基于圓周光強檢測的血管OCT圖像導(dǎo)管的去除方法

任鑫博　李艷

摘? ?要：在血管OCT（Optical Coherence Tomography）圖像中，OCT圖像中導(dǎo)管在不同位置的成像，很大程度上影響了血管內(nèi)其他目標(biāo)檢測及識別的結(jié)果。為了減少圖像中導(dǎo)管對上述研究結(jié)果的干擾，提出一種快速檢測和識別導(dǎo)管區(qū)域的自動化方法。該方法先在圖像中心處劃分檢測圓的圓心坐標(biāo)變化區(qū)域，在極坐標(biāo)下建立圓周光強檢測模型。然后，利用每個檢測圓上其半圓周的像素均值差構(gòu)建描述當(dāng)前檢測圓的特征數(shù)據(jù)。針對導(dǎo)管成像失真問題，采取動態(tài)地變換檢測圓的圓心坐標(biāo)和半徑的方法。對4組血管OCT圖像（約300幅/組）進行實驗，實驗結(jié)果表明，導(dǎo)管檢測的準確率達到97.35%，且平均每幅圖像的檢測時間約為0.7秒。

關(guān)鍵字：冠狀動脈疾病;OCT圖像;圓周光強檢測;導(dǎo)管去除

中圖分類號：TP391.9? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標(biāo)識碼：A

Abstract： In the OCT image of coronary artery，the catheter imaging at different locations largely impacts the detection results of other objects inner the vessel. To decrease the effects of catheter and obtain an efficient and accurate image information，an automatic method of rapid detection and identification of catheter regions is proposed. Circle center coordinate transforming area is firstly defined and circumferential intensity detection model was built under polar coordinate. Then，the feature data describing the current detection circle are constructed，and the obtained feature data are statistically analyzed. To deal with the distortion problem of catheter imaging，dynamically transforming the center coordinate and radius of the detection circle is proposed. The method is applied to the detection of catheters in 4 groups of OCT images （about 300 per group）. The accuracy was 97.35% with the situation of containing a small amount of residual blood，and the processing time was about 0.7 seconds.

Key words： coronary atherosclerosis diseases;OCT （Optical Coherence Tomography） image;circumferential intensity detection;catheter removing

冠狀動脈疾病是誘發(fā)患者死亡的一種常見疾病，全球每年因此類疾病導(dǎo)致死亡的大約有2百萬人[1]。近些年來，臨床上興起的支架植入術(shù)是治療或緩解該類病情的一個有效的方法。Instravascular Optical Coherence Tomography（即血管內(nèi)OCT）是一種新式侵入式圖像獲取技術(shù)，它利用OCT儀器的探頭，深入到人體體內(nèi)的血管中，通過回退（pull-back）方式在血管內(nèi)運動，同時由探頭向血管壁方向發(fā)射光波，在回退的過程中旋轉(zhuǎn)探頭，由接收裝置獲取被反射的光波，進而形成血管橫截面的掃描圖像。通過OCT技術(shù)掃描血管圖像的光束運動方式也被稱為“螺旋式回退過程”，對于一個觀察樣本，所獲取的掃描血管掃描圖像是一組多幀的OCT圖像集。相比于傳統(tǒng)的Intravascular Ultrasound（即IVUS）圖像掃描方式，OCT具有很高的分辨率（10-15 μm）[2]，并且所獲取的血管圖像的尺度單位為1-2 mm[3][4]，因此它對一些形如“薄帽”纖維塊、脂質(zhì)塊和鈣化塊等冠狀血管病變組織能夠正確顯示其形態(tài)結(jié)構(gòu)。同時，與IVUS使用的仿射線掃描技術(shù)相比，OCT技術(shù)使用的是光學(xué)相干斷層掃描技術(shù)，因此OCT技術(shù)對人體的放射性危害更小，目前已被廣泛用于眼科、牙科和心血管的臨床診斷中。

在大量的血管OCT圖像分析中，研究者首要面臨的問題是圖像中導(dǎo)管成像的干擾。文獻表明，導(dǎo)管是與血管腔內(nèi)的殘留血液、血管圖像的噪聲及導(dǎo)線陰影并列的干擾血管內(nèi)組織結(jié)構(gòu)量化分析的難題之一。Macedo等人[5]通過OCT設(shè)備，獲得導(dǎo)管的區(qū)域和圖像的成像尺度等參數(shù)信息，將導(dǎo)管內(nèi)的強度值設(shè)置為零，避免導(dǎo)管圖像對后期研究的干擾。文獻[6]同樣是利用設(shè)備獲取導(dǎo)管成像中，具有最大半徑的圓環(huán)的先驗信息，進行導(dǎo)管去除。Celi等人[7]先找出包含導(dǎo)管在內(nèi)的一個子區(qū)域，然后利用導(dǎo)管的圓形形狀獲得導(dǎo)管的成像范圍。Ughi等人[8]對遠離血管壁的導(dǎo)管，使用常量掩模法去除，且需要人工參與。Ughi等人在文獻[9]中利用霍夫變換，將OCT圖像變?yōu)闃O坐標(biāo)下的圖像，通過求取整個回退圖像集中的最大半徑值，進行導(dǎo)管檢測。上述方法對于未變形的同心圓區(qū)域能夠?qū)崿F(xiàn)導(dǎo)管區(qū)域的檢測和去除，但是對于成像變形的同心圓則檢測效果差，同時需要人工參與較多。此外，在文獻[10]中，Ughi等人使用Otsu方法對OCT圖像進行二值化處理，根據(jù)經(jīng)處理后的導(dǎo)線區(qū)域非連續(xù)的特點，定義的黑白最小區(qū)域（即BWMA），利用面積進行閾值判定，完成導(dǎo)管去除。但是，該方法易受管腔中的殘留血液影響。Chiastra等人[11]利用整個OCT圖像集的平均光強度近似地估計導(dǎo)管的光強值。Tsantis等人[12]根據(jù)導(dǎo)管成像失真且同心圓形狀不標(biāo)準的原因，利用已知導(dǎo)管中心點坐標(biāo)的先驗信息，定義兩個同心圓，利用圖像所有點到中心點的距離直方圖計算兩個同心圓的半徑，在這兩個同心圓之間尋找滿足條件的導(dǎo)管像素點。上述血管OCT圖像的導(dǎo)線去除方法中，要么利用已知的先驗信息確定導(dǎo)管的半徑，要么所處理的導(dǎo)管的位置遠離血管管腔壁，沒有涉及導(dǎo)管緊貼管腔壁的情況。同時，對于不同半徑的導(dǎo)管區(qū)域，上述文獻也沒有進行量化分析。

針對上述問題，通過分析OCT圖像中導(dǎo)管成像的原因、成像的形狀和導(dǎo)管的位置信息，提出一種能夠快速檢測和識別導(dǎo)管區(qū)域的方法。該方法在極坐標(biāo)下建立圓周光強檢測模型，利用每個檢測圓上其半圓周的像素均值差構(gòu)建描述當(dāng)前檢測圓的特征數(shù)據(jù)，對所獲得的數(shù)據(jù)進行統(tǒng)計分析，確定滿足導(dǎo)管檢測的閾值條件。針對導(dǎo)管成像失真問題，定義檢測圓的圓心坐標(biāo)變化區(qū)域，動態(tài)地改變檢測圓的圓心坐標(biāo)和半徑，實現(xiàn)在各種導(dǎo)管成像條件下的導(dǎo)管區(qū)域檢測。

1? ?圖像預(yù)處理

對血管OCT圖像進行灰度轉(zhuǎn)換，將原始的RGB通道的圖像轉(zhuǎn)換為Gray通道的圖像，然后使用3×3的高斯濾波器對待檢測的血管OCT圖像進行去噪處理。對OCT圖像的尺寸進行同一化處理，將尺寸為M×N的圖像處理為P×P的圖像，其中，P = min（M，N）。

2? ?血管OCT導(dǎo)管檢測方法

圖1顯示了使用OCT技術(shù)掃描血管所獲得的圖像，主要由位于中心位置的導(dǎo)管、導(dǎo)線（或稱為導(dǎo)絲及其陰影、血管管腔區(qū)域、管腔壁以及血管管腔的外壁組織組成。從圖1中可觀察，由于導(dǎo)管內(nèi)的金屬結(jié)構(gòu)對入射光的反射影響，導(dǎo)管的成像表現(xiàn)為一組形狀失真的同心圓。

2.1? ?導(dǎo)管成像分析

根據(jù)文獻[9][10][11][12]中描述，導(dǎo)管在血管內(nèi)整個回退過程中，與血管壁的相對位置變化不定，所成像的同心圓存在失真情況。具體表現(xiàn)在（1）導(dǎo)線的回退運動方式;（2）導(dǎo)管在人體內(nèi)血管的位置移動變化;（3）不同的圖像集，導(dǎo)管成像的半徑大小不同;（4）血管內(nèi)部組織結(jié)構(gòu)的復(fù)雜性，探頭發(fā)射的光波被這些組織吸收和散射，導(dǎo)致接收的信號不均勻等原因，使得導(dǎo)管的成像呈現(xiàn)失真的特點;（5）失真的同心圓周鄰近范圍內(nèi)也伴隨有圖像的噪聲出現(xiàn)。如下圖2所示，子圖a、b、c、d、e、f中的導(dǎo)管及導(dǎo)管金屬壁的成像形狀均出現(xiàn)失真，同時各自導(dǎo)管的半徑大小也不統(tǒng)一。其中，子圖a與b相似，c與f相似，d和e與其他都不相同。在子圖中，a、b、d、e與血管壁的距離較遠，c和f緊貼血管的管腔壁。

2.2? ?導(dǎo)管檢測模型建立

假設(shè)在理想條件下，導(dǎo)管發(fā)射的光波被血管內(nèi)各組織吸收和反射的情況相同，導(dǎo)管的成像為標(biāo)準且不失真的同心圓，這些同心圓的圓周上的各像素點分布均勻，并且同一圓周上的各點的像素值大小相同。若將同一個圓的圓周等分為的兩部分，則這兩個半圓周上的平均像素值也必然相等。理想情況下，兩個半圓周的像素均值差也應(yīng)該為0。通過對OCT圖像中的同心圓的形狀測量，導(dǎo)管成像的每個同心圓的失真部位，為圓周上的某一小部分，各單一同心圓的形狀近似滿足圓形形狀。由上圖2可以看出，導(dǎo)管外壁在徑向方向上的成像具有一定的徑向?qū)挾取８鶕?jù)同心圓環(huán)上點的像素值分布不均勻和其周圍噪聲影響的特點，在一組失真的同心圓區(qū)域建立一定半徑大小的檢測圓模型，計算該檢測圓上兩個半圓圓周部分的像素均值的差值，形成在相應(yīng)圓心坐標(biāo)和半徑值下，該處的檢測圓特征描述數(shù)據(jù)。通過移動圓心坐標(biāo)和改變檢測圓的半徑大小，獲取一系列特征值數(shù)據(jù)，利用統(tǒng)計方法進行分析，得出特征數(shù)據(jù)的臨界值，實現(xiàn)導(dǎo)管區(qū)域的檢測。最后，將滿足檢測條件的結(jié)果中的所有點都標(biāo)記為導(dǎo)管區(qū)域。導(dǎo)管檢測模型示意圖如下圖3所示。

面臨導(dǎo)管成像的同心圓的形狀和位置的變化，該模型還需要解決如下問題：

檢測圓的圓心坐標(biāo)范圍;

檢測圓的半徑大小及其范圍限制;

特征描述數(shù)據(jù)的歸一化及數(shù)據(jù)分類。

解決上述問題，則需要（1）確定檢測圓的圓心坐標(biāo)范圍;（2）考慮檢測圓的最大可能半徑，防止半徑取值超出原始圖像的邊界;（3）對滿足檢測圓判定條件的非導(dǎo)管區(qū)域的圓，進行統(tǒng)計分析。

2.3? ?導(dǎo)管模型定義

令G表示血管OCT圖像，定義檢測圓的圓心坐標(biāo)為（xc，yc），半徑為rc。其中，檢測圓的圓心坐標(biāo)（xc，yc）取值范圍為G。如果（xc，yc）遍歷G中所有的點，會增加算法的計算量和計算時間，而且對導(dǎo)管區(qū)域外進行模型檢測無意義，因此，定義局部區(qū)域B，B表示以O(shè)CT圖像中心為其中心點所定義的局部區(qū)域，選取其周圍4×4的區(qū)域作為所計算圓心的移動范圍。其中（xc，yc）∈B?G。

3? ?實驗數(shù)據(jù)及結(jié)果分析

的實驗數(shù)據(jù)使用Fourier-Domain OCT（FD-OCT）系統(tǒng)收集，系統(tǒng)的空間分辨率為10×10 μm/pixel，軸向分辨率為12～15 μm，導(dǎo)線回退為20 mm/second。采集的圖像數(shù)據(jù)共分4組，每組約300幅圖像。本實驗的測試方法的實現(xiàn)平臺是Python語言編程環(huán)境，并應(yīng)用Opencv、Numpy、Skimage等圖像和數(shù)據(jù)處理基礎(chǔ)庫。

在實驗過程中，rmin的取值大小決定了檢測圓的檢測范圍。若α取值為1.0，實驗結(jié)果如圖4所示，實驗結(jié)果會產(chǎn)生多余的滿足判定條件的檢測圓。解決方案：（1）通過統(tǒng)計分析，給α選取合適的值;（2）觀察結(jié)果發(fā)現(xiàn)，圖中兩組區(qū)域之間距離明顯，因此利用統(tǒng)計方法對數(shù)據(jù)進行分類，去除多余的檢測圓，保留中心導(dǎo)管處的檢測區(qū)域。通過實驗分別對上述兩種方案進行測試，方案（1）可以很好解決各類情況下的導(dǎo)管區(qū)域檢測問題，但是在針對不同類的OCT圖像處理時，需要少量的人工參與設(shè)置和調(diào)整參數(shù)。方案（2）可以實現(xiàn)算法的自動化，但是對于某些特殊情況下導(dǎo)管區(qū)域的檢測，結(jié)果有誤差。因此，本文選取方案（1）進行算法的最終測試。在本文算法的測試中，α=0.25±0.125，β=1.0±0.1，γ=20。每幅圖像的平均處理時間約為0.7±0.1s。

其他參考文獻中未對血管圖像中導(dǎo)管檢測和去除的方法進行更深一步的分析和處理，對導(dǎo)管的去除結(jié)果也未能與人工識別結(jié)果進行有效的對比，本文隨機從4組實驗數(shù)據(jù)中抽取80幅血管的樣本圖像進行導(dǎo)管檢測方法測試，并將正確的檢測結(jié)果與人工識別結(jié)果進行差異性對比。圖5利用Bland-Altman方法對80幅圖像的自動檢測和人工分割的結(jié)果進行差異性統(tǒng)計分析，縱軸表示兩類結(jié)果的差異程度。圖6是本文自動檢測結(jié)果與人工手動分割結(jié)果的相關(guān)性分析。表1是其中6幅圖像分別在人工與自動化方法下的實際結(jié)果。針對4組數(shù)據(jù)測試集，應(yīng)用本文方法進行導(dǎo)管區(qū)域檢測，并通過專業(yè)醫(yī)療人員對檢測結(jié)果進行判定，識別結(jié)果如表2所示。

4? ?結(jié)? ?論

利用計算機輔助手段進行血管OCT圖像分析是近年來研究血管OCT圖像的熱門方向。許多研究人員針對血管OCT圖像中血管的管腔邊界（有無分支）、支架檢測（植入初期、中期和后期）及動脈病變組織區(qū)域識別等內(nèi)容進行了大量的研究。在血管OCT圖像的預(yù)處理階段，導(dǎo)管的去除是一項極具挑戰(zhàn)的任務(wù)。本文研究了血管OCT圖像中導(dǎo)管的成像特性，在極坐標(biāo)下建立圓周光強檢測模型，利用每個檢測圓上其半圓周的像素均值差構(gòu)建描述當(dāng)前檢測圓的特征數(shù)據(jù)，對檢測結(jié)果進行統(tǒng)計分析和分類，給出最終的檢測結(jié)果。與人工檢測結(jié)果對比，本文方法的正確率達到了97.35%。實驗研究的方法可以作為利用血管OCT圖像進行病變組織研究的前期輔助手段。

參考文獻

[1]? ? ROGER V L，GO A S，LLOYD-JONES D M，et al. Heart disease and stroke statistics-2011 update： a report from the American Heart Association[J]. Circulation，2011，123（4）： e18.

[2]? ?CHAN P H，ALEGRIA-BARRERO E，MARIO C D. Tools & techniques： intravascular ultrasound and optical coherence tomography[J]. EuroIntervention： journal of EuroPCR in collaboration with the Working Group on Interventional Cardiology of the European Society of Cardiology，2012，7（11）：1343—1349.

[3]? ?BEZERRA H G，COSTA M A，GUAGLIUMI G，et al. Intracoronary optical coherence tomography： a comprehensive review： clinical and research applications[J]. JACC： Cardiovascular Interventions，2009，2（11）： 1035—1046.

[4]? ?HUANG D，SWANSON E A，LIN C P，et al. Optical coherence tomography[J]. Science，1991，254（5035）： 1178—1181.

[5]? ?MACEDO M M G，GUIMARAES W V N，GALON M Z，et al. A bifurcation identifier for IV-OCT using orthogonal least squares and supervised machine learning[J]. Computerized Medical Imaging and Graphics，2015，46： 237—248.

[6]? ?MORAES M C，CARDENAS D A C，F(xiàn)URUIE S S. Automatic lumen segmentation in IVOCT images using binary morphological reconstruction[J]. Biomedical Engineering Online，2013，12（1）： 78.

[7]? ?CELI S，BERTI S. In-vivo segmentation and quantification of coronary lesions by optical coherence tomography images for a lesion type definition and stenosis grading[J]. Medical Image Analysis，2014，18（7）： 1157—1168.

[8]? UGHI G J，ADRIAENSSENS T，ONSEA K，et al. Automatic segmentation of in-vivo intra-coronary optical coherence tomography images to assess stent strut apposition and coverage[J]. The international Journal of Cardiovascular Imaging，2012， 28（2）： 229—241.

[9]? ?UGHI G J， ADRIAENSSENS T， DESMET W，et al. Fully automatic three-dimensional visualization of intravascular optical coherence tomography images： methods and feasibility in vivo[J]. Biomedical Optics Express，2012，3（12）： 3291—3303.

[10] UGHI G J，ADRIAENSSENS T，SINNAEVE P，et al. Automated tissue characterization of in vivo atherosclerotic plaques by intravascular optical coherence tomography images[J]. Biomedical Optics Express，2013，4（7）： 1014—1030.

[11] CHIASTRA C，MONTIN E，BOLOGNA M，et al. Reconstruction of stented coronary arteries from optical coherence tomography images： Feasibility，validation，and repeatability of a segmentation method[J]. PloS One，2017，12（6）： e0177495.

[12] TSANTIS S，KAGADIS G C， KATSANOS K， et al. Automatic vessel lumen segmentation and stent strut detection in intravascular optical coherence tomography[J]. Medical Physics，2012，39（1）： 503—513.