溫慧瑩 楊曉娟 郭燕榮 張 帥 張志國 汪天富 陳思平 陳 昕*

1(深圳大學醫(yī)學院生物醫(yī)學工程系 醫(yī)學超聲關(guān)鍵技術(shù)國家地方聯(lián)合工程實驗室，廣東省生物醫(yī)學信息檢測與超聲成像重點實驗室，深圳 518060)2(香港大學電氣與電子工程系，香港 999077)

基于局部Radon變換和卡爾曼濾波的超聲圖像肌束方向自動跟蹤方法

溫慧瑩1楊曉娟1郭燕榮1張 帥2張志國2汪天富1陳思平1陳 昕1*

1(深圳大學醫(yī)學院生物醫(yī)學工程系 醫(yī)學超聲關(guān)鍵技術(shù)國家地方聯(lián)合工程實驗室，廣東省生物醫(yī)學信息檢測與超聲成像重點實驗室，深圳 518060)2(香港大學電氣與電子工程系，香港 999077)

超聲成像是一種無創(chuàng)、實時和便捷的成像方法，已被廣泛用于人體肌肉運動分析。臨床上目前主要采用手工處理的方法來提取超聲圖像中的形態(tài)結(jié)構(gòu)，不僅依賴于操作者的主觀經(jīng)驗，且耗時嚴重、重復(fù)性低。提出一種自動計算與跟蹤超聲圖像序列中肌束方向的新方法，利用基于約束互信息的自由變換算法自動提取感興趣區(qū)域，然后基于局部Radon變換對超聲圖像進行投影，并利用相鄰幀間肌束的連貫性，采用卡爾曼濾波的圖像處理方法。對6名試驗對象進行步行實驗，共采集小腿內(nèi)側(cè)腓腸肌的動態(tài)超聲影像1 080幀，并用所提出的方法計算肌束方向。實驗結(jié)果表明，所提出的自動檢測方法有較好的魯棒性。與人工檢測結(jié)果相比，兩者的平均相關(guān)系數(shù)為0.92±0.02，平均誤差為0.30°±0.62°。該方法可以一定程度地替代人工測量，在處理大量超聲數(shù)據(jù)時具有較大的優(yōu)勢。

超聲成像；肌束方向；Radon變換；卡爾曼濾波

引言

肌肉是構(gòu)成人體的重要組織，其主要功能為產(chǎn)生收縮和控制身體的運動。肌電圖學(electromyography, EMG)是最早用于分析人體肌肉運動的方法，其原理是記錄神經(jīng)肌肉收縮和靜止狀態(tài)時的生物電信號。其中，表面肌電圖因其實時、無創(chuàng)等優(yōu)點，被廣泛用于肌肉運動研究中[1-2]。但是，表面肌電圖估計也存在一些不足，如對體內(nèi)深層肌肉難以區(qū)別、對干擾比較敏感等，這制約了肌電信號在肌肉運動分析中的應(yīng)用。另外，從上世紀90年代起，有學者開始利用超聲評估肌肉的功能狀態(tài)，并將分析結(jié)果應(yīng)用在生物力學的研究領(lǐng)域[2-8]。超聲成像是一種無創(chuàng)、實時和便捷的成像方法。二維超聲圖像可提供肌肉收縮時肌束的實時動態(tài)圖像，已被廣泛用于研究肌肉運動中形態(tài)結(jié)構(gòu)的改變，為臨床診斷和康復(fù)評估提供了途徑。

利用超聲可測量肌肉厚度(muscle thickness)[3, 6, 8-9]、羽狀角(pennation angle)(或稱肌束方向)[3, 5-8]、肌束長度(fascicle length)[3, 5-8]和肌肉橫截面積(cross-section area)[4]等結(jié)構(gòu)性參數(shù)來描述肌肉的狀態(tài)變化，這些參數(shù)和肌肉組織的力學特性直接相關(guān)。其中，肌束方向描述肌纖維的排列，是決定肌肉力學性能的主要特征之一。在肌肉收縮過程中，羽狀角越大，更多的平行排列且可收縮的肌纖維束將能量傳遞到肌腱上，使肌肉產(chǎn)生更大的力量。肌肉處于最大收縮狀態(tài)時，羽狀角的變化能達到靜息時的120%～170%[10-11]。最近的研究還表明，肌肉肌束特性的改變與神經(jīng)肌肉疾病相關(guān)[12-14]。目前，臨床上主要是通過手工處理的方法來提取肌束方向信息。這不僅依賴于操作者的主觀經(jīng)驗，在處理實時超聲視頻數(shù)據(jù)時耗時嚴重，而且需通過人工多次測量來提高重復(fù)性。

多種自動提取肌束方向的算法已被提出，根據(jù)方法大致可分為兩類：Hough變換和Radon變換。Zhou等[15]首先提出了用迭代Hough變換(revoting hough transform, RVHT)，計算圖像中的肌束方向。該方法通過將超聲的邊緣圖像映射到霍夫空間，并將局部極值對應(yīng)于該圖像的直線位置，在檢測線設(shè)定線寬范圍內(nèi)的所有特征點將被移除，重復(fù)上述過程，多條直線被依次提取，直至低于自定義閾值。然而，該方法極大地依賴邊緣檢測子的性能，容易受斑點噪聲的干擾。此外，RVHT的檢測結(jié)果高度依賴于所涉及迭代過程中的線寬參數(shù)，稍微不同的參數(shù)大小可能會導(dǎo)致完全不同的結(jié)果。臨床中的肌肉超聲圖像，通常很難找到一個合適的線寬代表所有的肌肉纖維。Zhao[16]采用局部Radon變換(localized radon transform, LRT)，自動計算和跟蹤肌束方向，不需要邊緣檢測子，受斑點噪聲干擾小。然而，相同的迭代策略用于依次提取直線，仍存在相同的問題，如果初始檢測不正確，后續(xù)難以恢復(fù)正確的肌束線結(jié)構(gòu)[17]。最近文獻[18]提出，利用局部梯度圖來估計主要的肌束方向，而不是單獨檢測幾根肌束方向，因此迭代策略是不必要的，并且更具穩(wěn)健性，但是對局部方向上的每個像素的計算復(fù)雜度比[15-17]高很多。此外，上述方法存在兩個缺點：一是需要在超聲圖像序列的第一幀圖像上設(shè)置感興趣區(qū)域(reading of interest, ROI)，對所有圖像的肌束方向跟蹤都是在該ROI范圍中進行。然而，在真實的肌肉收縮過程中，深淺層筋膜區(qū)域是動態(tài)變化的，可能超過了固定ROI的范圍，這將大幅度降低自動跟蹤肌束方向的精度；二是在追蹤過程中沒考慮運動模型，因此容易受干擾，得到的結(jié)果曲線常出現(xiàn)毛刺。以往的研究都是針對靜態(tài)或者準靜態(tài)運動，干擾相對比較小。對步行運動，超聲探頭相對滑動等干擾因素比較嚴重，必須設(shè)法消除。

根據(jù)對現(xiàn)有方法的分析，本研究提出一種新的自動化計算與跟蹤肌肉肌束方向的方法。與傳統(tǒng)檢測肌束直線的方法相比，該方法自動檢測與跟蹤ROI，利用Gabor濾波來自適應(yīng)地增強超聲圖像，并應(yīng)用局部Radon變換和卡爾曼濾波(Kalman filter, KF)來自動計算和跟蹤肌束方向，提高了算法的魯棒性和準確性。

1 方法

1.1 方法流程

研究方法的流程如圖1所示。對連續(xù)的超聲影像，首先基于約束互信息的自由變換算法(constrained mutual information-based free-form deforamtion, C-MI-FFD)，實現(xiàn)ROI區(qū)域的自動化選取，采用Gabor濾波抑制圖像斑點噪聲，并縱向增強圖像肌束區(qū)域。此外，使用遲滯閾值法(hysteresis thresholding, HT)和圖像細化(image thinning, IT)進一步增強圖像，從而解決迭代策略中的線寬問題。利用文獻[16]所述的方法來捕獲肌束方向，并為KF提供校正測量。由于兩個超聲圖像相鄰幀之間的肌束具有連貫性，可取前一幀KF預(yù)測的肌束方向變化作為先驗知識來追蹤當前圖像內(nèi)的肌束。

圖1 方法流程Fig.1 The diagram of the proposed method

1.2 基于約束互信息的自由變換算法

文獻[4]首次提出基于約束互信息的自由變換算法(C-MI-FFD)，即在連續(xù)的超聲圖像序列中自動提取肌肉的橫截面積。本研究擴展了該算法，自動選取連續(xù)超聲圖像序列深淺層筋膜間的感興趣區(qū)域。通過最小化以互信息為基礎(chǔ)的目標函數(shù)，確定描述連續(xù)兩幀圖像的轉(zhuǎn)換函數(shù)。為了精確地匹配感興趣區(qū)域，C-MI-FFD算法分為兩個步驟。

步驟1:全局變換。通過全局匹配兩幀圖像確定全局變換參數(shù)，對它們相對比例、平移和旋轉(zhuǎn)建模。

步驟2：局部變換。局部變換參數(shù)由二維樣條函數(shù)定義，并被細化為規(guī)則網(wǎng)絡(luò)下進行插值樣條函數(shù)的位移值。圖2(a)、(b)分別為典型的原始和自動獲取ROI后的超聲圖像。

1.3 Gabor濾波器

由于肌肉超聲圖像具有連貫性，采用Gabor濾波可以抑制斑點噪聲，并在縱向上增強肌束圖像[19]。Gabor濾波器(Gabor filter, GF)為帶通濾波器，目前廣泛應(yīng)用于圖像特征提取、邊緣檢測、圖像紋理分析等。二維Gabor函數(shù)的實數(shù)部分定義如下：

(1)

式中,λ為波長，θ為Gabor函數(shù)并行條紋的方向，φ為相位偏移，σ為高斯因子標準差，γ為空間縱橫比，(x,y)為圖像坐標。

圖2(b)、(c)分別表示Gabor濾波前后的超聲圖像。可以看出，使用Gabor濾波后的圖像斑點噪聲被抑制，肌束區(qū)域圖像被增強。值得注意的是，GF中的θ是自適應(yīng)更新的、由前一幀KF預(yù)測的方向作為處理當前幀的并行條紋的方向。

為解決LRT迭代策略中的線寬問題和提升其檢測精度，采用HT、IT兩個技術(shù)進一步增強GF濾波后的圖像信息。

步驟1：首先在HT中設(shè)有兩個閾值，像素響應(yīng)高于閾值上界的輸出為1，而低于閾值下界的輸出為0，像素響應(yīng)位于閾值上界與下界之間的，且如果它們通過一條邊緣鏈連接到其他像素響應(yīng)均大于下界閾值的輸出為1。

步驟2：圖像細化。通過抑制非極大值部分的輸出，可減少輸出線結(jié)構(gòu)的單像素邊緣寬度，從而得到非常小的線寬，且LRT中重新表決的線寬問題得到有效解決。圖2(d)、(e)分別表示HT和IT后的效果。

圖2 方法過程追蹤。(a)原始超聲圖像；(b)提取ROI(綠色線表示)；(c)Gabor濾波效果；(d)HT效果；(e)IT效果LRT得到的主要肌束方向用藍色線表示Fig.2 Illustration of the proposed muscle fiber orientation tracking approach. (a) A raw ultrasound video frame; (b) Extracted ROI (green line surrounded area in (a)); (c) GF result; (d) HT result; (e) IT result. The dominant orientation obtained by using LRT is labeled by blue line

1.4 局部Radon變換和線提取

Radon變換已廣泛用于直線特征的提取，標準Radon變換在2D變換空間內(nèi)的定義為

(4)

式中,f(x,y)為在(x,y)位置的圖像灰度，δ為狄拉克δ函數(shù)，ρ為直線到圖像中心的距離，θ為x軸和線的夾角，D為圖像網(wǎng)格。

標準Radon變換表示整個圖像平面內(nèi)的灰度積分。在具體應(yīng)用中，常采用矩形來定義ROI，無法真實反映淺層和深層筋膜之間的區(qū)域的真實輪廓。如果只對預(yù)定義范圍內(nèi)部的位置和方向積分，標準Radon變換則可修改為LRT。運用先驗知識如追蹤ROI和肌束方向角度，LRT可以顯著增強捕獲肌束的準確度，降低邊緣效應(yīng)。在本研究中，采用C-MI-FFD算法可排除有強回聲強度的淺層與深層筋膜，且同時最大程度地跟蹤其余區(qū)域。當檢測到指定的直線數(shù)量，或是低于峰值振幅與平均振幅的比值，表明這幀圖像中所有直線已檢測完畢。

1.5 卡爾曼濾波

卡爾曼濾波是一種高效率的遞歸濾波器，它能夠從一系列的不完全及包含噪聲的測量中估計動態(tài)系統(tǒng)的狀態(tài)。目前廣泛用于工程領(lǐng)域，如雷達、計算機視覺，近來更被應(yīng)用于計算機圖像處理，如人臉識別、圖像分割、圖像邊緣檢測等[20]。

正如上文描述，方向參數(shù)是Gabor濾波器和后續(xù)LRT直線特征提取的關(guān)鍵參數(shù)。筆者提出用KF自適應(yīng)地更新方向的變化，即用LRT獲得當前幀的肌束方向作為KF的測量值，KF輸出的最優(yōu)估計值用于Gabor濾波器處理下一幀圖像中的方向參數(shù)的反饋輸入，使達到更好的圖像處理效果。KF的離散時間線性狀態(tài)空間模型如下：

(5)

zk=Ckxk+Dkyk+vk

(6)

相對傳統(tǒng)的LRT，使用KF后，跟蹤肌束方向的精度得到提高，運行時間顯著降低。

2 實驗

選取試驗對象6名，均為男性。年齡(24.6±1.5)歲，體重(69.4±6.3)kg，身高(170±5.6)cm。所有試驗對象身體健康，均沒有肌肉、神經(jīng)類疾病病史。受試者均簽署知情同意書。

使用邁瑞DC-6B超實時采集肌肉的動態(tài)超聲圖像，配備線陣超聲探頭，中心頻率為10MHz。用一個定制的可調(diào)節(jié)的支架固定超聲探頭，使探頭的長軸與試驗對象小腿內(nèi)側(cè)腓腸肌的表面走向平行，并通過大量超聲耦合劑使探頭緊貼在目標肌肉表面。實驗開始前，試驗對象被要求在跑步機上做適應(yīng)性步行，一般為2～3min。實驗中，當試驗對象準備好后，開啟跑步機并且調(diào)節(jié)到合適的速度1.0km/h，試驗對象在跑步機上做正常的步行運動。超聲掃描儀的視頻輸出通過視頻采集卡(大恒公司，CG400)來采集，視頻幀率為25Hz。實驗中持續(xù)采集30s的視頻數(shù)據(jù)，對起始和結(jié)尾時間段的視頻進行剪切，去除運動以及不穩(wěn)定因素的影響，最終對每名試驗對象提取180幀連續(xù)的超聲圖像序列。

3 結(jié)果

利用所提出的方法，對6名試驗對象(共6×180=1 080幀)進行檢測。以人工測量的結(jié)果作為參考標準，在對所有方法的結(jié)果進行比較和分析后，進一步證明本方法的正確性。所提方法在Matlab2013b版本下實現(xiàn)。

在本實驗中，手動過程由兩位臨床專家完成。人工測量時，每一位臨床專家在每幀圖像的深淺層筋膜的感興趣區(qū)域內(nèi)，選擇標記三段顯著的肌束，取平均后得到最終的人工測量結(jié)果，如圖3所示。

圖3 手工測量示意圖Fig.3 The diagram of the manual method

在步行運動中，肌肉收縮引起肌肉快速運動，并產(chǎn)生了較大的運動模糊。此時，人工和自動檢測都很難準確地檢測肌束方向，因此數(shù)據(jù)分析中將先排除因運動模糊而無法檢測的超聲圖。跟蹤的典型結(jié)果如圖4所示，其中取兩名臨床專家的測量結(jié)果的平均值作為人工測量的最終結(jié)果，用黑色虛線表示，本方法用黑色實線表示?？傮w來看，本方法能捕捉正常人步行中肌束方向的變化趨勢，與人工測量結(jié)果相差較小。進一步分析同一組人工檢測與自動方法檢測結(jié)果的相關(guān)性，Pearson相關(guān)系數(shù)r=0.93(見圖5)，即本方法與人工測量結(jié)果有高度相關(guān)性。

圖4 肌束方向跟蹤結(jié)果Fig.4 Tracking result of the muscle fascicle orientation

圖5 人工與自動檢測結(jié)果的相關(guān)性分析(實線是線性趨勢線)Fig.5 The correlation analysis of the manual and automated test result, the sold line suggests the linear trend line

表1 自動測量方法和人工測量方法比較Tab.1 The comparison between automated and manual measurement

表1總結(jié)了6名試驗對象的肌束方向測量結(jié)果，包括人工與筆者提出的自動測量結(jié)果的相關(guān)系數(shù)與誤差。從整體上看，相關(guān)系數(shù)的范圍是0.88～0.94，在統(tǒng)計學意義上的平均相關(guān)系數(shù)為0.92±0.02，即人工與自動檢測結(jié)果有很好的相關(guān)性,證明本方法的測量精度較高。此外，自動和人工檢測方法的平均誤差為0.30°±0.62°，可以推斷該方法的準確性能夠滿足臨床需求?？梢姡痉椒ㄔ谶B續(xù)檢測正常步行中肌肉肌束的方向具有很強的魯棒性。

4 討論

實驗表明，所提出的自動測量方法與人工測量的平均誤差達到0.30°±0.62°，Pearson相關(guān)系數(shù)為0.92±0.02，性能優(yōu)于或者接近其他的一些自動測量方法。例如，Zhou等提出的迭代Hough變換算法，平均誤差是0.18°±2.41°，Pearson相關(guān)系數(shù)為0.98[15]。Zhao等提出的局部Radon變換算法，誤差約為1°[16]。而且，上述兩個研究均是在靜態(tài)或準靜態(tài)的情況下測得的，深淺層筋膜區(qū)域被設(shè)為固定。本研究是針對正常步行運動進行分析，運動模型和噪聲等問題更加復(fù)雜，自動化計算與跟蹤超聲圖像中肌束方向的難度增大，因此本方法的準確性和魯棒性更高。此外，本研究對提出方法的驗證更充分。在實驗設(shè)計中，搜集了6名試驗對象，對每名試驗對象處理至少180幀連續(xù)超聲圖像，總計處理幀數(shù)為1 080幀，充分驗證了測量肌束方向新方法的穩(wěn)定性和準確性。其他的研究一般只采用了1～2名試驗對象, 圖像處理幀數(shù)有限[15-16]。綜上所述，本方法在自動化計算與跟蹤肌束方向上有較高精度，且可實現(xiàn)正常步行運動中對感興趣區(qū)域的自動化選取，實現(xiàn)了肌束方向的全自動測量。

所提方法的計算復(fù)雜度主要集中在局部Radon變換的方向估計。若采用M表示ROI尺寸的規(guī)模， 表示Radon方向的總數(shù)規(guī)模，則LRT方法的計算復(fù)雜度為O(θ·M2)，而應(yīng)用中ROI的尺寸常小于圖像整體尺寸，因此該方法的實際運算效率較高。下一步工作將采用執(zhí)行效率更高的語言(如C語言)來實現(xiàn)本方法，有望實現(xiàn)肌束角度的實時在線測量。

在實驗中，誤差產(chǎn)生的原因有多個方面。首先，較靜態(tài)或準靜態(tài)下超聲在肌肉運動的評估，在正常步行運動分析中，運動模型和噪聲等問題更加復(fù)雜，難以準確、動態(tài)地計算與跟蹤肌束方向。本研究引入了一階運動模型，今后可能考慮在步行中采用更高階的運動模型，進一步提高測量精度。其次，步行運動中肌肉收縮引起肌束快速運動，產(chǎn)生較大的運動模糊，對自動和人工檢測方法的準確性檢測造成一定的難度。在以后的研究中，將采用更高的視頻采樣幀率和更準確的讀取圖像方法，獲取更快步行速度和更清晰的超聲圖像序列。最后，實驗中如何在步行運動中固定超聲探頭，防止探頭不規(guī)則滑動影響超聲數(shù)據(jù)的采集，也是急需解決的問題。要從根本上解決該問題，需要開發(fā)出更加輕便靈活的超聲探頭。

5 結(jié)論

綜上所述，本研究實現(xiàn)了對感興趣區(qū)域的自動提取，基于LRT和卡爾曼濾波，自動化計算與跟蹤超聲圖像序列中的肌束方向。實驗證明，在正常步行運動中，本研究提出的方法對連續(xù)檢測肌束方向有較高的魯棒性。選用卡爾曼濾波器作為輔助跟蹤的運動模型，預(yù)測存在觀測噪聲情況下的運動估計，然后再對估計的方向參數(shù)進行修正，并利用Gabor濾波自適應(yīng)地增強圖像肌束區(qū)域，提高了測量結(jié)果的準確性。本方法與臨床人工檢測結(jié)果具有高度的一致性，可以一定程度地替代人工測量，在處理大量超聲數(shù)據(jù)時具有較大的優(yōu)勢。隨著超聲在肌肉檢測上的應(yīng)用，利用重復(fù)性好的自動方法定量分析肌肉肌束方向參數(shù)，在臨床診斷和康復(fù)評估上具有巨大潛力。

[1] Disselhorst-Klug C, Schmitz-Rode T, Rau G, et al. Surface electromyography and muscle force: Limits in semg-force relationship and new approaches for applications [J]. Clin Biomech (Bristol, Avon), 2009, 24(3): 225-35.

[2] 李喬亮，易萬貫，陳昕，等. 融合實時超聲影像的多模態(tài)運動特性研究 [J]. 中國生物醫(yī)學工程學報, 2012, 31(4): 518-525.

[3] Blazevich AJ, Gill ND, Zhou S, et al. Intra- and intermuscular variation in human quadriceps femoris architecture assessed in vivo [J]. J Anat, 2006, 209(3): 289-310.

[4] Chen Xin, Zheng Yongping, Guo JingYi, et al. Sonomyographic responses during voluntary isometric ramp contraction of the human rectus femoris muscle [J]. Eur J Appl Physiol, 2012, 112(7): 2603-2614.

[5] Fukunaga T, Kubo K, Kawakami Y, et al. In vivo behaviour of human muscle tendon during walking [J]. Proc Biol Sci, 2001, 268(1464): 229-233.

[6] Hodges PW, Pengel LH, Herbert RD, et al. Measurement of muscle contraction with ultrasound imaging [J]. Muscle Nerve, 2003, 27(6): 682-692.

[7] Kawakami Y, Ichinose Y, Fukunaga T, et al. Architectural and functional features of human triceps surae muscles during contraction [J]. J Appl Physiol (1985), 1998, 85(2): 398-404.

[8] Maganaris CN, Baltzopoulos V, Sargeant AJ, et al. In vivo measurements of the triceps surae complex architecture in man: Implications for muscle function [J]. J Physiol, 1998, 512 (Pt 2): 603-614.

[9] 李喬亮，任盼盼，張會生，等. 基于光流的超聲圖像肌肉厚度自動測量方法 [J]. 中國生物醫(yī)學工程學報, 2013, 32(2): 149-153.

[10] Herbert RD, Gandevia SC. Changes in pennation with joint angle and muscle torque-in-vivo measurements in human brachialis muscle [J]. Journal of Physiology-London, 1995, 484(2): 523-532.

[11] Narici MV, Binzoni T, Hiltbrand E, et al. In vivo human gastrocnemius architecture with changing joint angle at rest and during graded isometric contraction [J]. Journal of Physiology-London, 1996, 496(1): 287-297.

[12] Gao F, Zhang LQ. Altered contractile properties of the gastrocnemius muscle poststroke [J]. Journal of Applied Physiology, 2008, 105(6): 1802-1808.

[13] Mohagheghi AA, Khan T, Meadows TH, et al. In vivo gastrocnemius muscle fascicle length in children with and without diplegic cerebral palsy [J]. Developmental Medicine and Child Neurology, 2008, 50(1): 44-50.

[14] 劉芳，蒲傳強，時宵冰. 肌炎特異性自身抗體在多發(fā)性肌炎/皮肌炎及其他神經(jīng)肌肉疾病的表達 [J]. 臨床神經(jīng)病學雜志, 2009 (3): 219-220.

[15] Zhou Yongjin, Zheng Yongping. Estimation of muscle fiber orientation in ultrasound images using revoting hough transform (RVHT) [J]. Ultrasound In Medicine And Biology, 2008, 34(9): 1474-1481.

[16] Zhao Heng, Zhang Liqun. Automatic tracking of muscle fascicles in ultrasound images using localized radon transform [J]. IEEE Transactions on Biomedical Engineering, 2011, 58(7): 2094-2101.

[17] Rana M, Hamarneh G, Wakeling JM. Automated tracking of muscle fascicle orientation in b-mode ultrasound images [J]. Journal of Biomechanics, 2009, 42(13): 2068-2073.

[18] Zhou Yongjin, Li Jizhou, Zhou Guangquan, et al. Dynamic measurement of pennation angle of gastrocnemius muscles during contractions based on ultrasound imaging [J]. Biomedical Engineering Online, 2012, 11(17):63.

[19] Zhou Yongjin, Zheng Yongpin. Enhancement of muscle fibers in ultrasound images using Gabor filters[C]// 2009 IEEE International Ultrasonics Symposium (IUS). Roma:IEEE, 2009: 2296-2299.

[20] 牟鍇鈺，韋明，郭建平. 基于小波和卡爾曼平滑的事件相關(guān)電位單次提取 [J]. 中國生物醫(yī)學工程學報, 2012, 31(2): 167-174.

Automatic Tracking of Muscle Fascicle Orientation in Ultrasound Images: A Novel Approach Based on Local Radon Transform and Kalman Filter

Wen Huiying1Yang Xiaojuan1Guo Yanrong1Zhang Shuai2Zhang Zhiguo2Wang Tianfu1Chen Siping1Chen Xin1*

1(DepartmentofBiomedicalEngineering,SchoolofMedicine,ShenzhenUniversity,National-RegionalKeyTechnologyEngineeringLaboratoryforMedicalUltrasound,GuangdongKeyLaboratoryforBiomedicalMeasurementandUltrasoundImaging,Shenzhen518060,Guangdong,China)2(DepartmentofElectricalandElectronicEngineering,TheUniversityofHongKong,HongKong999077,China)

Ultrasound imaging is a noninvasive, real-time and convenient imaging method, which has been widely applied in analysis of human muscle contraction. So far manual operation is commonly used in clinical applications to extract morphological parameters from ultrasound image, however, may bring outcomes such as subjective, time-consuming and low repetitive. In this paper, an automatic method is proposed to calculate and track the fascicle orientation in sequences of ultrasound images. We constrained mutual information-based free-form deformation algorithm to automatically detect reading of interest. Then the detected results were projected based on local Radon transform. Then the Kalman filter image processing technique was applied to predict and track the next frame change of fascicle orientation. Six subjects participated in the walking experiment. We collected the dynamic ultrasound images from the medial gastrocnemius muscle during the process and calculated the muscle fascicle orientation using the proposed method. Experimental results showed that the proposed automatic detection method achieved better robustness. Compared with the manual measurement, the average correlation coefficient was 0.92±0.02, and the average error was 0.30°±0.62°. To some extent, the proposed method can replace the manual measurement, presenting a significant advantage especially when dealing with a large number of ultrasound data.

ultrasonography; fascicle orientation; radon transform; Kalman filter

10.3969/j.issn.0258-8021. 2016. 02.003

2015-12-26， 錄用日期:2015-11-26

國家自然科學基金(81000637)

R318

A

0258-8021(2016) 02-0141-07

*通信作者(Corresponding author)， E-mail: chenxin@szu.edu.cn