融合形狀分類的血管造影圖像多級分割*

王明霞 何坤金 劉宇興 曹紅飛

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

1 引言

血管相關(guān)疾病是世界公認(rèn)致死率較高的疾病之一，且患病率逐年上升，嚴(yán)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(jìn)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(zhì)量以及個人經(jīng)驗，診斷結(jié)果易受到主觀因素的影響，導(dǎo)致分割工作具有耗時耗力、可靠性低、可重復(fù)性差的特點。因此，利用醫(yī)學(xué)圖像處理技術(shù)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(zhǔn)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(xué)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(yīng)復(fù)雜血管圖像的精準(zhǔn)分割。Moccia 等［5］相關(guān)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(jìn)行總結(jié)，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?fù)溥m應(yīng)性的優(yōu)勢，水平集方法［7］在引入圖像分割領(lǐng)域后得到了廣泛的應(yīng)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。基于區(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(dǎo)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(biāo)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(quán)重系數(shù)會影響到分割曲線的平滑程度?；谶吘壍姆椒ㄍǔ＠眠吘壷甘痉麑⒘闼郊[式地向邊界目標(biāo)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(yīng)用于標(biāo)準(zhǔn)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(yīng)擾動水平集的醫(yī)學(xué)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(shè)計了一個基于區(qū)域的指標(biāo)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(jìn)了血管分割技術(shù)的發(fā)展，然而，由于血管造影圖像具有血管結(jié)構(gòu)復(fù)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(jié)構(gòu)費時費力。因此，本文以血管幾何形態(tài)特征為基礎(chǔ)，建立血管分類標(biāo)準(zhǔn)；其次，設(shè)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(zhǔn)分割；最后，將分類標(biāo)準(zhǔn)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(gòu)建血管分類標(biāo)準(zhǔn)

血管形態(tài)結(jié)構(gòu)復(fù)雜，采用直觀的形式描述血管段的形態(tài)結(jié)構(gòu)，能夠提高血管相關(guān)組織的診斷效率。潘等［14］認(rèn)為血管在解剖學(xué)上，整體呈帶有分支的樹狀結(jié)構(gòu)，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(jié)構(gòu)進(jìn)行分析，采用規(guī)范的幾何特征描述血管形態(tài)結(jié)構(gòu)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(jié)構(gòu)分為直線、彎曲和分叉部分，定義對應(yīng)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(biāo)記該段為一段血管段，跟蹤路徑上的所有點都標(biāo)有與種子點相同的邊緣標(biāo)簽。其次，選擇未標(biāo)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(biāo)記點的連通域。

對I型進(jìn)一步細(xì)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(xì)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(jìn)一步細(xì)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(jìn)一步細(xì)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(biāo)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(zhǔn)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(zhǔn)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(fù)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(dāng)前像素比較，大于則為255，反之為0，結(jié)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(jié)構(gòu)，采用連通域標(biāo)記法去除圖像中連通域面積過小的區(qū)域，提取血管結(jié)果如圖2（d）所示。最后，使用輪廓標(biāo)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(biāo)準(zhǔn)，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(biāo)記，獲得帶有血管分類信息的血管輪廓。根據(jù)血管細(xì)分類標(biāo)準(zhǔn)，對血管段類型進(jìn)一步細(xì)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(xì)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(zhǔn)定位到局部目標(biāo)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(dǎo)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(guān)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(dǎo)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(zhuǎn)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(zhuǎn)，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(fù)上述步驟，確保每個局部區(qū)域都進(jìn)行后處理，最后分割結(jié)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(xì)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(biāo)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(biāo)準(zhǔn)，確定血管段類型，使用不同的顏色標(biāo)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(xì)分割

4 實驗結(jié)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(jìn)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(biāo)準(zhǔn)，對血管造影圖像進(jìn)行實例測試。為便于與醫(yī)生繪制的標(biāo)準(zhǔn)輪廓進(jìn)行對比，實驗中粗分割與細(xì)分割結(jié)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(jié)果及相關(guān)算法比較

1）本文粗分割結(jié)果

粗分割中各向異性濾波設(shè)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(jié)果如圖4（a）所示，與圖4（b）中醫(yī)生繪制的標(biāo)準(zhǔn)輪廓相比，整體分割效果良好，僅在血管較細(xì)和血管圖像局部對比度低的區(qū)域，會出現(xiàn)分割不準(zhǔn)確的情況。粗分割的血管分類結(jié)果如圖4（c）所示。將醫(yī)生指導(dǎo)的人工標(biāo)注血管分類統(tǒng)計結(jié)果作為參考標(biāo)準(zhǔn)，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(biāo)注數(shù)量相差不大，原因是人工判斷血管分叉結(jié)構(gòu)較為粗略，對距離較近的血管分叉點可能會遺漏?？梢钥闯觯c人工標(biāo)注結(jié)果相比，本文分類方法具有較好的性能，結(jié)果相對穩(wěn)定。

圖4 血管粗分割結(jié)果

2）粗分割結(jié)果對比

為進(jìn)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(jìn)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(xì)血管；圖5（c）能夠分割出寬而細(xì)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(jié)果需要多次調(diào)節(jié)分割參數(shù)，且分割結(jié)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(xì)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(xiàn)方法結(jié)果比較

4.1.2 本文細(xì)分割結(jié)果及相關(guān)算法比較

1）本文細(xì)分割結(jié)果

對圖6（a）中粗分割不準(zhǔn)確血管段進(jìn)行細(xì)分割。通過少量交互選取待分割血管段，對其進(jìn)行分割，經(jīng)過多次實驗，細(xì)分割方法中最佳演化參數(shù)設(shè)置如下：長度權(quán)重系數(shù)λ=5，擴(kuò)散系數(shù)α=-3，正則化權(quán)重系數(shù)μ=0.2，迭代次數(shù)為120，結(jié)果如圖6（b）所示，圖中不同顏色表示識別出的血管段類型。可以看出，細(xì)分割方法能夠準(zhǔn)確地提取出目標(biāo)血管，分割結(jié)果接近圖6（c）中醫(yī)生繪制的標(biāo)準(zhǔn)輪廓，對血管圖像中較細(xì)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(jié)果。

圖6 血管段細(xì)分割結(jié)果

2）細(xì)分割結(jié)果對比

將本文細(xì)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(jìn)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(jìn)行細(xì)分割的局部放大圖。可以看出，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(xì)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(xì)分割方法和其他文獻(xiàn)方法結(jié)果比較

4.2 定量分析

4.2.1 評價指標(biāo)

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(biāo)［23］，評估所提算法分割的準(zhǔn)確性。

1）Dice 系數(shù)中Aimp表示改進(jìn)分割算法獲得的模型面積，Atruth表示醫(yī)生手動繪制的標(biāo)準(zhǔn)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(jìn)的分割方法區(qū)域輪廓坐標(biāo)集合為Cimp={x1,x2,…,xn}，醫(yī)生繪制的標(biāo)準(zhǔn)輪廓坐標(biāo)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(jié)果定量評估

為進(jìn)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(biāo)準(zhǔn)，計算上述三個評價指標(biāo)，分別定量分析本文粗分割和細(xì)分割方法與其他算法分割性能，結(jié)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(biāo)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(fù)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(xì)分割方法與改進(jìn)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(xì)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(xì)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(xiàn)方法的定量比較

表2 本文細(xì)分割方法和其他文獻(xiàn)方法的定量比較

綜上所述，本文粗分割能夠快速準(zhǔn)確地分割出大部分血管輪廓，細(xì)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(jié)語

針對計算機輔助醫(yī)學(xué)領(lǐng)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(zhǔn)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(dǎo)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(jié)構(gòu)，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(jié)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(dá)到對其精準(zhǔn)分割的目的，將提高本文分割方法在微血管處的分割精準(zhǔn)度。