王曉嬋，吳明珠，李興民

(1. 南方醫(yī)科大學 圖書館, 廣東 廣州 510515; 2. 廣州商學院 計算機系, 廣東 廣州 511363;3. 華南師范大學 計算機學院, 廣東 廣州 510631)

基于八元數(shù)Cauchy積分公式的血管分割算法*

王曉嬋1，吳明珠2，李興民3

(1. 南方醫(yī)科大學 圖書館, 廣東 廣州 510515; 2. 廣州商學院 計算機系, 廣東 廣州 511363;3. 華南師范大學 計算機學院, 廣東 廣州 510631)

針對現(xiàn)有的血管分割方法會因圖像中噪聲的影響，而不能將斷裂的血管部分分割出來，導致分割精細程度不夠高的問題，提出一種新的基于八元數(shù)Cauchy積分公式的血管分割新算法。該方法首先根據(jù)血管走向構(gòu)造合適的六維向量，提取出體數(shù)據(jù)中的每一個像素點六維方向上6個鄰域點的像素值，并將其構(gòu)造成一個八元函數(shù)。然后，構(gòu)造一個封閉的立方體區(qū)域，將封閉立方體區(qū)域邊界上 26 個點對應的八元函數(shù)的平均作為中心點的八元函數(shù)，并將其表示成種子點特征向量。最后，遍歷圖像數(shù)據(jù)，用種子點的特征向量與每一點的特征向量做乘積，通過判斷內(nèi)積值是否接近 1，且叉乘積的模是否接近 0，來判斷該點是否為血管中的點。實驗結(jié)果表明，對肝臟血管的分割，該算法能夠快速有效地分割出更多更精細的血管。八元數(shù)這一高維的數(shù)學工具，在計算過程中綜合考慮多個特性，與少量特性進行處理的結(jié)果相比較，有著明顯的優(yōu)勢，相對于傳統(tǒng)的血管分割算法，提高了血管分割的精度。

八元數(shù)；Cauchy積分公式；血管分割；三維重建

0 引言

醫(yī)學圖像的三維重建是醫(yī)學圖像可視化工作的核心。而針對二維醫(yī)學圖像的目標分割是三維重建的重要前提。如何使得分割目標更精細、更準確，取決于對分割方法、數(shù)學工具的選擇[1-5],現(xiàn)階段的分割方法主要采用區(qū)域生長[6]、邊緣提取[7-8]、神經(jīng)網(wǎng)絡[9-11]、模糊連接[12-14]、微分算子[15]、活動輪廓[16-17]分水嶺[18-19]等方法。

區(qū)域生長基本方法是以一組種子點開始，將與種子點性質(zhì)相似的相鄰像素附加到生長區(qū)域的每個種子上。傳統(tǒng)的區(qū)域生長算法[20-25]一般只考慮種子點本身的灰度信息。計算時，將相似度大于設定閾值的像素計入到種子點所在的區(qū)域，最終形成一個或多個相似像素組成的連通區(qū)域。但在CT等造影圖像中，常存在一定量的噪聲，采用此方法會將因噪聲而斷裂的血管作為非相似像素處理，導致分割出的血管不夠精細、多樣；另外，生長的過程本身也沒有考慮到血管的結(jié)構(gòu)及走向，因此存在一定的弊端。而將八元數(shù)或clifford 代數(shù)等高維數(shù)學與區(qū)域生長的思想結(jié)合起來能克服上述缺點，并能分割出更細小的、不連續(xù)的血管。Cauchy 積分公式是復分析、四元數(shù)、八元數(shù)分析中的重要公式。其幾何意義是：在光滑區(qū)域中封閉光滑形狀內(nèi)的任意一點可以用其邊界上的點表示。因為人的血管具有光滑的特性，基于此，可以根據(jù)血管走向構(gòu)造合適的封閉形狀，并用封閉區(qū)域邊界上點的灰度值平均來表示種子點，提高了算法的抗噪性。

八元數(shù) Cauchy 積分公式是八元數(shù)解析函數(shù)理論的基石，在八元數(shù)分析中有著非常重要的作用，其幾何意義是在光滑區(qū)域中，封閉光滑形狀內(nèi)的任意點可以用其邊界上的點表示。均值定理是 Cauchy 積分公式的推論，復變函數(shù)中的均值定理介紹如下：若函數(shù)f(z)在復平面上某個區(qū)域是解析的，那么，該函數(shù)在區(qū)域內(nèi)任意一點的取值等于函數(shù)在以該點為中心的圓周上取值的平均。其幾何意義是光滑區(qū)域中，單位球中心的取值可以用球面上的數(shù)值的平均表示。

劉偉[26]首次提出將八元數(shù) Cauchy 用于多分量圖像邊緣檢測中。構(gòu)造八元數(shù) Cauchy 濾波器，即高維數(shù)的 Laplase 濾波器，并將其用于基于 RGB 聯(lián)合 HSI 空間的彩色圖像中，獲得了較好的效果；武偉[27]將八元數(shù)Cauchy 積分公式用于 CT 序列圖像提取肝臟，其算法相對于鄰接區(qū)域生長算法等傳統(tǒng)算法能夠更好地保持肝臟邊緣信息，分割出的無關區(qū)域也較少?？紤]到人體血管具有光滑特性，血管走向也有一定規(guī)律可循，因此，本文將八元數(shù) Cauchy積分公式用于肝臟血管的分割中。現(xiàn)有的血管分割方法，對血管的分割精度尚有不足，不能很好地滿足臨床的需求。

1 八元數(shù)Cauchy積分的血管分割算法

針對三維血管分割的特點及八元數(shù) Cauchy 積分公式在三維圖像處理中應用的優(yōu)勢，數(shù)據(jù)模型建立時考慮了如下因素：(1)三維空間內(nèi)，血管走向大多傾向于垂直方向，血管垂直走勢同時存在一定傾斜性；(2)利用像素點周邊數(shù)據(jù)點的特征來代替中間數(shù)據(jù)點的像素值，避免了圖像數(shù)據(jù)中奇異點的影響，同時提高了算法的抗噪能力；(3)沒有與其他算法結(jié)合，而是直接利用數(shù)學性質(zhì)來進行分割。這樣算法不會受到引入算法的限制。算法流程圖如圖1。

圖1 算法流程圖

1.1八元數(shù)的Cauchy積分公式

八元數(shù)O是由J.I.Graves和Cayley于1844～1845年發(fā)現(xiàn)的，是一種非交換、非結(jié)合的八維代數(shù)[28]。八元數(shù)的 Cauchy 積分公式是八元數(shù)分析的重要結(jié)論，均值定理是 Cauchy 積分公式的重要推論。八元數(shù)解析函數(shù)、Cauchy 積分公式及其均值定理的內(nèi)容如下：

定義[28]：設f(x)∈C∞(Ω,O)，如果

定理1[29](柯西型積分公式)：設Ω是R8中的連通開集，M是Ω內(nèi)八維緊致定向C∞流型，M及其邊界均含于Ω中。令

若f(x)在Ω內(nèi)是左O-解析，即Df=0，則：

其中ω8是R8中的單位球面的面積。

定理2[28](八元數(shù)的均值定理)：設Ω是R8中的連通開集，Br(z0)是以z0為中心、半徑為r的球，Br(z0)?Ω，如果Df=0，則

八元數(shù) Cauchy 積分公式是八元數(shù)解析函數(shù)理論的基石，在八元數(shù)分析中有著非常重要的作用。均值定理是 Cauchy 積分公式的推論，其幾何意義是光滑區(qū)域中，單位球中心的取值可以用球面上的數(shù)值的平均表示?？紤]到人體血管具有光滑特性，血管走向也有一定規(guī)律可循，因此，本文將八元數(shù) Cauchy用于肝臟血管的分割中。

1.2基于八元數(shù)Cauchy積分公式的血管分割算法

圖2 六維向量示意圖

算法使用醫(yī)學圖像處理工具 VTK、ITK 在系統(tǒng)內(nèi)構(gòu)成三維體數(shù)據(jù)。在體數(shù)據(jù)中，定義圖像所在的平面為橫縱軸平面(X-Y平面)，序列方向為豎軸(Z軸)，每個像素點都有唯一的坐標值。手動選擇血管點像素，考慮到血管斜方向較多的走向規(guī)律性，選擇了如圖2所示的六維方向上的鄰域像素代表當前數(shù)據(jù)特征點，從而構(gòu)成一個純八元函數(shù)。對于其他的數(shù)據(jù)，按照同樣的數(shù)據(jù)表征結(jié)構(gòu)來定義對應的純八元函數(shù)。

具體過程為：

首先需要對CT序列圖像建立八元數(shù)的模型。設當前點的坐標值為(x,y,z)，其像素值用f(x,y,z)表示。構(gòu)造的純八元數(shù)Oseed 如下所示：

Oseed=f(x,y,z-1)e1+f(x,y,z+1)e2+f(x-1,y,z)e3+f(x+1,y,z)e4+f(x,y-1,z)e5+f(x,y+1,z)e6

對其進行單位化得到種子點的特征向量O如下，用f1,f2,…,f6表示Oseed 的每一分量。

一般認為血管區(qū)域是平滑的，八元數(shù)的 Cauchy 積分定理成立。那么血管局部同質(zhì)區(qū)域中，某一點的數(shù)值應等于以該點為中心的區(qū)域邊界上取值的平均。使用如圖3的封閉區(qū)域為研究對象，使用該區(qū)域邊緣的 26 鄰域的平均代表當前點的特征，使用該特征進行血管區(qū)域的提取。

圖3 26鄰域示意圖

選擇血管中的一點作為種子點，使用種子點的 26 鄰域上的八元數(shù)的平均作為種子點的特征向量，遍歷圖像數(shù)據(jù)，用種子點的特征向量與每一點的特征向量做內(nèi)積，通過判斷內(nèi)積值是否接近 1，來判斷該點是否為血管中的點。

由于需要遍歷所有體素點，并且對三維體數(shù)據(jù)的每一個體素點都構(gòu)造一個八元函數(shù)，并計算其 26 鄰域的平均值，因此，計算量很大，為減小數(shù)據(jù)量，本文只選擇體數(shù)據(jù)中灰度值與血管特征點灰度值相差在一定范圍內(nèi)的數(shù)據(jù)點參與計算。血管特征向量與數(shù)據(jù)點對應的特征向量做內(nèi)積。利用八元函數(shù)乘法性質(zhì)對特征點八元函數(shù)與數(shù)據(jù)點八元函數(shù)的乘積來區(qū)別像素點，得到的內(nèi)積值越接近 1，且叉積的模越接近 0，則說明數(shù)據(jù)點越有可能是血管點。設定精確的限定值，在精確度允許的范圍內(nèi)的點為血管點，將判定為血管點的值及其坐標位置對應輸出。所有血管點輸出完成，即為分割的最終結(jié)果。具體算法流程如下：

(1)輸入腹部的 CT 序列圖像。對圖像進行預處理，利用反分割系統(tǒng)將骨骼去除。

(2)在血管區(qū)域選擇種子點，種子點的特征向量使用其26鄰域構(gòu)成八元數(shù)向量。

(3)遍歷圖像中的數(shù)據(jù)，選擇在灰度值閾值范圍內(nèi)的像素，計算每個像素的特征向量，并與種子點的特征向量作內(nèi)積。判斷內(nèi)積與 1 的差值是否在給定的閾值范圍內(nèi)。

(4)如果是，則輸出圖像中該點的值置為 255，否則置為 0。輸出圖像即為分割出的血管。

2 實驗結(jié)果與分析

本章的實驗在 WIN7 系統(tǒng)上進行，CPU 2.4 GHz×2，內(nèi)存大小為4 GB。使用ITK+VS2010b 編碼。實驗數(shù)據(jù)為S70肝臟血管系統(tǒng)造影CT圖像(圖像大小為512×512×320)，選取的閾值為0.05。

考慮到提取血管精細程度，沒有對圖像做濾波去噪等預處理，只是調(diào)整圖像窗寬窗位充分顯示血管結(jié)構(gòu)，使圖像在0～255像素灰度空間得到較好的顯示，手動選擇肝臟血管點參與算法計算。本章算法選取位置(136,247,162)處的血管點六維鄰域構(gòu)建血管點八元函數(shù)。

另外，三維分割算法生成三維的分割結(jié)果，在觀察實驗結(jié)果時，可以通過以下兩種方式來直接觀察。

(1)通過三維體數(shù)據(jù)中特定的切片圖像查看；

(2)將分割后的切片數(shù)據(jù)序列進行三維重建后顯示實驗結(jié)果。

對于S70,取第109張CT切片，如圖4所示。

圖4 S70第109張CT切片

分別使用本文算法與區(qū)域生長算法分割后，各個切片的結(jié)果如圖5所示。

圖5 S70二維切片的分割結(jié)果圖

對兩種不同算法的分割結(jié)果分別進行三維重建得到的血管模型如圖6所示。

圖6 三種算法對S70肝血管分割重建結(jié)果圖

由于每一個像素點對應的八元函數(shù)都需要用封閉區(qū)域的邊緣點像素對應的八元函數(shù)的平均來代替，并迭代地進行內(nèi)積運算，耗時較多。但從實驗結(jié)果可以看出：使用八元數(shù)Cauchy 積分公式這一高維的數(shù)學工具，與傳統(tǒng)的區(qū)域生長算法相比較，提高了三維重建的精度，對于圖像缺失斷裂或噪聲污染具有很好的適用性。此方法能分割出更精細的血管，對臨床診斷和手術(shù)具有重要意義。

3 結(jié)論

醫(yī)學圖像分割是醫(yī)學圖像處理中的關鍵步驟，也是諸多學者研究的熱點和難點。本文在此基礎上繼續(xù)挖掘、利用高維代數(shù)上的分析理論用于高維圖像的處理當中并做血管的精細化分割。人的血管具有光滑的特性，基于此，本文將八元數(shù) Cauchy 積分定理應用于血管的分割中。在計算過程中綜合考慮血管走向、鄰接多個像素點等，與僅考慮像素本身的方法相比較，在抗噪性、分割的精細度方面有明顯的提高。

[1] 羅希平，田捷,諸葛嬰，等. 圖像分割方法綜述[J]. 模式識別與人工智能，1999，12(3)：300-312.

[2] 宋余慶，謝叢華. 數(shù)字醫(yī)學圖像 [M]. 北京：清華大學出版社, 2008.

[3] 于志強.醫(yī)學圖像分割與虛擬手術(shù)幾個關鍵問題的研究[D].上海:上海交通大學,2007.

[4] 潘家輝, 鮑蘇蘇, 朱志有, 等. 支持力反饋的肝臟外科虛擬手術(shù)仿真系統(tǒng) [J].計算機工程, 2008, 34 (21): 262-264.

[5] 翟偉明. 影像引導下計算機輔助介入手術(shù)導航關鍵技術(shù)的研究 [D]. 北京: 清華大學, 2010.

[6] 彭豐平, 鮑蘇蘇, 曾碧卿. 基于自適應區(qū)域生長算法的肝臟分割[J]. 計算機工程與應用, 2010, 46(33):198-200.

[7] LI M J, DONG Y B, WANG X L. Medical image edge detection analysis method based on fractional differential[J]. Advanced Materials Research, 2013, 860-863:2859-2863.

[8] 李波, 梁攀, 關沫. 一種基于邊緣提取的交互式圖像分割算法[J]. 微型機與應用, 2013, 32(10):41-44.

[9] Lü Chaohui, Chen Xiaoguang, Wu Wenfu, et al. Segmentation of the seedling image by BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering, 2001, 39(4): 337-348.

[10] Ma Y.The application of octonion and BP neural network in liver vessel segmentation[D].Guangzhou:South China Normal University, 2014.

[11] 王錦程, 郁蕓, 楊坤,等. 基于B P神經(jīng)網(wǎng)絡的腦腫瘤MRI圖像分割[J]. 生物醫(yī)學工程研究, 2016, 35(4):290-293.

[12] ROSENFELD A. On connectivity properties of grayscale pictures [J]. Pattern Recognition, 1983, 16(1): 47-50.

[13] ROSENFELD A. Fuzzy digital topology[J]. Information and Control, 1979, 40(1):76-87.

[14] 張玲. 基于模糊理論及其擴展的圖像分割研究及應用[D]. 濟南: 山東大學,2012.

[15] 李軍成. 圖像邊緣檢測的分數(shù)階微分算子研究[J]. 計算機應用與軟件, 2015, 32(12):206-209.

[16] KASSM, W ITKN A, TERZOPOULOSD. Snake: Active contourmodels[J]. International Journal of Computer Vision, 1987, 1(4): 321-331.

[17] 段丁娜, 張歡, 邱陳輝,等. 基于活動輪廓模型的圖像分割算法綜述[J]. 中國生物醫(yī)學工程學報, 2015, 34(4):445-454.

[18] 王改云, 楊小娟. 融合分水嶺和區(qū)域生長的圖像分割算法研究[J]. 微型機與應用, 2014,33(10): 30-32.

[19] 何鵬, 王成琳, 王福剛. 基于改進分水嶺算法的熏烤肉圖像分割[J]. 電子技術(shù)應用, 2012, 38(10): 126-128.

[20] ADAMS R, BISCHOF L. Seeded region growing [J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1994, 16 (6): 641-647.

[21] 程明,黃曉陽,黃紹輝,等.定向區(qū)域生長算法及其在血管分割中的應用[J].中國圖象圖形學報,2011,16(1):44-49.

[22] 劉鑫, 陳永健, 萬洪林,等. 基于兩階段區(qū)域生長的肝內(nèi)血管分割算法[J]. 計算機工程與應用, 2015, 51(12):194-197.

[23] DEL FRESNO M, VéNERE M, CLAUSSE A. A combined region growing and deformable model method for extraction of closed surfaces in 3D CT and MRI scans[J]. Computerized Medical Imaging and Graphics, 2009, 33(5): 369-376.

[24] PALOMERA-PéREZ M A, MARTINEZ-PEREZ M E, BENTEZ-PéREZ H, et al. Parallel multi-scale feature extraction and region growing: application in retinal blood vessel detection[J]. Information Technology in Biomedicine, IEEE Transactions on, 2010, 14(2): 500-506.

[25] ZANATY E, ASAAD A. Probabilistic region growing method for improving magnetic resonance image segmentation[J]. Connection Science, 2013, 25(4): 179-196.

[26] 劉偉. 八元數(shù)及 Clifford 代數(shù)在數(shù)字圖像處理中的應用[D]. 廣州：華南師范大學, 2010.

[27] 武偉. 八元數(shù)分析系和錢方法在數(shù)字圖像處理中的應用研究[D].廣州：華南師范大學, 2014.

[28] 李興民.八元數(shù)分析[D]. 北京: 北京大學, 1998.

[29] LI X,PENG L.The Cauchy integral formulas on the octonions[J]. Bulletin of the Belgian Mathematical Society-Simon Stevin, 2002, 9(1): 47-64.

Vessel segmentation algorithm based on octionion Cauchy integral formula

Wang Xiaochan1, Wu Mingzhu2, Li Xingmin3

(1. Library, Southern Medical University, Guangzhou 510515, China;2. Computer Department, Guangzhou College of Commerce, Guangzhou 511363, China;3. School of Computer, South China Normal University, Guangzhou 510631, China)

Because of the influence of the noise in the image, the cracked blood vessel can not be separated, which leads to the problem that the segmentation precision is not high enough. This paper proposes a new three-dimensional region growing algorithm based on high dimensional mathematical tools：octonion vector product. The proposed method first uses traditional region growing algorithm to segment continuous blood vessels. The edges of the vessel are found by gradient calculation and they are used to be initial seeds in the octonion growing regions. Then the six neighborhood of seeds’ gray are used to construct octionions which represent the characteristics of seeds. The octonion vector product operation is used to connect the rupture vasculars which are under the influence of noise. Experimental results of the liver vessel segmentation show that the algorithm can quickly and efficiently segment more vessels. This octonion mathematical tools of high dimensions, which can consider multiple characteristics in the process of calculation, and this method has obvious advantages compared with the traditional vascular segmentation algorithm, and improved the accuracy of blood vessel segmentation.

octonion; Cauchay integral formula; vessel extraction; 3D reconstruction

國家高技術(shù)研究發(fā)展計劃(863計劃)(2012AA021105)

TP391

：A

10.19358/j.issn.1674- 7720.2017.17.013

王曉嬋，吳明珠，李興民.基于八元數(shù)Cauchy積分公式的血管分割算法[J].微型機與應用，2017,36(17)：45-48,55.

2017-03-03)

王曉嬋(1988-)，女，碩士，助理館員，主要研究方向：數(shù)字圖像處理。吳明珠(1982-)，女，碩士，講師，主要研究方向：數(shù)字圖像處理，計算機仿真。李興民(1957-),男，博士，教授，主要研究方向：小波分析、八元數(shù)分析、數(shù)字圖。