材料与实验设计
1.1 临床资料
采集2组北京医院成人头颈部CT增强平面连续扫描图像数据。成像设备为GE的revolution CT，CT扫描参数设定为管电压100 kV，电流是自动mA，断层厚度0.625 mm，图像矩阵512×512，扫描方位为冠状面，两组数据仅包含颈段颈动脉共390张CT图像。为了提高颈动脉病变的检出率及定性诊断的准确率，静脉注射40 mL，浓度为370 mL/gL的碘造影剂用以增强扫描。
1.2 图像分割设备
图像处理硬件：Founder Junyi M80 图像处理工作站，参数为DESKTOP-6SHD5LU，主频3.30 GHz，内存为6.0 GB，操作系统为Windows 10。
图像处理软件：MATLAB R2017b软件，用来实现对颈动脉CT图像的预处理、分割及三维可视化。
2 图像分割的模型与算法
本文图像分割算法分为四步：第一步对原始图像进行ROI区域确定;第二步将ROI区域的灰度值调整为CT值，并采用自适应迭代法去除颈动脉周围的软组织;第三步采用多尺度血管增强滤波算法进行图像增强，然后获取图像边界;第四步根据颈动脉区域特征筛选连通区域。与现有算法相比，本文算法的优势主要有：①抓住了血管结构特征，分割结果可靠;②采用追踪与区域特征相结合的方法，可以很好的解决分叉处的问题，且分割速度快速;③算法简单易行，容易编程实现。
2.1 ROI区域自动更新
在颈动脉CTA断层图中，呈现为一个高亮的类圆形区域，并且在整个剖面图中仅占有很小比例的面积，获得的二维颈动脉CTA图像大小为512×512，因为图像尺寸较大并且包含了很多无用的信息，如图1所示，考虑到计算机辅助系统在实际应用中对颈动脉重建速度的要求，需要尽可能的缩小区域，减少之后的计算量。本文采用半自动的颈动脉提取方法，仅需用户交互选取一点，在保证准确性和高效性的同时，又可以将人工交互量减到最低[4]。该方法需要用户选取颈动脉的起始位置，并通过这一点确定颈动脉断层图像的ROI区域，其它断层图像的ROI区域自动更新。此方法允许某一断面分割失败，但不影响后续其它断面的追踪。
在含有起始点的断层面（起始断层面）上，ROI被设置为以起始点为中心的一个正方形区域，且保证其足够大，能够包含断层上的全部颈动脉区域（在经过大量反复实验，将正方形区域选择为50×50时，后续分割结果最佳）。除起始断层面外，其余断层面上的位置通过计算自动更新。
2.4 区域筛选
图像边缘检测是实现高准确度测量和图像识别的基础和前提[15]。在三维成像的过程中，二维图像的颈动脉边界分割的精度将会直接影响三维颈动脉模型的质量与精度，图像分割精度与方法非常重要[16]。目前提取边界较为常用的方法是梯度算子，但当区域边界不连续时获得的区域边界是不完整的，本文采用8邻域边界追踪的方法提取颈动脉，有效的解决了这个问题，将不连续的边界自动补充完整。
最后，对提取出来的各个连通区域进行特征分析，从而识别颈动脉所对应的连通区域。基于CTA断层图像的特点以及每张断面中颈动脉的特点，选取连通区域面积、位置以及圆形度特征进行特征分析。
（1）面积筛选：由于颈动脉的物理尺寸介于一定的范围之内，将面积过大或者过小的区域滤除掉。
（2）位置筛选：由于CTA断层图像的特点，颈动脉是具有连续性的，相邻两张断层颈动脉的位置相差很小，因此连通区域的位置也可以作为判断是否为颈动脉区域的一个特征。由于前一张图像检测出的颈动脉区域作为下一张图像ROI区域的中心点，因此我们可以判断连通区域与ROI区域中心点的距离，当距离大于某一阈值时，则将该区域滤除，此方法有效的解决了与颈动脉相似的其它血管的干扰。
（3）圆形度筛选：颈动脉在断面中体现为圆形或者椭圆形，因此我们计算连通区域的圆形度作为筛选连通区域的度量。圆形度计算公式如下。
其中，s为区域面积，p为区域周长。
圆形度越接近1，则区域越接近正圆形。若某个连通区域小于或大于颈动脉圆形度阈值（根据颈动脉区域最小或最大可能的圆形度设置），则该连通区域可以被确定为非颈动脉区域。当有少数断面无法得到分割结果时，根据CTA图像连续性的特点，采用插值的方法获得。
2.5 分割结果
本文实验主要分割颈动脉颈段血管，颈动脉不同位置的分割结果如下图4所示，其中包括颈总动脉的初步分割结果、颈总动脉分叉时的初步分割结果以及颈总动脉分裂成颈内动脉与颈外动脉的初步分割结果。
3 三维可视化
三维可視化技术是一个热点，广泛用于医学等领域[17]。三维可视化通过对获得的数据或二维图像进行信息处理，生成物体的三维结构，并按照人的视觉习惯进行不同效果的显示。三维可视化技术包括面绘制（Surface Rendering）与体绘制（Volume Rendering）两种技术。面绘制实际上是三维物体在二维平面上的真实感投影，但其缺点是信息的丢失情况较严重，运算量与景物的复杂程度和物体形状的复杂程度有关，对物体边界轮廓的提取要求较高，不能反映组织器官的内部空间信息。体绘制直接由三维数据场产生屏幕上的二维图像，避免了面绘制重建过程中所造成的伪像信息，图像质量高，细节显示更加准确，可以很好的显示物体的内部结构。最大密度投影作为一种经典的体绘制算法，采用透视原理来获取重建图像。当光线穿过原始组织的体数据时，图像中密度最大的像素被保留，然后投射到对应位置上的二维平面上形成连续的图影像，形成的图像称之为MIP重建图像。颈动脉颈段CTA数据的三维可视化初步结果如图5所示。
4 结果与分析
本实验采用活体器官的CTA头部断层扫描图像为原始数据，应用 MATLAB 软件实现颈动脉的分割与三维可视化。由于颈内动脉与颈外动脉弯曲度较大，而颈总动脉弯曲度较小，所以采用由颈总动脉向颈内外动脉追踪，大大提高了追踪的准确性，也可以减小ROI区域的范围，减小算法的计算量。从上述实验结果中可以看出，此分割算法可以比较好的显示出颈动脉的形态特征，同时能够较好地解决了颈动脉分叉处的问题。
上述实验过程中，少数颈动脉分割结果并没有完全贴合血管内壁，主要原因有两点，一是尺度 的选择，使得增强后的血管图像与原始图像的血管有少许偏差;二是灰度值转化为CT值及CT值筛选时，可能会造成血管边界有所损失。后续会继续优化尺度 的选择，提高分割结果的精确度，以及扩大实验数据，提高算法的鲁棒性。
参考文献
[1] Global， regional， and national disability-adjusted life-years （DALYs） for 359 diseases and injuries and healthy life expectancy （HALE） for 195 countries and territories， 1990-2017： a systematic analysis for the Global Burden of Disease Study 2017. Lancet. 2018. 392（10159）： 1859-1922.
[2] 尚靳， 郭启勇， 孙洪赞， et al. CT、MRI及与PET融合显像评价宫颈癌分期及淋巴结转移中的应用进展[J]. 中国医学影像技术， 2016， 32（5）：795-798.
[3] 周志尊， 王佳美， 胡明成， et al. 颈动脉三维重建及临床应用的研究[J]. 软件， 2017（8）：32-35.
[4] 付玲. 基于CT影像的管状组织分割与中心线提取研究[D]. 东北大学， 2012.
[5] 董默， 苏奎， 周志尊， 等. 生物医学工程专业《医学图像处理》实践教学的改革[J]. 软件， 2017， 38（2）： 37-41.
[6] Agam G， Armato S G， Wu C. Vessel tree reconstruction in thoracic CT scans with application to nodule detection.[J]. IEEE Transactions on Medical Imaging， 2005， 24（4）： 486-499.
[7] Wiemker R， Klinder T ， Bergtholdt M ， et al. A Radial Structure Tensor and Its Use for Shape-Encoding Medical Visualization of Tubular and Nodular Structures[J]. IEEE Transactions on Visualization and Computer Graphics， 2013， 19（3）： 353-366.
[8] Krissian K， Grégoire Malandain， Ayache N， et al. Model-Based Detection of Tubular Structures in 3D Images[J]. Computer Vision and Image Understanding， 2000， 80（2）： 130-171.
[9] Li Q， Sone S， Doi K. Selective enhancement filters for nodules， vessels， and airway walls in two-and three-dimensional CT scans[J]. Medical physics， 2003， 30（8）： 2040-2051.
[10] Erdt M， Raspe M， Suehling M. Automatic hepatic vessel segmentation using graphics hardware[C]//International Workshop on Medical Imaging and Virtual Reality. Springer， Berlin， Heidelberg， 2008： 403-412.
[11] Zhou C， Heang-Ping Chan， Sahiner B， et al. Automatic multiscale enhancement and segmentation of pulmonary vessels in CT pulmonary angiography images for CAD applications[J]. Medical Physics， 2007， 34.
[12] Jerman T， Pernus F， Likar B， et al. Enhancement of Vascular Structures in 3D and 2D Angiographic Images[J]. IEEE Trans Med Imaging， 2016， 35（9）： 2107-2118.
[13] Frangi A F， Niessen W J， Vincken K L， et al. Multiscale vessel enhancement filtering[C]//International conference on medical image computing and computer-assisted intervention. Springer， Berlin， Heidelberg， 1998： 130-137.
[14] 程詩音， 段侪杰， 陈慧军， et al. 颈动脉磁共振图像的血管中心线提取[J]. 中国体视学与图像分析， 2016（04）： 67-74.
[15] 钟彩. 边缘检测算法在图像预处理中的应用[J]. 软件， 2013， 34（1）： 158-159.
[16] 周志尊， 孙璐， 胡明成， et al. CT与MRI融合技术的颅内肿瘤应用研究[J]. 软件， 2017（05）： 42-46.
[17] 徐红娟， 韩玉合， 刘文洲， 李书杰. 一种基于Ray Casting算法的医学影像重建系统[J]. 软件， 2012， 33（9）： 118.
推荐访问： 中心点 分割 追踪 特征 区域