第18章：颈动脉自动识别系统（CARS）：三种自动范式在超声图像上的比较（Carotid Artery Recognition System (CARS): A Comparison of Three Automated Paradigms for Ultrasound Images）
18.1 引言（Introduction）
过去五年，超声成像在多个诊断领域迅速崛起，其前沿应用集中在心血管和脑血管方向。针对动脉壁状态的计算机辅助技术日益增多。本章展示一个用于在超声图像帧中自动定位动脉形态的独特且创新的框架。世界范围内若干研究已证明颈动脉壁特征与脑血管疾病（CVD）风险之间存在相关性，评估动脉粥样硬化和 CVD 进展最被广泛使用并经过验证的标志物是内中膜厚度（IMT），并对心肌梗死事件具有特定预测价值。超声常用于评估颈动脉状态并进行随访，IMT 值通过专用计算机技术和图像处理策略来测量，其目标是对颈动脉远壁进行分割以找到管腔-内膜（LI）和中膜-外膜（MA）界面，并将两界面之间的距离作为 IMT 的估计。概念上，分割过程可视为两阶段序列：Stage-I 在超声图像中识别颈动脉（CA）；Stage-II 在已识别 CA 的感兴趣区域（ROI）内勾画壁层边界。这两个步骤并非彼此独立，不正确的 ROI 会影响壁层分割算法的最优性能，因此完整的自动化只能通过设计独立于用户的 Stage-I 和 Stage-II 来实现。这意味着需要合适的检测策略以在 Stage-I 过程中自动定位颈动脉，且必须对噪声鲁棒，并能够处理不同几何外观的颈动脉（水平的、倾斜的、弯曲的、扭结的，或带有间断缺口的壁）。现有大多数 IMT 测量和分割技术是用户驱动的，Stage-I 通常需要人工操作员或训练有素的超声医师，文献综述（Molinari 与 Suri）显示用户交互阻碍了技术的真正自动化、放慢分析过程并引入操作员依赖性，不同研究报告的 IMT 测量操作员间差异可高达 0.05 mm。完整自动化则可处理大批量图像，是多中心大规模研究的资产。正确的智能化 CA 识别也有助于 Stage-II 的精确壁层分割，因此本章的目标是自动估计远端外膜边界（ADF）。自 2005 年起，作者团队开发了用于超声血管壁图像分割和 IMT 测量的完全自动方法，先后经历了基于局部统计的方法（受 speckle 和血液背向散射影响）、基于特征的方法（依赖强拟合和分类方案）以及 2011 年提出的多分辨率鲁棒方法。作者团队已证明尽管有噪声，自动技术仍能达到与半自动方法相近的性能，且始终特别关注 Stage-I，因为其不准确容易传播到 Stage-II 并影响算法整体性能。然而文献中几乎没有比较不同 Stage-I 技术性能的研究。最近 Rossi 等和 Golemati 等分别发表了颈动脉图像处理的完全自动技术，但这些研究缺少关于 Stage-I 性能的评估——Rossi 等测量的是计算机颈动脉管腔中心线与半自动方法追踪中心线之间的距离，Golemati 等则聚焦于颈动脉分割和 IMT 测量。本章对三种完全自动的 Stage-I 范式进行比较性刻画，分别命名为 CARSgd（基于一阶导数高斯边缘的颈动脉识别系统）、CARSia（基于特征提取、拟合与分类集成方法的颈动脉识别系统）和 CARSsa（基于信号处理与像素局部统计的颈动脉识别系统）。这些技术在包含 365 张正常和病理动脉的图像数据库上进行基准测试，以 Hausdorff 距离（HD）作为性能度量，测量三种自动 CA 识别技术的远端外膜边界与专家手动描绘的对应外膜和 LI/MA 轮廓之间的距离，并由三位专家超声医师目视检查确定每张图像的通过或失败。
18.2 CARS 系统概述：三种不同且互补的范式（CARS System Overview: Three Different and Complementary Paradigms）
本节详细描述 CARS 系统，给出三种自动子系统的数学架构及其行为，并展示每个组件的基本思想。B 型超声图像通常不能直接处理——超声数据（待处理的 ROI）被限制在图像的有限且明确区域内，必须在进一步处理前预先确定。因此首先对超声图像进行自动裁剪以丢弃包含设备头部和图像/患者文本数据的周围黑色边框。对于 DICOM 格式图像，依据特定字段 SequenceOfUltrasoundRegions 内的数据标记超声数据所在区域的位置；该字段包含四个子字段，定位包含超声表示的图像。原始 B 型 DICOM 图像被裁剪以提取仅包含颈动脉形态的部分。或者，如果图像为非 DICOM 格式或 DICOM 标签未完全格式化，则采用基于梯度的过程：计算图像的水平和垂直 Sobel 梯度，含超声数据图像区域的开始是第一个非零行/列，结束是梯度的最后一个非零行/列。图 18.1 展示自动裁剪示例：原始 DICOM 图像（左）被裁剪（右），白圈指示扫描深度可用于手动计算校准因子。裁剪后的图像作为 CARSgd、CARSia 或 CARSsa 算法的输入分别被送入相应处理流程。
18.2.1 CARSgd：基于一阶导数高斯边缘分析的远端外膜边界检测（CARSgd: Far Adventitia Border Detection Based on First-Order Derivative Gaussian Edge Analysis）
完全自动的 CARSgd 由一种新颖且低复杂度过程组成，图 18.2 展示从自动裁剪图像（图 18.2a）开始的 CA 识别步骤。流程共五步。第一步由细到粗的下采样：图像首先以因子 2 下采样（即行数和列数减半，图 18.2b），采用双三次插值法，经验证对超声图像有良好准确性和低计算开销。下采样使血管壁边缘边界准备为后续第 3 步高斯核尺度相当的厚度，从而获得远端外膜层的自动识别，并据此在远端外膜边界周围建立引导区供壁层分割。Fan 等在测量肱动脉直径时采用了类似方法，使用高阶高斯滤波创建引导区，然后依靠模板匹配策略进行分割。第二步是斑点（speckle）抑制：使用一阶局部统计滤波器（lsmv）衰减斑点，该滤波器定义见式 18.1，其中 Ix,y 是噪声像素的强度，IN 是 N×M 像素邻域的平均强度，kx,y 是局部统计度量，去斑后的中心像素记为 Jx,y；kx,y 由 IN²、像素邻域方差 σI² 和裁剪图像中的噪声方差 σn² 共同定义，最优邻域大小为 7×7。图 18.2c 展示了去斑后的图像，去斑滤波器在后续远端外膜识别中可去除虚假尖峰。第三步是 FODGE 算子：去斑后的图像使用 35×35 像素的一阶高斯核导数滤波；高斯导数核的尺度参数取 8 像素，约为原始精细分辨率图像中预期 IMT 维度的一半（平均 IMT 约 1 mm，对应原始图像约 16 像素，下采样后约 8 像素），图 18.2d 展示高斯导数滤波结果，其白色水平条带对应近端（近壁）和远端（远壁）外膜层。第四步是远端外膜（ADF）的自动追踪：图 18.2e 展示图 18.2d 滤波图像中某一列（垂直虚线所在列）的强度轮廓，近壁和远壁作为饱和到 255 的强度极大值可见；为自动追踪远壁轮廓，对每列的强度轮廓进行启发式搜索，从图像底部开始搜索第一个宽度至少 6 像素的白色区域（该阈值由经验确定），该区域中行索引最大的像素即为该列上远端外膜（ADF）层的位置。所有列启发式搜索得到的点序列构成整体自动 ADF 追踪。第五步是 ADF 边界定位的上采样：将 ADF 轮廓上采样到原始精细尺度并叠加在原始裁剪图像（图 18.2f）上以供可视化和性能评估。该 Stage-I 本质上结合了由细到粗的下采样以减小壁层尺度、去斑滤波、一阶导数高斯核边缘（FODGE）滤波以提取壁层，以及基于启发式的峰值检测以最终分割远端外膜边界。下采样壁厚与高斯核尺寸的匹配保证了血管的最佳表示。如果 FODGE 核尺寸与理论 IMT 8 像素不匹配，CARSgd 整体性能从 σ=8 时的 100% 下降至 σ=6 时的 94% 和 σ=10 时的 97%。之所以选择下采样图像并匹配壁尺寸到 FODGE 核（而非反向），是为了避免更大误差传播并减少计算负担。
18.2.2 CARSia：基于特征提取与拟合的远端外膜边界检测（CARSia: Far Adventitia Border Detection Using Feature Extraction and Fitting）
CARSia 通过挖掘图像信息自动检测远端外膜，假设在两个明亮高强度区域（近壁和远壁外膜层）之间存在一个低强度的暗色区域（管腔）。CARSia 的基本思想是利用颈动脉表示的几何与强度特征识别动脉壁，第一步是定义"种子点"——位于 CA 壁上的局部强度极大值；种子点通过线性判别器（预先在 15 张图像的子集上训练）与其它强度极大值聚类区分。检测到种子点后，将它们连接形成线段；通过计算验证概率 P(Dvalid|si)（式 18.2、18.3）和可连接性概率 P(Dconn|si,sj)（式 18.4、18.5），应用智能过程去除短或虚假的线段并将接近且对齐的线段连接起来，以避免动脉壁的过度分割。线段分类最终提取出包含其间管腔的线对。能量函数 ε 基于支持度 g1(si) 和宽度稳定性 g4(si)（式 18.3），可连接性能量函数基于接近度 h1(si,sj) 和对齐度 h2(si,sj)（式 18.5）。权重 ω1、ω4、ω'1、ω'2 由训练数据决定。对每条线段 si 定义四个特征：(a) 支持度，定义为线段 si 上包含的种子点数 g1(si)；(b) 残差，定义为种子点相对其到 si 垂直距离的均方误差 g2(si)；(c) 散布度，定义为连接种子点的最短路径长度除以 si 包含的种子点数 g3(si)；(d) 宽度稳定性，定义为沿拟合线段 si 的点中宽度（到最近强度边缘的垂直距离）在外膜层估计宽度某个容差内的百分比 g4(si)。g1(si) 即 si 上存在的种子点数量。g2(si) 是种子点到线段 si 的平均欧氏距离。g3(si) 是连接种子点的最短路径长度除以 si 包含的种子点数。g4(si) 的算法步骤为：(1) 对原始图像应用 Canny 边缘检测器，因其对原始未处理图像上的噪声敏感，先将原始图像与最优高斯滤波器卷积；(2) 对每条线段，通过将 Canny 边缘的二值图像进行连通分量分析找到其最近边缘，计算线段到该边缘的距离并对距离值排序；(3) 对线段上每个种子点计算其到最近边缘的距离 di；(4) 计算平均距离 R 作为该线段 s 的平均半径，并计算阈值比率 ri=di/R，下限阈值为 0.8、上限阈值为 1.25，可有效去除多数离群点；(5) 最终计算满足上述标准的种子点百分比即宽度稳定性。图 18.3 总结 CARSia 的功能。
18.2.3 CARSsa：基于局部统计的方法（CARSsa: Local Statistics Approach）
基于局部统计的自动方法是作者团队最早开发的方法之一，也是后续多项研究的基础。该方法基于颈动脉表示可被建模为具有不同强度分布的混合模型这一假设：(a) 属于血管管腔的像素具有低平均强度和低标准差；(b) 属于颈动脉壁外膜层的像素具有高平均强度和低标准差；(c) 其余像素应具有高平均强度和高标准差。由此构造图像的二维直方图（2DH）：对每个像素取 10×10 邻域，计算其均值和标准差；均值和标准差被归一化到 0 与 1 之间，并按 0.02 区间各分 50 类，2DH 即是每个像素邻域均值与标准差的联合表示。先前研究表明颈动脉管腔像素通常归入 2DH 的前几类——专家超声医师手动描绘 CA 管腔边界并观察管腔像素在 2DH 上的分布，结果显示管腔像素的均值归入前 4 类、标准差归入前 7 类。因此当像素邻域强度低于 0.08 且邻域标准差低于 0.14 时，该像素被视为可能属于颈动脉管腔。图 18.4 展示四张图像的管腔区域选择过程：图 18.4a 是自动裁剪后的原始图像；图 18.4b 是 2DH 显示归一化均值和标准差的关系，灰色区域代表被认为是颈动脉管腔的区域，灰度图中所有落入该区域的像素都被涂为灰色（图 18.4c），表明局部统计可有效检测可能属于 CA 管腔的图像像素。为避免 ADF 检测出错，必须衰减叠加的噪声和随机强度峰值，使用低通滤波器（高斯核 29×29，σ=1）与图像卷积以减弱噪声和斑点影响。强度轮廓的处理步骤在概念上为：(i) ADF 追踪：从最底部开始搜索第一个强度值高于该轮廓强度分布 90 百分位的极大值点，将其标记为远端外膜候选（ADF）；由于外膜层的强回声特性和前置强低通滤波对位于外膜层之上可能的高强度噪声点的衰减，从底部搜索局部强度极大值的 ADF 候选选择具有较高鲁棒性。(ii) 管腔追踪：算法沿行向上移动（行值递减）并搜索可能属于管腔的像素，管腔候选为邻域均值和标准差满足 2DH 标准（即归一化均值低于 0.08、归一化标准差低于 0.14）的第一个极小值点。当沿列找到这两个候选点后，按其行索引和所分析列的列索引在原始图像上对应标记；若在两点找到之前行索引已达到 1 或最后一行，则该列被丢弃并标记为不适合分割。图 18.4d 展示在某一样本图像列上标记的点。
18.3 图像数据库与预处理步骤（Image Database and Preprocessing Steps）
本节描述用于 CARS 性能分析和验证的图像数据集。数据库包含 365 张 B 型图像，采集自全球四家不同机构/医院：(1) 意大利都灵 Gradenigo 医院神经科提供 200 张图像；(2) 塞浦路斯尼科西亚 Cyprus 神经病学研究所提供 100 张图像；(3) 葡萄牙波尔图 Hospital de S. João 提供 23 张图像；(4) 意大利卡利亚里大学医院放射科提供 42 张图像。表 18.1 给出完整数据库描述与患者人口学信息：都灵（200 张，ATL HDI5000，150 例患者，年龄 69±16 岁（50–83 岁），转换因子 0.0625 mm/像素）；尼科西亚（100 张，ATL HDI3000，100 例，54±24 岁（25–95 岁），0.0600 mm/像素）；波尔图（23 张，ATL HDI5000，23 例，转换因子 0.0900 mm/像素）；卡利亚里（42 张，Esaote MyLab 70，21 例，68±8 岁（59–81 岁），0.0789 mm/像素）。所有机构在受试者入组前均获得书面知情同意，实验方案和数据采集程序经各自地方伦理委员会批准。342 例患者中（排除波尔图 23 例）有 236 名为男性；120 例有高血压病史、75 例有高胆固醇血症、30 例两者兼有；10 例为糖尿病患者；67 例出现颈动脉斑块、40 例显示神经系统征象（小卒中、短暂性脑缺血发作或一过性黑朦）。波尔图患者的人口学信息未发表。三位专家超声医师（一位神经科医师、一位血管外科医师、一位心脏病学家，均有至少 30 年从业经验）独立地通过描绘 LI 和 MA 界面边界对手动分割图像，平均描绘被视为金标准（GT），其中一位专家还手动描绘了 365 条外膜轮廓。
18.4 Hausdorff 距离度量：颈动脉识别表现如何（Hausdorff Distance Metric: How Good Is the Carotid Artery Recognition?）
Hausdorff 距离（HD）描述两个边界之间最长的距离，即从一给定边界上一点移动到另一边界所必须走的最长路径。形式上，给定两个边界 B1 和 B2，先计算 B1 每个顶点到 B2 各顶点的欧氏距离，记 d12 为 B1 中最远顶点到 B2 各顶点的最小距离，d21 类似，则 HD 定义为 HD = max{d12, d21}（式 18.6）。远端外膜边界自动追踪性能通过两种方式评估：(a) 计算 ADF 与真值平均 LI 轮廓之间的距离；(b) 计算 ADF 与真值平均 MA 轮廓之间的距离。由于 HD 对一边界上点到另一边界点的最长距离敏感，需将计算机轮廓缩减到与 GT 相同的支撑，即缩小跨过 GT LI/MA 轮廓的 ADF 边界，从而消除可能位于 GT 支撑外的点对 HD 的偏置。GTLI 是血管超声医师或血管外科医师实际绘制的光滑管腔界面边界，没有凹凸不平，因医师使用梯度信息绘制，代表了真实的管腔界面边界；相反，远端外膜边界是自动检测到的代表外膜边界的边界而非 MA 边界，而是 CA 识别过程的副产品，给出远端外膜的粗略识别区域；该边界是指导性边界，可能呈现不平滑或尖峰性，具有明显的曲率变化。因此最关心的是 ADF 与 GTLI 之间以及 ADF 与 GTMA 之间的最远距离——可通过 HD 计算，它告诉 ADF 边界相对于 LI/MA GT 边界的最差极限。如果 ADF 的极限距离为 ξlimit，则 ADF 应小于 ξlimit。ξlimit 计算为可有效计算精确 LI/MA 边界的最大 ROI。对本章方法取 ξlimit 约 50 像素，因此一项技术表现更好的条件是 HD 小于 ξlimit。为清晰起见，符号表示 ADF 与 GT ADF 轮廓之间的 HD 为 H^ADF_GT-ADF，ADF 与 GT LI 之间的 HD 为 H^ADF_GT-LI，ADF 与 GT MA 之间的 HD 为 H^ADF_GT-MA。颈动脉识别精度通过三种方法验证：(1) 将 ADF 描线与金标准 LI/MA 轮廓比较；(2) 专家超声医师目视检查；(3) 计算机描线 ADF 与金标准 ADF 比较。
18.5 Hausdorff 距离是否适合评价动脉识别（Is the Hausdorff Distance a Suitable Distance Metric for Evaluating the Artery Recognition?）
Hausdorff 距离（或 Hausdorff 度量）衡量度量空间中两个子集相互之间的距离，HD 是若有一个对手选择一个集合中的点而你必须前往另一集合时所被迫走的最长距离。如前所述 GTLI 是光滑的管腔界面边界，由超声医师或血管外科医师使用梯度信息绘制，是真实的管腔界面边界；相反，远端外膜边界是自动检测到的代表外膜边界的边界，不是 MA 边界，而是 CA 识别过程近似计算出的外膜边界，是粗略识别共同或内颈动脉区域的指导边界。由于它是粗略边界，边界平滑度差、可能更呈尖峰状或带刺状，作为观察到的边界其尖峰性可能有急剧的曲率变化。因此感兴趣的是 ADF 与 GTLI 之间以及 ADF 与 GTMA 之间的最远距离——HD 是评估 ADF 边界性能的理想选择，因为它告诉 ADF 相对于 LI/MA GT 边界的最差极限。如果 ADF 极限距离为 ξlimit，则 ADF 应小于 ξlimit，ξlimit 是在保持 ξlimit 的前提下计算精确 LI/MA 边界的最大 ROI。
18.6 基于一阶绝对矩算子的 IMT 测量（IMT Measurement by First-Order Absolute Moment Operator）
自动 ADF 追踪的最终目标是开发精确的 IMT 测量技术。为测试 ADF 精度（即 H^ADF_GT-LI 和 H^ADF_GT-MA）对 IMT 估计的影响，作者实现了一阶绝对矩（FOAM）技术。FOAM 算子是规则化边缘算子，最初由 Demi 等提出，后由 Faita 等扩展用于超声图像的精确半自动 IMT 测量。首先在自动追踪的远端外膜 ADF 轮廓周围建立引导区（GZ），GZ 宽度与 ADF 相同、高度为 50 像素（约对应动脉直径的一半）。GZ 由 FOAM 处理，其定义如 Faita 等所述：e(x,y) = ∫∫Ω |I1(x,y) − I2(x−k,y−l)| · G(k,l,σ3) dk dl（式 18.7），其中 I1(x,y) = ∫∫Ω1 I(x−k,y−l) · G(x,y,σ1) dk dl 与 I2(x,y) = ∫∫Ω2 I(x−k,y−l) · G(x,y,σ2) dk dl 是在圆形域 Ω1、Ω2 上分别用标准差为 σ1、σ2 的高斯核对输入图像低通滤波得到。在均匀区域（无强度变化且灰度相同的区域）计算时，FOAM 边缘值接近零；在强度梯度附近计算时，FOAM 边缘值上升为最大值。高斯核尺寸与 σ 值与图像转换因子（最佳转换因子为 ηNicosia = 0.06 mm/像素，见表 18.1）相关，并选取 ρMRAFOAM = 0.3 mm 作为 FOAM 算子的像素转换因子，因此核尺寸 Ω1 = Ω3 = ρMRAFOAM / ηNicosia = 0.3/0.06 = 5 像素。按 Faita 等建议取 Ω2 = 2Ω1 = 10 像素，高斯核参数为 σ1 = σ3 = ⌈Ω1/3⌉ = 2 像素，σ2 = ⌈Ω2/3⌉ = 3 像素（式 18.8）。GZ 中 LI 和 MA 边缘界面通过启发式搜索找到：本质上从 GZ 底部开始搜索两个最回声的峰值并标记 MA 峰值，然后向管腔方向移动并标记 LI 峰值。若 H^ADF_GT-LI 高于 50 像素（≈3 mm，等于引导区垂直大小），则该图像不能被正确处理；若在该范围内则 LI/MA 分割可行。因此将 ξlimit = 50 像素（≈3 mm）作为评估 ADF 分割是否通过 CCA 颈动脉识别的阈值标准。但因数据库图像像素密度不同（见表 18.1），仍以像素为单位保留此阈值距离标准。
18.7 CARS 性能与挑战（CARS Performance and Challenges）
本节展示 CARS 系统的整体性能并讨论挑战、创新性解决方案、CARS 的独特特征、系统鲁棒性及不足。
18.7.1 CARS 识别性能（CARS Recognition Performance）
图 18.5 展示 CARSgd、CARSia、CARSsa 追踪的 ADF 与人工追踪的 ADF 的比较（左列），右列展示计算机追踪的 ADF 轮廓与人工 LI/MA 描线的比较。表 18.2 报告三种计算机 ADF 追踪与人工 ADF、LI、MA 之间的平均 HD 结果（像素与毫米）。CARSgd 追踪的 ADF 比 CARSia 和 CARSsa 更接近人工追踪的 LI/MA 轮廓：CARSgd 计算机追踪与实际 ADF 位置之间的平均 HD 为 24.93±24.47 像素（对应 1.53±1.51 mm），CARSia 为 29.51±50.03 像素（1.82±3.08 mm），CARSsa 为 41.60±46.95 像素（2.56±2.89 mm）。CARSgd 与 GTLI 之间的平均 HD 为 35.11±18.82 像素（2.16±1.16 mm），CARSia 为 43.78±46.43 像素（2.71±2.89 mm），CARSsa 为 43.09±25.33 像素（2.66±1.52 mm）。CARSgd 与 GTMA 之间的平均 HD 为 25.03±19.47 像素（1.54±1.19 mm），低于 CARSia（30.07±42.88 像素，1.86±2.66 mm）和 CARSsa（31.67±27.42 像素，1.95±1.64 mm）。在 LI 轮廓 HD 距离上进行的 F 检验显示 CARSgd 的方差显著低于 CARSia（双侧 F 检验，α=0.05；p<10⁻²³）和 CARSsa（双侧 F 检验，α=0.05；p<5×10⁻³）。在 MA 轮廓距离上检验时仅 CARSgd 与 CARSia 之间的差异显著（p<10⁻¹⁸），原因是 CARSia 在 ADF 与 GT LI/MA 轮廓之间的距离上表现出很大的变异性。由于 CARSia 追踪的变异性，CARSgd 与 CARSia 轮廓之间的平均 HD 差异不具统计显著性（Student t 检验；LI 和 MA 的 p>0.05）；同时由于 CARSgd 的变异性低于 CARSsa，两种技术的平均 HD 值未显示差异（p>0.05）。图 18.6 给出 3×3 面板，对这种变异性来源给出可能解释。数据库包含正常和病理颈动脉且形态各异：图 18.6 第一行为直且水平的动脉，第二行为弯曲动脉，第三行为直但倾斜的动脉；白色虚线对应 GT LI，黑色对应 GT MA；第一列（图 18.6a、d、g）为 CARSgd 追踪，第二列（图 18.6b、e、h）为 CARSia，第三列（图 18.6c、f、i）为 CARSsa。可见尽管颈动脉形态不同，三种技术仍给出正确结果并识别出远端外膜边界。然而颈动脉外观的变异性使 HD 值的标准差增加，因为直动脉的 ADF 追踪比弯曲动脉更接近 LI/MA 轮廓（对比图 18.6a 和图 18.6d）。作者将 CARSgd、CARSia、CARSsa 追踪的 ADF 配合 FOAM 用以评估 ADF 精度对 IMT 测量误差的影响：将原始 ADF 轮廓沿图像底部方向每次移 1 像素共 16 次（即总移 16 像素），ADF 与 MA 之间的 HD 逐渐增加。图 18.7 报告三种技术的平均 IMT 测量误差（图 18.7a）及其标准差（图 18.7b）。当 ADF 偏移达约 6–8 像素（半毫米）时系统平均误差迅速增加，因此 ADF 区域的稳定值在 6–8 像素（半毫米）容差内；该容差区是 ADF 能给出稳定 IMT 测量的区域，超出容差区 IMT 测量变得不稳定。IMT 变化为 72 至 84±12 μm，与 1 mm 壁厚相比误差变化低至 0.12%，显示 CARS 系统的鲁棒性。采用 ξlimit = 50 像素（≈3 mm）区分正确识别和错误识别的颈动脉：CARSgd 识别准确率为 100%，在全部 365 张图像上正确识别 CA；同样 ξlimit 下 CARSia 365 张中未识别 27 张（识别准确率 93%），CARSsa 365 张中未识别 15 张（识别准确率 96%）。表 18.3 给出专家目视验证的通过/失败结果：与论文中报告一致——CARSgd 100% 准确、CARSsa 96%、CARSia 93%。图 18.8 报告三种技术 ADF 与 LI（左列）、ADF 与 MA（右列）之间的 HD 分布：行依次对应 CARSia、CARSsa、CARSgd；横轴为距离（mm），纵轴为归一化到 0 与 1 之间的累积频率，黑色线为累积频率曲线；CARSgd 表现出 100% 可靠性，正确识别全部 365 张图像的颈动脉。三种技术原始实现均在 MATLAB 环境中完成。平均计算时间为 CARSgd 1.1±0.3 s、CARSia 2.0±1.1 s、CARSsa 20.4±1.8 s。CARSgd 是计算负担最低的技术，CARSsa 则需要大量时间执行颈动脉定位。从实际角度 CARSgd 和 CARSia 可视为实时技术（最坏情况下处理时间为 2 s），CARSsa 不适合实时实现。作者团队已开发出名为 "AtheroEdge" 的研究工具，可在 1 s 内运行全部三个系统。AtheroEdge 是用 Java 编写的跨平台医学应用并具有组件框架，其功能可通过可插拔模块扩展；这些模块可用纯 Java 或 C/C++ 编写，通过 Java 本地接口与 C/C++ 模块通信，当需要与硬件接口或要求极端性能时（如通过 CUDA 使用 GPU）可使用 C/C++ 模块。
18.7.2 像素尺寸与校准因子的影响（Effect of the Pixel Size and of the Calibration Factor）
将 HD 转换为毫米需要校准因子。当图像为 DICOM 格式时可自动转换：DICOM 头被自动扫描，字段 SequenceOfUltrasoundRegions（按 NEMA 规范编码为 (0018,6011)）包含两个子字段提供校准因子，称为 PhysicalDeltaX（水平 x 轴）和 PhysicalDeltaY（垂直 y 轴），这两个数指定一个像素的物理维度（平方）以毫米为单位，校准因子的倒数是图像像素密度（像素/毫米）。若图像不是 DICOM 格式则手动校准：超声图像帧在包含超声数据的区域周围通常在角落报告扫描深度，如图 18.1 白圈所示；扫描深度（厘米）相对于最后一行图像（即相对最后图像行的物理深度），因此测量自动裁剪后图像的行数，将扫描深度除以行数即得校准因子。图 18.1 示例中扫描深度等于 3.0 cm、行数为 480，因此校准因子为 0.0625 mm。本研究图像的校准因子汇总于表 18.1。
18.7.3 可能的不准确来源与已开发的策略性解决方案（Possible Inaccuracy Sources and Developed Strategic Solutions）
颈静脉（JV）问题：自动颈动脉识别的主要挑战之一是避免将 JV 误识为 CA。JV 的外观与 CA 相似，自动技术可能错误地识别 JV 而非 CA。自动技术配备多种检查以最小化识别为 JV 的概率。CARSsa 天然非常鲁棒，因为它从图像底部开始搜索远端外膜和管腔，因此未观察到 CARSsa 的不正确行为。CARSgd 和 CARSia 受 JV 存在影响较大：CARSgd 在 365 张图像中有 29 张把 JV 误识为 CA，CARSia 有 33 张。为纠正这种可能错误情况，作者插入最终检查：若追踪的 ADF 轮廓行索引过低（即 ADF 轮廓未位于图像底部附近），则假设算法已识别 JV 而非 CA，并检查下方是否存在强回声结构：若存在则将该结构视为实际 ADF；若不存在则保留第一次 ADF 追踪。该检查在 CARSgd 所有错误图像上解决问题，在 CARSia 33 张中解决 27 张。检查完全自动化。尖峰检测与平滑：ADF 追踪也可能因存在过多尖峰而不准确。作者开发了一种智能尖峰去除算法，检查尖峰存在并计数；用简单差分算子找到 LI/MA 边界上的过零点，对这些过零点再应用差分算子并计算绝对差；绝对差超过预定阈值的点确定尖峰位置；检测出的尖峰用线性插值法（利用相邻非尖峰边界点）去除。最后用三次样条插值正则化 ADF 追踪。强回声结构存在：在 4 张 CARSgd 图像、5 张 CARSia 图像和 2 张 CARSsa 图像中观察到不准确的 ADF 追踪，可能存在偶发挑战。图 18.9 报告三种技术不准确 ADF 追踪的样本：图 18.9a 为 CARSgd，白箭头指示 ADF 轮廓与 GTMA 重叠的部分，这是图像标记的存在吸引 ADF 轮廓所致，但 ADF 追踪的局部不准确并未妨碍 IMT 测量引导区的正确定义；图 18.9b 为 CARSia，显示 ADF 与 GTMA 边界重叠，此错误由 CARSia 的线段追踪不正确造成；图 18.9c 为 CARSsa，显示 ADF 边界不正确地位于实际外膜层之下，原因是外膜层呈低回声且外膜层下方存在强回声深层结构（白箭头指示），此时基于强度的 ADF 检测策略失败，将强回声深层结构误认为外膜层。
18.7.4 对噪声的鲁棒性（Robustness to Noise）
为评估 CARS 技术对噪声的鲁棒性，作者对三种 CARS 技术进行了系统的噪声特征分析：向图像添加高斯分布的随机加性噪声，方差分别为 0.03 和 0.06；在含噪图像上运行 CARS 系统并计算与 LI/MA 边界的 HD。结果发现尽管噪声水平增加，自动追踪的 ADF 轮廓并未显著变化。当方差等于 0.06 时 CARS 技术性能未出现变化：CARSgd 准确率 100%（365 张全部正确处理）；CARSia 准确率 92%（365 张中 337 张正确处理）；CARSsa 准确率 95%（365 张中 349 张正确处理）。因此 CARS 性能如预期可归类为对噪声鲁棒。
18.7.5 与其他方法的比较（Comparison with Other Methods）
将本章结果与其它已发表研究直接比较并不直接。2008 年 Rossi 等提出了在纵向图像中自动识别颈动脉的有效方法：纵向图像按列考虑并被抽取（decimate）以处理有限且较少的空间包络；每个空间包络相当于图像一列的强度轮廓，其中两个强度峰指示外膜层位置；模板匹配算法处理每个包络以找到颈动脉管腔中心（动脉壁两强度峰的中点）。该方法一旦为特定图像扫描仪调优并完成聚类后处理，可呈现非常准确的结果（每帧中约 99% 的颈动脉被正确识别）；该技术在纤维斑块和噪声存在时有效，计算负担足够低以实现实时间歇性实现（平均约 0.2 s）；但该方法需要调整若干参数且在论文中针对特定扫描仪优化，因此难以在数据集上直接使用；此外该方法通过识别管腔定位动脉，但未提供关于近壁和远壁外膜层检测的信息，未追踪 ADF 轮廓，作者也未使用鲁棒距离度量评估性能，因此数值上无法与本章结果比较。Golemati 等 2007 年提出的方法使用基于 Hough 变换的算法，先在图像帧中检测颈动脉然后进行壁层分割和 IMT 测量。该技术主要优点是可处理纵向和横向图像；缺点是纵向图像中要求颈动脉在图像帧中以直且水平方式放置；性能以分割精度（敏感性和特异性）相对手动追踪评估，但未提供关于图像中颈动脉定位质量的数据。ADF 追踪越接近实际远壁 LI/MA 边界，IMT 计算引导区的定义越容易。基于此 CARSgd 是首选技术，其 ADF 轮廓非常准确且计算负担低，因此可视为颈动脉定位的参考技术；CARSgd 不需要特定调优，可处理来自不同扫描仪的图像。作者认为这些结果令人鼓舞且对实际临床场景可接受。
18.8 总结性评论（Concluding Remarks）
超声成像是一种快速发展的方法学。技术进步与新可能性（由对比剂改善和补充扫描模式如弹性成像、应变成像、3D 体积重建、4D 成像、灌注成像带来的）迫使开发性能良好且鲁棒的技术以辅助超声医师。作者团队开发的 CARS 系统旨在为血管超声领域提供通用解决方案。鲁棒性、多功能性和识别精度是该系统的关键特征。
本章个人批注
本章把 CARS 三种范式（CARSgd / CARSia / CARSsa）作为"Stage-I 自动化识别"专题集中讲，与 Ch17 CALEX 3.0 的"低对比度全自动化"形成对照——Ch17 重点在"低分辨率仍能自动跑通"，本章则重点在"三种技术横评"和"HD 度量适配性"。最值得记的几点：(1) 作者把"完全自动化的不可分性"讲得很清楚：Stage-I 的 ROI 不准会让 Stage-II 壁层分割的整体性能塌方，因此 Stage-I 必须独立于用户，这一论点比 Ch17 那种"用种子点 + 线性判别器"的工程叙述更尖锐、更系统。(2) 三种范式代表三种"识别 CA"的哲学：CARSgd 用"高斯一阶导数 + 多尺度匹配"（纯频域/尺度）、CARSia 用"种子点 + 线段分类器"（纯特征+几何）、CARSsa 用"二维直方图（mean, std）管腔先验"（纯统计），三种思路可以互补。(3) 度量选择上作者选 Hausdorff 距离而非平均点距，是因为 ADF 是"识别副产品"边界（不是真 MA），它必然比 GT LI/MA 边界更呈尖峰状——HD 给出最差极限，对"非光滑边界"最敏感、最有意义；同时作者承认"HD 缩减到 GT 支撑"这一步是为了避免 GT 支撑外点的偏置，这是一个很容易被忽视的处理细节。(4) ξlimit = 50 像素的阈值选择是"最大可计算 ROI"的几何近似（≈ 1/2 动脉直径），具有可解释性。(5) 鲁棒性测试仅做"加性高斯噪声"，没有做"运动模糊 / 探头偏移 / 标定不准"——这些在临床上更常见，作者默认这些扰动在数据采集阶段被控制了。(6) 颈静脉误识别的检查逻辑（"ADF 行索引过低 → 检查下方是否有强回声结构"）是一个非常简洁、几乎不需要学习的工程规则，体现了"在自动化里加保险"的思维方式。(7) 表 18.2 中 CARSgd 对 GT MA 的 HD 反而比 CARSia / CARSsa 更小，但与 GT ADF 的 HD 也更小——这意味着 CARSgd 在"贴近真外膜"和"贴近真 MA"两个目标上同时占优，这是一个不太显然的对照结论。
几个想继续追的：(a) CARSgd 把高斯核尺度 σ 选为 8 像素、对应"下采样后 IMT 大约 8 像素"——这个匹配高度依赖数据库平均 IMT 处于 1 mm 量级；作者给出 σ=6 / 8 / 10 三档性能（94 / 100 / 97%），呈非单调的尖峰形态，但读者无法知道对"非典型 IMT 范围"（< 0.6 mm 或 > 1.2 mm）的外推稳定性。(b) CARSia 在 15 张图像的子集上训练线性判别器，但训练集与测试集（365 张）来自不同机构——这其实是一个隐含的跨域泛化测试，作者没有给具体的训练-测试划分细节，也未给机构级（都灵 / 尼科西亚 / 卡利亚里 / 波尔图）的分层性能。(c) 计算时间（CARSsa 20.4 s）主要由 2DH 计算和逐列管腔搜索决定，作者通过 AtheroEdge 工具把它压到 1 s，但 AtheroEdge 是 Java 重写 + 可能的 GPU/CUDA——C/C++ 重写 vs 算法改进各占多少篇幅，论文没有拆开说。(d) JV 误识别在 365 张里 CARSgd 是 29、CARSia 是 33，最终检查后 CARSia 只修好 27/33、剩 6 张未修复——6 张的"未修复"是哪些形态（弯曲/倾斜/伴斑块/低回声？）作者没分析，是个值得在讨论里再展开的点。
与上下章的衔接（一段话）
本章在书中处于"超声 IMT 自动测量"这条主线的横向扩展位置。Ch17（CALEX 3.0）侧重"低对比度流行病学数据上的全自动化可行性"，Ch18 则把视角从"一种方法在一种数据上能否跑通"切换到"三种方法在同一种多机构数据上的横评"——讨论的不是 IMT 测量本身而是 Stage-I 的自动 CA 识别，是 Ch17 中 CALEX 3.0 Stage-I 的更细粒度展开（CARSsa 与 CALEX 3.0 Stage-I 都基于局部统计，CARSgd 提供了另一条完全不同的频域路径）。它向上承接 Ch15（颈动脉狭窄的超声定量）中"半自动方法重复性差"和 Ch16（斑块组织学生化组成）中"需要把壁层信息结构化"两条动机线，向下则为 Ch19–Ch22（颈动脉斑块分割、远壁亮度假设验证、分割技术综述、IMT 分割专题）铺垫"在正确识别 CA 之后才能做正确分割"这一前置假设。本章明确把 CARS 系统封装进 AtheroEdge® 平台，预告了后续章节中"商业平台—算法—临床验证"三位一体的写作范式。