李 越,蔣路茸,童基均

(浙江理工大學(xué) 信息學(xué)院,杭州 310018)

心血管相關(guān)疾病患病率逐年上升,是世界公認(rèn)的最常見的死因之一,嚴(yán)重威脅人類健康[1].《世界衛(wèi)生報(bào)告》[2]指出全球每年因心血管相關(guān)疾病引發(fā)的疾病及其并發(fā)癥的死亡率已經(jīng)超過(guò)了所有癌癥死亡率之和.其中,冠心病的致死率很高,誘發(fā)冠心病的主要因素是冠狀動(dòng)脈狹窄,它會(huì)影響心臟供血,嚴(yán)重會(huì)威脅生命[3],因此研究血管狹窄程度可以輔助相關(guān)心血管疾病的診斷和治療評(píng)估.目前冠心病診斷的“金標(biāo)準(zhǔn)”[4]還是數(shù)字減影血管造影DSA (Digital Subtraction Angiography),其他文章也有稱之為常規(guī)冠脈造影CCA (Conventional Coronary Angiography)[5,6].采用這種介入方法可以最為直觀地顯示血管的形態(tài)和結(jié)構(gòu).DSA 是一種用于介入放射學(xué)的透視技術(shù),可清晰地顯示骨性或致密軟組織環(huán)境中的血管.成像時(shí),向血管中注入造影劑,利用血管和其他組織部分對(duì)造影劑產(chǎn)生的差異來(lái)進(jìn)行成像.

關(guān)于造影DSA 圖像中血管的分割,相關(guān)的研究人員已有過(guò)研究和綜述[7-9],對(duì)血管的分割方法進(jìn)行了較為詳細(xì)的總結(jié),包含不同部位、不同類別的圖像,但針對(duì)某一種類別圖像及特定部位的圖像分割方法涉及較少.針對(duì)心血管造影圖像的分割,Tayebi 等[10]將用于血管分割的模式識(shí)別方法分為6 類:多尺度方法、區(qū)域生長(zhǎng)方法、匹配濾波法、數(shù)學(xué)形態(tài)學(xué)法、基于骨架的方法和基于脊的方法.在其他造影圖像中,眼底熒光血管造影FFA (Fluorescein Fundus Angiography)圖像相較于DSA 圖像而言,背景里沒有骨骼,軟組織,造影劑等噪聲因素,其分離難度略低,相關(guān)的研究也比較多,也有相應(yīng)的金標(biāo)準(zhǔn)數(shù)據(jù)集[11].很多在眼底血管分割中使用的方法可以在心血管的分割中使用,但是由于心血管DSA影像自身的特點(diǎn),還需要對(duì)這些方法進(jìn)行創(chuàng)新和調(diào)整.

本文在參考這些綜述的基礎(chǔ)上,結(jié)合近幾年的文章和分割方法,專門針對(duì)心血管造影圖像的分割方法進(jìn)行了新的總結(jié)和,將從3 個(gè)不同的方面:預(yù)處理、分割方法、評(píng)價(jià)標(biāo)準(zhǔn)來(lái)細(xì)分和總結(jié),技術(shù)框架如圖1所示.

圖1 心血管造影圖像分割技術(shù)框架

1 預(yù)處理

由于心血管造影圖像的特殊性,其圖像內(nèi)存在大量噪聲,圖像模糊不均勻,還存在其他組織或者骨頭部分的影響.因此圖像預(yù)處理效果的好壞會(huì)直接影響到后續(xù)圖像分割算法的效果,圖像的預(yù)處理一般有兩個(gè)目的:盡可能濾除圖像中的無(wú)關(guān)干擾噪聲,對(duì)圖像目標(biāo)部分進(jìn)行增強(qiáng)處理.

1.1 基于空域和頻域的增強(qiáng)

傳統(tǒng)圖像處理里面的增強(qiáng)方法大體上分為兩大類:基于空域和頻域,如圖2所示.基于空域的方法主要是對(duì)圖像像素的空間域信息直接進(jìn)行處理,基于頻域的方法首先將圖像由空間域變換到頻率域,根據(jù)實(shí)際需要,在頻率域?qū)D像進(jìn)行處理,最后再反變換回到空間域,完成降噪或增強(qiáng)操作.

圖2 基于空域和頻域的圖像增強(qiáng)

灰度變換主要用于調(diào)整目標(biāo)血管和背景造影劑之間的灰度差,使得兩者之間對(duì)比度更大,以便于后續(xù)目標(biāo)和背景的分離.直方圖均衡是一種基于圖像的全局處理方法,能在一定程度上提高圖像整體對(duì)比度,但是增強(qiáng)過(guò)程中會(huì)導(dǎo)致相鄰灰度級(jí)合并,進(jìn)而使得圖像中血管的細(xì)節(jié)消失.針對(duì)這種不足Reza 等[12]提出對(duì)比度受限的自適應(yīng)直方圖均衡方法CLAHE (Contrast Limit Adaptive Histogram Equalization),但是這種方法在灰度級(jí)變化范圍較小的圖像的增強(qiáng)效果不明顯,在變化范圍較大的區(qū)域可能會(huì)產(chǎn)生偽影.Zeng 等[13]提出一種新的方法,首先提取X 射線圖像的邊緣信息,然后根據(jù)邊緣信息對(duì)圖像劃分區(qū)域,分別對(duì)不同區(qū)域的灰度直方圖賦予不同的權(quán)值,以增強(qiáng)目標(biāo)區(qū)域削弱背景區(qū)域.這種方法對(duì)背景較為單一、結(jié)構(gòu)較為簡(jiǎn)單的圖像增強(qiáng)效果比較好,對(duì)于結(jié)構(gòu)比較復(fù)雜、對(duì)比度不高的圖像效果不理想.

線性濾波和非線性濾波是圖像處理領(lǐng)域歷史悠久,且操作十分便捷的去除圖像中椒鹽噪聲及高斯分布噪聲等的濾波方法.在心血管分割中經(jīng)常作為分割之前的前處理工作[14,15].陳楷豐[16]提出一種雙邊濾波器,他將改進(jìn)后的基于Hessian 矩陣和基于高斯一階導(dǎo)數(shù)的匹配濾波器結(jié)合起來(lái)對(duì)造影血管進(jìn)行增強(qiáng).

同態(tài)濾波是基于圖像的頻域,將圖像的亮度范圍進(jìn)行壓縮同時(shí)增強(qiáng)圖像對(duì)比度的方法.Oh 等[17]提出一種基于形態(tài)學(xué)同態(tài)濾波的增強(qiáng)方法,對(duì)圖像中較暗的血管區(qū)域,進(jìn)行形態(tài)學(xué)濾波操作,提取不同層級(jí)的頻域高通分量和低通分量,對(duì)其賦予不同的權(quán)值,來(lái)增強(qiáng)目標(biāo)的特征,抑制背景部分.

1.2 基于多尺度方法的增強(qiáng)

多尺度方法是使得圖像在不同的圖像分辨率下進(jìn)行處理.由于圖像在選擇不同分割尺度進(jìn)行分割時(shí),分割的結(jié)果會(huì)不同.若采用單一尺度進(jìn)行分割,分割的結(jié)果很難全面地反映分割對(duì)象的特征,所以采用多個(gè)尺度綜合多個(gè)不同分割尺度下的目標(biāo)特征,可以得到更佳的分割效果.從低分辨率圖像中提取大的主干結(jié)構(gòu),諸如大血管的主要結(jié)構(gòu),同時(shí)從高分辨率圖像中提取其余精細(xì)的結(jié)構(gòu),末梢處細(xì)小的血管部分.多尺度方法在圖像增強(qiáng)處理主要分為3 種:多尺度Hessian 增強(qiáng)、多尺度形態(tài)學(xué)增強(qiáng)以及多尺度Gabor 濾波器增強(qiáng).

(1)多尺度Hessian 增強(qiáng)

基于Hessian 的多尺度增強(qiáng)方法由于能夠獲取血管的尺寸和方向信息而被廣泛使用,其中Hessian 矩陣特征向量與血管結(jié)構(gòu)有關(guān).傳統(tǒng)的基于Hessian 的增強(qiáng)方法[18]涉及多尺度高斯濾波器的多尺度卷積和Hessian特征值分析,以像素為基礎(chǔ)確定結(jié)構(gòu)的局部形狀(線狀或斑點(diǎn)狀).

在數(shù)學(xué)中,Hessian 矩陣是函數(shù)的二階偏導(dǎo)數(shù)的平方矩陣,它是一種基于二階導(dǎo)數(shù)的矩陣,描述的是一個(gè)多變量函數(shù)的局部曲率[19],根據(jù)這個(gè)矩陣兩個(gè)特征值的特性,可以進(jìn)行線性結(jié)構(gòu)的增強(qiáng),以及點(diǎn)狀噪聲點(diǎn)的去除.根據(jù)線性尺度空間理論[20],求微分的過(guò)程可以等價(jià)于原函數(shù)于高斯濾波器函數(shù)導(dǎo)數(shù)的卷積.

在進(jìn)行二階偏導(dǎo)求取之前,需要進(jìn)行高斯平滑操作,所以高斯模板的方差大小對(duì)偏導(dǎo)數(shù)的大小會(huì)有影響,求導(dǎo)窗口太大,血管中細(xì)微的結(jié)構(gòu)可能會(huì)丟失,窗口太小,可能會(huì)出現(xiàn)空洞的現(xiàn)象.針對(duì)此,Frangi[18]提出使用多模板的方法,對(duì)同一個(gè)點(diǎn)進(jìn)行多種尺度的高斯模板進(jìn)行卷積操作,選擇其中響應(yīng)度最高的結(jié)果作為輸出.

心血管造影圖像中,血管類似于管狀,響應(yīng)值比較大,背景的響應(yīng)值比較小.血管處的矩陣特征值是一大一小,血管交叉處矩陣特征值兩個(gè)都很大,背景點(diǎn)處兩個(gè)都較小,令 λ1,λ2表示Hessian 矩陣的特征值,且|λ1|＜|λ2|,用兩個(gè)變量來(lái)表示兩個(gè)特征值的關(guān)系,如式(1)和式(2)所示:

在當(dāng)前的尺度下,血管區(qū)域的響應(yīng)函數(shù)如式(3)所示:

其中,β 和c分別是控制RB和S敏感度的參數(shù).在相同尺度的響應(yīng)函數(shù)中,尺度因子越大,對(duì)較為粗的血管增強(qiáng)效果越好,尺度因子越小,對(duì)于細(xì)小的末梢血管增強(qiáng)效果越好.

這種方法的缺點(diǎn)在于它們有二階導(dǎo)數(shù)的存在而對(duì)噪聲高靈敏度,由于角點(diǎn)的特征與類似斑點(diǎn)的結(jié)構(gòu)很相似,這個(gè)方法可能會(huì)抑制角點(diǎn),從而導(dǎo)致血管網(wǎng)絡(luò)的不連續(xù)性.為了克服上述問(wèn)題,Truc 等[21]采用方向?yàn)V波器組提取線狀方向特征來(lái)增強(qiáng)血管,以在嘈雜的環(huán)境中獲得更有效地顯示小而細(xì)的血管,同時(shí)它能夠避免角點(diǎn)抑制,可以產(chǎn)生連續(xù)的血管樹.但是,這種方法通常會(huì)導(dǎo)致強(qiáng)度不均勻性,尤其是在血管連接區(qū)域.Xu 等[22]進(jìn)一步改進(jìn)文獻(xiàn)[21]的方法,通過(guò)計(jì)算血管相似性度量作為增強(qiáng)方向圖像重組中的權(quán)重,以此來(lái)極大地保留尖銳血管邊緣,但由于強(qiáng)度的增強(qiáng),血管交叉處的信息可能會(huì)丟失.Zai 等[23]采用引導(dǎo)濾波器作為預(yù)處理步驟,可以抑制圖像噪聲,平滑血管結(jié)構(gòu).

改進(jìn)血管函數(shù)可以通過(guò)減少參數(shù)或者構(gòu)造新的血管函數(shù),進(jìn)而簡(jiǎn)化計(jì)算.Zhang 等[24]簡(jiǎn)化了血管響應(yīng)函數(shù),去除了參數(shù)c,引入了新的a rctan(λ2/λ1)放入血管響應(yīng)函數(shù)中,可以簡(jiǎn)化計(jì)算,且能顯現(xiàn)更多的小血管.陳建輝等[14]也將a rctan(λ2/λ1)放入血管相應(yīng)函數(shù)中,構(gòu)造了新的血管響應(yīng)函數(shù),對(duì)細(xì)小血管的分割效果更好.Li 等[25]在分割CT 圖像時(shí)提出的血管響應(yīng)函數(shù),只有 λ1和 λ2,形式十分簡(jiǎn)單,不需要設(shè)置參數(shù),避免了在實(shí)際使用中參數(shù)的調(diào)整以及不同圖像之間相同參數(shù)但效果差異較大的情況.Zhou 等[26]在設(shè)計(jì)血管響應(yīng)函數(shù)時(shí),將尺度引入了判別條件,來(lái)適應(yīng)不同尺度下的變換.Tsai 等[27]提出一種自適應(yīng)特征變換函數(shù),在函數(shù)中嵌入了尺度變換因子,結(jié)合了10 個(gè)不同的尺度,與其他增強(qiáng)方法相比,運(yùn)算簡(jiǎn)單且精度更高.

由于Hessian 增強(qiáng)對(duì)于血管的增強(qiáng)效果良好,后續(xù)許多研究者將此方法作為分割處理的一個(gè)步驟,再結(jié)合其他不同的方法,達(dá)到更好的分割效果.

(2)多尺度數(shù)學(xué)形態(tài)學(xué)增強(qiáng)

數(shù)學(xué)形態(tài)學(xué)操作[28]利用形態(tài)學(xué)算子提取圖像中相應(yīng)的結(jié)構(gòu),可以進(jìn)行圖像的濾波、分割、分類等操作.心血管造影圖像中血管的灰度和背景的灰度不同,可以通過(guò)數(shù)學(xué)形態(tài)學(xué)操作使得圖像中亮的區(qū)域和暗的區(qū)域?qū)Ρ榷雀鼜?qiáng).

文獻(xiàn)[29-31]提出的多尺度形態(tài)學(xué)可以改善傳統(tǒng)形態(tài)學(xué)變換的效果,獲取更多圖像細(xì)節(jié),但是也可能在增強(qiáng)過(guò)程中引入新的噪聲.Sun 等[32]在使用模糊濾波和分水嶺變換對(duì)血管進(jìn)行分割之前采用多尺度數(shù)學(xué)形態(tài)學(xué)對(duì)血管樹進(jìn)行增強(qiáng)處理.Bai 等[33]提出多尺度Top-Hat增強(qiáng)方法,這個(gè)方法基于4 種最基本的數(shù)學(xué)形態(tài)學(xué)運(yùn)算,每種圖像運(yùn)算都可以改變圖像的對(duì)比度特性,但不同大小的結(jié)構(gòu)元對(duì)圖像的效果不同,從中選擇最優(yōu)特征進(jìn)行增強(qiáng)操作.這個(gè)方法在保留圖像細(xì)節(jié)以及抑制圖像噪聲方面表現(xiàn)良好,但是從整體上看,整體對(duì)比度提升不明顯.Fazlali 等[34]采用Bai 的方法在用超像素方法對(duì)血管進(jìn)行分割之前采用多尺度Top-Hat 的方法增強(qiáng)原始造影圖像中血管部分和背景部分的對(duì)比度.

(3)多尺度Gabor 濾波器增強(qiáng)

Gabor 函數(shù)是圖像處理中用于邊緣提取的一種線性濾波器[35],一個(gè)二維的Gabor 濾波器是一個(gè)正弦平面波調(diào)制的高斯核函數(shù).在圖像特征提取通常使用一組頻率和方向都不同的Gabor 函數(shù).Cruz-Aceves 等[36]使用多尺度Gabor 濾波器對(duì)造影圖像進(jìn)行增強(qiáng),并和一些多尺度Hessian 增強(qiáng)的方法進(jìn)行了對(duì)比,測(cè)試相同的圖片時(shí),其提出的方法曲線下面積最大,性能最佳.

圖3分別列舉了增強(qiáng)方法里面具有代表性的增強(qiáng)結(jié)果.由于心血管造影血管圖像的特殊性,增強(qiáng)處理很難將血管完全分離出來(lái),只能將血管增強(qiáng)作為一個(gè)預(yù)處理步驟,后續(xù)搭配不同的方法將血管整體分割出來(lái).表1總結(jié)了常用的分割預(yù)處理方法及其對(duì)應(yīng)文獻(xiàn).

圖3 心血管造影圖像增強(qiáng)效果

表1 預(yù)處理方法及其參考文獻(xiàn)

2 分割方法

2.1 傳統(tǒng)分割方法

由于心血管造影圖像中血管具有相對(duì)好的連通性、封閉性,使得基于閾值的方法、區(qū)域生長(zhǎng)的方法、基于統(tǒng)計(jì)學(xué)區(qū)域融合的方法以及基于匹配濾波的方法在分割中較為常見.

(1)閾值分割

其中基于閾值分割的方法由于其操作簡(jiǎn)單的特點(diǎn),很早就被用于目標(biāo)分割,它主要在目標(biāo)于背景對(duì)比度較大的圖像中發(fā)揮作用,分為全局閾值法和局部閾值法.全局閾值法對(duì)圖像設(shè)定一個(gè)固定的閾值進(jìn)行分割,只能用于目標(biāo)簡(jiǎn)單,且圖像較為簡(jiǎn)單的圖像的分割.局部閾值法首先通過(guò)一些局部統(tǒng)計(jì)量例如方差等來(lái)分別計(jì)算閾值[49]或者直接將圖像劃分為幾個(gè)子圖,對(duì)每個(gè)子圖進(jìn)行閾值分割.還有一種常用的最大類間方差法[50]是一種可以自適應(yīng)確定閾值的分割方法.對(duì)于心血管DSA圖像,其背景較為復(fù)雜,分割難度較大,不管是全局閾值法還是局部閾值法都不能找到一個(gè)合適的閾值進(jìn)行分割,所以閾值法一般作為分割過(guò)程中的一個(gè)處理步驟.

Khaleel 等[51]針對(duì)心血管DSA 造影圖像,首先進(jìn)行高斯匹配濾波器操作,再用閾值檢測(cè)進(jìn)行分割.Lian 等[52]使用過(guò)基于迭代閾值的方法提取血管中的畸形部分,他們首先將圖像分割成數(shù)個(gè)子圖像,采用最大類間方差法將這些子圖像分成兩個(gè)不同的類別,集合子圖像間的灰度平均值和中位值不斷迭代.Cruz-Aceves 等[36]采用基于多目標(biāo)的閾值方法對(duì)多尺度Gabor 濾波器的幅度相應(yīng)進(jìn)行二值化來(lái)對(duì)血管進(jìn)行分割,從40 張圖像中提取閾值特征,對(duì)40 張測(cè)試圖片進(jìn)行測(cè)試,同時(shí)將其結(jié)果與其他7 種閾值分割方法進(jìn)行對(duì)比.

(2)區(qū)域生長(zhǎng)

基于區(qū)域生長(zhǎng)的方法首先設(shè)定一個(gè)種子點(diǎn),不斷遍歷種子點(diǎn)像素的四鄰域或者八鄰域,將和種子點(diǎn)相似的點(diǎn)歸入同一個(gè)集合中,再尋找集合中點(diǎn)的鄰域相似點(diǎn),不斷擴(kuò)大區(qū)域,直至完成分割,這種方法對(duì)存在噪聲以及對(duì)比度不均勻的像素區(qū)域及其敏感,很易出現(xiàn)空洞或者過(guò)分割的情況[53,54].因此,實(shí)際使用中,區(qū)域生長(zhǎng)的方法經(jīng)常和其他分割方法結(jié)合使用.

由于血管的管狀連通結(jié)構(gòu),區(qū)域生長(zhǎng)法十分適合對(duì)血管的連通區(qū)域進(jìn)行提取.為了避免各個(gè)血管段之間以及和背景之間造成的誤分割,Sekiguchi 等[55]在分割腦部MRA 血管時(shí)提出了基于分支的區(qū)域增長(zhǎng)方法,對(duì)不同的分支采用不同的區(qū)域生長(zhǎng)過(guò)程.Li 等[56]提出一種結(jié)合灰度信息和空間信息的方法,作為進(jìn)行區(qū)域生長(zhǎng)操作之前的條件判決,提高了算法的健壯性.但是,在一些存在偽影,或者對(duì)比度很低的血管區(qū)域,區(qū)域生長(zhǎng)的方法效果不佳,很有可能導(dǎo)致誤分割.

Wang 等[38]首先進(jìn)行多尺度Hessian 增強(qiáng),基于多個(gè)種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng),可以連接非連續(xù)的血管段,比單個(gè)種子點(diǎn)增強(qiáng)方法效果更好.Kulathilake 等[6]利用數(shù)學(xué)形態(tài)學(xué)方法和漫水填充方法實(shí)現(xiàn)區(qū)域增長(zhǎng)操作,最后從標(biāo)記的血管結(jié)構(gòu)中提取血管邊緣.Asma 等[40]在進(jìn)行多尺度Hessian 增強(qiáng)之后,進(jìn)行的區(qū)域生長(zhǎng)操作也是基于不同尺度的,設(shè)定的生長(zhǎng)規(guī)則由于考慮了不同的尺度,其結(jié)果對(duì)細(xì)小血管的分割結(jié)果更好.莊宇等[42]在多尺度Hessian 增強(qiáng)的特征圖上采用種子點(diǎn)的自動(dòng)選區(qū)方法分兩個(gè)階段進(jìn)行區(qū)域增長(zhǎng)來(lái)提取血管輪廓.

(3)統(tǒng)計(jì)學(xué)區(qū)域融合

基于統(tǒng)計(jì)學(xué)區(qū)域融合的方法最早由Nock 等[57]在2004年提出,此方法將圖像中的像素點(diǎn)的灰度值看作一個(gè)統(tǒng)計(jì)學(xué)模型,判斷相鄰像素點(diǎn)之間的相似性,所有的像素點(diǎn)進(jìn)行逐個(gè)判斷,是否進(jìn)行區(qū)域合并,最后根據(jù)統(tǒng)計(jì)學(xué)的分布特征來(lái)實(shí)現(xiàn)像素的融合.

陳建輝等[14]在多尺度Hessian 增強(qiáng)的基礎(chǔ)上,采用統(tǒng)計(jì)學(xué)區(qū)域融合的方法對(duì)目標(biāo)血管區(qū)域進(jìn)行融合,得到分割好的血管,再利用水平集方法對(duì)血管骨架進(jìn)行提取,進(jìn)而評(píng)估血管狹窄程度.Wan 等[43]對(duì)多尺度Hessian增強(qiáng)后的結(jié)果中目標(biāo)部分的像素值采取4 鄰域統(tǒng)計(jì)學(xué)區(qū)域合并的方法,用3 套人工分割的結(jié)果分別和算法分割的結(jié)果進(jìn)行平均絕對(duì)誤差、豪斯多夫距離、DICE相似系數(shù)、敏感度、特異度、準(zhǔn)確度的比較,同時(shí)還對(duì)比了其他幾種分割方法.其分割的效果如圖4所示.

圖4 統(tǒng)計(jì)學(xué)區(qū)域融合分割效果[43]

(4)匹配濾波法

基于匹配濾波法是通過(guò)將圖像與各種匹配濾波器進(jìn)行卷積來(lái)完成目標(biāo)提取的一種方法[58].因?yàn)樵煊皥D像中血管的大小尺度各異,所以需要設(shè)計(jì)不同方向和尺度的多個(gè)過(guò)濾器進(jìn)行卷積來(lái)提取血管輪廓.在實(shí)際使用中,匹配濾波器法通常與其他圖像處理算法一起使用,例如閾值分割和連通域分析.

這個(gè)方法主要是基于信號(hào)處理中的匹配濾波器,當(dāng)匹配濾波器性能和信號(hào)的特性取得一致時(shí),可以使得濾波器輸出的信噪比最大,根據(jù)此來(lái)進(jìn)行匹配濾波器的設(shè)計(jì).Khaleel 等[51]設(shè)計(jì)的一種基于高斯匹配濾波器,首先進(jìn)行高斯匹配濾波再進(jìn)行閾值檢測(cè)進(jìn)行分割.Cruz-Aceves 等[59]為了優(yōu)化基于高斯匹配濾波的分割方法,比較了4 種仿生算法,最后對(duì)比結(jié)果表明差分進(jìn)化算法的分割效果最佳.后續(xù)他們又提出一種基于神經(jīng)網(wǎng)絡(luò)的多尺度高斯匹配濾波器[60],改善了之前只有單一尺度檢驗(yàn)血管的缺陷,其效果如圖5所示.

圖5 匹配濾波法分割效果[60]

2.2 可形變模型

可形變模型首先將待分割的血管結(jié)構(gòu)(一般指曲面或者曲線)定義為一個(gè)初始血管模型,這個(gè)模型受到內(nèi)力和外力的作用會(huì)逐漸發(fā)生形變,當(dāng)這個(gè)形變逐漸接近血管輪廓時(shí),就可以將血管分割結(jié)構(gòu)分割出來(lái).一般血管模型受到的外力指圖像的特征,比如像素灰度值,梯度等,受到的內(nèi)力一般只曲線自身的形態(tài)特征,比如曲率、弧長(zhǎng)等.根據(jù)形變模型的分割方法可以分為基于邊界和基于區(qū)域的方法.

(1)基于邊界

基于邊界的方法中,蛇線模型[61]以及水平集方法[62]在血管分割中的應(yīng)用較為廣泛.其主要原理是利用梯度矢量流(Gradient Vector Flow,GVF)[63]以及區(qū)域內(nèi)外的內(nèi)外力約束指導(dǎo)模型向邊界移動(dòng),實(shí)現(xiàn)分割.

Devi 等[64]為活動(dòng)模型提供了一種新的外力,解決了很多snake 模型無(wú)法提供更好捕獲范圍和進(jìn)化停止機(jī)制的問(wèn)題.Brieva 等[65]提出一種基于Mumford-Shah函數(shù)的方法,使得在分割復(fù)雜冠脈血管樹時(shí)效果更好.Sum 等[66]提出基于水平集的動(dòng)態(tài)輪廓分割方法,通過(guò)引入?yún)^(qū)域的統(tǒng)計(jì)參數(shù)和局部的圖像差異可以解決灰度強(qiáng)度不均勻的問(wèn)題.Khokhar 等[67]在標(biāo)準(zhǔn)水平集函數(shù)中引入了曲率特征能量函數(shù),提高了曲線演化的能力,且所需迭代次數(shù)少.

水平集分割方法對(duì)復(fù)雜的圖像容易收斂于能量極值,而且計(jì)算量較大.在背景復(fù)雜的圖像中,容易收到噪聲和偽影的影響,造成誤分割.

(2)基于區(qū)域

基于區(qū)域的形變模型方法主要通過(guò)前景和背景的區(qū)域統(tǒng)計(jì)信息來(lái)指導(dǎo)血管模型的輪廓演變,圖像在分割時(shí)被分為目標(biāo)前景區(qū)域和背景區(qū)域,根據(jù)邊界、前景和背景的統(tǒng)計(jì)特征定義一個(gè)圖像能量函數(shù),當(dāng)模型發(fā)生演變時(shí),能量會(huì)隨之發(fā)生變化,當(dāng)總能量最小時(shí),前景區(qū)域即為目標(biāo)區(qū)域.因此能量函數(shù)的定義對(duì)分割精度影響很大.Wang 等[68]利用基于區(qū)域能量模型的方法,提取血管部分以及分割腦部MRA 圖像.Dehkordi 等[45]提出的局部特征適應(yīng)LFF 模型可以提取強(qiáng)度不均勻造影圖像中的血管樹.Sun 等[69]提出的局部形態(tài)學(xué)適應(yīng)LMF模型能夠處理強(qiáng)度不均勻的血管圖像,這種方法魯棒性較強(qiáng),無(wú)需前后處理.

基于可形變模型的方法設(shè)置的能量泛函只依賴于曲線參數(shù)的選擇,而且受初始輪廓影響較大,對(duì)于復(fù)雜的曲線拓?fù)浣Y(jié)構(gòu)處理起來(lái)比較困難,這是可形變模型法在血管分割泛化中受到限制的原因.

2.3 軌跡追蹤法

基于追蹤的分割方法是一種模板匹配方法,應(yīng)用于具有連續(xù)結(jié)構(gòu)的圖像分割.首先指定一個(gè)特定結(jié)構(gòu)的模型,通過(guò)計(jì)算模型自身和周圍的局部特征來(lái)確定下一個(gè)模型的位置和方向,利用不同的圖像特征例如梯度來(lái)不斷評(píng)估圖像和設(shè)定模型之間的匹配程度,不斷修正和調(diào)整方向來(lái)獲得與目標(biāo)最為匹配的血管模型.這個(gè)方法多用于3D 模型的分割.在2D 圖像的分割過(guò)程中,首先需要給定一個(gè)或者多個(gè)種子點(diǎn),種子點(diǎn)可以通過(guò)手動(dòng)標(biāo)記或者血管增強(qiáng)的方法得到,再根據(jù)局部算子對(duì)中心線或者血管邊界進(jìn)行追蹤.追蹤方法可以分為基于模型的方法和最小成本路徑法.

基于模型的方法,主要的缺點(diǎn)是如果遇到血管強(qiáng)度不均勻或者噪聲很明顯以及病變區(qū)域,追蹤會(huì)提前終止.Zhou 等[26]采用一種基于多特征的模糊識(shí)別方法來(lái)指導(dǎo)概率跟蹤算子沿著血管樹的跟蹤,在跟蹤過(guò)程的同時(shí)實(shí)現(xiàn)對(duì)血管軸線和直徑的測(cè)量.后續(xù)他將血管結(jié)構(gòu)識(shí)別算子和血管跟蹤算子引入血管的模糊推理識(shí)別中實(shí)現(xiàn)對(duì)血管分叉等的跟蹤[44].

基于最小成本路徑的方法一般是用于提取血管中心線,為后續(xù)狹窄程度評(píng)估或者三維重建奠定基礎(chǔ).文獻(xiàn)[70,71]里提到了利用空間中中心線的位置以及圖像灰度特征來(lái)進(jìn)行血管表面的提取,其優(yōu)點(diǎn)在于搜索速度快,避免出現(xiàn)局部最小值的情況.將最小成本路徑方法和區(qū)域增長(zhǎng)方法結(jié)合還可以克服血管交叉處的影響,提取較為細(xì)小的血管[54].

軌跡追蹤法需要在最初人工選定起點(diǎn)和終點(diǎn),是一種半自動(dòng)化的分割方法,必須依賴于相關(guān)人員的判斷和操作.如何使其自動(dòng)化以及更加高效在檢測(cè)血管邊界和中心線的過(guò)程中有重大意義.

2.4 圖論

基于圖論的方法是將整個(gè)圖像映射為圖的一種方法.其中一種經(jīng)典的圖割分割算法通過(guò)求解能量函數(shù)最小化問(wèn)題進(jìn)行分割.Hernández-Vela 等[72]在提取中心線及進(jìn)行半徑測(cè)量時(shí)利用圖割的能量函數(shù)進(jìn)行全局優(yōu)化,可以實(shí)現(xiàn)血管的自動(dòng)分割.這種方法十分便捷,但是在計(jì)算時(shí)時(shí)間復(fù)雜度和空間復(fù)雜度較高.

另一種常用的方法是隨機(jī)游走算法,它將圖像看作包含固定頂點(diǎn)和邊的連通帶權(quán)無(wú)向圖,首先人工指定目標(biāo)初始種子點(diǎn)以及背景種子點(diǎn),然后根據(jù)各個(gè)頂點(diǎn)到這兩個(gè)種子點(diǎn)的概率判斷種子點(diǎn)在隨機(jī)漫步時(shí)的歸屬類.M’hiri 等[46]提出的血管隨機(jī)游走方法,將Hessian 增強(qiáng)和隨機(jī)游走相結(jié)合,需要人工選定種子點(diǎn)進(jìn)行分割.王光磊等[37]采用一種新的自適應(yīng)閾值分割法進(jìn)行預(yù)分割,再通過(guò)結(jié)合數(shù)學(xué)形態(tài)學(xué)為隨機(jī)游走算法提供種子點(diǎn),可以實(shí)現(xiàn)自動(dòng)化分割.其分割結(jié)果如圖6所示.

圖6 隨機(jī)游走算法分割效果[37]

2.5 機(jī)器學(xué)習(xí)

基于機(jī)器學(xué)習(xí)的方法是將分割問(wèn)題轉(zhuǎn)化為一個(gè)分類問(wèn)題,是近幾年應(yīng)用最多的一種分割方法.不斷有新的機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法應(yīng)用到醫(yī)學(xué)圖像的處理當(dāng)中來(lái)[73,74].早在1995年,Nekovei 等[75]就采用BP神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)血管結(jié)構(gòu)進(jìn)行檢測(cè),將預(yù)先標(biāo)記好的造影圖像送入神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練.近幾年卷積神經(jīng)網(wǎng)絡(luò)CNN 在的一些圖像分割處理當(dāng)中取得不錯(cuò)的效果[76].在所有的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)當(dāng)中,U-Net 是目前在二維醫(yī)學(xué)圖像分割領(lǐng)域中應(yīng)用最為廣泛的一種網(wǎng)絡(luò)結(jié)構(gòu)[77].它由Ronneberger 等[78]在FCN 的基礎(chǔ)上提出,主要特點(diǎn)是網(wǎng)絡(luò)呈現(xiàn)“U”型,其上采樣層和下采樣層數(shù)量相等.

基于機(jī)器學(xué)習(xí)的方法主要分為兩類,一類是需要建立分割標(biāo)準(zhǔn)的有監(jiān)督方法,這個(gè)分割標(biāo)準(zhǔn)(Ground-truth)需要由專家手工標(biāo)記得到,由于血管數(shù)目繁多,手工標(biāo)記比較耗費(fèi)時(shí)間,用于有監(jiān)督方法的機(jī)器學(xué)習(xí)要求將Ground-truth 組成訓(xùn)練集,從訓(xùn)練集數(shù)據(jù)中運(yùn)用相關(guān)機(jī)器學(xué)習(xí)方法推斷出一種模型,利用這個(gè)模型對(duì)未分割的圖像進(jìn)行分割.近幾年使用很多的CNN 和U-Net 網(wǎng)絡(luò)都屬于這種有監(jiān)督方法.

Nasr-Esfahani 等[47]從每個(gè)512×512 進(jìn)行頂帽操作后的造影圖像中提取40000 個(gè)圖像塊,一半來(lái)自血管,一半來(lái)自背景區(qū)域,將這些圖像塊輸入CNN 網(wǎng)絡(luò),進(jìn)而通過(guò)判斷是血管還是背景來(lái)對(duì)血管實(shí)現(xiàn)分割.后續(xù)他們將全局的信息和局部信息結(jié)合起來(lái)[48],并且引入了canny 邊緣檢測(cè)器來(lái)進(jìn)行訓(xùn)練,得到的分割效果更好.Yang 等[79]在CNN 單通道的方法上加入了圖像掩模通道,用雙通道的處理辦法在去除導(dǎo)管區(qū)域和偽影方面效果更高,如圖7所示.Jo 等[80]提出一種選擇性特征映射的方法,用以分割心血管圖像中的左前降主干.Zhao 等[81]在imagenet 基礎(chǔ)上建立一個(gè)初始神經(jīng)網(wǎng)絡(luò),再將其運(yùn)用到針對(duì)半監(jiān)督視頻對(duì)象分割問(wèn)題的單鏡頭視頻對(duì)象分割[82]的CNN 框架上.

圖7 雙通道卷積神經(jīng)網(wǎng)絡(luò)分割[79]

李裕[5]使用多尺度Top-Hat 算法增強(qiáng)血管的細(xì)節(jié)特征,使用修改后的U-Net 模型對(duì)心血管造影圖像進(jìn)行分割,如圖8所示.楊少戈[83]獲取了大量不同體位不同病變情形的冠脈造影圖像,對(duì)其進(jìn)行粗標(biāo)注和精細(xì)標(biāo)注,使用PSPNet 網(wǎng)絡(luò)分別訓(xùn)練不同體位下的冠脈造影圖像,對(duì)其進(jìn)行分割.Yang 等[84]提出一種基于U-Net架構(gòu)的全卷積網(wǎng)絡(luò)結(jié)構(gòu),在DICE 系數(shù)中加入了假陽(yáng)性和假陰性的懲罰項(xiàng),引入了一種新的損失函數(shù)PGD對(duì)主血管部分進(jìn)行分割.Au 等[85]第一次采用深度學(xué)習(xí)來(lái)全自動(dòng)實(shí)現(xiàn)評(píng)價(jià)血管狹窄程度的QCA[86]過(guò)程,主要分為狹窄部位的定位,血管的分割,狹窄程度三個(gè)方面.Fan 等[87]將造影前的圖像掩模信息和造影后的血管信息都用作多通道的輸入以增強(qiáng)血管的結(jié)構(gòu)信息,還對(duì)掩模圖像和血管圖像進(jìn)行了匹配,以獲得更加精確的對(duì)準(zhǔn)效果.Jun 等[88]為了克服U-Net 在編碼和解碼塊之間只有一組級(jí)聯(lián)層的限制,引入了T-Net 一種全新的網(wǎng)絡(luò),在編碼器處理期時(shí)適當(dāng)安排池化層和上采用層,使得預(yù)測(cè)的掩模更加精準(zhǔn).

圖8 改進(jìn)U-Net 網(wǎng)絡(luò)分割[5]

另一類是無(wú)須制作人工標(biāo)記標(biāo)簽的無(wú)監(jiān)督方法,直接從輸入數(shù)據(jù)中尋找隱藏規(guī)律,其中聚類算法使用最為廣泛.Plourde 等[39]采用機(jī)器學(xué)習(xí)的方法來(lái)改善經(jīng)過(guò)多尺度Hessian 增強(qiáng)處理之后的造影圖像,使用基于輪廓的算法進(jìn)行特征提取,再利用支持向量機(jī)SVM 對(duì)其進(jìn)行分類.這個(gè)方法可以提升多尺度Hessian 增強(qiáng)的效果.Lassó等[89]利用支持向量機(jī)SVM 去學(xué)習(xí)造影劑注入后引起的圖像灰度演變的特征,根據(jù)演變特征,設(shè)計(jì)增強(qiáng)方法,進(jìn)而更好地抑制噪聲部分.

2.6 超像素方法

超像素是指具有相似紋理、顏色、亮度等特征的相鄰像素構(gòu)成的具有視覺意義的像素塊,通常是不規(guī)則的.與像素相比,提取超像素更加有利于提取圖像的局部特征,且計(jì)算復(fù)雜度更低.目前關(guān)于基于超像素分割的算法主要分為兩類,一類是基于圖論的方法,一類是基于梯度下降的方法.Achanta 等[90]提出的SLIC 算法將彩色圖像轉(zhuǎn)換為5 維特征向量,再構(gòu)造度量標(biāo)準(zhǔn)對(duì)像素進(jìn)行局部聚類,此算法運(yùn)算速度塊,生成的超像素塊較為均勻.Fazlali 等[34]在對(duì)原始造影圖像進(jìn)行多尺度Top-Hat 變換和多尺度Hessian 增強(qiáng)操作后,利用多尺度分割方法對(duì)血管進(jìn)行初始分割,然后計(jì)算每個(gè)超像素塊的血管概率,和設(shè)定的閾值相比較,進(jìn)而區(qū)分出血管部分和背景部分,實(shí)現(xiàn)分割,效果圖如圖9所示.

圖9 基于超像素方法的分割效果[34]

由于目前沒有公開的金標(biāo)準(zhǔn)數(shù)據(jù)集,不同研究人員采用的圖片數(shù)據(jù)不同,評(píng)價(jià)標(biāo)準(zhǔn)也不相同,其研究成果很難拿來(lái)比較.表2總結(jié)了常用的分割方法及其對(duì)應(yīng)文獻(xiàn),還包括檢測(cè)分割算法時(shí)所測(cè)試的圖片數(shù)量及使用的評(píng)價(jià)標(biāo)準(zhǔn).

3 評(píng)價(jià)標(biāo)準(zhǔn)

對(duì)于血管分割的評(píng)價(jià)指標(biāo),金標(biāo)準(zhǔn)還是由臨床專家醫(yī)生手動(dòng)分割的圖片.由于在專家們進(jìn)行手動(dòng)分割時(shí)會(huì)產(chǎn)生人工誤差及因主觀性判斷導(dǎo)致的不一致,因此需要提出使用不同的策略來(lái)對(duì)金標(biāo)準(zhǔn)進(jìn)行選定,即在血管分割中選擇大部分專家都認(rèn)同的血管段作為分割金標(biāo)準(zhǔn),或者建立可信度列表,在出現(xiàn)分割爭(zhēng)議時(shí),根據(jù)可信度列表排名進(jìn)行評(píng)判[83].但是以上方法,不能夠引入分割結(jié)構(gòu)的先驗(yàn)信息,并且不能夠評(píng)估局部的分割效果.為了解決這個(gè)問(wèn)題,引入同步真實(shí)性能水平估計(jì)STAPLE (Simultaneous Truth And Performance Level Estimation)算法[91],該方法結(jié)合先驗(yàn)?zāi)Ｐ蛯?duì)被分割結(jié)構(gòu)的空間分布進(jìn)行約束,再對(duì)每個(gè)不一致的分割結(jié)果的性能進(jìn)行度量,最后利用標(biāo)簽融合方法將各個(gè)專家的分割結(jié)果以最佳的方式結(jié)合起來(lái).

表2 分割方法及其對(duì)應(yīng)文獻(xiàn)

在評(píng)估分割算法的性能時(shí),通常采用真陽(yáng)性TP(True Positive),真陰性TN(True Negative),假陰性FN(False Negative)和假陽(yáng)性假正例FP(False Positive).4 種數(shù)據(jù)的參數(shù)表[92]如表3所示.分析這4 個(gè)數(shù)據(jù)又可以產(chǎn)生不同的評(píng)價(jià)指標(biāo),例如靈敏度,特異度,準(zhǔn)確率(即查準(zhǔn)率),召回率(即查全率),陰性預(yù)測(cè)值PPV,陽(yáng)性預(yù)測(cè)值NPV,邊界誤差.除此之外,還有平均絕對(duì)誤差MAD(Mean Absolute Difference)[93]、豪斯多夫距離HD[94]、D ICE 相似系數(shù)DSC[95]、Jaccard 系數(shù)JAC[96]等評(píng)價(jià)標(biāo)準(zhǔn).

表3 用于評(píng)價(jià)血管分割的參數(shù)表

靈敏度和特異度是指在預(yù)測(cè)為真或者假里面分別真實(shí)為真或者假的概率,其定義分別如式(4)和式(5)所示.

準(zhǔn)確率關(guān)注的是分割結(jié)果中有多少是正確的,召回率關(guān)注的是有多少血管部分被正確地預(yù)測(cè)處理,其定義分別如式(6)和式(7)所示.

事實(shí)上,準(zhǔn)確率P和召回率R互相矛盾,P高時(shí),R就低,R高時(shí),P就低.所以為了綜合評(píng)價(jià)分割性能,引入P-R 曲線,P-R 曲線也可根據(jù)其曲線下面積AUC(Area Under Curve)來(lái)對(duì)圖像的分割效果進(jìn)行評(píng)估[97],AUC 越大,其性能越好.此外,F1 度量也可以綜合準(zhǔn)確率和召回率,其定義如式(8)所示.

F1 度量值越大,其性能越好.DICE 相似系數(shù)是F1 度量的另一種表達(dá)形式,其定義如式(9)所示.

其中,X表示實(shí)際的目標(biāo)血管區(qū)域,Y表示分割方法分割的血管區(qū)域.DSC值越大,表明分割方法分割的目標(biāo)血管和實(shí)際血管區(qū)域重合度更高.

陰性預(yù)測(cè)值NPV和陽(yáng)性預(yù)測(cè)值PPV這兩個(gè)評(píng)價(jià)標(biāo)準(zhǔn)建立在算法已經(jīng)對(duì)圖像中的像素做出預(yù)測(cè)的基礎(chǔ)上.NPV表示如果算法將像素預(yù)測(cè)為非血管部分,該像素被正確預(yù)測(cè)的概率,如式(10)所示,PPV表示如果算法將像素預(yù)測(cè)為血管,該像素被正確預(yù)測(cè)的概率,如式(11)所示.

邊界誤差可以反映在血管的邊界算法的分割效果優(yōu)劣,邊界誤差越小,算法效果越佳,計(jì)算方法如式(12)所示.

平均絕對(duì)誤差MAD計(jì)算分割方法的分割結(jié)果邊緣上每個(gè)點(diǎn)和相應(yīng)手動(dòng)分割金標(biāo)準(zhǔn)上最近的點(diǎn)的平均誤差值,如式(13)所示.MAD值越小,則說(shuō)明算法分割結(jié)果和手動(dòng)分割金標(biāo)準(zhǔn)結(jié)果最為相似.

豪斯多夫距離HD是描述兩組點(diǎn)集之間相似程度的一種度量,其定義如式(14)所示.

Jaccard 系數(shù)(JAC)用于比較有限樣本集合之間的相似性和差異性,它的定義是集合α和β交集的大小與其并集大小的一個(gè)比值,如式(15)所示,如果Jaccard系數(shù)越大,則說(shuō)明他們的相似度越高.

Brieva 等[65]在評(píng)價(jià)水平集分割效果的時(shí)候,設(shè)計(jì)了SA參數(shù)來(lái)評(píng)價(jià)分割的效果,如式(16)所示,又根據(jù)SA參數(shù)分別針對(duì)邊界和區(qū)域,進(jìn)而定義SAC 和SAR兩個(gè)參數(shù).

Khaleel 等[51]在提取血管樹時(shí),引入了灰度直方圖和其均值的誤差平方和SSE,如式(17)所示.選取其中最小的SSE作為分割效果最佳的圖片.其中n是一組血管造影圖像的數(shù)量,yi是血管造影圖像的直方圖,是血管造影圖像的平均直方圖.

表4是文中所提到的方法在評(píng)價(jià)其分割效果時(shí)所使用的評(píng)價(jià)標(biāo)準(zhǔn)及其對(duì)應(yīng)參考文獻(xiàn).

表4 評(píng)價(jià)標(biāo)準(zhǔn)及其參考文獻(xiàn)

4 展望

在醫(yī)學(xué)臨床應(yīng)用中,計(jì)算機(jī)輔助技術(shù)和醫(yī)學(xué)圖像分割技術(shù)是疾病診斷的常用手段,基于血管造影的DSA 圖像分割技術(shù)是相關(guān)血管疾病量化分析描述和血管三維重建的前提,造影圖像的分割意義重大,分析以上所羅列的分割方法主要從以下幾個(gè)方面對(duì)心血管造影圖像分割的未來(lái)發(fā)展做出展望:

(1)建立心血管造影圖像相關(guān)的公開金標(biāo)準(zhǔn)數(shù)據(jù)集.心血管造影圖像目前還沒有公開的數(shù)據(jù)集,沒有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)對(duì)各論文所提出的方法進(jìn)行評(píng)估和比較,不利于不同分割方法直接的橫向?qū)Ρ?在獲取心血管造影圖像時(shí),需要對(duì)患者的隱私進(jìn)行脫敏保護(hù),只保留影像序號(hào)、圖像拍攝日期、體位角度等非敏感信息[83].由于心血管造影圖像在造影時(shí)注射的造影劑濃度會(huì)有差異,得到的圖像的對(duì)比度清晰度也會(huì)有差異,且造影圖像分為左視角和右視角,在制造金標(biāo)準(zhǔn)時(shí)也需要綜合考慮這些情況.如果需要進(jìn)一步研究,還可建立不同病變的數(shù)據(jù)分類,根據(jù)不同的病變建立相應(yīng)數(shù)據(jù)集.此外,制作金標(biāo)準(zhǔn)的相關(guān)“專家”不能只有一個(gè),一方面因?yàn)槿斯?duì)樣本進(jìn)行勾畫時(shí)存在誤差,另一方面,對(duì)于邊界的判定帶有一些主觀因素,制作的金標(biāo)準(zhǔn)數(shù)據(jù)集必須結(jié)合多個(gè)專家的分割結(jié)果.

(2)提升造影圖像的增強(qiáng)效果.預(yù)處理作為分割操作的第一步必不可少,對(duì)圖像中無(wú)關(guān)噪聲部分的降噪以及目標(biāo)部分的增強(qiáng),可以借鑒文章中所總結(jié)的幾種方法,向“自適應(yīng)”,“多模板”方向發(fā)展,使得預(yù)處理之后的圖像最大限度地保留細(xì)小血管的信息,且盡可能使得目標(biāo)區(qū)域和背景區(qū)域的對(duì)比度拉大.

(3)開發(fā)全自動(dòng)的分割方法.分割方法中,基于區(qū)域生長(zhǎng)和基于軌跡追蹤的方法都需要人工設(shè)定初始點(diǎn),這在實(shí)際使用中會(huì)造成不便捷,且人工設(shè)定點(diǎn)的差異對(duì)整體的分割結(jié)果會(huì)產(chǎn)生影響.所以如果能夠?qū)崿F(xiàn)全自動(dòng)的分割對(duì)于提高工作效率和分割效果十分有幫助.近幾年,使用機(jī)器學(xué)習(xí)方法的相關(guān)研究占主要地位,使用這種方法可以實(shí)現(xiàn)自動(dòng)化分割,但是前期訓(xùn)練過(guò)程十分繁瑣,如何提高效率是一個(gè)巨大挑戰(zhàn).

(4)將分割結(jié)果用于后續(xù)冠脈狹窄程度量化,可以積累狹窄程度和血管寬度變化規(guī)律的先驗(yàn)知識(shí),實(shí)現(xiàn)血管狹窄程度的自動(dòng)測(cè)量[99],自動(dòng)定位病變區(qū)域.分割質(zhì)量高的圖像可以極大便利醫(yī)生進(jìn)行QCA 測(cè)評(píng)[86],輔助醫(yī)生進(jìn)行診斷以及后續(xù)Syntax 系統(tǒng)評(píng)分.現(xiàn)有的全自動(dòng)QCA[85]過(guò)程準(zhǔn)確率還有待提高,可以引入新的神經(jīng)網(wǎng)絡(luò)或者補(bǔ)充訓(xùn)練數(shù)據(jù)來(lái)提高其準(zhǔn)確率,減輕人工負(fù)擔(dān).

(5)引入造影圖像序列,對(duì)動(dòng)態(tài)的造影圖像進(jìn)行運(yùn)動(dòng)跟蹤和分割,由于細(xì)小血管基本分布在血管末梢,其造影劑達(dá)到的時(shí)間較晚,顯影較晚,且顯影劑的效果也隨時(shí)間流逝變得不明顯,導(dǎo)致細(xì)小血管的分割難度大,效果不佳.如果能夠綜合數(shù)張?jiān)煊皥D像,可以使得分割效果更加,得到病變處最窄部分的狹窄程度[100],提高診斷的準(zhǔn)確度.

(6)進(jìn)一步研究血管的中心線提取,口徑測(cè)量,血管內(nèi)部導(dǎo)管的分割等工作,造影血管的分割是眾多研究?jī)?nèi)容所需要涉及到的,只是心血管疾病診斷等相關(guān)研究中一個(gè)重要環(huán)節(jié).

5 結(jié)束語(yǔ)

本文從圖像預(yù)處理、分割方法以及評(píng)價(jià)標(biāo)準(zhǔn)3 個(gè)方面,研究了心血管DSA 圖像處理的流程方法.但所提及的各種方法只是涉及分割技術(shù),后續(xù)對(duì)血管的定量分析如狹窄程度分析等并未涉及,且所介紹的每種方法有其特有的適用范圍,根據(jù)數(shù)據(jù)源的不同,其分割方法和處理方法也各異,并不存在一種最好的分割處理方法,在實(shí)際情況中,需要針對(duì)特定情況進(jìn)行分析,不斷嘗試使用不同方法的搭配組合或者設(shè)計(jì)新的方法使得分割血管的效果更佳.