识别准确率和速度；开发三维超声图像中的颈动脉自动识别方法；将CARS系统与其他成像模态（如CTA、MRA）结合进行多模态验证；以及探索AI驱动的个性化参数调整策略。
公式汇总
| 编号 | 名称 | 形式 | 物理意义 | 类型 |
|---|---|---|---|---|
| (18.1) | 去斑滤波公式 | \(J_{x,y} = N_I + k_{x,y}(I_{x,y} - N_I)\) | 一阶局部统计滤波去噪，更新中心像素值 | (T) |
| (18.2) | 验证概率 | \(P_{D_{valid}\|s_i} = \exp\{-\psi(D_{valid}\|s_i)\}\) | 线段验证的概率估计 | (T) |
| (18.3) | 验证能量函数 | \(\psi(D_{valid}\|s_i) = \omega_1 g_1(s_i) + \omega_4 g_4(s_i)\) | 基于支持度和宽度稳定性的能量函数 | (T) |
| (18.4) | 连接概率 | \(P_{D_{conn}\|s_i, s_j} = \exp\{-\psi(D_{conn}\|s_i, s_j)\}\) | 线段连接的概率估计 | (T) |
| (18.5) | 连接能量函数 | \(\psi(D_{conn}\|s_i, s_j) = \omega'_1 h_1(s_i, s_j) + \omega'_2 h_2(s_i, s_j)\) | 基于邻近性和对齐性的能量函数 | (T) |
| (18.6) | Hausdorff距离 | \(HD = \max\{d_{12}, d_{21}\}\) | 两条边界间的最长距离度量 | (T) |
| (18.7) | FOAM算子 | \(e(x, y) = \int_{\Omega} \|I_1(x,y) - I_2(x-k, y-l)\| \cdot G(k, l; \sigma) dk dl\) | 一阶绝对矩边缘算子，用于IMT测量 | (T) |
| (18.8) | 高斯核参数 | \(\sigma_1 = \sigma_3 = 2 \text{ pixels}, \sigma_2 = 3 \text{ pixels}\) | FOAM算子的高斯核标准差选择 | (E) |
注：(T)=理论推导，(E)=经验公式