上下文窄帶約束下腹主動脈瘤外輪廓分割

汪曉妍，鄭煥彰，黃曉潔，李軍偉，張劍華，管　秋，陳勝勇

(1.浙江工業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，浙江 杭州 310023；2.浙江大學(xué) 醫(yī)學(xué)院附屬第二醫(yī)院 濱江院區(qū)，浙江 杭州 310009；

3.浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江 杭州 310023)

上下文窄帶約束下腹主動脈瘤外輪廓分割

汪曉妍1，鄭煥彰1，黃曉潔2，李軍偉3，張劍華1，管秋1，陳勝勇1

(1.浙江工業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，浙江 杭州 310023；2.浙江大學(xué) 醫(yī)學(xué)院附屬第二醫(yī)院 濱江院區(qū)，浙江 杭州 310009；

3.浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江 杭州 310023)

摘要：針對腹主動脈瘤(Abdominal aortic aneurysm，AAA)外輪廓在醫(yī)學(xué)圖像中顯著性較低，現(xiàn)有算法難以實現(xiàn)精確自動分割的問題，提出一種新型的基于上下文窄帶約束的計算機斷層掃描血管造影(Computed tomography angiography，CTA)圖像序列連續(xù)分割算法.首先采用改進的局部二元擬合(Local binary fitting，LBF)水平集方法獲取初步腹主動脈瘤外輪廓，然后利用上下文窄帶約束實現(xiàn)外輪廓高精度分割.單層的分割結(jié)果作為相鄰層分割先驗實現(xiàn)迭代分割.相關(guān)實驗表明：提出的算法性能優(yōu)于傳統(tǒng)方法，可以實現(xiàn)圖像序列中腹主動脈瘤外輪廓的高精度自動分割.

關(guān)鍵詞：上下文信息；窄帶約束；水平集方法；局部二元擬合

Automatic abdominal aortic aneurysm outer contour segmentation based

on context information and narrow band constraint

WANG Xiaoyan1, ZHENG Huanzhang1, HUANG Xiaojie2, LI Junwei3,

ZHANG Jianhua1, GUAN Qiu1, CHEN Shengyong1

(1.College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, China；

2.The Second Affiliated Hospital Zhejiang University School of Medicine, Binjiang Branch, Hangzhou 310009, China；

3.College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China)

Abstract:The outer contour of abdominal aortic aneurysm (AAA) is fuzzy, which make it difficult for recent method getting its accurate segmentation. A novel context information and narrow band constraint based segmentation method for computed tomography angiography (CTA) sequence is provided. Firstly, improved LBF based level set method is used to get the preliminary outer contour of AAA. Then the context information and the narrow band constraint are used to get more accurate outer contour in current slice which would be used as prior of adjacent slice in iterative segmentation. The experimental result on the dataset shows the method proposed in this paper can get better segmentation result than existing method. So this method can get the outer contour of AAA with high accuracy.

Key words:context information; narrow band constraint; level set method; local binary fitting

腹主動脈瘤(Abdominal aortic aneurysm，AAA)是一種中老年人常發(fā)的疾病，主要的風(fēng)險在于其不斷擴張導(dǎo)致破裂而危及患者生命[1].獲得計算機斷層掃描血管造影(Computed tomography angiography，CTA)圖像序列上腹主動脈瘤內(nèi)外輪廓是對瘤體進行精確測量和研究的前提，也為臨床診斷提供可靠的依據(jù).隨著計算機圖像處理技術(shù)的發(fā)展，圖像分割技術(shù)在醫(yī)學(xué)圖像處理中得到了廣泛應(yīng)用，目前已經(jīng)實現(xiàn)血管內(nèi)腔的分割和建模[2-3].近年來利用三維體數(shù)據(jù)，采用基于區(qū)域增長[4]、水平集[5]以及圖割[6]方法實現(xiàn)了亮度顯著目標(biāo)的三維分割.筆者研究的腹主動脈瘤外輪廓顯著性較低，無法應(yīng)用現(xiàn)有三維分割方法得到精確的分割結(jié)果.目前對于瘤體外輪廓精確分割主要依靠手動完成，因此實現(xiàn)CTA圖像序列中腹主動脈瘤外輪廓的連續(xù)自動分割非常具有研究意義和應(yīng)用價值.基于局部二元擬合[7](Local binary fitting，LBF)模型的水平集方法充分利用演化曲線鄰域內(nèi)的灰度信息,因而適用于模糊目標(biāo)輪廓的分割.在LBF水平集的基礎(chǔ)上，結(jié)合上下文信息和窄帶約束，實現(xiàn)了圖像序列中腹主動脈瘤外輪廓的高精度自動分割.

1相關(guān)工作

腹主動脈瘤截面構(gòu)成及外輪廓如圖1所示.由圖1可以看出：在序列的不同切層上，瘤體均與周圍組織連接緊密，而且周邊組織與瘤內(nèi)血栓在亮度上近乎一致，這使得部分外輪廓區(qū)段丟失.瘤體內(nèi)腔在腔內(nèi)血栓作用下，形狀復(fù)雜且與外輪廓并不相似.因此實現(xiàn)高模糊甚至部分缺失的外輪廓的精確分割是筆者需要解決的主要問題.

圖1　腹主動脈瘤組成及其外輪廓Fig.1　The composition of AAA and its outer contour

水平集方法是當(dāng)前圖像分割領(lǐng)域重要方法之一.LBF模型以其對局部信息的把握及對灰度不均勻圖像分割的優(yōu)勢在醫(yī)學(xué)圖像領(lǐng)域應(yīng)用廣泛.筆者將基于LBF模型的水平集方法作為模糊瘤體外輪廓分割的基礎(chǔ).潘振寬等將水平集方法推廣到了三維體數(shù)據(jù)的分割，提高了序列醫(yī)學(xué)圖像的分割效率[5].目前三維水平集分割通常使用球面作為初始化曲面，這顯然無法滿足腹主動脈瘤外輪廓分割的初始化.如人工初始化又使整個分割過程的效率大大降低，因此目前的三維水平集方法并不適用于瘤體外輪廓三維分割.

挖掘圖像深層次信息是模糊目標(biāo)分割中的常用方式.龍勝春等結(jié)合主成分分析和K-Means實現(xiàn)癌細胞病理圖像不同亮度成分的分割[8]，該方法適用于不同亮度對應(yīng)特定成分的醫(yī)學(xué)圖像分割.而腹主動脈瘤分割中，僅依靠亮度信息無法得到外輪廓.凌化強等應(yīng)用主動形體模型實現(xiàn)CT圖像中的肝臟分割[9]，該方法前期需要大量樣本的訓(xùn)練，而且對于模糊醫(yī)學(xué)圖像，樣本的選取要求較高.對腹主動脈瘤分割通常加入形狀先驗.Dehmeshki等使用橢圓模型用于外輪廓分割[10].Hosseini等通過分析腹主動脈瘤區(qū)域的灰度直方圖以及形態(tài)學(xué)特性分割內(nèi)外輪廓[11].Zohios等將幾何約束加入到腹主動脈瘤的血栓和外壁分割[12].這些基于簡單形狀先驗的方法適用于正常主動脈和部分瘤體切層的外輪廓分割.而對于瘤體中血栓聚積的造成外輪廓不近似于橢圓或內(nèi)外輪廓差異巨大的切層，這類方法受限于特定的幾何形狀或內(nèi)腔輪廓，無法實現(xiàn)精確分割.

基于上下文信息[13]的分割方法，其形狀信息直接來自相鄰層的分割結(jié)果，既保留了對圖像深層次信息的處理能力，又可以為分割方法加入最接近分割目標(biāo)的形狀先驗，大大提高了先驗信息的可靠性以及對外輪廓形態(tài)的適應(yīng)能力.因此采用上下文信息作為分割的形狀先驗，配合改進的LBF水平集的圖像序列連續(xù)分割方法，既解決了水平集分割的連續(xù)初始化，又可用于外輪廓形狀約束，實現(xiàn)瘤體外輪廓高精度自動分割.

2改進的腹主動脈瘤分割算法

針對CTA圖像序列中腹主動脈瘤外輪廓連續(xù)自動分割分成以下三步驟：

1) 改進LBF水平集方法用于的外輪廓初步分割.利用LBF在低對比度圖像目標(biāo)分割中的優(yōu)勢，結(jié)合窄帶約束，獲得初步外輪廓.

2) 提出基于上下文窄帶約束的分割方法實現(xiàn)外輪廓精細分割.上下文信息不受特定幾何形狀和內(nèi)腔分割結(jié)果的影響，對外輪廓的變化有很強的適應(yīng)能力，因而可以優(yōu)化初步分割結(jié)果，實現(xiàn)外輪廓精確分割.

3) 利用CTA圖像序列的空間連續(xù)性，將精確分割結(jié)果用于相鄰切層初步分割時水平集初始化.既解決了圖像序列分割時迭代初始化，又使初始輪廓盡可能接近分割目標(biāo)，提高分割效率.

2.1初步分割

水平集方法的特點是將平面圖像中輪廓線等效為高維空間里的高度為零的點的集合[14]，對于水平集φ，其平面的輪廓線X滿足：

X(s,t)={(x,y)|φ(x,y,t)=0}

(1)

Chan和Vase提出的C-V模型通過區(qū)域的灰度統(tǒng)計來實現(xiàn)同質(zhì)區(qū)域的分割[15].局部信息的利用是模糊目標(biāo)分割時常用方法[16-17].LBF模型則將輪廓線鄰域內(nèi)的灰度統(tǒng)計信息代替C-V模型中整個區(qū)域的灰度統(tǒng)計常數(shù)，因此對局部分割有很好的定位能力.LBF的能量函數(shù)為

E(φ,μ,ν)=αL(φ)+βD(φ)+ELBF(φ,μ,ν)

(2)

式中：L(φ)和D(φ)分別為長度項和懲罰項；局部能量方程ELBF(φ,μ,ν)為

ELBF(φ,μ,ν)=∫Ωε(x)dx

ε(x)=λ1∫Kδ(x-y)|I(y)-μ(x)|2H(φ(y))dy+

λ2∫Kδ(x-y)|I(y)-ν(x)|2(1-H(φ(y)))dy

(3)

式中Kσ(x,y)為核函數(shù)，其在距離點x大于y的地方值為零，從而保證點x處的局部能量只與其鄰域內(nèi)的像素點有關(guān).因此，在曲線演化過程中，曲線只受曲線附近的圖像信息的影響.這種方式雖然可能減緩曲線的演化速度，但是也可以排除復(fù)雜環(huán)境對分割造成的影響.在分割時，只要設(shè)置合適的初始化輪廓，就能最大限度地排除無關(guān)信息的干擾，使曲線收縮到預(yù)期的目標(biāo)周圍.

提出改進的LBF水平集方法以適應(yīng)瘤體外輪廓的分割.

2.1.1使用二值水平集

使用二值水平集代替符號距離函數(shù)，以提高水平集演化效率，降低算法復(fù)雜度.水平集演化過程中水平集函數(shù)取值為1或-1，即

(4)

式中：φwall(x)即為用于外輪廓分割的二值水平集函數(shù)；Ω即零水平集輪廓包圍的區(qū)域.

2.1.2優(yōu)化速度函數(shù)

為更好地配合二值水平集函數(shù)，改進了LBF中的速度方程.由于DICOM格式的CTA圖像中的像素點并不是灰度256級，其記錄的CT值變化范圍非常大，如果使用原速度方程進行曲線演化，很容易造成二值水平集函數(shù)在窄帶內(nèi)失效，因此將原方程中平方項|I(x)-μ(x)|2，|I(x)-v(x)|2替換為|I(x)-μ(x)|，|I(x)-v(x)|.具體方程式為

Fwall(x)=|I(x)-μ(x)|-|I(x)-ν(x)|

(5)

采用差的絕對值可減少每次演化速度函數(shù)的變化范圍，使曲線能正常收斂到外輪廓的邊緣.

2.1.3構(gòu)建水平集固定窄帶

與普通窄帶水平集不同，固定窄帶不僅可以減少水平集演化過程中重新初始化的計算量，而且可以避免水平集函數(shù)在演化過程中受窄帶外其他無關(guān)信息的干擾.當(dāng)確定目標(biāo)輪廓在初始輪廓附近時，可以使用水平集固定窄帶，其表達式為

(6)

(7)

式中BWNB為腹主動脈瘤外輪廓附近一定寬度的固定窄帶，由式(7)求得.在固定窄帶的約束下，外輪廓的演化被確保在一個環(huán)狀的區(qū)域內(nèi)進行，不易受到復(fù)雜的周圍組織的干擾.在提高分割精度的同時，可降低運算的復(fù)雜度.

2.2精細分割

在初步分割基礎(chǔ)上，提出基于上下文窄帶約束的外輪廓分割算法.該算法分成以下兩步，第一步構(gòu)建外輪廓采樣窄帶，第二步在采樣窄帶中精確分割腹主動脈瘤外輪廓.

2.2.1獲得腹主動脈瘤外輪廓的采樣窄帶

與水平集窄帶方法不同，上下文約束時采用的窄帶需要確保窄帶中心線的內(nèi)外有相同的采樣點，從而使窄帶上的輪廓線可以通過權(quán)重和梯度確定外輪廓所在的位置.上下文約束采樣窄帶有兩種.一種是徑向采樣窄帶，它是以外輪廓初步分割結(jié)果為中心線，以外輪廓區(qū)域中心為圓心的徑向采樣而得，如圖2(a)所示.另一種是法向采樣窄帶，它同樣是以外輪廓初步分割結(jié)果為中心線，但是以外輪廓的法線方向采樣而得，如圖2(b)所示.

兩種采樣窄帶針對不同的應(yīng)用場景.徑向采樣窄帶適合于邊緣相對平滑且曲率變化小的輪廓，法向采樣窄帶適合于邊緣波動明顯且曲率變化大的輪廓.結(jié)合腹主動脈瘤外輪廓的特點，采用徑向采樣窄帶.

圖2　兩種采樣窄帶及其展開示意圖Fig.2　Two type sampling narrow band and its model of transform

為方便處理，將環(huán)狀的徑向采樣窄帶按圖2(c)所示進行“拉直”處理.形變后采樣窄帶上的點的值對應(yīng)于原CTA圖像上的CT值，并記錄窄帶點在原圖上的坐標(biāo)信息用于窄帶還原.后續(xù)分割在形變后的采樣窄帶中進行.

2.2.2窄帶腹主動脈瘤外輪廓分割

盡管CTA圖像上腹主動脈瘤的外輪廓可能并不完整，但是其外輪廓客觀存在，并符合形變血管的幾何特性.因此在精細分割過程中，主動脈瘤外輪廓邊緣缺失部位可以用這個原則進行“補全”.窄帶外輪廓分割方法實現(xiàn)如下：

步驟1在窄帶中心線附近搜索梯度大的邊緣作為候選點，搜索形變后窄帶的每一列.如果在一列中沒有可靠的邊緣，那就設(shè)置當(dāng)前列沒有候選點.

步驟2遍歷窄帶上每一列中的候選點，去除窄帶中孤立于相鄰兩列的候選點.這樣在窄帶中得到不連續(xù)的邊緣線段.

步驟3對窄帶中邊緣線段的位置信息進行統(tǒng)計，去除與相鄰邊緣線段趨勢差異很大且偏離窄帶中心的邊緣線段.剩下的邊緣線段可以認(rèn)為是主動腹外輪廓中可以檢測到的可靠輪廓.

步驟4連接可靠的邊緣并映射回原圖，得到更新后的可靠邊緣點.原圖中，由步驟4所得的點圍成的區(qū)域的輪廓線就是所求的腹主動脈瘤外輪廓.

采樣窄帶中，外輪廓的精細分割過程如圖3所示.

圖3　基于上下文窄帶約束的腹主動脈瘤外輪廓分割過程Fig.3　The outer contour segmentation procedures based on context information and narrow band constraint

2.3連續(xù)分割

前兩小節(jié)采用筆者提出的方法實現(xiàn)了在特定的初始輪廓下對CTA圖像序列中任意層上瘤體外輪廓高精度分割.如果要實現(xiàn)圖像序列的連續(xù)分割，則需要解決分割過程中連續(xù)初始化問題.

利用CTA圖像序列空間的連續(xù)性，將當(dāng)前切層的外輪廓分割結(jié)果經(jīng)平滑處理后作為相鄰切層水平集分割的初始輪廓，并以此構(gòu)建水平集窄帶BWNB，解決了分割過程中連續(xù)初始化，實現(xiàn)連續(xù)分割.以此，筆者提出醫(yī)學(xué)圖像序列中腹主動脈瘤外輪廓自動分割算法.算法具體分為以下步驟：

步驟1初始化CTA圖像序列：包括載入圖像序列，選取合適的窗寬、窗位以去除與分割目標(biāo)大部分無關(guān)的CT值，便于CTA圖像的顯示和初始輪廓的標(biāo)記，然后任意選擇序列中的一層，手動標(biāo)記出瘤體外輪廓的大致位置作為分割的初始輪廓.

步驟2確定序列中當(dāng)前層的動態(tài)處理窗口：動態(tài)處理窗口是包含瘤體截面但又遠小于原始圖像的矩形區(qū)域，其作用是去除無關(guān)區(qū)域，減少處理的復(fù)雜度.其大小由實際情況進行設(shè)定，位置由當(dāng)前切層的初始輪廓重心來確定.

步驟3采用基于窄帶LBF二值水平集方法獲得初步分割結(jié)果，并在此基礎(chǔ)上采用基于上下文窄帶約束外輪廓分割的方法獲得更可靠的外輪廓.

步驟4采用B樣條的方式去除分割結(jié)果中可能存在的噪點，提高圖像序列連續(xù)分割的精度.

步驟5以步驟4的結(jié)果作為圖像序列相鄰層的初始化輪廓，將下一層作為當(dāng)前切層，重復(fù)步驟2至步驟4，直至完成整個序列的腹主動脈瘤外輪廓分割.

序列中腹主動脈瘤外輪廓自動分割算法流程如圖4所示.

圖4　算法流程圖Fig.4　The flowchart of algorithm

3實驗及結(jié)果

3.1實驗平臺和原始數(shù)據(jù)

實驗的軟件環(huán)境是64位Matlab2013 a，硬件環(huán)境為裝有酷睿i5-3320 2.60 GHz和8 GB內(nèi)存的電腦.

實驗數(shù)據(jù)是兩組腹主動脈瘤患者的腹部CTA圖像序列數(shù)據(jù)集.圖像分辨率均為512×512，對應(yīng)的空間分辨率分別為0.628 mm×0.628 mm和0.646 5 mm×0.646 5 mm.

3.2單層外輪廓分割

傳統(tǒng)水平集方法和筆者方法在單層CTA圖像上進行瘤體外輪廓分割對比實驗.分割結(jié)果如圖5所示.圖5(a)為分割原圖.圖5(b)所用的是多相水平集分割方法[18]，其采用隨機生成的初始化曲線.圖5(c)所用的是基于局部區(qū)域信息和窄帶約束的水平集分割方法[19].圖5(d)所用的是窄帶LBF的二值水平集方法.圖5(e)所用的是筆者方法.實驗選取了相同的CTA切層，圖5(b)用的是全局初始化，圖5(c～e)使用相同的水平集初始化輪廓以及寬度為7像素的窄帶，迭代次數(shù)為20次.

圖5　不同方法瘤體外輪廓分割結(jié)果Fig.5　The segmentation results by different method

實驗結(jié)果：圖5(b)結(jié)果中含有大量非腹主動脈瘤區(qū)域的輪廓.圖5(c)在窄帶的約束下外輪廓的精度有較大提高，但是在極度模糊的區(qū)段出現(xiàn)較多鋸齒.圖5(d)得到的外部輪廓精度有很大提高，但是部分區(qū)段分割結(jié)果有待優(yōu)化.圖5(e)為使用筆者方法得到了高精度的外輪廓分割結(jié)果.由此可見筆者方法可實現(xiàn)單層CTA圖像中腹主動脈瘤外輪廓高精度分割.

3.3序列外輪廓自動分割結(jié)果及評估

實驗數(shù)據(jù)和對照方法：兩組包含腹主動脈瘤的CTA圖像序列，如表1所示.選用3.2分割結(jié)果中最接近筆者方法的窄帶LBF的二值水平集，逐層分割作為筆者方法的對照.

表1　實驗數(shù)據(jù)集選擇與初始化

參數(shù)設(shè)定：外輪廓初步分割中，水平集窄帶寬度設(shè)為7像素.核函數(shù)Kσ采用高斯核函數(shù)，寬度為5，σ為2.水平集迭代20 次，步長Δt為0.045.外輪廓精細分割中，采用徑向采樣窄帶，窄帶的寬度為7個像素.精細分割結(jié)果采用3階B樣條平滑.

分割初始化：筆者方法的輸入先驗僅為初始切層的外輪廓以及初始切層的動態(tài)處理窗口區(qū)域，其他切層均由算法自動分割完成.對照方法初始化輪廓調(diào)用的是沿著序列處理方向的前一層由筆者方法所得的外輪廓分割結(jié)果.即在對比實驗中，保證兩個方法在每層上使用的都是同樣的初始化信息.

對照實驗在兩個數(shù)據(jù)集部分切層分割結(jié)果分別如圖6，7所示.圖6，7中第一行為原圖，第二行為用于對照的窄帶LBF的二值水平集方法分割結(jié)果，第三行為筆者方法分割結(jié)果.從兩組實驗數(shù)據(jù)分割結(jié)果可以看出，使用筆者方法的分割結(jié)果優(yōu)于對照方法的分割結(jié)果.

圖6　數(shù)據(jù)集1兩種方法分割結(jié)果對比Fig.6　Segmentation results by two method on dataset 1

圖7　數(shù)據(jù)集2兩種方法分割結(jié)果對比Fig.7　Segmentation results by two method on dataset 2

從兩方面對分割結(jié)果進行數(shù)值評估：

1) 相似指數(shù)(Similarity index)[20]：用于計算自動分割結(jié)果和手動分割結(jié)果的重合程度.SAuto為自動分割得到的區(qū)域，SMan為手動分割得到的區(qū)域，其計算式為

(8)

圖8　各切層分割結(jié)果的數(shù)值評估Fig.8　Numerical evaluation of segmentation result for each slice in dataset

2) 平均表面距離(Average surface distance)[20]：用于計算自動分割與手動分割結(jié)果的表面的平均距離.其中VAS是自動分割的表面信息，VMS是手動分割的表面信息，DMS是手動分割的表面膨脹一個體素的結(jié)果，EMS是手動分割的表面腐蝕一個體素的結(jié)果，h為相鄰像素所對應(yīng)空間的距離，其計算式為

(9)

兩組數(shù)據(jù)集對比實驗的分割結(jié)果的每一切層相似指數(shù)分別如圖8(a，b)所示，每一切層平均表面距離分別如圖8(c，d)所示.圖中實線為提出的自動分割方法得到的各切層外輪廓相應(yīng)指數(shù)的變化情況，虛線為其對應(yīng)的平均值.點線為對照方法所得外輪廓相應(yīng)指數(shù)的變化情況.兩組對比實驗分割結(jié)果的數(shù)值評估及算法效率，如表2所示.

表2　外輪廓連續(xù)自動分割結(jié)果的數(shù)值評估

由圖8中各切層數(shù)值評估結(jié)果以及表2分割結(jié)果的數(shù)值評估統(tǒng)計結(jié)果可以看出：在平均相似指數(shù)和平均表面距離兩方面，筆者方法得到的分割結(jié)果數(shù)值評估均優(yōu)于對照方法.在算法效率上，筆者方法平均每層的分割用時略高于對照方法.但與對照方法相比，筆者方法無需手動逐層初始化，因此在實際圖像序列分割中效率有明顯優(yōu)勢.實驗結(jié)果表明：提出的基于上下文窄帶約束的腹主動脈瘤圖像序列連續(xù)自動分割方法優(yōu)于窄帶LBF二值水平集方法逐層分割方法.

4結(jié)論

針對現(xiàn)有CTA圖像序列中腹主動脈瘤內(nèi)腔分割方法無法應(yīng)用于其外輪廓實現(xiàn)精確分割的問題，結(jié)合腹主動脈瘤的CTA圖像序列在空間上的連續(xù)特性，充分利用上下文信息提供分割的形狀先驗，提出了基于上下文窄帶約束的腹主動脈瘤醫(yī)學(xué)圖像序列自動分割算法.本算法將改進的LBF水平集方法用于主動脈瘤外輪廓的初步分割，然后采用筆者提出的基于上下文窄帶約束的外輪廓分割方法以實現(xiàn)外輪廓的更高精度分割.同時，將單層分割結(jié)果用于相鄰切層分割初始化，從而解決了圖像序列連續(xù)分割過程中的自動初始化問題.還從相似指數(shù)和平均表面距離兩方面對兩組CTA序列中的腹主動脈瘤外輪廓連續(xù)自動分割結(jié)果進行評估.實驗結(jié)果表明：算法適用于CTA圖像序列中腹主動脈瘤外輪廓精確連續(xù)自動分割，并且為腹主動脈瘤進一步分析以及三維重建奠定了基礎(chǔ).

致謝本文所有實驗數(shù)據(jù)均由英國劍橋大學(xué)發(fā)射系提供，在此表示衷心感謝.

參考文獻：

[1]SAKALIHASAN N, LIMET R, DEFAWE O. Abdominal aortic aneurysm[J]. The Lancet,2005,365(9470):1577-1589.

[2]鄭河榮,劉家好,何玲娜.腦血管計算機模型的建立與有限元分析[J].浙江工業(yè)大學(xué)學(xué)報,2014,42(3):253-256.

[3]尚巖峰,汪輝,汪寧,等.管狀特性和主動輪廓的3維血管自動提取[J].中國圖象圖形學(xué)報,2013,18(3):290-298.

[4]解立志,周明全,田沄,等.基于區(qū)域增長與局部自適應(yīng)CV模型的腦血管分割[J].軟件學(xué)報,2013,24(8):1927-1936.

[5]潘振寬,李華,魏偉波,等.三維圖像多相分割的變分水平集方法[J].計算機學(xué)報,2009,32(12):2464-2474.

[6]BOYKOV Y, FUNKA-LEA G. Graph cuts and efficient ND image segmentation[J]. International Journal of Computer Vision,2006,70(2):109-131.

[7]LI C, KAO C Y, GORE J C, et al. Implicit active contours driven by local binary fitting energy[C]//Computer Vision and Pattern Recognition. Minneapolis, Minnesota: IEEE,2007:1-7.

[8]龍勝春,傅佳琪,堯麗君.改進型K-Means算法在腸癌病理圖像分割中的應(yīng)用[J].浙江工業(yè)大學(xué)學(xué)報,2014,42(5):581-585.

[9]凌華強,龍勝春,項鵬遠.主動形體模型法在肝臟CT圖像分割中的應(yīng)用[J].浙江工業(yè)大學(xué)學(xué)報,2012,40(4):450-453.

[10]DEHMESHKI J, AMIN H, EBADIAN-DEHKORDI M, et al. Automatic detection, segmentation and quantification of abdominal aortic aneurysm using computed tomography angiography[J]. Proceeding of Medcal Image Understanding Analalysis,2009(1):32-36.

[11]HOSSEINI B, MASHAK S V, MAJD E M, et al. Automatic segmentation of abdominal aortic aneurysm using logical algorithm[C]//Computer Modeling and Simulation (EMS). Pisa: IEEE,2010:147-151.

[12]ZOHIOS C, KOSSIORIS G, PAPAHARILAOU Y. Geometrical methods for level set based abdominal aortic aneurysm thrombus and outer wall 2D image segmentation[J]. Computer methods and programs in biomedicine,2012,107(2):202-217.

[13]SONG Q, BAI J, GARVIN M K, et al. Optimal multiple surface segmentation with shape and context priors[J]. Medical Imaging, IEEE Transactions on,2013,32(2):376-386.

[14]OSHER S, SETHIAN J A. Fronts propagating with curvature-dependent speed: algorithms based on Hamilton-Jacobi formulations[J]. Journal of Computational Physics,1988,79(1):12-49.

[15]CHAN T F, VESE L A. Active contours without edges[J]. Image processing, IEEE transactions on,2001,10(2):266-277.

[16]盧振秦,鄭倩,馮衍秋,等.基于熵和局部鄰域信息的高斯約束CV模型[J].計算機學(xué)報,2013,36(5):1076-1085.

[17]薛維琴,周志勇,張濤,等.灰度不均的弱邊緣血管影像的水平集分割方法[J].軟件學(xué)報,2012,23(9):2489-2499.

[18]LI C, HUANG R, DING Z, et al. A level set method for image segmentation in the presence of intensity inhomogeneities with application to MRI[J]. Image Processing, IEEE Transactions on,2011,20(7):2007-2016.

[19]鄭偉,陳彥江.基于局部區(qū)域信息的水平集醫(yī)學(xué)圖像分割方法[J].計算機工程與應(yīng)用,2010,46(31):209-211.

[20]BABALOLA K O, PATENAUDE B, ALJABAR P, et al. An evaluation of four automatic methods of segmenting the subcortical structures in the brain[J]. Neuroimage,2009,47(4):1435-1447.

(責(zé)任編輯：陳石平)

文章編號：1006-4303(2015)06-0642-07

中圖分類號：TP391.4

文獻標(biāo)志碼：A

作者簡介：汪曉妍(1982—)，女，安徽績溪人，講師，博士，研究方向為計算機視覺與圖像處理，E-mail：xiaoyanwang@zjut.edu.cn.

基金項目：國家自然科學(xué)基金資助項目(11302195,61401397);浙江省自然科學(xué)基金資助項目(LY14F020020)

收稿日期：2015-05-08