應用特徵追蹤法於臨床三維心臟超音波影像

我們利用模擬探討了特徵追蹤法相關的特性之後，最希望能夠瞭解特徵追蹤 法在臨床應用上的可行性。在台大醫院林隆君醫師的協助之下，我們使用的臨床 資料是一位三個月大的嬰兒之三維心臟超音波影像，採用的是 Philips iE33 商用超 音波系統以及 1.9MHz 的矩陣探頭。我們將應用特徵追蹤法來估計心肌的應變量，

建立心肌應變影像。

然而，在初步分析時即發現特徵追蹤法在估計心肌應變量上首要的限制，特 徵追蹤的演算法一開始即在位移前後的影像上篩選出各自的特徵斑點，如 4.3 節所 述，篩選出來的特徵斑點在影像上是呈離散分佈，但如 2.1 節對各項應變參數的介 紹中可知，應變量的計算必須有各方向相鄰兩個斑點連成向量作為基礎，再將此 兩斑點進行追蹤後所得位移後向量與位移前的向量進行應變量的運算。因此可以 發現，根據原始的特徵追蹤法，特徵斑點間的相對位置無特殊的生理意義(意即無 法代表心肌厚度或心肌纖維走向)。為了克服這項困難，我們修正了特徵斑點的演 算法，首先先在原始直角座標系的影像上點選心內膜與心外膜上的座標並進行內 插，把這些心內膜與心外膜上兩兩相距最短座標挑選出來，並將這些座標及原始 直角座標系的影像轉換成極座標系，接著將所選取座標上的斑點型態篩選出特徵 斑點並進行特徵追蹤，位移前的向量即為心內膜與心外膜上所挑選兩兩相距最短 的座標上斑點的向量，而位移後的向量即為此兩座標上斑點分別在追蹤後之相對 座標位置上的向量，並根據 2.1.1 計算放射項應變量(Radial strain)。最後將每一對 向量所計算的放射項應變量，對應成射色彩，投影至原始向量在位移前影像上的 座標連線範圍內，即為所建構的心肌應變影像。

應用上述的修正後演算法在我們所取得的臨床資料上，圖 5-28 中三張影像分

而下面圖 5-29(a)~(k)則是分析完成後的心肌應變影像，圖 5-30 為心肌內外膜每組 特徵斑點向量所計算出的應變量分佈圖。可以發現特徵斑點的數目極少，幾乎每 一個剖面都只有個位數的特徵斑點，這樣的分析結果無法代表心肌運動型態的生 理意義，因為所分析的區域太少。探討特徵追蹤法在臨床資料上應用不佳的原因

圖 5-28 三個月嬰兒臨床三維心臟超音波影像

使用 Philips iE33 商用超音波系統以及 1.9MHz 的矩陣探頭 (a) 原始影像(直角座標系)進行內插後的 xy 平面影像

(b) 點選心內膜與心外膜上座標點的連線圖 (c) 原始直角座標系影像轉換成極座標系的影像

(a)

(b) (c)

(1) 相關係數太低 –

如圖 5-31 所示，推論因心肌內外膜上的特徵斑點其位移前後的相關係數太低，

以至於能夠取得較高相關係數的特徵斑點數目變少，且追蹤的誤差也會變大。另 外，由於兩點才能形成一個向量，因此必須要心內膜上的特徵斑點與相對應最短 距離的心外膜上的特徵斑點兩者需同時皆大於所要求的相關係數域值才會被選取 進行特徵追蹤，否則皆會被捨棄，如此一來，能夠符合條件的特徵斑點數目就更 少了。由於此個案影像的相關係數較低，我們在運算時所採用的是大於相關係數 0.4 的特徵斑點進行運算。

(2) 影像品質較差 –

此筆臨床資料的影像品質較差，整張影像較為模糊，對比不明顯，雖然有經 內插處理，但卻也讓邊界更為模糊較難點選。此外，影像中斑點特徵較為明顯的 位置皆位於心肌內外膜間的壁層肌肉上而非邊界上，因此即使點選的位置正確與 理想接近，也可以預期進行特徵追蹤的效果會不佳，因為我們只在心肌內外膜的 邊界上進行特徵斑點的篩選。

(3) 特徵追蹤演算法的限制 –

發展特徵追蹤演算法的目的主要是為了降低傳統斑點追蹤法的龐大的運算量，

藉由挑選顯著的斑點形態進行斑點追蹤來代表影像中局部的運動型態。此法應用 在只有單一運動模式(如：單方向的位移、僅只有伸長縮短或擴張收縮…等)的物體 較為適當，因為只要估計某幾個特徵斑點的運動模式就能夠代表物體大部分的運 動型態。然而，如 1.2 所述，心臟的運動型態同時結合了心肌伸長和縮短以及扭 轉的混合運動模式，這樣複雜的運動型態，若單單只估計某幾個區域的形變狀況，

是不足以代表整體的運動模式，尤其在臨床心臟疾病的診斷上，是需要視整體心 肌運動狀況異常的程度來判定。不過，我們仍認為特徵追蹤法降低運算量的效果

(a) (b)

(c) (d)

(e) (f)

(g) (h)

(i) (j)

(k)

圖 5-29 (a)~(k)為臨床資料進行特徵追蹤後之不同深度心肌應變影像的橫切面

-550

number of feature pattern

Strain value of clinical data

圖 5-30 心肌內外膜上每組特徵斑點向量所計算出的應變量分佈圖

propotion in number (%)

correlation coeffecien

Feature tracking correlation coeffecient distribution of endocardium

0 0 0 0 0.85

propotion in number (%)

correlation coeffecien

Feature tracking correlation coeffecient distribution of epicardium

(a)

(b)

圖 5-31 臨床心臟超音波影像在心內膜與心外膜上的特徵斑點進行 特徵追蹤法後之相關係數分佈圖

目前臨床上並沒有真正有效的三維心臟應變影像，只有 TOSHIBA ARTIDA 3D Wall Motion Tracking 是用斑點追蹤的原理進行三維心臟應變影像的分析，但是其 演算結果並不廣被接受。主要原因是，其演算法是先請使用者在三維影像的左心 室長軸面上正交的兩張二維影像上各取三個點，其中兩個點在影像的最底部短軸 面(Basal short axis plane)兩端上，另一點在心尖處(Apex point)，用此 6 個點建立起 左心室的三維心外膜邊界，再以平行於最底部的短軸面將整個左心室平均分割為 35 個短軸面；將形變前後的三維影像皆進行上述方法的處理，如此一來個短軸面 與左心室內外邊界交接處的位置即所認定將要進行追蹤的斑點位置(如圖 5-32 所 示)。不過由於形變前的左心室長軸較長，形變後的左心室長軸較短，形變後經均 勻分割所訂定的斑點位置並非實際上形變後斑點位移的位置所在，如此將形變前 後的影像進行斑點追蹤，可能會有顯著性的誤差。而在我們的演算法中是只在變 形前的影像上實際點選影像心肌內外膜邊界，再以內插訂出斑點位置，並在形變 後的影像上進行追蹤，我們認為如此作法能獲得較為貼近實際位移的位置。

圖 5-32 TOSHIBA ARTIDA 3D Wall Motion Tracking 斑點位置設定示意圖[21]