窦性和房性心律失常的DFA分析

第 ２９卷　第 ５期 ２０１０年　１０月 北京生物医学工程 ＢｅｉｊｉｎｇＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ Ｖｏｌ．２９　Ｎｏ．５ Ｏｃｔｏｂｅｒ　２０１０ 基金项目：国家自然科学基金（６０７０１００２）资助 作者单位：南京邮电大学，图像处理与图像通信江苏省重点实验室 （南京　２１０００３） 作者简介：王春龙（１９８５—），男，硕士研究生，主要从事生物医学工 程研究 通信作者：王俊，副研究员。Ｅｍａｉｌ：ｗａｎｇｊ＠ｎｊｕｐｔ．ｅｄｕ．ｃｎ 窦性和房性心律失常的 ＤＦＡ分析 王春龙　王俊 摘　要　研究证据表明许多自然系统和生物系统没有固定的特征尺度，而是展现自相似特性。本 文利用消除趋势波动分析（ＤＦＡ）方法，分析窦性心律、房性心律失常的 ＥＣＧ信号的自相似特性，以实现 这两种心律失常的检测。并利用 ＤＦＡ方法对 ＭＩＴＢＩＨ数据库中的正常窦性心律、房性期前收缩 （也称为房性早搏）、窦性心动过缓信号进行了分析和检测，得到这三种信号的尺度指数，据此区分出窦 性心律、房性心律失常和正常窦性心律，此结果表明 ＤＦＡ方法能够检测窦性和房性心律失常。 关键词　消除趋势波动分析方法；窦性心律失常；房性心律失常 ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００２－３２０８．２０１０．０５．０５． 中图分类号　Ｒ３１８．０４　　　文献标志码　Ａ　　　文章编号　１００２－３２０８（２０１０）０５－０４６１－０４ ＤｅｔｅｃｔｉｏｎｏｆＳｉｎｕｓＡｒｒｈｙｔｈｍｉａｓａｎｄＡｔｒｉａｌＡｒｒｈｙｔｈｍｉａｓＢａｓｅｄ ｏｎＤｅｔｒｅｎｄｅｄＦｌｕｃｔｕａｔｉｏｎＡｎａｌｙｓｉｓ ＷＡＮＧＣｈｕｎｌｏｎｇ，ＷＡＮＧＪｕｎ ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＫｅｙＬａｂｏｒａｔｏｒｙｏｆＪｉａｎｇｓｕＰｒｏｖｉｎｃｅ， ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｎａｎｊｉｎｇ　２１０００３ 【Ａｂｓｔｒａｃｔ】　 Ｒｅｃｅｎｔｌｙ，ｍｏｒｅａｎｄｍｏｒｅｅｖｉｄｅｎｃｅｓｓｕｇｇｅｓｔｔｈａｔｍａｎｙｎａｔｕｒａｌｓｙｓｔｅｍｓａｎｄｂｉｏｌｏｇｉｃａｌ ｓｙｓｔｅｍｓｈａｖｅｎｏｆｉｘｅｄｃｈａｒａｃｔｅｒｉｓｔｉｃｓｃａｌｅｓ，ｂｕｔｔｈｅｙｅｘｈｉｂｉｔｓｅｌｆｓｉｍｉｌａｒｉｔｙ．Ｔｈｉｓｓｔｕｄｙａｐｐｌｉｅｄｔｈｅｄｅｔｒｅｎｄｅｄ ｆｌｕｃｔｕａｔｉｏｎａｎａｌｙｓｉｓ（ＤＦＡ）ｍｅｔｈｏｄ，ａｎａｌｙｚｉｎｇｓｉｎｕｓｒｈｙｔｈｍ，ａｔｒｉａｌａｒｒｈｙｔｈｍｉａＥＣＧｓｉｇｎａｌｓｉｎｓｅｌｆｓｉｍｉｌａｒｉｔｙｉｎ ｏｒｄｅｒｔｏａｃｈｉｅｖｅｔｈｅｔｗｏｋｉｎｄｓｏｆａｒｒｈｙｔｈｍｉａｄｅｔｅｃｔｉｏｎ．Ｆｉｒｓｔｗｅｏｂｔａｉｎｅｄｔｈｅｎｏｒｍａｌｓｉｎｕｓｒｈｙｔｈｍ（ＮＳＲ）ｄａｔａ ｆｒｏｍ ｔｈｅＭＩＴＢＩＨ ｎｏｒｍａｌｓｉｎｕｓｄａｔａｂａｓｅ，ｏｂｔａｉｎｅｄｔｈｅａｔｒｉａｌｐｒｅｍａｔｕｒｅｃｏｎｔｒａｃｔｉｏｎ（ＡＰＣ）ａｎｄｓｉｎｕｓ ｂｒａｄｙｃａｒｄｉａｒｈｙｔｈｍ（ＳＢＲ）ｄａｔａｆｒｏｍｔｈｅＭＩＴＢＩＨａｒｒｈｙｔｈｍｉａｄａｔａｂａｓｅ．Ｔｈｅｎｗｅｄｅｔｅｃｔｅｄａｎｄａｎａｌｙｚｅｄｔｈｅ ＮＳＲ，ＡＰＣａｎｄＳＢＲｓｉｇｎａｌｓｗｉｔｈＤＦＡｍｅｔｈｏｄａｎｄａｃｑｕｉｒｅｄｔｈｅｓｃａｌｉｎｇｅｘｐｏｎｅｎｔαｏｆｔｈｅｔｈｒｅｅｓｉｇｎａｌｓ．Ｆｉｎａｌｌｙ ｗｅａｃｈｉｅｖｅｄｔｈｅｄｉｓｔｉｎｃｔｉｏｎａｍｏｎｇｔｈｅｓｅｔｈｒｅｅｓｉｇｎａｌｓ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅＤＦＡｍｅｔｈｏｄｃｏｕｌｄｂｅｕｓｅｄ ｆｏｒｄｅｔｅｃｔｉｎｇｔｈｅｓｉｎｕｓａｎｄａｔｒｉａｌａｒｒｈｙｔｈｍｉａｓ． 【Ｋｅｙｗｏｒｄｓ】　ｄｅｔｒｅｎｄｅｄｆｌｕｃｔｕａｔｉｏｎａｎａｌｙｓｉｓ（ＤＦＡ）ｍｅｔｈｏｄ；ｓｉｎｕｓａｒｒｈｙｔｈｍｉａｓ；ａｔｒｉａｌａｒｒｈｙｔｈｍｉａｓ ０　引言 ＤＦＡ（ｄｅｔｒｅｎｄｅｄｆｌｕｃｔｕａｔｉｏｎａｎａｌｙｓｉｓ）即消除趋 势波动分析法，是 Ｃ．Ｋ．Ｐｅｎｇ等物理学家和生物学 家于１９９４年探测 ＤＮＡ（脱氧核糖核酸）内部分子 链的相关可能性的程度时首先提出的［１－２］。自从 Ｃ．Ｋ．Ｐｅｎｇ提出后，ＤＦＡ方法已经被成功地应用在 了很多研究领域，例如心跳动力学［３］、脑电信号［４］、 气象学［５］、气候温度波动［６］、河流流动［７］等。ＤＦＡ 分析方法的优点在于可以准确地量化嵌入在非平稳 信号中的自相似特性。心律失常是引起各种心脏病 患者死亡的主要原因之一，也是近年来心血管领域 非常活跃的一门学科［８－９］。鉴于其包含多个种类， 本文只针对其中的窦性心动过缓和房性早搏两种心 律失常进行分析。窦性心律失常是指激动仍然起源 于窦房结，但其频率及节律有所变异的一类心律失 常。当窦性心律频率低于 ６０次／ｍｉｎ时，称为窦性 心动过缓［１０］。房性心律失常是发生在心房缓慢心 律基础上的快速心律失常，是心律失常中最常见，也 是最主要的部分［１１－１２］。在心电图中，心房异位起搏 点突然提早发出一次激动引起心房除极，称之为房 性期前收缩，又称之为房性早搏，是一种最常见的房 性心律失常［１３］。本文运用 ＤＦＡ方法分析了不同生 理病理状态的心电图的自相似特性，得出了一些比 较结论，可以对临床诊断有重要的提示作用。 １　原理和方法 ＤＦＡ算法可以归纳为如下步骤［１４］。 （１）时间序列｛ｘ（ｉ）：１≤ｉ≤Ｎ｝，按下式求出累 加和序列： ｙ（ｉ）＝ ｉ ｊ＝１ ［ｘ（ｊ＿－珋ｘ］ （１） 珋ｘ≡ １Ｎ Ｎ ｊ＝１ ｘ（ｊ） （２） 式中，ｘ是时间序列｛ｘ（ｉ）：１≤ｉ≤Ｎ｝的全局均值。 （２）把和序列 ｙ（ｉ）划分成长度为 ｎ的 Ｂ个不 重叠的段，每次划分后如果剩下最后一个不完整的 段（该段长度≤ｎ）则做舍去处理。接着在每个小段 中进行局部趋势的消除，局部趋势用 ｙＴ（ｉ）表示，用 最小均方法进行多项式拟合估计出局部的趋势 ｙＴ（ｉ），最后按下式从和序列中去除每个小段内波动 的局部趋势： Ｙｂ（ｉ）≡ ｙ( )ｉ－ｙＴ( )ｉ （３） 图１为去除了局部线性趋势的累加和序列示意图， 其中尺度 ｎ＝１００，序列长度 Ｎ＝１０００。 图１　去除了局部线性趋势的累加和序列 （尺度 ｎ＝１００，Ｎ＝１０００）［１４］ Ｆｉｇｕｒｅ１　Ｔｈｅｉｎｔｅｇｒａｔｅｄｔｉｍｅｓｅｒｉｅｓｗｉｔｈｌｏｃａｌｌｉｎｅａｒｔｒｅｎｄ ｅｌｉｍｉｎａｔｅｄ（ｂｏｘｓｉｚｅｎ＝１００ａｎｄＮ＝１０００）［１４］ 据估计局部趋势时使用多项式阶数的不同，对 应不同的去趋势波动分析模型，分别称之为 ＤＦＡ－ １对应线性拟合，简记为 ＤＦＡ１（对应 １阶多项式）、 ＤＦＡ２（对应 ２阶多项式）、ＤＦＡＬ（对应 Ｌ阶多项 式）。 （３）按下式计算围绕局部趋势的平均方差距 离： Ｆ（ｎ）＝ １ Ｂ Ｂ ｂ＝１ Ｙ[ ]ｂ槡 ２ （４） 　　（４）不断改变时间尺度 ｎ（即窗口）的大小重复 上述过程，这样就得到了每个尺度 ｎ及其对应的平 均波动 Ｆ（ｎ）。一般来说，波动 Ｆ（ｎ）会随着时间尺 度 ｎ单调增加。为了观察的方便，绘制时间尺度 ｎ 和平均波动 Ｆ（ｎ）之间的双对数图，寻找它们之间 是否存在如下的幂律关系： Ｆ( )ｎ∝ ｎα （５） 如果Ｆ（ｎ）和ｎ之间服从上述幂律关系，则说明原始 信号中存在尺度不变性行为，即尺度指数 α不随时 间窗口大小ｎ的变化而变化。尺度指数α是原始序 列“粗糙程度（ｒｏｕｇｈｎｅｓｓ）”的一种表现。α＝０．５时 序列是白噪声，０＜α＜０．５系统具有反关联特性， ０．５＜α＜１系统具有长程关联特性，α＝１为 １／ｆ噪 声，α＞１存在关系，但幂次行为逐渐停止。 ２　数据分析 本文所用数据来自于 ＭＩＴＢＩＨ ＮｏｒｍａｌＳｉｎｕｓ ＲｈｙｔｈｍＤａｔａｂａｓｅ数据库（简称 ｎｓｒｄｂ）与 ＭＩＴＢＩＨ ＡｒｒｈｙｔｈｍｉａＤａｔａｂａｓｅ数据库（简称 ｍｉｔｄｂ）。 在 ｎｓｒｄｂ中包含了１８段 ＥＣＧ信号，这些信号是 从５名男性，年龄 ２６～４５；１３名女性，年龄 ２０～５０ 的身上采集而来，采样频率为 １２８Ｈｚ。在该数据库 中选 取 ８段 正 常 窦 性 心 律 信 号 （ｎｏｒｍａｌｓｉｎｕｓ ｒｈｙｔｈｍ），并提取２ｍｉｎ长度的数据进行处理，每组数 据里去 １００００个点。ｍｉｔｄｂ中包含了 ４８段长度为 ０．５ｈ左右的 ＥＣＧ信号，采样频率为 ３６０Ｈｚ。从该 数据库中选取 ８段长度为 １ｍｉｎ的房性早搏信号 （ａｔｒｉａｌｐｒｅｍａｔｕｒｅｂｅａｔ）进行处理。另外，由于 ＭＩＴ数 据库 中 选 取 １段 窦 性 心 动 过 缓 信 号 （Ｓｉｎｕｓ Ｂｒａｄｙｃａｒｄｉａ），并从这段数据中截取 ６份长度均为 １ｍｉｎ的数据进行分析，每组数据里去 １００００个点， 以验证 ＤＦＡ方法在心律失常检测中的应用。 ·２６４· 北京生物医学工程　　　　　　　　　　　　　　　　　　　第 ２９卷 ３　实验结果 从图２（ａ，ｂ，ｃ）分别显示正常窦性心律、房性早 搏和窦性心动过缓心电图的 ｌｏｇ１０Ｆ（ｎ）ｌｏｇ１０ｎ关系 图。图３显示正常窦性心律、房性早搏和窦性心动 过缓心电图的 ｌｏｇ１０Ｆ（ｎ）均值ｌｏｇ１０ｎ比较。心电图 三种状态（正常窦性心律、房性早搏和窦性心动过 缓）（Ｎｏｒｍａｌ、ＡＰＣ、ＳＢＲ）的 ＤＦＡ平均值和标准方差 统计结果分别为 ０．７１３５±０．０１９８（Ｎｏｒｍａｌ）、０．８１４４ ±０．０３０８（ＡＰＣ）、０．７３５７±０．０２８１（ＳＢＲ）。从图 ２、 图３的 ｌｏｇ１０Ｆ（ｎ）均值除以 ｌｏｇ１０ｎ可以得出（见表 １）：对健康人来说平均 α＝０．７１３５；对房性早搏病人 来说平均 α＝０．８１４４；对心梗病人来说平均 α＝ ０７３５７。上述结果可以表示随着心律的变化长时尺 度相关性的丢失和机体本身的病理改变。 图２　三种状态的 ｌｏｇ１０Ｆ（ｎ）ｌｏｇ１０ｎ比较 Ｆｉｇｕｒｅ２　ｌｏｇ１０Ｆ（ｎ）ｌｏｇ１０ｎｏｆｔｈｒｅｅｓｔａｔｅｓ 从结果可以看出正常窦性心律的 α平均值均 图３　正常窦性心律、房性早搏、窦性心动过缓心电图 的 ｌｏｇ１０Ｆ（ｎ）均值ｌｏｇ１０ｎ比较 Ｆｉｇｕｒｅ３　Ｃｏｍｐａｒａｔｉｏｎｏｆｍｅａｎｌｏｇ１０Ｆ（ｎ）ｌｏｇ１０ｎ ａｍｏｎｇｔｈｅＥＣＧｏｆｎｏｒｍａｌｓｉｎｕｓｒｈｙｔｈｍ，ａｔｒｉａｌ ｐｒｅｍａｔｕｒｅｂｅａｔａｎｄｓｉｎｕｓｂｒａｄｙｃａｒｄｉａ 小于房性早搏和窦性心动过缓的 α平均值。还可 以得出正常心律的波动范围是最小的。根据尺度指 数以及波动范围都可以区分开正常窦性心律、房性 早搏、窦性心动过缓病人，这对临床医学有着重要的 启示作用。 根据统计的数据，求取正常窦性心律、房性早 搏、窦性心动过缓信号 α均数 ９５％的置信区间，结 果如下。 正常窦性心律置信区间：［０．６６２６，０．７６４４］；房 性早搏置信区间：［０．７３５２，０．８９３６］；窦性心律过缓 置信区间：［０．６６３５，０．８０７９］。 ４　讨论 对于 ＥＣＧ的研究方法有很多种，如小波变 换［１４］、基本尺度熵分析等。本文则采用非线性的 ＤＦＡ方法来分析正常窦性心律、窦性心律失常与房性 心律失常的 ＥＣＧ信号的自相似特性变化情况，得出。 （１）ＤＦＡ方法可以用来分析 ＥＣＧ信号。 （２）研究发现房性早搏信号的尺度指数α明显 高于窦性心动过缓和正常窦性信号的，且正常窦性 信号的最低。 （３）通过 ＤＦＡ方法获得的尺度指数以及波动 范围能比较好地区分正常人和心律失常的病人，并 且可以区分出是窦性心律失常还是房性心律失常。 这种方法可以在临床上运用于辨别心律正常与否。 参考文献 ［１］　ＰｅｎｇＣＫ，ＢｕｌｄｙｒｅｖＳＶ，ＧｏｌｄｂｅｒｇｅｒＡＬ，ｅｔａｌ．Ｆｉｎｉｔｅｓｉｚｅｅｆｆｅｃｔｓ ｏｎ ｌｏｎｇｒａｎｇｅ ｃｏｒｒｅｌａｔｉｏｎｓ： Ｉｍｐｌｉｃａｔｉｏｎｓｆｏｒａｎａｌｙｚｉｎｇ ＤＮＡ ·３６４·第 ５期 　　　　　　窦性和房性心律失常的 ＤＦＡ分析 ｓｅｑｕｅｎｃｅｓ．ＰｈｙｓＲｅｖＥ，１９９３，４７（５）：３７３０－３７３３． ［２］　ＰｅｎｇＣＫ，ＨａｖｌｉｎＳ，ＳｔａｎｌｅｙＨＥ，ｅｔａｌ．Ｑｕａｎｔｉｆｉｃａｔｉｏｎｏｆｓｃａｌｉｎｇ ｅｘｐｏｎｅｎｔｓａｎｄｃｒｏｓｓｏｖｅｒｐｈｅｎｏｍｅｎａｉｎｎｏｎｓｔａｔｉｏｎａｒｙｈｅａｒｔｂｅａｔ ｔｉｍｅｓｅｒｉｅｓ．Ｃｈａｏｓ，１９９５，５：８２－８７． ［３］　ＦｅｒｒｅｅＴＣ，Ｈｗａ ＲＣ． Ｅｌｅｃｔｒｏｐｈｙｓｉｏｇｉｃａｌｍｅａｓｕｒｅｓｏｆａｃｕｔｅ ｃｅｒｅｂｒａｌｉｓｃｈａｅｍｉａ．ＰｈｙｓＭｅｄＢｉｏｌ，２００５，５０：３９２７－３９３９． ［４］　ＩｖａｎｎｏｖａＫ，ＡｕｓｌｏｏｓＭ．Ａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｄｅｔｒｅｎｄｅｄｆｌｕｃｔｕａｔｉｏｎ ａｎａｌｙｓｉｓ（ＤＦＡ）ｍｅｔｈｏｄｆｏｒｄｅｓｃｒｉｂｉｎｇｃｌｏｕｄｂｒｅａｋｉｎｇ．Ｐｈｙｓｉｃａ Ａ，１９９９，２７４（１－２）：３４９－３５４． ［５］　ＫｏｓｃｉｅｌｎｙＢｕｎｄｅＥ，ＢｕｎｄｅＡ，ＨａｖｌｉｎＳ，ｅｔａｌ．Ｉｎｄｉｃａｔｉｏｎｏｆａ ｕｎｉｖｅｒｓａｌｐｅｒｓｉｓｔｅｎｃｅｌａｗｇｏｖｅｒｎｉｎｇａｔｍｏｓｐｈｅｒｉｃｖａｒｉａｂｉｌｉｔｙ．Ｐｈｙｓ ＲｅｖＬｅｔｔ，１９９８，８１（３）：７２９－７３２． ［６］　ＴａｌｋｅｒＰ，ＷｅｂｅｒＲＯ．Ｐｏｗｅｒｓｐｅｃｔｒｕｍａｎｄｄｅｔｒｅｎｄｅｄｆｌｕｃｔｕａｔｉｏｎ ａｎａｌｙｓｉｓ：Ａｐｐｌｉｃａｔｉｏｎｔｏｄａｉｌｙｔｅｍｐｅｒａｔｕｒｅｓ．ＰｈｙｓＲｅｖＥ，２０００， ６２（１）：１５０－１６０． ［７］　ＭｏｎｔａｎａｒｉＡ，ＲｏｓｓｏＲ，ＴａｑｑｕＭＳ．Ａ ｓｅａｓｏｎａｌｆｒａｃｔｉｏｎａｌｌｙ ｄｉｆｆｅｒｅｎｃｅｄＡＲＩＭＡｍｏｄｅｌａｐｐｌｉｅｄｔｏｔｈｅＮｉｌｅＲｉｖｅｒｍｏｎｔｈｌｙｆｌｏｗｓ ａｔＡｓｗａｎ．ＷａｔｅｒＲｅｓｏｕｒＲｅｓ，２０００，３６：１２４９－１２６０． ［８］　张存泰．心律失常治疗的现状和展望．咸宁学院学报（医学 版），２００４，１８（６）：３８１－３８４． ［９］　王方正．心律失常的研究现状．中国循环杂志，２００１，１６（６）：４０３． ［１０］　杨钧国，李治安．现代心电图学．北京：科学出版社，１９９７： ４３０－５１０． ［１１］　孙荣荣，汪源源，方祖祥．基于灰色关联度 ｋ－近邻法的房性 心律 失 常 识 别．航 天 医 学 与 医 学 工 程，２００７，２０（３）： １９３－１９７． ［１２］　张爱莉，杜天敏．Ｐ波形态与房性心律失常发生的关系．中国 基层医药，２００４，１１（３）：３６１． ［１３］　ＰｅｎｇＣＫ，ＨａｖｌｉｎＳ，ＳｔａｎｌｅｙＨＥ，ｅｔａｌ．Ｑｕａｎｔｉｆｉｃａｔｉｏｎｏｆｓｃａｌｉｎｇ ｅｘｐｏｎｅｎｔｓａｎｄｃｒｏｓｓｏｖｅｒｐｈｅｎｏｍｅｎａｉｎｎｏｎｓｔａｔｉｏｎａｒｙｈｅａｒｔｂｅａｔ ｔｉｍｅｓｅｒｉｅｓ．Ｃｈａｏｓ，１９９５，５：８２－８７． ［１４］　许建强，袁震东，李高平，等．基于小波变换的 １２－导联心电 图特征提取方法．华东师范大学学报（自然科学版），２００５， （２）：２７－３２． （２００９－１２－２１收稿，２０１０－０１－１９修回 檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲檲 ） （上接第 ４５２页） 　 　 ＡｎｎｕａｌＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｆｔｈｅＩＥＥＥ Ｅｎｇｉｎｅｅｒｉｎｇｉｎ Ｍｅｄｉｃｉｎｅａｎｄ ＢｉｏｌｏｇｙＰｒｏｃｅｅｄｉｎｇｓ．２９ｔｈ ＡｎｎｕａｌＩｎｔｅｒｎａｔｉｏｎａｌ ＣｏｎｆｅｒｅｎｃｅｏｆＩＥＥＥＥＭＢＳ，ＥｎｇｉｎｅｅｒｉｎｇｉｎＭｅｄｉｃｉｎｅａｎｄＢｉｏｌｏｇｙ Ｓｏｃｉｅｔｙ，ＥＭＢＣ＇０７，２００７：５５７９－５５８４． ［６］　ＰｉｎｔｉＡ，ＨｅｄｏｕｘＰ， ＫａｎｇＨ， ｅｔａｌ． Ａｎ ａｕｔｏｍａｔｅｄ ｐｉｘｅｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｕｓｉｎｇｓｕｒｆａｃｅｅｘｐａｎｓｉｏｎ：ＡｐｐｌｉｃａｔｉｏｎｔｏＭＲＩ ｉｍａｇｅｓｅｑｕｅｎｃｅ［Ｃ］．Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ：ＩＭＡＣＳＭｕｌｔｉｃｏｎｆｅｒｅｎｃｅｏｎ “ＣｏｍｐｕｔａｔｉｏｎａｌＥｎｇｉｎｅｅｒｉｎｇｉｎＳｙｓｔｅｍｓＡｐｐｌｉｃａｔｉｏｎｓ”（ＣＥＳＡ）， ２００６：１５１４－１５１９． ［７］　ＭｏｎｚｏｎＡ，ＨｅｍｌｅｒＰＦ，ＮａｌｌｓＭ，ｅｔａｌ．Ｓｅｇｍｅｎｔａｔｉｏｎｏｆｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅｉｍａｇｅｓｏｆｔｈｅｔｈｉｇｈｓｆｏｒａｎｅｗＮａｔｉｏｎａｌＩｎｓｔｉｔｕｔｅｓｏｆ Ｈｅａｌｔｈｉｎｉｔｉａｔｉｖｅ［Ｃ］．ＭｅｄｉｃａｌＩｍａｇｉｎｇ２００７：ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ， Ｐｔｓ１ － ３， Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｓｏｃｉｅｔｙ ｏｆ Ｐｈｏｔｏｏｐｔｉｃａｌ ＩｎｓｔｒｕｍｅｎｔａｔｉｏｎＥｎｇｉｎｅｅｒｓ，（ＳＰＩＥ），２００７，６５１２： Ｌ５１２３ － Ｌ５１２３． ［８］　ＰｏｓｉｔａｎｏＶ，Ｃｈｒｉｓｔｉａｎｓｅｎ Ｔ， ＳａｎｔａｒｅｌｌｉＭＦ，ｅｔａｌ． Ａｃｃｕｒａｔｅ ＳｅｇｍｅｎｔａｔｉｏｎｏｆＳｕｂｃｕｔａｎｅｏｕｓａｎｄＩｎｔｅｒｍｕｓｃｕｌａｒＡｄｉｐｏｓｅＴｉｓｓｕｅ ＦｒｏｍＭＲＩｍａｇｅｓｏｆｔｈｅＴｈｉｇｈ［Ｊ］．ＪｏｕｒｎａｌｏｆＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ，２００９，２９（３）：６７７－６８４． ［９］　ＭａｔｔｅｉＪＰ，ＦｕｒＹＬ，ＣｕｇｅＮ，ｅｔａｌ．Ｓｅｇｍｅｎｔａｔｉｏｎｏｆｆａｓｃｉａｓ，ｆａｔ ａｎｄｍｕｓｃｌｅｆｒｏｍ ｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｅｓｉｎｈｕｍａｎｓ：ｔｈｅ ＤＩＳＰＩＭＡＧｓｏｆｔｗａｒｅ［Ｊ］．ＭａｇｎＲｅｓｏｎＭａｔｅｒＰｈｙ，２００６，１９（５）： ２７５ ! ２７９． ［１０］　ＬｉＹＬ，ＳｈｅｎＹ．Ａｎａｕｔｏｍａｔｉｃｆｕｚｚｙｃｍｅａｎｓａｌｇｏｒｉｔｈｍｆｏｒｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．ＳｏｆｔＣｏｍｐｕｔｉｎｇ，２０１０，１４（２）：１２３－１２８． ［１１］　ＹｕＺＤ，ＺｏｕＲＢ，ＹｕＳＭ．ＡＭｏｄｉｆｉｅｄＦｕｚｚｙＣＭｅａｎｓＡｌｇｏｒｉｔｈｍ ｗｉｔｈＡｄａｐｔｉｖｅＳｐａｔｉａｌＩｎｆｏｒｍａｔｉｏｎｆｏｒＣｏｌｏｒＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎ ［Ｃ］．Ｎａｓｈｖｉｌｌｅ，ＴＮ：２００９ＩＥＥＥＳｙｍｐｏｓｉｕｍ ｏｎＣｏｍｐｕｔａｔｉｏｎａｌ ＩｎｔｅｌｌｉｇｅｎｃｅｉｎＩｍａｇｅａｎｄＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，ＭＡＲ３０－ＡＰＲ０２， ２００９：４８－５２． ［１２］　李宇鑫，邓双成，曹莹瑜．基于水平集方法的医学图像分割 ［Ｊ］．北京石油化工学院学报，２００８，１６（４）：５０－５４． ［１３］　ＣｈｅｎＺＢ，ＱｉｕＴＳ，ＲｕａｎＳ．ＦｕｚｚｙＡｄａｐｔｉｖｅＬｅｖｅｌＳｅｔＡｌｇｏｒｉｔｈｍ ｆｏｒＢｒａｉｎＴｉｓｓｕｅＳｅｇｍｅｎｔａｔｉｏｎ［Ｃ］．ＩＣＳＰ：２００８９ｔｈＩｎｔｅｒｎａｔｉｏｎａｌ ＣｏｎｆｅｒｅｎｃｅｏｎＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，２００８：１０４７－１０５０． ［１４］　ＷａｎｇＸＦ，ＭｉｎＨ．ＡＬｅｖｅｌＳｅｔＢａｓｅｄＳｅｇｍｅｎｔａｔｉｏｎＭｅｔｈｏｄｆｏｒ ＩｍａｇｅｓｗｉｔｈＩｎｔｅｎｓｉｔｙＩｎｈｏｍｏｇｅｎｅｉｔｙ［Ｃ］．ＥｍｅｒｇｉｎｇＩｎｔｅｌｌｉｇｅｎｔ Ｃｏｍｐｕｔｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ： Ｗｉｔｈ Ａｓｐｅｃｔｓ ｏｆ ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，２００９，５７５５：６７０－６７９． （２００９－１２－３０收稿，２０１０－０２－０５修回） ·４６４· 北京生物医学工程　　　　　　　　　　　　　　　　　　　第 ２９卷