微循環的血流速度是反映微循環狀態的重要指標, 在許多生理和病理狀態下有著重要的參考價值。基于時空(ST)圖的流速測量方法思想是將細胞的運動軌跡映射到二維時空圖中, 將基于視頻的流速測量轉換為對ST圖中軌跡的方向測量。本文提出了一種基于隨機Hough變換與投影變換的軌跡方向測量算法, 能夠在受噪聲影響較大的ST圖中準確檢測軌跡方向并計算微循環流速。實驗結果表明本文算法測量的微循環流速與人工手動測量的結果吻合度超過90%。
引用本文： 呂菲, 趙興群. 一種基于ST圖軌跡方向的微循環流速測量算法. 生物醫學工程學雜志, 2015, 32(2): 446-450. doi: 10.7507/1001-5515.20150080 復制
引言
微循環是血液循環的重要組成部分，對它的研究有利于認識發病機制以及分析判斷病情。微循環的血流速度是反映微循環狀態的重要指標，對其進行可靠有效的測量在預防疾病的發生和藥物療效檢測方面有著重要作用[1]。正交偏振光譜成像(orthogonal polarization spectral, OPS)和側流暗場成像(sidestream dark field, SDF)開辟了無創、無毒、相對廉價的微循環可視化視頻監測，對微循環視頻的解讀結果將直接影響其臨床應用[2]。
基于微循環視頻的流速測量技術已不斷發展，目前國內外常見的用于定量估算微循環血流速度的技術包括粒子圖像測速法[3]、光流法[4]、空間相關法[5]等，但這些方法不適合噪聲大以及細胞流動特征不明顯的情況。近年來，一種基于時空圖(spatiotemporal image, ST)的方法被逐漸應用于血流速度的定量測量[6]。該方法的思想是將細胞的運動軌跡映射到二維ST圖中，將基于視頻的流速測量轉換為對ST圖中軌跡的方向測量。ST圖的時間軸表示第n幀圖像，空間軸表示沿著血管段中心線分布的像素點的灰度值。流動的紅細胞以及血漿組成了ST圖中明暗交替的斜線軌跡，該血管段的流速可通過軌跡方向的平均斜率計算得到，斜率的絕對值代表流速的快慢，斜率的符號代表流速的方向。
軌跡方向測量的結果決定了流速測量的準確性，學者們提出了一系列軌跡方向測量方法[7]，包括Hough變換、Randon變換、奇異值分解法和直線擬合法等。由于ST圖的對比度不均勻，細胞軌跡信噪比低，噪聲干擾大，以及因血管交叉造成的水平方向的條紋噪聲較為明顯，大部分微循環ST圖無法采用傳統方法。
因此本文提出了一種基于隨機Hough變換(randomized Hough transform, RHT)[8]與投影變換的軌跡方向測量算法。首先，對ST圖像進行增強預處理，盡量降低噪聲以及偽影干擾；其次，對于增強后的ST圖用RHT確定軌跡的大致方向；然后，根據直線參數確定投影變換的范圍。通過計算變換范圍內不同角度對應投影直方圖的統計特征，得到最佳軌跡方向；最后，通過軌跡的方向計算微循環流速。
1 算法
1.1 ST圖生成
微循環視頻生成ST圖的步驟包括：①抖動矯正；②中心線檢測；③ST圖生成。
通過抖動矯正而獲得穩定的視頻序列對于后續研究有著重要的作用，通常采用的圖像配準方法包括互相關方法、交互信息方法以及在醫學圖像配準中常用的鮑威爾方法、梯度下降法、單純形法等[9]。
血管中心線的檢測方法基于Hessian矩陣的跟蹤算法，通過Hessian矩陣的特征向量計算得到迭代點，由迭代點組成中心線上的離散點序列，最后進行插值擬合得到血管中心線[10]。
圖 1(a)是通過SDF成像設備采集到的舌下微循環血管的視頻圖像，白線顯示檢測到的血管中心線；圖 1(b)是生成的ST圖，中心線上流動的細胞在ST圖上顯示為與背景成一定對比度的軌跡。
圖1
舌下微循環血管和生成的ST圖
(a)舌下微循環血管；(b)圖(a)的ST圖
Figure1. Sublingual microcirculation vessels and the ST image(a) sublingual microcirculation vessels; (b) ST image
1.2 軌跡方向測量
軌跡方向測量的步驟包括：①圖像增強；②RHT；③投影變換；④統計特征計算。
1.2.1 圖像增強
為了增強ST圖的線性結構以及降低噪聲，對ST圖進行增強預處理的操作包括四階方向可調高斯濾波[11]以及限制對比度自適應直方圖均衡(contrast limited adaptive histogram equalization, CLAHE)[12]。
不同旋轉角度的濾波器表示為hθ(x, y)，圖像I(x, y)經過濾波后，像素x處的幅值響應為:
| $r\left({x, y} \right)=I\left({x, y} \right) \cdot {h_\theta } \cdot \left({x, y} \right)$ |
像素x具有最大響應時對應的方向角度為:
| ${\theta ^*}\left(x \right)=\arg \mathop {max}\limits_\theta \left\{ {I\left({x, y} \right) \cdot {h_\theta }\left({x, y} \right)} \right\}$ |
使用限制對比度自適應直方圖均衡化，重新分布亮度來改變圖像對比度。CLAHE是在局部直方圖均衡時，相鄰兩個區域對應位置上用雙線性差值方法得到新的灰度圖像。它既有局部直方圖均衡的適應圖像不同部分灰度分布差異的特點，又有全局直方圖均衡化的灰度分布較協調的效果，從而進一步降低背景噪聲的影響并增強血管邊緣對比度。
圖 2中的ST圖是對圖 1(b)中ST圖進行增強處理后的結果，增強后的ST圖中軌跡得到有效增強，并且有效消除了水平方向的條紋噪聲。
1.2.2 隨機Hough變換
RHT是由Xu等受自組織映射神經網絡的啟發提出的一種概率Hough變換。與標準Hough變換相比，RHT使用三個新的操作機制：圖像空間中的隨機抽樣、參數空間中的動態連接列表、連接圖像空間和參數空間的收斂映射，使得RHT具有參數空間無限大、參數精度任意高、時間和空間復雜度低等優點，從而在很大程度上克服了標準Hough變換中存儲空間大以及計算時間長的兩大瓶頸問題。
RHT檢測直線的基本思想是在邊緣點數據空間V中隨機選取兩個邊緣點，得到唯一直線。根據點到直線的距離計算公式得到V中的其他點到該直線的距離，若距離小于誤差閾值，則認為點在直線上，并進行數量累加。若累加值滿足設定閾值，則判定直線存在，并將直線對應的點從數據空間中剔除，重復上述操作，檢測下一條直線。
本文通過RHT確定直線的大致位置，并且不需要檢測全部直線，因此對RHT進行簡化操作，得到K(K＜5)條模糊直線, 計算得到K條模糊直線傾角的平均值θ*。
1.2.3 投影變換
投影變換的基本思想是將二維圖像空間沿某一方向投影，得到投影直方圖，計算投影直方圖的統計特征，搜索最佳軌跡方向。將ST圖沿圖像中心點在-90°~90°范圍內旋轉，圖中每個像素點垂直投影到水平向量上，投影值為垂直方向上每列像素灰度值的加權和，形成投影直方圖fθ，其中θ表示方向向量的旋轉角度。水平向量的長度為N，則第n點處的值為：
| $f_n^\theta=\sum\limits_M {{c_{nm}}}, $ |
其中cnm表示經過第n點的投影方向上的第m個像素的灰度值。
當ST圖中的軌跡垂直于水平向量時，投影直方圖將呈現多個尖峰[圖 2(a)]；而當方向向量不垂直于ST圖中的軌跡時，投影直方圖將大致呈均勻分布[圖 2(b)]。
結合RHT的結果，投影變換的具體步驟如下：
(1)根據RHT得到的結果θ*，得到投影變換的范圍[θ*-ε，θ*+ε]，其中ε為預設范圍閾值。
(2)對投影變換范圍的不同旋轉角度的ST圖進行投影變換，得到投影直方圖fθ。
(3)計算投影直方圖的統計特征，檢測特征曲線的峰值點，得到最佳軌跡方向。
1.2.4 統計特征計算
多峰特征最明顯的投影直方圖對應于最佳軌跡方向，為此需要考察投影直方圖的統計特征。常見的統計特征包括標準偏差、熵、方差、對比度等，本文使用Renyi熵與方差加權結合作為統計特征。
Renyi熵是信息理論中用于統計差異指數的重要參數，可用來表示信號在空間中分布的均勻程度，分布得越均勻，取值就越大，波動變換越明顯，取值就越小。根據Renyi熵的這個特性，呈現多個尖峰的投影直方圖對應較低的Renyi熵，而均勻分布的投影直方圖則對應較高的Renyi熵。本文中，旋轉θ角度的ST圖對應的投影直方圖的Renyi熵表示為：
| $H_\alpha ^\theta \left(X \right)=\frac{1}{{1-\alpha }}\log \left({\sum\limits_{n=1}^N {{{\left({f_n^\theta } \right)}^\alpha }} } \right), $ |
其中X是離散隨機變量，α是Renyi熵的階數。
方差是衡量信號波動大小的量，是測算離散趨勢最重要、最常見的指標。方差越大，數據的波動越大；方差越小，數據的波動就越小。本文中，旋轉θ角度的ST圖對應的投影直方圖的方差Dθ表示為：
| $\overline {{f^\theta }}=\frac{1}{N}\sum\limits_{n=1}^N {f_n^\theta } $ |
| ${D^\theta }=\frac{1}{N}\sum\limits_{n=1}^N {{{\left({f_n^\theta-\overline {{f^\theta }} } \right)}^2}} $ |
最終的統計特征值Sθ為Renyi熵與方差的加權和，二者的加權系數分別是w1和w2，但由于多峰投影直方圖對應小Renyi熵和大方差，因此加權系數的符號相反。
| ${S^\theta }={w_1} \cdot {H^\theta } + {w_2} \cdot {D^\theta }$ |
圖 3展示了基于統計特征曲線測量ST圖中軌跡方向的過程，當ST圖旋轉-5.5°時，軌跡方向垂直于水平向量，投影直方圖中產生多個尖峰，對應于統計特征曲線中的峰值位置，圖 3(b)中虛線顯示了測量的軌跡方向結果。
圖3
基于統計特征曲線的檢測結果
(a)統計特征曲線；(b)軌跡檢測結果(虛線)
Figure3. Detection result based on statistics feature curve(a) statistics feature curve; (b) detection result (dash line)
1.3 微循環流速測量
根據統計特征曲線峰值的位置得到ST圖的旋轉角度-θ，則軌跡方向與水平軸的夾角為α，其中α=90°-θ(見圖 4)。ST圖的空間軸由上到下表示血管段中心線A點到B點的像素排列，若α＜90°，血流方向為A到B；若α＞90°，則血流方向為B到A。
圖4
流速測量示意圖
Figure4.
Diagram of velocity measurement
流速計算的公式為：
| $v=\frac{{\Delta s}}{{\Delta t}}=\frac{{{R_s}}}{{{R_t}}}\tan \alpha, $ |
表示Δt時間內細胞在血管中心線上移動Δs的距離，其中Rt為ST圖時間軸的尺度，代表相鄰幀的間隔時間，Rs為ST圖空間軸的尺度，代表圖像上相鄰像素點間對應的實際距離。本文采集的微循環視頻中，Rt=1/30 s，Rs=1.5μm。
2 實驗結果與討論
實驗采集了40段舌下微循環血管的視頻圖像，進行基于ST圖的血流速度測量。在目前使用最廣泛的測量血流速度的商業軟件AVA(Automated Vascular Analysis)中[13]，通過Hough變換測量ST圖中的軌跡方向并據此計算流速，為了驗證本文算法的性能，分別將這兩種方法測量的結果與人工手動測量的結果進行比較。
通過采用Bland-Altman圖來進行定量數據的一致性評價是近年來興起的新方法。在本文中，以本文算法或Hough變換與手動測量結果的均值為橫軸，以本文算法或Hough變換與手動測量結果的差值為縱軸作散點圖，計算差值的95%分布范圍，即為一致性界限。圖 5中顯示了分別采用本文算法以及Hough變換的Bland-Altman分析結果，對于本文算法而言，一致性界限值分別為-182.58μm/s和171.73μm/s，而對于Hough變換而言，一致性界限值分別為-278.45μm/s和291.70μm/s，因此表明本文算法與人工手動測量結果的吻合度更高。
圖5
不同測量方法的Bland-Altman分析
(a)本文算法；(b)Hough變換
Figure5. Bland-Altman Analysis with different methods(a) the proposed method; (b) Hough transform
從Bland-Altman圖中可以看出，在流速越低時，測量差值越小，測量結果越準確。在高流速時，測量差值較大，主要是因為基于ST圖的流速測量方法與圖像軌跡方向角度的正切值有關，而正切曲線在越接近于90°時，梯度越大，測量角度的小偏差就會造成流速結果的很大差異，在后續研究中，可以通過減校嚎次旋轉的角度來降低誤差。此外，血管出現交叉、血管直徑的變化以及多重速度分量的存在也都會對結果產生很大影響。然而高流速在臨床上的研究意義并不重要，因為微循環機能障礙出現時，血流速度一般都低于500μm/s。
使用傳統人工測量流速的方法一般至少需要15 min的時間，并且與操作人員的熟練程度相關，而采用本文的測量算法只需1 min即可完成，在測量效率上有了顯著提高，并且準確度高，能夠為臨床診斷提供更加快速有效的信息。
3 結論
本文提出的基于RHT與投影變換的軌跡方向測量算法，能夠在受噪聲影響較大的ST圖中準確快速地檢測軌跡方向以及計算微血管流速。實驗結果表明本文算法測量的流速與人工手動測量的結果吻合度較高，與Hough變換相比結果更加準確。進一步的研究工作是提高投影變換旋轉角度的精度，以達到更好的效果，推動微循環臨床診斷的發展。
引言
微循環是血液循環的重要組成部分，對它的研究有利于認識發病機制以及分析判斷病情。微循環的血流速度是反映微循環狀態的重要指標，對其進行可靠有效的測量在預防疾病的發生和藥物療效檢測方面有著重要作用[1]。正交偏振光譜成像(orthogonal polarization spectral, OPS)和側流暗場成像(sidestream dark field, SDF)開辟了無創、無毒、相對廉價的微循環可視化視頻監測，對微循環視頻的解讀結果將直接影響其臨床應用[2]。
基于微循環視頻的流速測量技術已不斷發展，目前國內外常見的用于定量估算微循環血流速度的技術包括粒子圖像測速法[3]、光流法[4]、空間相關法[5]等，但這些方法不適合噪聲大以及細胞流動特征不明顯的情況。近年來，一種基于時空圖(spatiotemporal image, ST)的方法被逐漸應用于血流速度的定量測量[6]。該方法的思想是將細胞的運動軌跡映射到二維ST圖中，將基于視頻的流速測量轉換為對ST圖中軌跡的方向測量。ST圖的時間軸表示第n幀圖像，空間軸表示沿著血管段中心線分布的像素點的灰度值。流動的紅細胞以及血漿組成了ST圖中明暗交替的斜線軌跡，該血管段的流速可通過軌跡方向的平均斜率計算得到，斜率的絕對值代表流速的快慢，斜率的符號代表流速的方向。
軌跡方向測量的結果決定了流速測量的準確性，學者們提出了一系列軌跡方向測量方法[7]，包括Hough變換、Randon變換、奇異值分解法和直線擬合法等。由于ST圖的對比度不均勻，細胞軌跡信噪比低，噪聲干擾大，以及因血管交叉造成的水平方向的條紋噪聲較為明顯，大部分微循環ST圖無法采用傳統方法。
因此本文提出了一種基于隨機Hough變換(randomized Hough transform, RHT)[8]與投影變換的軌跡方向測量算法。首先，對ST圖像進行增強預處理，盡量降低噪聲以及偽影干擾；其次，對于增強后的ST圖用RHT確定軌跡的大致方向；然后，根據直線參數確定投影變換的范圍。通過計算變換范圍內不同角度對應投影直方圖的統計特征，得到最佳軌跡方向；最后，通過軌跡的方向計算微循環流速。
1 算法
1.1 ST圖生成
微循環視頻生成ST圖的步驟包括：①抖動矯正；②中心線檢測；③ST圖生成。
通過抖動矯正而獲得穩定的視頻序列對于后續研究有著重要的作用，通常采用的圖像配準方法包括互相關方法、交互信息方法以及在醫學圖像配準中常用的鮑威爾方法、梯度下降法、單純形法等[9]。
血管中心線的檢測方法基于Hessian矩陣的跟蹤算法，通過Hessian矩陣的特征向量計算得到迭代點，由迭代點組成中心線上的離散點序列，最后進行插值擬合得到血管中心線[10]。
圖 1(a)是通過SDF成像設備采集到的舌下微循環血管的視頻圖像，白線顯示檢測到的血管中心線；圖 1(b)是生成的ST圖，中心線上流動的細胞在ST圖上顯示為與背景成一定對比度的軌跡。
圖1
舌下微循環血管和生成的ST圖
(a)舌下微循環血管；(b)圖(a)的ST圖
Figure1. Sublingual microcirculation vessels and the ST image(a) sublingual microcirculation vessels; (b) ST image
1.2 軌跡方向測量
軌跡方向測量的步驟包括：①圖像增強；②RHT；③投影變換；④統計特征計算。
1.2.1 圖像增強
為了增強ST圖的線性結構以及降低噪聲，對ST圖進行增強預處理的操作包括四階方向可調高斯濾波[11]以及限制對比度自適應直方圖均衡(contrast limited adaptive histogram equalization, CLAHE)[12]。
不同旋轉角度的濾波器表示為hθ(x, y)，圖像I(x, y)經過濾波后，像素x處的幅值響應為:
| $r\left({x, y} \right)=I\left({x, y} \right) \cdot {h_\theta } \cdot \left({x, y} \right)$ |
像素x具有最大響應時對應的方向角度為:
| ${\theta ^*}\left(x \right)=\arg \mathop {max}\limits_\theta \left\{ {I\left({x, y} \right) \cdot {h_\theta }\left({x, y} \right)} \right\}$ |
使用限制對比度自適應直方圖均衡化，重新分布亮度來改變圖像對比度。CLAHE是在局部直方圖均衡時，相鄰兩個區域對應位置上用雙線性差值方法得到新的灰度圖像。它既有局部直方圖均衡的適應圖像不同部分灰度分布差異的特點，又有全局直方圖均衡化的灰度分布較協調的效果，從而進一步降低背景噪聲的影響并增強血管邊緣對比度。
圖 2中的ST圖是對圖 1(b)中ST圖進行增強處理后的結果，增強后的ST圖中軌跡得到有效增強，并且有效消除了水平方向的條紋噪聲。
1.2.2 隨機Hough變換
RHT是由Xu等受自組織映射神經網絡的啟發提出的一種概率Hough變換。與標準Hough變換相比，RHT使用三個新的操作機制：圖像空間中的隨機抽樣、參數空間中的動態連接列表、連接圖像空間和參數空間的收斂映射，使得RHT具有參數空間無限大、參數精度任意高、時間和空間復雜度低等優點，從而在很大程度上克服了標準Hough變換中存儲空間大以及計算時間長的兩大瓶頸問題。
RHT檢測直線的基本思想是在邊緣點數據空間V中隨機選取兩個邊緣點，得到唯一直線。根據點到直線的距離計算公式得到V中的其他點到該直線的距離，若距離小于誤差閾值，則認為點在直線上，并進行數量累加。若累加值滿足設定閾值，則判定直線存在，并將直線對應的點從數據空間中剔除，重復上述操作，檢測下一條直線。
本文通過RHT確定直線的大致位置，并且不需要檢測全部直線，因此對RHT進行簡化操作，得到K(K＜5)條模糊直線, 計算得到K條模糊直線傾角的平均值θ*。
1.2.3 投影變換
投影變換的基本思想是將二維圖像空間沿某一方向投影，得到投影直方圖，計算投影直方圖的統計特征，搜索最佳軌跡方向。將ST圖沿圖像中心點在-90°~90°范圍內旋轉，圖中每個像素點垂直投影到水平向量上，投影值為垂直方向上每列像素灰度值的加權和，形成投影直方圖fθ，其中θ表示方向向量的旋轉角度。水平向量的長度為N，則第n點處的值為：
| $f_n^\theta=\sum\limits_M {{c_{nm}}}, $ |
其中cnm表示經過第n點的投影方向上的第m個像素的灰度值。
當ST圖中的軌跡垂直于水平向量時，投影直方圖將呈現多個尖峰[圖 2(a)]；而當方向向量不垂直于ST圖中的軌跡時，投影直方圖將大致呈均勻分布[圖 2(b)]。
結合RHT的結果，投影變換的具體步驟如下：
(1)根據RHT得到的結果θ*，得到投影變換的范圍[θ*-ε，θ*+ε]，其中ε為預設范圍閾值。
(2)對投影變換范圍的不同旋轉角度的ST圖進行投影變換，得到投影直方圖fθ。
(3)計算投影直方圖的統計特征，檢測特征曲線的峰值點，得到最佳軌跡方向。
1.2.4 統計特征計算
多峰特征最明顯的投影直方圖對應于最佳軌跡方向，為此需要考察投影直方圖的統計特征。常見的統計特征包括標準偏差、熵、方差、對比度等，本文使用Renyi熵與方差加權結合作為統計特征。
Renyi熵是信息理論中用于統計差異指數的重要參數，可用來表示信號在空間中分布的均勻程度，分布得越均勻，取值就越大，波動變換越明顯，取值就越小。根據Renyi熵的這個特性，呈現多個尖峰的投影直方圖對應較低的Renyi熵，而均勻分布的投影直方圖則對應較高的Renyi熵。本文中，旋轉θ角度的ST圖對應的投影直方圖的Renyi熵表示為：
| $H_\alpha ^\theta \left(X \right)=\frac{1}{{1-\alpha }}\log \left({\sum\limits_{n=1}^N {{{\left({f_n^\theta } \right)}^\alpha }} } \right), $ |
其中X是離散隨機變量，α是Renyi熵的階數。
方差是衡量信號波動大小的量，是測算離散趨勢最重要、最常見的指標。方差越大，數據的波動越大；方差越小，數據的波動就越小。本文中，旋轉θ角度的ST圖對應的投影直方圖的方差Dθ表示為：
| $\overline {{f^\theta }}=\frac{1}{N}\sum\limits_{n=1}^N {f_n^\theta } $ |
| ${D^\theta }=\frac{1}{N}\sum\limits_{n=1}^N {{{\left({f_n^\theta-\overline {{f^\theta }} } \right)}^2}} $ |
最終的統計特征值Sθ為Renyi熵與方差的加權和，二者的加權系數分別是w1和w2，但由于多峰投影直方圖對應小Renyi熵和大方差，因此加權系數的符號相反。
| ${S^\theta }={w_1} \cdot {H^\theta } + {w_2} \cdot {D^\theta }$ |
圖 3展示了基于統計特征曲線測量ST圖中軌跡方向的過程，當ST圖旋轉-5.5°時，軌跡方向垂直于水平向量，投影直方圖中產生多個尖峰，對應于統計特征曲線中的峰值位置，圖 3(b)中虛線顯示了測量的軌跡方向結果。
圖3
基于統計特征曲線的檢測結果
(a)統計特征曲線；(b)軌跡檢測結果(虛線)
Figure3. Detection result based on statistics feature curve(a) statistics feature curve; (b) detection result (dash line)
1.3 微循環流速測量
根據統計特征曲線峰值的位置得到ST圖的旋轉角度-θ，則軌跡方向與水平軸的夾角為α，其中α=90°-θ(見圖 4)。ST圖的空間軸由上到下表示血管段中心線A點到B點的像素排列，若α＜90°，血流方向為A到B；若α＞90°，則血流方向為B到A。
圖4
流速測量示意圖
Figure4.
Diagram of velocity measurement
流速計算的公式為：
| $v=\frac{{\Delta s}}{{\Delta t}}=\frac{{{R_s}}}{{{R_t}}}\tan \alpha, $ |
表示Δt時間內細胞在血管中心線上移動Δs的距離，其中Rt為ST圖時間軸的尺度，代表相鄰幀的間隔時間，Rs為ST圖空間軸的尺度，代表圖像上相鄰像素點間對應的實際距離。本文采集的微循環視頻中，Rt=1/30 s，Rs=1.5μm。
2 實驗結果與討論
實驗采集了40段舌下微循環血管的視頻圖像，進行基于ST圖的血流速度測量。在目前使用最廣泛的測量血流速度的商業軟件AVA(Automated Vascular Analysis)中[13]，通過Hough變換測量ST圖中的軌跡方向并據此計算流速，為了驗證本文算法的性能，分別將這兩種方法測量的結果與人工手動測量的結果進行比較。
通過采用Bland-Altman圖來進行定量數據的一致性評價是近年來興起的新方法。在本文中，以本文算法或Hough變換與手動測量結果的均值為橫軸，以本文算法或Hough變換與手動測量結果的差值為縱軸作散點圖，計算差值的95%分布范圍，即為一致性界限。圖 5中顯示了分別采用本文算法以及Hough變換的Bland-Altman分析結果，對于本文算法而言，一致性界限值分別為-182.58μm/s和171.73μm/s，而對于Hough變換而言，一致性界限值分別為-278.45μm/s和291.70μm/s，因此表明本文算法與人工手動測量結果的吻合度更高。
圖5
不同測量方法的Bland-Altman分析
(a)本文算法；(b)Hough變換
Figure5. Bland-Altman Analysis with different methods(a) the proposed method; (b) Hough transform
從Bland-Altman圖中可以看出，在流速越低時，測量差值越小，測量結果越準確。在高流速時，測量差值較大，主要是因為基于ST圖的流速測量方法與圖像軌跡方向角度的正切值有關，而正切曲線在越接近于90°時，梯度越大，測量角度的小偏差就會造成流速結果的很大差異，在后續研究中，可以通過減校嚎次旋轉的角度來降低誤差。此外，血管出現交叉、血管直徑的變化以及多重速度分量的存在也都會對結果產生很大影響。然而高流速在臨床上的研究意義并不重要，因為微循環機能障礙出現時，血流速度一般都低于500μm/s。
使用傳統人工測量流速的方法一般至少需要15 min的時間，并且與操作人員的熟練程度相關，而采用本文的測量算法只需1 min即可完成，在測量效率上有了顯著提高，并且準確度高，能夠為臨床診斷提供更加快速有效的信息。
3 結論
本文提出的基于RHT與投影變換的軌跡方向測量算法，能夠在受噪聲影響較大的ST圖中準確快速地檢測軌跡方向以及計算微血管流速。實驗結果表明本文算法測量的流速與人工手動測量的結果吻合度較高，與Hough變換相比結果更加準確。進一步的研究工作是提高投影變換旋轉角度的精度，以達到更好的效果，推動微循環臨床診斷的發展。
