王明霞 何坤金 劉宇興 曹紅飛

（1.河海大學物聯(lián)網(wǎng)工程學院 常州 213200）（2.常州世紀鳥電動車制造有限公司 常州 213200）（3.河海大學商學院 常州 213022）

1 引言

血管相關疾病是世界公認致死率較高的疾病之一，且患病率逐年上升，嚴重威脅人類健康［1］。目前，血管疾病的診斷仍然依賴于經(jīng)驗豐富的醫(yī)生通過觀察血管造影圖像，依據(jù)經(jīng)驗對病情進行診斷。在醫(yī)生手工勾勒血管輪廓，實現(xiàn)血管分割的過程中，人工閱片通常受限于成像質量以及個人經(jīng)驗，診斷結果易受到主觀因素的影響，導致分割工作具有耗時耗力、可靠性低、可重復性差的特點。因此，利用醫(yī)學圖像處理技術實現(xiàn)精確的血管分割，可以增加臨床診斷的信息，幫助醫(yī)生快速、準確地分割出血管，為病灶定位識別、可視化和定量分析提供了有力支持。

醫(yī)學圖像中常用的算法有區(qū)域生長［2］、閾值分割［3］、圖割［4］等，但無法適應復雜血管圖像的精準分割。Moccia 等［5］相關研究人員對不同部位、不同類別的血管圖像使用的分割方法進行總結，但使用主動輪廓模型［6］分割血管造影圖像中血管的較少。相比之下，由于分割精度高和拓撲適應性的優(yōu)勢，水平集方法［7］在引入圖像分割領域后得到了廣泛的應用。水平集方法作為一種主動輪廓模型，主要分為基于區(qū)域的方法和基于邊緣的方法?；趨^(qū)域的方法通過使用特定區(qū)域描述符（例如強度或紋理）區(qū)分圖像前景和背景的區(qū)域，以指導輪廓的運動。Zhi 等［8］提出了一種基于邊緣和區(qū)域的層次水平集模型，能夠高效分割出目標輪廓，但該方法未考慮局部區(qū)域信息，分割雜亂背景或紋理圖像的性能仍有待提高。Ge等［9］提出了一種基于Hessian矩陣和水平集的兩步分割方法，該方法可以檢測到冠狀動脈末端、小血管分支和低對比度區(qū)域的血管，但權重系數(shù)會影響到分割曲線的平滑程度。基于邊緣的方法通常利用邊緣指示符將零水平集隱式地向邊界目標輪廓收斂，以實現(xiàn)邊緣提取。Zhong等［10］將區(qū)域一致性約束項用于基于區(qū)域和邊緣的模型來提高水平集的穩(wěn)定性；Khokhar 等［11］引入曲率特征能量函數(shù)應用于標準水平集函數(shù)，提高了輪廓曲線的演化能力，有效地減少了迭代次數(shù)，但并未考慮到圖像的低對比度以及不均勻性問題。Yu等［12］提出了一種基于自適應擾動水平集的醫(yī)學圖像分割算法，避免了能量函數(shù)最小化陷入局部最優(yōu)，使強度不均勻以及噪聲圖像的分割性能明顯提高，但計算效率仍需優(yōu)化；Zhou 等［13］設計了一個基于區(qū)域的指標嵌入到水平集模型中，有效地區(qū)分了圖像的前景和背景，但野生圖像會出現(xiàn)過分割問題。

上述研究成果在一定程度上促進了血管分割技術的發(fā)展，然而，由于血管造影圖像具有血管結構復雜、灰度不均、存在偽影等特點，影響血管分割精度；單一的血管分割方法無法滿足在較短時間內(nèi)精確地提取出血管輪廓的需求；在診斷過程中，直接通過血管輪廓觀察各血管結構費時費力。因此，本文以血管幾何形態(tài)特征為基礎，建立血管分類標準；其次，設計一種血管多級分割方法，實現(xiàn)血管整體輪廓和血管段的快速精準分割；最后，將分類標準融入血管分割方法，生成帶有分類信息的血管輪廓，輔助醫(yī)生高效診斷。

2 構建血管分類標準

血管形態(tài)結構復雜，采用直觀的形式描述血管段的形態(tài)結構，能夠提高血管相關組織的診斷效率。潘等［14］認為血管在解剖學上，整體呈帶有分支的樹狀結構，局部上每段血管呈線性。Malota 等［15］指出血管段的基本形狀參數(shù)化模型包括直線、彎曲和分叉部分。為直觀地描述血管段特征，本文對血管的形態(tài)結構進行分析，采用規(guī)范的幾何特征描述血管形態(tài)結構的重要特點，對血管分類，如圖1 所示。

按照血管的幾何特征，將血管造影圖像中的局部血管段結構分為直線、彎曲和分叉部分，定義對應的血管類型為I型、v型、Y型。

首先，將血管中心線分段，主要思路如下：根據(jù)每個中心點的鄰域信息將血管中心線分割成一組線段。具體思路如下：將有K相鄰的點qi，qi被定義為pk點，首先，選擇p1作為種子點，沿著p2跟蹤直到遇到pn(n≥3)，標記該段為一段血管段，跟蹤路徑上的所有點都標有與種子點相同的邊緣標簽。其次，選擇未標記的p2繼續(xù)跟蹤，使用與前述相同的跟蹤策略。最后，依次分析未標記點的連通域。

對I型進一步細分；根據(jù)血管段的輪廓點集，生成最小外接矩形，定義血管衡量因數(shù)γ，如式（1）所示，其中E1為血管段外接矩形短邊，E2表示血管段外接矩形長邊。通過評估衡量因數(shù)的大小判斷I型中粗細不同的血管段，0<γ<0.5 定義為I1型；0.5 ≤γ≤1定義為I2型，如圖1（a）所示。對v型進一步細分；擬合血管段內(nèi)中心線的點，計算拐點個數(shù)。利用拐點判斷曲線的彎曲方向是否改變，將沒有拐點的血管段定義為V1型，拐點大于等于1的定義為V2型，如圖1（b）所示。

對Y型進一步細分；將Y型分為Y1型和Y2型，如圖1（c）所示；Y1型是分叉點周圍像素點個數(shù)為3的血管段，Y2型是分叉點周圍像素點個數(shù)大于3 的血管段，定義如式（2）所示；pneibor表示血管分叉點相鄰的點。

圖1 血管的分類

3 帶有分類信息的血管多級分割

為了幫助醫(yī)生在較短時間內(nèi)提取目標血管輪廓，本文采用多級分割方法，先通過粗分割快速得到血管的大致輪廓，考慮到粗分割后仍存在分割不準確的問題，因此，提出一種融合局部先驗信息的血管分割方法，實現(xiàn)局部血管段的精準分割。

3.1 血管粗分割

血管的粗分割主要包括以下步驟：使用各向異性非線性濾波器［16］，去除噪聲、保留血管邊界特征將濾波后的圖像增強。如圖2（b）所示。為了降低時間復雜度和操作次數(shù)，對增強后的血管圖像利用積分圖像計算每個像素點的矩形窗口平均值［17］，將其與當前像素比較，大于則為255，反之為0，結果如圖2（c）所示。根據(jù)血管輪廓邊界近似平行的特點，使用最小二乘法將血管輪廓中的點擬合成曲線，基于平行曲線模型［18］保留血管結構，采用連通域標記法去除圖像中連通域面積過小的區(qū)域，提取血管結果如圖2（d）所示。最后，使用輪廓標記法繪制血管輪廓如圖2（e）所示。

血管粗分割后提取血管中心線［19］，根據(jù)前述方法將血管中心線分段，利用血管分類標準，確定相鄰特征點間血管段類型，根據(jù)分段的中心線與特征點，向血管輪廓做垂線，獲得輪廓上的交點，確定分段血管輪廓位置起止點，將該段血管輪廓使用不同顏色標記，獲得帶有血管分類信息的血管輪廓。根據(jù)血管細分類標準，對血管段類型進一步細分并統(tǒng)計，展示不同類型血管段數(shù)量，如圖2（f）所示，黃色點為Y型、綠色輪廓為v型血管段、紅色輪廓為I型血管段。

圖2 血管的粗分割

3.2 血管細分割

3.2.1 基于血管折線輪廓的局部區(qū)域生成

考慮到需精準定位到局部目標分割區(qū)域提取血管輪廓的需求，本文交互定位局部區(qū)域，相鄰點間的線段為特征線段，多條特征線段自動生成的血管折線輪廓如圖3（a）所示。根據(jù)折線段點集生成包含該段血管的局部區(qū)域。生成局部區(qū)域規(guī)則如下：首先，根據(jù)特征點形成的折線輪廓自動生成一個最小外接矩形R，長為H，寬為W。其次，令li=Wi初步確定特征線段的局部區(qū)域Ri，如圖3（b）所示。以Ri的上下邊緣邊界點P1、P2為起始點沿著Ri邊緣做射線，延長與血管圖像相交得到，利用交點向邊緣平行線做垂線，獲得局部區(qū)域的最長寬度，將其作為局部區(qū)域的新寬度，最大程度地保證血管輪廓包含在局部區(qū)域Ri'內(nèi)。

3.2.2 融合血管局部信息約束的水平集算法

為了在演化過程中充分利用血管圖像的局部區(qū)域信息，限定血管分割范圍，本文將多段血管折線輪廓生成的局部區(qū)域作為圖像域，融入水平集算法［20］的初始化函數(shù)。初始化函數(shù)的定義為

C(x,R)表示折線端點集合在圖像域R內(nèi)，圖像域R表示折線圖像中依據(jù)折線生成的局部區(qū)域。xRoutside、xR、xRinside分別表示折線端點在外接矩形外、外接矩形上以及外接矩形內(nèi)部；本文中所使用的初始化種子點包含于R內(nèi)。

為解決各個局部區(qū)域相鄰，折線端點處的血管輪廓未包含在外接矩形內(nèi)導致血管輪廓分割不連續(xù)的問題，提出一個局部區(qū)域后處理算法，融合血管局部區(qū)域的特征，建立一個新的血管與區(qū)域之間的約束關系，利用融合局部信息的水平集算法分割血管。局部區(qū)域后處理算法主要包括如下步驟：Step1.調(diào)整局部區(qū)域邊界。為保證Ri

'包含血管段完整信息，長上下各增加0.1H，避免因后續(xù)位置變換導致血管段上下界信息不完整的問題，具體步驟如圖3（c）。

Step2.確定局部區(qū)域變換角度。局部區(qū)域相鄰處易出現(xiàn)血管邊界不完整的情況，需要通過角度變換，改變局部區(qū)域位置，使其包含血管邊界。因此，計算相鄰線段之間較小的夾角，定義其角度為θ，外接矩形與夾角θ之間的旋轉角為，如圖3（d）所示。

Step3.變換局部區(qū)域位置。將外接矩形的寬沿其與線段終點的交點旋轉，直至外接矩形在交點處的邊界線與θ的角平分線平行，如圖3（e）所示。若待分割區(qū)域包含多段線段，則重復上述步驟，確保每個局部區(qū)域都進行后處理，最后分割結果圖如圖3（f）所示。

Step4.生成帶有分類信息的血管輪廓。獲得局部血管段輪廓后，利用血管細化算法［19］提取血管中心線，遍歷血管中心線鄰域點，若不含Y2的分叉點，將局部血管段輪廓標記為一段血管段，反之，則采用粗分割中血管中心線分區(qū)方法將中心線分段。根據(jù)血管分類標準，確定血管段類型，使用不同的顏色標記血管段，獲得帶有血管分類信息的血管輪廓，綠色表示v型血管段，如圖3（g）所示。

圖3 血管的細分割

4 實驗結果與分析

4.1 實例分析

為驗證本文方法的合理性和可行性，實驗使用的平臺是Visual Studio 2019 和OpenCV 4.0，以常州市第二人民醫(yī)院中數(shù)位患者的血管造影圖像數(shù)據(jù)作為樣本，選取具有代表性的血管圖像進行測試，每幅圖像大小為512*512 像素，并以專業(yè)影像科醫(yī)生繪制的血管輪廓作為參考標準，對血管造影圖像進行實例測試。為便于與醫(yī)生繪制的標準輪廓進行對比，實驗中粗分割與細分割結果為不帶有血管分類信息的血管輪廓。

4.1.1 本文粗分割結果及相關算法比較

1）本文粗分割結果

粗分割中各向異性濾波設置梯度模閾值k=3，積分常數(shù)dt=0.1，t=0.5，經(jīng)多次測試，上述參數(shù)實驗效果最佳，無需多次調(diào)節(jié)。

粗分割結果如圖4（a）所示，與圖4（b）中醫(yī)生繪制的標準輪廓相比，整體分割效果良好，僅在血管較細和血管圖像局部對比度低的區(qū)域，會出現(xiàn)分割不準確的情況。粗分割的血管分類結果如圖4（c）所示。將醫(yī)生指導的人工標注血管分類統(tǒng)計結果作為參考標準，圖中Y型的分類數(shù)量大于人工分類數(shù)量，I型和v型與人工標注數(shù)量相差不大，原因是人工判斷血管分叉結構較為粗略，對距離較近的血管分叉點可能會遺漏?？梢钥闯?，與人工標注結果相比，本文分類方法具有較好的性能，結果相對穩(wěn)定。

圖4 血管粗分割結果

2）粗分割結果對比

為進一步驗證所提粗分割方法的實用性，將血管粗分割方法與Revol等［21］、Hibet等［3］、Wan等［23］三種同樣用于血管整體分割的方法進行比較，如圖5所示。其中，圖5（b）能夠提取出血管主干，但無法分割較細血管；圖5（c）能夠分割出寬而細的血管，但在對比度較差的區(qū)域效果欠佳；圖5（d）整體分割效果最好，能將大部分血管輪廓分割出來，但其分割結果需要多次調(diào)節(jié)分割參數(shù)，且分割結果中仍存在少量非血管干擾；相比之下，本文粗分割方法無需多次調(diào)節(jié)參數(shù)，能夠自動提取出血管主干和部分較細血管，在一定程度上克服了因血管圖像灰度不均造成的問題。

圖5 本文粗分割方法和其他文獻方法結果比較

4.1.2 本文細分割結果及相關算法比較

1）本文細分割結果

對圖6（a）中粗分割不準確血管段進行細分割。通過少量交互選取待分割血管段，對其進行分割，經(jīng)過多次實驗，細分割方法中最佳演化參數(shù)設置如下：長度權重系數(shù)λ=5，擴散系數(shù)α=-3，正則化權重系數(shù)μ=0.2，迭代次數(shù)為120，結果如圖6（b）所示，圖中不同顏色表示識別出的血管段類型?？梢钥闯?，細分割方法能夠準確地提取出目標血管，分割結果接近圖6（c）中醫(yī)生繪制的標準輪廓，對血管圖像中較細及低對比度的血管段，本文所提方法仍能獲得較好的分割結果。

圖6 血管段細分割結果

2）細分割結果對比

將本文細分割方法與Lu 等［22］、Khokhar 等［9］及Ge 等［6］所提同樣使用水平集對血管分割的方法進行比較，為保證公平性，圖像初始化區(qū)域大小和迭代次數(shù)都相同，圖7 為對同一血管段進行細分割的局部放大圖?？梢钥闯?，其他方法在對比度低、灰度不均的血管圖像中，會出現(xiàn)分割不連續(xù)或分割不足的問題，在此情況下，本文細分割方法仍能提取出較完整的血管輪廓，具有較強的抗干擾能力。

圖7 本文細分割方法和其他文獻方法結果比較

4.2 定量分析

4.2.1 評價指標

本文采用Dice 系數(shù)、相對體積差（Relative Vol?ume Difference，RVD）、95%Hausdorff 距離（HD）作為評價指標［23］，評估所提算法分割的準確性。

1）Dice 系數(shù)中Aimp表示改進分割算法獲得的模型面積，Atruth表示醫(yī)生手動繪制的標準輪廓面積，定義為

2）相對體積差中的Aimp和Atruth與式（4）相同，用于評估過分割和欠分割，定義為

3）HD 距離值可以度量兩個點集合之間的誤差，在本文中改進的分割方法區(qū)域輪廓坐標集合為Cimp={x1,x2,…,xn}，醫(yī)生繪制的標準輪廓坐標集合為Ctruth={y1,y2,…,yn}，定義為

式中，‖ ?‖ 表示歐氏距離。由于HD 距離易受到非常小的子集的影響，因此選擇使用95%的HD 距離消除離群值。

4.2.2 分割結果定量評估

為進一步證明本文方法的性能，將醫(yī)生繪制的輪廓作為參考標準，計算上述三個評價指標，分別定量分析本文粗分割和細分割方法與其他算法分割性能，結果如表1、2所示。

表1 為粗分割方法與其他分割方法的定量比較?？梢钥闯?，粗分割方法各項指標高于Revol 和Hibet等所提方法，部分略低于Wan等提出的方法，但總體相差不大，原因在于Wan主要改善復雜血管的描繪。從分割時間看，本文粗分割方法用時最短，Wan 分割時間較長，表明本文粗分割能在較短的時間內(nèi)提取大部分血管輪廓，同時保證血管分割精度，滿足實際需求。表2 為本文細分割方法與改進的水平集血管分割算法對比，本文所提方法的Dice 系數(shù)為0.98±0.02，高于其他方法，95%HD 值最小，RVD 值接近于0，說明細分割方法分割的輪廓幾乎與手工分割的一致。此外，本文方法用時最短，綜合來看，本文細分割方法是一種高效的方法。

表1 本文粗分割方法和其他文獻方法的定量比較

表2 本文細分割方法和其他文獻方法的定量比較

綜上所述，本文粗分割能夠快速準確地分割出大部分血管輪廓，細分割在保證血管分割精度的同時提升了速度，可見本文方法具有較好的臨床使用價值。

5 結語

針對計算機輔助醫(yī)學領域中血管分割的研究問題，本文提出一種融合形狀分類的血管圖像多級分割方法。本文方法的主要特色有：1）針對傳統(tǒng)的分割算法初始化后仍需調(diào)節(jié)各項參數(shù)來控制演化的速度以及范圍的問題，本文利用折線輪廓生成局部區(qū)域，縮小血管分割范圍，實現(xiàn)血管輪廓的精準提取，具有更高的靈活性。2）考慮到血管折線線段之間的相鄰特性易導致血管分割不連續(xù)的問題，本文采用局部區(qū)域后處理算法優(yōu)化初始區(qū)域，改變局部區(qū)域的空間位置，保證血管分割的完整性。3）利用血管幾何特征量化血管結構，識別出血管輪廓中包含的血管段類型，為醫(yī)生快速診斷提供了參考。實驗結果表明，本文方法在保證血管分割精度的同時，縮短了分割時間，并在血管輪廓中有效地融入了血管段形態(tài)信息。本文分割方法仍有一些局限性，對于血管對比度低處微血管的提取，與手動分割效果相比，不是很完美。在未來的工作中，為了達到對其精準分割的目的，將提高本文分割方法在微血管處的分割精準度。