血管造影圖像分割方法研究的現(xiàn)狀與進(jìn)展*

楊澤鵬，李娜，張保昌，吳宗翰，楊俊，周壽軍△

(1. 華南理工大學(xué)廣州學(xué)院，廣州 510800；2. 深圳先進(jìn)技術(shù)研究院，深圳 518055； 3. 火箭軍廣州特勤療養(yǎng)中心，廣州 510515)

1 引 言

血管疾病是人類面臨的重大疾病之一[1]。目前，針對血管疾病的診斷仍然依賴于各種血管造影技術(shù)，主要包括X射線/數(shù)字減影血管造影(DSA)、磁共振血管造影(MRA)、 計(jì)算機(jī)斷層掃描血管造影(CTA)和超聲血管造影。隨著圖像處理技術(shù)的快速發(fā)展，計(jì)算機(jī)輔助診療正在逐步成為現(xiàn)實(shí)。然而，由于成像模態(tài)和解剖學(xué)成像部位的多樣性，血管造影圖像的分割仍然是一個極具挑戰(zhàn)的問題。近年來，已有相關(guān)文獻(xiàn)對一些經(jīng)典的模型驅(qū)動的血管分割方法進(jìn)行了總結(jié)[2]，隨著血管分割技術(shù)的快速發(fā)展和特殊應(yīng)用需求，新穎的模型驅(qū)動的方法得以繼續(xù)發(fā)展，其精度和計(jì)算效率不斷提高。此外，大數(shù)據(jù)和人工智能技術(shù)的快速發(fā)展，使得基于數(shù)據(jù)驅(qū)動的血管分割方法應(yīng)運(yùn)而生。我們對近年來前沿的血管分割方法進(jìn)行回顧，并分為基于模型驅(qū)動和基于數(shù)據(jù)驅(qū)動。前者主要包括統(tǒng)計(jì)模型法、形變模型法、基于跟蹤的方法、混合模型法；后者主要包括基于特征構(gòu)造的分類器學(xué)習(xí)方法和深度學(xué)習(xí)方法。各方法的主要特點(diǎn)，見表1。

表1當(dāng)前主要的血管分割方法的分類和描述

Table1Classification and description of current vessel segmentation methods

方法與分類概念和特點(diǎn)模型驅(qū)動統(tǒng)計(jì)模型法用特定的混合概率分布擬合血管與背景像素的灰度分布。形變模型法圖像內(nèi)定義的曲線或者曲面在內(nèi)外力的工作下移動和變形,向目標(biāo)輪廓演化。主要分為參數(shù)形變模型和幾何形變模型。基于跟蹤的方法通過局部特定條件來約束種子點(diǎn)對血管結(jié)構(gòu)進(jìn)行提取,包括基于模型的跟蹤和基于MCP的跟蹤算法?；旌夏Ｐ头?lián)合使用多種基于模型驅(qū)動的分割方法。數(shù)據(jù)驅(qū)動基于特征構(gòu)造的分類器集成方法根據(jù)數(shù)據(jù)特征和標(biāo)記值判別血管目標(biāo)。深度學(xué)習(xí)方法通過卷積神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)圖像特征并判別血管結(jié)構(gòu)。

2 基于模型驅(qū)動的分割方法

基于模型驅(qū)動的分割方法是指根據(jù)待處理數(shù)據(jù)中感興趣區(qū)域的相關(guān)特征(如灰度，形狀等)預(yù)設(shè)一個模型與目標(biāo)區(qū)域的同類特征進(jìn)行擬合或匹配，從而完成目標(biāo)分割。此方法面臨的主要問題包括難以找到適合數(shù)據(jù)的模型和正確估計(jì)模型的參數(shù)。

2.1 統(tǒng)計(jì)模型法

統(tǒng)計(jì)模型法是指直接將圖像的各個像素或體素當(dāng)作單獨(dú)的樣本，然后用一個有限混合概率模型去擬合這些樣本所服從的分布，通過各種參數(shù)估計(jì)算法得到一個完整的統(tǒng)計(jì)模型，最后由最大后驗(yàn)概率對這些樣本進(jìn)行分割，見圖1。近年來，統(tǒng)計(jì)模型法主要應(yīng)用于腦血管的分割[3-5]，其中，有限混合模型的構(gòu)造和模型參數(shù)估計(jì)是關(guān)鍵。統(tǒng)計(jì)模型法因其可快速自動地實(shí)現(xiàn)血管分割受到研究者的青睞。然而，現(xiàn)有的統(tǒng)計(jì)學(xué)模型主要利用特定解剖學(xué)部位圖像的空間灰度的統(tǒng)計(jì)學(xué)信息，忽略了空間形狀先驗(yàn)，因此產(chǎn)生不連續(xù)的分割結(jié)果；Zhou等[3]通過引進(jìn)馬爾可夫隨機(jī)場和多模態(tài)領(lǐng)域系統(tǒng)提高了統(tǒng)計(jì)學(xué)模型的分割性能。假如結(jié)合空間血管的復(fù)雜先驗(yàn)信息，分割結(jié)果的完整性、精確性、有效性將獲得極大提升。

圖1基于統(tǒng)計(jì)學(xué)模型分割的基本工作流程(左右兩側(cè)分別是輸入圖像和分割結(jié)果的最大密度投影)

Fig.1Basic workflow of segmentation based on statistical model(the left and right figures are the maximum densityprojections of input image and segmentation result respectively)

2.2 形變模型法

形變模型又稱為活動輪廓模型(active contour model, ACM)或者‘蛇’模型(Snake)[6]，它通過在圖像內(nèi)定義的曲線和曲面來描述目標(biāo)的邊緣，并在內(nèi)力和外力的作用下移動和變形，以此向目標(biāo)輪廓演化；期間，內(nèi)力保持曲線平滑，外力吸引曲線向血管邊界靠近。由于ACM需要初始化來啟動變形過程，因此該模型的局限性在于其魯棒性受制于模型對初始位置和噪聲的敏感性。鑒于ACM的構(gòu)造相對簡單，可結(jié)合不同的外力和內(nèi)力進(jìn)行優(yōu)化，尤其是針對模型的外力優(yōu)化。研究者能夠依據(jù)不同血管分割環(huán)境，設(shè)計(jì)不同的測度并建立相應(yīng)的外力[7-9]。當(dāng)前，形變模型的熱點(diǎn)問題是針對形狀、大小各異的血管目標(biāo)，如何將外力引導(dǎo)的形變約束和目標(biāo)幾何的先驗(yàn)知識相結(jié)合進(jìn)行分割[8-9]。

2.3 基于跟蹤的方法

基于跟蹤的血管分割是一種基于局部測度的方法，需要確定種子點(diǎn)以及引導(dǎo)跟蹤過程的局部約束條件。初始種子點(diǎn)可以手工或自動設(shè)定，如利用匹配濾波算法獲取血管種子點(diǎn)[10]，相比于其他血管分割算法，跟蹤法最大的優(yōu)勢是能夠保證血管結(jié)構(gòu)的連續(xù)性。目前，主要的血管跟蹤方法為基于模型跟蹤(model-based tracking，MBT)和基于最小代價(jià)路徑(minimum-cost path, MCP)。

MBT方法通過在原始圖像中跟蹤預(yù)定義的局部血管模型來實(shí)現(xiàn)[11-12]，常用的局部模型為橢圓截面或圓柱體結(jié)構(gòu)，跟蹤的每一步均通過尋找模型與局部圖像數(shù)據(jù)的最佳匹配結(jié)果來確定下一個模型的位置和方向。通常，強(qiáng)度或者梯度特征被用來獲取最佳匹配測度。

2.4 混合模型法

血管造影成像涉及多種數(shù)據(jù)模態(tài)以及個體化血管形態(tài)和病理特征，單一的分割方法難以解決血管影像分割問題。為此，研究者們通過綜合運(yùn)用多種模型來達(dá)到最優(yōu)分割效果。Tian 等[16]結(jié)合統(tǒng)計(jì)信息與血管形狀信息，提出了一種新的活動輪廓模型來分割腦血管。Zhao等[17]考慮到基于水平集的方法可以使活動輪廓收斂到血管邊界，而基于區(qū)域生長的方法可以獲取具有相似灰度的目標(biāo)區(qū)域，因此結(jié)合這兩種方法能有效分割出視網(wǎng)膜造影數(shù)據(jù)中的血管。與此類似，Zeng等[18]提出了一種使用三維區(qū)域生長和混合活動輪廓模型的自動肝血管分割方法；Goceri等[19]結(jié)合圖像中不同的像素強(qiáng)度分布，在Kmeans聚類獲得的粗分割結(jié)果上采用形態(tài)學(xué)算子實(shí)現(xiàn)了肝血管分割。

上述基于模型驅(qū)動的四類代表性方法主要根據(jù)血管造影數(shù)據(jù)的灰度和形狀等信息，通過預(yù)設(shè)一個模型與目標(biāo)區(qū)域的同類特征進(jìn)行擬合或匹配，從而完成血管分割。模型驅(qū)動的方法主要優(yōu)勢是計(jì)算效率可控，參數(shù)選擇可通過經(jīng)驗(yàn)和算法估計(jì)得到，并且在正則化建模前提下，可以通過學(xué)習(xí)自適應(yīng)選擇參數(shù)來提高分割精度。模型驅(qū)動的方法存在對圖像的空間尺度、數(shù)據(jù)模態(tài)、血管的局部和全局特征有較大的依賴性，統(tǒng)一模型很難適應(yīng)不同數(shù)據(jù)環(huán)境等問題和瓶頸。為此，基于數(shù)據(jù)驅(qū)動的方法是另一有效的研究策略。

3 基于數(shù)據(jù)驅(qū)動的分割方法

近年來，基于數(shù)據(jù)驅(qū)動的血管分割方法成為人工智能研究的主流方法。依據(jù)數(shù)據(jù)特征提取方式，數(shù)據(jù)驅(qū)動的方法可以劃分為基于特征構(gòu)造的分類器集成方法[20-23]和深度學(xué)習(xí)方法[24-28]兩類。前者是典型的機(jī)器學(xué)習(xí)方法，結(jié)合一些濾波算子甚至手工勾繪方式，從輸入圖像中獲取更高層次的特征(即所謂的特征構(gòu)造)，并通過一個分類器或多個分類器組合的方式對已提取的特征進(jìn)行分類，從而完成血管的分割任務(wù)。隨著科學(xué)計(jì)算的硬件處理能力不斷提升，深度學(xué)習(xí)方法近幾年再次出現(xiàn)在大量研究工作中，它摒棄了繁瑣復(fù)雜的特征構(gòu)造步驟，能夠在無人工干預(yù)的情況下促使模型獨(dú)自完成分類特征的學(xué)習(xí)和篩選這一復(fù)雜過程[29]。相對于傳統(tǒng)的機(jī)器學(xué)習(xí)，深度學(xué)習(xí)需要更龐大且全面的數(shù)據(jù)庫，通過數(shù)據(jù)挖掘獲取潛在的高層抽象特征，并建立準(zhǔn)確的監(jiān)督機(jī)制。由于深度學(xué)習(xí)能夠提取出傳統(tǒng)機(jī)器學(xué)習(xí)難以提取的高層特征，因此深度學(xué)習(xí)展現(xiàn)出了更加顯著的優(yōu)越性。圖2表明了兩者的區(qū)別。

圖2傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)方法的比較

(a).數(shù)據(jù)依賴性;(b).硬件需求;(c).特征可解釋性;(d)特征規(guī)模

Fig.2Comparison between traditional machine learning and deep learning methods

(a).data dependence;(b).hardware requirement;(c).feature interpretability;(d).feature scale

3.1 基于特征構(gòu)造的分類器集成方法

該方法的基本規(guī)則是多類特征驅(qū)動的分類與聯(lián)合判別策略，該規(guī)則下的血管判別兼顧了不同數(shù)據(jù)特征和分類標(biāo)記，每個訓(xùn)練樣本組成包括逐個像素點(diǎn)的位置、提取的特征向量(如像素強(qiáng)度，濾波響應(yīng))和標(biāo)記值。Rodrigues等[30]利用支持向量機(jī)(SVM)將視網(wǎng)膜血管從光學(xué)相干斷層掃描圖像中分割出來。Zheng等[20]建立了一個以心臟重心為原點(diǎn)的坐標(biāo)系統(tǒng)，提取每個體素在該坐標(biāo)系下的幾何特征，并且對增強(qiáng)后的圖像數(shù)據(jù)提取了梯度特征，再利用概率提升樹(PBT)來分割冠狀動脈。Fraz等[21]和Soares等[22]研究了Gabor濾波器[23]和高斯濾波器組合的特征向量生成算法，其中基于特征的AdaBoost分類器的視網(wǎng)膜血管分割還可以使用多特征構(gòu)造方式。

3.2 深度學(xué)習(xí)方法

深度學(xué)習(xí)方法的實(shí)現(xiàn)主要采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)，在此基礎(chǔ)上的全卷積神經(jīng)網(wǎng)絡(luò)(FCN)和U-net網(wǎng)絡(luò)能夠?qū)?shù)據(jù)進(jìn)行端到端的訓(xùn)練，從而高效地定位圖像目標(biāo)[31]。Dasgupta等[24]和Mo等[25]利用FCN分割視網(wǎng)膜血管。Ronneberger等[26]改進(jìn)了FCN網(wǎng)路結(jié)構(gòu)并提出U-Net網(wǎng)絡(luò)。之后，很多研究在U-Net網(wǎng)絡(luò)框架上進(jìn)行了一系列的改進(jìn)[27-28]，Tetteh 等[28]將二維的U-Net網(wǎng)絡(luò)改進(jìn)為三維網(wǎng)絡(luò)結(jié)構(gòu)，并提出了DeepVesselNet網(wǎng)絡(luò)，成功用于核磁共振血管造影數(shù)據(jù)的腦血管結(jié)構(gòu)分割、中心線提取和分支點(diǎn)探測。由于大多數(shù)方法都依賴于網(wǎng)絡(luò)的深度，并且需要大樣本，Wang等[32]提出一種新穎的循環(huán)U-net架構(gòu)，既保留了原始U-Net的緊湊性又提高了網(wǎng)絡(luò)的分割性能。

4 總結(jié)與討論

我們對近年來一些前沿的血管分割方法進(jìn)行了回顧，通過對這些方法進(jìn)行分析發(fā)現(xiàn)：造影圖像存在強(qiáng)度不均勻性、噪聲、運(yùn)動偽影等引起的圖像特征不清晰和結(jié)構(gòu)不明確等問題仍是血管分割的主要瓶頸。模型驅(qū)動的血管分割取決于數(shù)據(jù)的一些先驗(yàn)知識，由于不同成像模態(tài)的數(shù)據(jù)或者不同組織器官下的血管具有不同的先驗(yàn)信息，使得模型驅(qū)動的方法很難具有通用性。目前，僅Lu等[5]在這方面進(jìn)行了探索。他們基于多尺度濾波和統(tǒng)計(jì)學(xué)模型提出了一個普適的血管分割算法。此外，基于模型的分割技術(shù)需要在參數(shù)設(shè)置、模型擬合、血管骨架線跟蹤過程中常常需要干預(yù)，使得這些方法難以自動化并且對初始參數(shù)敏感；有些基于模型的分割技術(shù)是無參數(shù)的(例如幾何形變模型)，但它們受分辨率的限制，計(jì)算過程中需要的時(shí)間成本高。因此，減少模型驅(qū)動方法中的用戶交互或者采用一些并行的算法來提高計(jì)算效率，依然是這類方法研究的重點(diǎn)。另外，當(dāng)前臨床方面的主要需求之一是分析病理血管的情況，然而大多數(shù)血管分割的方法受限于對健康血管的一些假設(shè)(比如線性或者圓形橫斷面)。對于含有病變的血管，這些假設(shè)或許不太適用，因此，對病理血管創(chuàng)建有效的模型也是當(dāng)前和未來研究面臨的挑戰(zhàn)性問題。

總體來看，數(shù)據(jù)驅(qū)動的血管分割方法，尤其是深度學(xué)習(xí)方法，能夠獲得更加精確的結(jié)果。但由于缺乏公開的訓(xùn)練數(shù)據(jù)集，大多數(shù)基于深度學(xué)習(xí)的血管分割方法僅僅用于視網(wǎng)膜血管；對于其他組織(腦部或肝臟等)的血管，其成像數(shù)據(jù)多為三維，并且其血管結(jié)構(gòu)復(fù)雜，通過手工標(biāo)注的方式構(gòu)建相應(yīng)的訓(xùn)練數(shù)據(jù)非常耗時(shí)。因此，通過使用半監(jiān)督或者結(jié)合模型驅(qū)動和數(shù)據(jù)驅(qū)動的方法來克服缺乏大量金標(biāo)準(zhǔn)成為當(dāng)下研究的熱點(diǎn)。此外，基于模型驅(qū)動與數(shù)據(jù)驅(qū)動結(jié)合的方法進(jìn)行血管造影分割是另一重要研究趨勢，深度學(xué)習(xí)的良好泛化能力必將有助于將血管分割技術(shù)應(yīng)用于臨床的疾病診斷和手術(shù)計(jì)劃。