文摘

感兴趣的是准确的和健壮的描述完整的动脉血管中心线的树结构的冠状动脉造影图像中这是一个必要的一步冠状动脉树三维重建和基于功能的注册多个视图血管造影检查。大多数现有的中心线跟踪方法遇到的限制在应对突然的变化在当地动脉的腔直径方向和突然变化发生在附近的动脉病变。提出了一种改进的中心线跟踪算法自动提取冠状动脉树基于健壮的地方特色。算法采用一种改进的扫描模式基于海赛矩阵特征值的可靠识别真正的船点以及一个自适应距离先行的模式计算扫描配置文件的大小。除了一个巨大的各种各样的临床实例,一个完善的船舶仿真工具用于创建几个人造血管造影客观的比较和性能评估。实验结果的准确性和鲁棒性算法及其同行在困难的情况下,如图像质量差和复杂的船舶几何。

1。介绍

近年来,利用计算机技术在心血管检查引入了大量的精度和速度的诊断冠状动脉疾病(CAD)。在大多数血管分析应用程序,快速和准确的描述动脉中心线是一个重要的先决条件,为后续图像分析提供了一个基础步骤。本研究的目的是开发一个高效的算法产生一个全冠状动脉树的骨架表示。这通常是由一个基于像素的分割方法,后跟一个骨架化分割图像或直接探索性中心线提取,通过递归动脉冠状动脉段提取跟踪算法。第一种方法的目标是产生一个前景和背景的分离表示,需要广泛的血管增强或特征提取方法如匹配/非线性滤波(1,2),形态学滤波(3),海赛矩阵的特征值4],滞后阈值(5),像素分类方法(6),和许多其他人。不幸的是,大多数这些方法产生大量无关的集群的像素,而不是一个单一的连接动脉树,尤其是图像包含非均匀照明。

而不是繁琐和容易出错的像素分割方法为基础,探索跟踪方法直接提取感兴趣的特性,规避低层次图像中每个像素的处理。这些算法都是基于顺序通过检查少数像素搜索,靠近血管导致有效提取像素位于内侧动脉段的轴。一些属性如生产有用的部分结果,发生一个最后期限,和他们的计算效率对实时的吸引力使他们,生活,和高分辨率处理。图1描绘了一个动脉跟踪方法的一般模式之后,大多数现有的方法在文献中。该模式是一个迭代的过程描绘为每个容器中心线点段的序列。过程的步骤可以描述如下。(我)初始化。启动的初始化步骤提供初步信息跟踪过程。信息通常包括起始点的位置、初始方向的船,之间的距离和左右边界的起点。在手动或半自动算法,种子点的位置和初始方向手动定义的用户。在全自动中心线提取的情况下,然而,一个有效的选择种子点的验证提供的种子点自动种子点检测算法。(2)估计。最初的时候与方向,接下来的中心线的位置点估计仅仅通过线性外推方程的形式: 在参数是一个步长,决定了当前点和下一个点之间的距离。因为一个探索性搜索产生的序列连接像素,这个距离是由一组中介点用直线连接两个端点绘制算法(7]。在一些算法的步长自适应地确定产生更精确的结果相比,跟踪步长算法使用一个固定的值,例如,(8]。(3)更新跟踪方向。外推方程使用船方向计算只在当前中心线点和不考虑船舶几何估计下一个点。因此,估计跟踪方向并不总是准确的,需要根据当地的几何和灰度信息更新站点的估计下一个点。的理念更新的初步估计船方向已经被许多已知的跟踪方法(建议8- - - - - -10]。这个想法是为了完善的第一估计船方向通过调整估计下一点的位置根据其距离最近的边界点。(iv)跟踪。在这一步验证跟踪算法停止条件和重复的痕迹和收集信息关于船路口和分支或跨界点。如果估计点仍位于容器和当前船段还没有追踪,它返回到“估计”一步收集后续中心线点;否则跟踪终止和一个新的跟踪从下一个种子点进行验证。(v)过滤小或断开连接的部分。根据所需的应用程序和输出,小于某一阈值的跟踪序列和/或与其他部分没有任何交集视为错误的痕迹,从跟踪结果。在某些应用程序中,操作员可以能够完成跟踪结果通过添加新的种子点或删除错误的痕迹。(vi)曲线平滑。许多著名的跟踪算法产生参差不齐的或缩进中心线由于粗角量化(9,11- - - - - -13]。在续集中,他们需要一个曲线平滑步骤来提高跟踪结果的准确性为代价的计算。

不同的跟踪算法不同的机制主要是估计未来中心线点和局部取向的动脉段。沙漠盆地等。14)提出了一种基于几何属性方法中船舶结构的图像。通过手动定义起始点和初始方向,算法估计新的中心线点位置和姿态利用t型结构是未来中心线旋转找到最好的位置点。geometric-based船跟踪方法的另一个代表算法是提出的太阳(10],是许多成功的QCA的基础系统。而不是使用定向过滤器或t形结构,他们的方法是基于递归序列跟踪船舶的几何中心线与假设和密度测量动脉在每一增量部分的连续性。他们的算法与两个extrapolation-update阶段使用一个迭代过程。在第一阶段,一个初始猜测接下来的中心线的位置点,假设矩形模式强度剖面垂直于初始定义容器的方向。之前估计是纠正通过定义另一个概要文件在新中心线点找到点两个检测边缘。尽管它的准确性和鲁棒性,有一些重大的缺点太阳的算法。具体来说,该算法使用匹配滤波机制识别新中心线点船横截面密度资料时执行效率低下动脉段强度非均匀分布。此外,他们的边缘检测方法是基于识别碾轧点使用纯强度值;这可能会导致他们的方法在处理困难情况突然变化等迹线方向和容器直径(15]。

在另一项研究中,哈里斯et al。16)提出了一种基于循环递归跟踪算法模板分析和适当的模型船。尽管他们显示他们的方法非常强劲,比它的前辈的处理分岔和船口岸,这很大程度取决于血管中心线和轮廓点检测动脉树逼近阶段,这可能无法检测所有的动脉段血管造影图像质量欠佳。这些缺点源于计算船舶方向仅仅是基于局部几何特征提取动脉和忽视固有强度和对比差异在同一冠状边缘点对应的两个部分。徐et al。8)提出了一个方法来提高太阳的算法结合基于脊Aylward提出的方法和布利特(17]。在他们的方法中,船方向计算基于几何拓扑信息的加权组合从太阳获得的算法和强度分布信息从Aylward海赛矩阵计算的方法获得的。他们还提出了一种自适应距离先行的模式增加算法提取的准确性高弯曲段,和动态搜索窗口大小来应对两个动脉是重叠的情况。然而,来自太阳的算法的一些问题仍然没有解决,导致徐的算法处理偏差严重狭窄的现场。此外,还有许多其他最近出版的动脉跟踪算法在文献中。然而,他们中的大多数已经开发了不同的应用程序或图像形式如眼动脉图像(18)和CT血管造影术(19,20.]。

上面提到的局限性已经促使我们提出一种改进算法,集成了一个半圆形vesselness概要文件为可靠的识别顺序中的下一个中心线点跟踪过程。它使用可靠的特征来区分真正的船点和点,不配合动脉血管造影片片段。事实上,而不是使用纯强度值来确定真正的船点,它利用特性的图像基于海赛矩阵的特征值。特征图像中的每个像素代表一个vesselness衡量伙伴的可能性被一艘指向相应的原始图像的像素,使跟踪算法确定中心线沿着动脉路径。此外,一种自适应模式级搜索概要文件合并,以避免分歧和过早终止的跟踪过程。

本文的其余部分组织如下:一个完整的解释我们的方法提出了部分2。节3描述,参数优化的实验结果。它还包括从比较性能评价实验结果。最后,部分4包含的结论与我们的决定未来的工作。

2。该算法

本研究的重点是提出一个健壮的和准确的算法自动提取完整的冠状动脉树的血管造影图像。朝着这一目标,一个两步的解决方案为全自动船中心线跟踪算法是采用由两个主要步骤:种子点自动检测和中心线提取。在这项研究中,我们提出的这些方面必要的跟踪方法提取中心线的动脉段;我们不讨论种子点检测和验证的细节步骤他们先前所描述的文献[9,13,21]。

2.1。种子点检测

在全自动跟踪算法,算法的最终输出高度依赖提供了跟踪算法的初始点开始它的过程。在这项工作中,我们使用我们以前公布的全自动种子点检测方法(21)由于其能力提供最优平衡验证过程的准确性和计算效率。为了避免逐个像素处理,种子点检测算法样本图像通过定义一个稀疏网格的图像和搜索边缘像素沿着水平和垂直的线。网格线的数量确定边缘像素的数量的网格线穿过血管段。候选边界点的搜索过程包括识别通过卷积概要文件由每个网格线与一维高斯低通滤波器的一阶导数。由于计算效率考虑,1 d内核的形式被认为是一个离散近似连续的过滤器。通过卷积这个内核的强度值在每个网格线,当地的高峰值滤波器响应识别和收集在一个小社区的距离。图2说明了边界点收集过程的结果在一个示例血管造影。

在验证过程中,收集到的边界点是对一组规则验证定义区分实际种子点和misdetections。算法结合了对称梯度向量的几何性质计算每个候选边界点和它的邻居。删除错误的候选人后,中心线种子点的位置估计通过计算验证之间的中点种子点及其对应的点对面的边缘。同时,船的初始方向可以表示为一个单位向量垂直于梯度向量计算的边界点进行验证。应该注意的是,选择网格线之间的空间是远小于最小的动脉段的经度。因此,种子点检测算法可能会产生多个种子点为每个单段导致重复的痕迹。为了避免这个问题,一个有效的机制应用之前验证每个候选人的种子点,防止种子点的分配先前追踪段;参见2.5节。

2.2。估计

一次选择可靠的种子点,下一步(所谓的估算步骤)是确定下中心线点的确切位置。这需要识别真正的船点在一定社区选择种子点。然而,x射线图像受到高水平的噪音,非均匀背景,存在许多图像构件使任务更难完成。许多船增强和提取方法提出克服这些困难,船舶输出增强基于海赛矩阵的特征值的方法表现出更有吸引力的属性对于我们的情况。第一个原因是,而不是生产一个逻辑值为每个像素(对是否位于船),这些方法将连续vesselness值分配给每个像素允许算法识别真正的船点通过寻找最大vesselness值从一组候选人下点周围的像素在一个小区域。第二个原因是先天海赛矩阵的特征值的计算特点允许计算vesselness值基于局部强度信息在图像中每个像素。这消除了需要低级像素处理对整个图像。海赛矩阵在给定的点是由: 在哪里表示图像的二阶导数空间点,通过卷积计算输入图像与二维高斯函数的二阶导数在一定规模。根据(4),海赛矩阵的特征值和特征向量可以用来提取的主要方向船的局部二阶变化点。二维海赛矩阵有两个特征值和及其对应的特征向量和。特征值是假定为命令,这样: 在冠状动脉血管造影,血管出现深色的背景。因此,如果我们考虑到输入图像作为一个3 d表面曲率,代表不同的血管中心线强度山谷。因此,对于一个给定的中心线点更强的特征值对应的特征向量,也就是说,,反映出更强的方向曲率在周围的小社区的中心线垂直于船的长轴。由于特征向量正交的,第二个特征向量,也就是说,与船的方向平行。基于上述考虑,可以通过检查船点特征值和如下: 然而,这种情况也可能遇到一些无船点由于背景噪音或行式结构。获得更多的确定性标准,Frangi et al。4)开发了一种多尺度vesselness函数提供了每个点的值在0和1之间形成一定规模。我们感兴趣的是2 d版本的函数相结合的措施曲率的力量和的比值和一个值测量如下: 在哪里是二阶structureness占地方的力量对比和是blobness测量管状和状结构之间的区别。的参数和确定滤波器的灵敏度的措施和,分别。在这项研究中,最优的值和基于图像特征。

2.2.1。估计船的方向

因为有一个广泛的血管直径在每个血管造影片,它需要计算容器相似的值在不同的尺度上,并将其组合在一起,获得一个单值指标。结合过程简单地选择规模收益函数的最大值在一个给定的点: 然后选择规模用于选择相似的价值和最佳估计船舶方向如下: 由于其计算复杂度,这多尺度计算被认为是一个重大的缺点这个vesselness函数,因为核心功能只在一个计算容器相似的措施。然而,在我们的案例中,血管直径,估计当前中心线点,可以用来计算一个适当的离散尺度范围vesselness函数,无需费时的计算不同尺度(22]。

2.2.2。半圆形的扫描配置文件

为了找到一个可靠的未来,vesselness函数计算出的值当前已知点周围的像素在一个小社区在哪里上标表示算法的迭代。为了这个目的,一个半圆的扫描配置文件定义的样品vesselness测量周围相邻像素点在一定的范围内。半圆形的扫描配置文件()是数学描述为: 在哪里电流跟踪方向的夹角,设在和是一个单位向量方向。半径,即先行的距离,是适应当前船的宽度的一半(适应模式之后,在这一节中描述)。具体来说,vesselness功能的价值(以及该船的方向)计算每一点在半圆的搜索区域。

这种扫描轮廓模式已经被许多其他方法包括采用平方扫描配置文件(23- - - - - -25)和完成概要圆周函数(16,26)被证明是有用的在提供一个统一的有预见性的距离向四面八方扩散。然而,该方法采用了一个半圆的扫描配置文件,而不是一个完整的圆,受雇于前面的方法,以避免不必要的向后追踪和维护计算效率。拟议的扫描配置文件模式类似于Schrijver提出的方法(26]。两种方法之间的主要区别是,Schrijver方法建议使用一个种子点作为递归动脉的起始点跟踪算法。他几个条件,描述了他的种子点检测技术无法提供一个可靠的种子点和需要用户干预手册选择的初始种子点。由于使用一个种子点,扫描过程需要依靠信心得分和多阈值选择几个候选人的潜在跟踪方向跟踪整个动脉树。这些困难使他们的算法适合实时跟踪应用程序。

2.2.3。选择正确的船

图3显示在当前点扫描轮廓画找下一个点在距离从点。的过程中寻找下一个点下列情形,可以区分。

正确的船点
如果一个给定的点船,它可以被一个局部最大值的扫描配置文件。然而,由于一些局部极大点可能不配合图像中动脉,另一个则还应核实。具体地说,如果这一点船,船的方向分段点之间和平行的方向场估计的第二特征向量海赛矩阵计算点吗,也就是说,在(8)。此外,方向场计算点包括向量具有相似的方向。

Nonvessel点
很大一部分的扫描配置文件是被无船点,例如,点,vesselness函数的值很小,其相邻点构成非均匀方向场。

点,属于血管分支
扫描配置文件的值也达到一个局部最大值点。此外,该船的方向点之间的线段和也是船平行方向。因此,这个算法应该选择一个点之间和。目标是基于最小选择主要的血管段电流跟踪方向的角度之间的区别和计算出的方向连接每个两个候选点和。在这种情况下,该算法是当前点作为一个分岔点和点补充道和初始方向的种子点开始一个新的跟踪验证下一次迭代。

点,属于一个邻近的船
相似点,属于一个分岔段,配合邻近血管构成的点局部最大值的扫描配置文件。然而,我们可以看到在图3,船方向之间的区别点和船的方向点之间的线段和表明,它是不太可能的点和躺在同样的船。此外,如果小值为半径的选择,这个问题可以大大避免血管之间的跳跃。

数据4 (b)和4 (c)显示vesselness价值观和船的方向上的像素概要画分岔点血管造影图的例子4(一)。可以看出vesselness图有两个船的主要局部极大点位于主段和分支动脉。此外,图4 (c)说明两组统一方向分选手和每周叶图的对应点4 (b)。

应该注意的是,vesselness滤波器的响应降低网站的分支点。然而,由于全球的形状vesselness过滤器主要关心的,不是精确值,但这并不影响算法的性能。此外,如果当前中心线点分支点,尺度的范围用于计算vesselness值分支段足以识别局部极大点树枝。

2.3。更新跟踪方向

从当前的中心线和它的初始值的方向和半径建立,一个半圆的扫描配置文件找到的第一个估计下一船点用如前一节所述。给下一个点,第一船方向的估计是基于向量的几何方向连接重要的是如下: 在哪里表示一个向量的大小。在大多数情况下,这个方向的船方向提供了一个准确的估计。然而,一个新的估计是由调整的位置这样,它位于当地边缘的中间。如图5找到中间点,两个线性密度配置文件和吸引点垂直的方向。然后,两个边缘点和检测到的边缘检测算法,如发现碾轧点基于信号和背景水平的强度值(10),定向低通滤波器(27),加权和的灰色的一阶和二阶导数值(23),和许多其他人。

然而,我们的兴趣是找到基于贡献超过一个像素的边缘检测船原始图像的边界。因此,边缘识别通过寻找局部梯度的最大值大小(对比)计算每个点的配置文件和如下: 在哪里是一个估计的梯度大小呢像素位置扫描配置文件和搜索配置文件的长度是适应当前容器半径。自从半圆的半径扫描配置文件满足我们需要定义一个搜索窗口,足够横跨船的宽度,参数的值选择半径等于。右边缘点的计算是一样的吗,因此它的方程是为了简洁起见省略了。通过计算局部边缘点的位置和,下一个中心线的位置点可以更新如下:

一旦下一个点当前容器半径,确定吗是更新。然后,下一步是更新船方向向量根据更新后的下一个点如下:

2.4。的模式适应步长

接下来的中心线点的最终位置确定基于当前点的位置和价值的步长。一个重要的挑战是要选择一个合适的值。自薄和小血管自然更加灵活,比大的曲折,跟踪算法应该采取小步骤来描述他们与更多的点。一个解决方案是采取扫描轮廓的半径作为步长控制当前的中心线之间的距离,估计下一个点。如图6,半径应该大于当前船的宽度的一半因为半圆的概要文件应该跨越边境距离从目前的中心线。因此,半圆的半径扫描配置文件计算基于容器的大小自适应宽度一半在当前中心线点吗: 在参数是一个常数因子和和船的一半宽度计算出当前和未来中心线点上标表示迭代数。这个词占的大小控制步长,当一个分支点或突然改变船的半径,即高档狭窄,遇到。如图6,一旦跟踪算法达到严重狭窄时,船的一半宽度计算下一个点远小于当前中心线点。因此,如果突然改变不考虑,后续的扫描配置文件的大小不会大到足以环绕容器边界。在这种情况下,是不可能检测到两个边缘点和,导致算法过早终止或散度。

很大区别当前和先前的估计血管半径的收益率大扫描配置文件,允许跟踪的算法来解决这个问题的高档狭窄和处理分支和跨界点。一方面,应该保持相对较小的非常大的血管,以避免与邻近血管巧合。另一方面,大的值应该选择小血管宽度,例如,少于5像素,因为重要的舍入误差计算导致获取值等于估计船宽度的一半。找到一个最优值的实验参数本文将在稍后解释。

然而,与先行的距离的步长值可小于当前容器半径因为它应该占船方向的变化。另一种解决方案建议使用当前和以前的区别船方向来调整步长。让该船的方向角区别和之前和现在的中心线点计算和分别为,。的值代表当地的曲率的变化以及当前船段,当tortuousness很小,这样的的价值小,反之亦然。因此,的价值可用于采用步长基于容器的当前估计的一半宽度(8]: 在哪里表示计算步长自适应中心线点。角的价值差异是介于0和,的大小项永远不会超过容器的宽度的一半。上述方程产生一个自适应步长,这样跟踪算法需要在高度弯曲动脉较小的步骤。因此,该模式提供了更准确的跟踪结果通过提高跟踪算法的能力跟上突然改变方向和应对复杂的几何图形。设置最优值的实证研究将在本文后面介绍。

2.5。防止重复的痕迹

从每个种子点进行验证,跟踪过程生成的序列容器中心线点称为“中心线”的形式三胞胎中的每一个包括中心线的位置,方向,和当地船范围如下:

如前所述,验证种子点可以位于任何点沿着船。因此,从每个验证种子点开始,一个新的中心线段是由跟踪船舶一次方向和一次。几个痕迹的结果存储在一个二维数组的整数值相同的维度的原始图像保持中心线段在一个数组称为“中心线地图”。

最初,中心线地图中的所有元素的值设置为零。当一个新的段跟踪,一个名为“段数”的变量是增加了1。为了存储一段中心线,中心线图像中对应像素设置为非零值的当前段数。这种技术允许跟踪算法来避免重复的痕迹。基本上,有两种情况,应该检查,看看当前船已经被追踪。(我)在验证一个种子点。之前验证规则应用到给定的种子,种子点检测算法应该检查中心线映射一个先前存在的追踪段在一个小社区的候选人种子点(例如,附近5×5分)。发现的种子点位于附近的一个已经追踪段被忽略和从集合中选择一个新的种子点的候选点。(2)在跟踪过程中。中心线的图像也可以用于检测交叉船段。之前计算vesselness值像素在半圆的扫描资料,检查相应的像素地图中心线为一个非零值。具体来说,像素扫描配置文件的,遇到一个非零值收集在一个候选人名单和当前中心线最近的像素点被认为是交点。在这种情况下,所有的点都位于直线连接当前中心线的交点被添加到当前的中心线段和电流跟踪相应终止。

这里有两点应该注意:(1)如果追踪段的长度小于某一阈值(例如,不到20像素),部分被丢弃和像素不应该被添加到中心线地图;(2)相交的部分本身视为错误的痕迹,应该拒绝。

2.6。停止条件

追踪段应限于图像中的点属于动脉。因此,跟踪算法重复跟踪直到满足下列标准之一。(我)一个或多个像素扫描配置文件不配合图像领域。(2)没有找到有效的船点扫描配置文件。(3)当前的中心线段相交先前追踪段。这种情况是检查所有直线连接上的像素点来。(iv)动态范围(百分比)在横截面的vesselness值点和低于某个阈值。

我们假定血管段的连续光密度特性和动态范围百分比不沿着动脉发生显著的变化。基于这样的假设,计算动态范围基于vesselness百分比值点的横截面和跟踪过程中,并不断监测检查是否满足停止条件(10]。计算vesselness测量的动态范围,信号电平是由平均vesselness值之间的两个边缘点吗和的横截面和画点: 在哪里和表示横截面上的边缘点的偏移量配置文件和,分别。此外,背景水平的定义是: 基于上述定义,vesselness测量的动态范围百分比可以由: 的参数用于检测情况估计点位于背景。在正常情况下,血管vesselness值比背景。然而在背景跟踪的情况下,信号电平的值很接近背景水平,导致显著减少的价值。因此,第四停止准则定义为: 在哪里是一个阈值百分比动态组经验,绩效指标的最优值的一致性和差异。

3所示。结果与讨论

实验旨在寻找最优参数设置中使用该算法,验证算法的功能,并证明该算法的效率比传统的方法进行比较绩效评估。他们组成的两个不同类型的评价研究。

3.1。模拟研究

在这个实验中,合成图像与已知的中心线位置和跟踪算法处理方向。然后估计结果与生成基于最优结果先天的数据用于合成图像的创建。这种比较是进行评估的能力中心线提取算法来跟上生产满意的痕迹在复杂等困难的条件下船舶几何和低信噪比。仿真研究的目的是分析提出中心线提取算法的性能在不同几何形状的容器,不同的船之下,和不同信噪比的值。为了这个目的,一个方法生成合成容器数据集提出了格林斯潘et al。15采用。如作者所示,该方法能够提供一个客观的方法来比较不同的中心线提取算法。然而,修改原来的方法来生成一个广泛的几何特性,比如对称和不对称的病变,径向扩张血管,在单个和多个病变段。图7说明样本船图像合成数据集。下面的图像的数据集是由组。(我)19船舶零曲率;和狭窄的锥形或中等锥度值为0。(2)23升降台船;没有狭窄。(3)9艘曲率;狭窄。(iv)9多段血管;狭窄。(v)13多个段血管与多个狭窄;零锥度。(vi)13多个段血管与多个狭窄;中锥。

为每个图像组,四组通过添加高斯白噪声生成每个原始图像使用不同的方差值,导致344年合成图像。方法用于生成合成血管模型冠状动脉造影图像基于容器的二维几何表示的投影使用四个参数:船锥度,狭窄百分比,中心线曲率和曲线长度。

3.2。临床的例子

算法的性能评估应当通过比较该方法与现有方法的准确性,当应用于真实世界的图像。值得注意的是,这个实验需要执行种子点自动中心线提取前的检测算法。因为我们的兴趣是比较个别中心线提取算法的性能,而不是种子点的组合检测和中心线提取算法,提供的起点都是相同的种子点检测算法对所有实验在临床数据集上执行。在这项研究中,最后中心线图像是通过执行种子点检测算法提出了(21]本文中描述的相同的参数设置,其次是任何一个对手中心线的提取算法。

获得一套可靠的中心线地面实况数据图像,一组315造被处理的修改版本地面实况Al-Kofahi提出的评估方法等。11]。从数据库的图像被随机选中的例行冠状动脉造影图像获得匿名UKM医疗中心的患者信息。它由各种各样的容器,不同类型的冠状动脉病变(类型a、B和C啊哈分类)和不同几何形状的船段。所选图像空间分辨率512×512和8位量化“GE-Innova 2100 -智商”收购c臂系统。

这个数据集预处理和血管中心线手动标注获得参考标准中心线图像。在第一步中,在每一个血管造影动脉树的边界是手动跟踪5次同样的人在不同的时期,无视小动脉,不到3像素宽。这导致5对应的每个图像的边缘图像数据集。然后,一组对应的图像是相互叠加,生成图像的像素值是一个函数的重叠的像素的数量。这个收益率平均图像不可避免的不连续性。把洞和不连续,形态学关闭运营商一个3×3平方单位矩阵作为构建元素。在下一步中,图像的边界(白色)获得二进制图像说明冠状动脉树的轮廓。最后,骨架化算法由张和孙28)是用来估计真正的中心线的位置点。然而,由此产生的中心线图像手动修改。一组血管造影和相应的地面实况图像如图8。

3.3。性能的措施

算法评估中心线提取技术需要定义一组性能的措施。在这项研究中,重点是提高自动中心线特征提取的鲁棒性,同时保持一个类似于现有方法精度水平。因此,采用两个不同类型的性能措施:(1)误差估计措施提供量化的指标来评估算法的健壮性动脉形态对困难,复杂的病变和图像退化的特点是合成图像;(2)准确性措施用于评估的能力,该算法在生成准确的跟踪结果的一致性结果与地面真理的骨架图像在临床数据集。

3.3.1。误差估计的措施

如前所述,为了创建一个可靠和准确的合成数据集,作者开发了一个船的基础上生成工具格林斯潘描述的方法等。15]。在他们的方法中,参考中心线的半圆形曲线是由连接不同长度和持续的曲率。他们定义了一个参数方程的半圆形曲线的函数曲线弧长如下: 在哪里是位置向量,是曲线弧长变量,的总长度是半圆形曲线。此外,参数半圆的初始位置和吗表示切在。下一个半圆形曲线可以被附加到当前使用的值曲线和作为其初始的定义。根据上面的公式,定义如下两个误差估计。

标准化的全球距离误差
这种误差反映了平均径向上的点之间的距离参考中心线和相应的点估计中心线。为了保证两个对应点躺在同样的曲率半径,最接近点技术不是用来寻找两个中心线之间的对应点。相反,对于一个给定的点参考中心线,对应点标识上的中心线估计躺在画的轮廓点吗垂直于参考中心线,当地的切向量。因此,标准化的全球距离误差被定义为(15]: 在哪里是两个对应点之间的径向距离像素,是船的半径点和点贡献的数量计算。这个公式的展品更强调容器的直径很小的距离,而不是距离在船舶领域计算大直径。它是用来评估算法对我们的主要目标是船中心线的准确提取,包括冠状动脉病变。

全球定位性能测量
除了距离误差、定位距离也计算对应点之间的区别在选定的点对应的切线。这个性能测量是通过面向计算均方误差如下(15]: 在哪里是定位误差度,反映了不同方向的切线向量测量在度th的参考中心线。的跟踪算法不能覆盖60%以上的地面实况中心线是散度。

3.3.2。精度的措施

为了评估算法的准确性,验证研究是进行跟踪结果的准确性,当应用于真实世界的图像。在这项研究中,测量精度对地面实况图像获得的临床数据集和基于定义中描述的“差异”和“一致性”的措施(11]。差异的措施的质量估计真正的中心线的位置点。它是通过计算平均欧氏距离计算点的中心线之间的映射算法及其产生的地面实况图像对应点。

让表示一组中心线点由提出的跟踪算法和生成地面实况的集合点。让两个子集和的点集和另一个图像的对应。每个点的信件表明在子集,都有一个对应点这样的点之间的欧几里得距离小于某个特定像素的数量。通信可以被描述为: 在符号表示欧氏距离。同样的,对于每一个有一个对应点的欧氏距离小于和用。应该注意的是,由于弯曲性质的痕迹,不能保证找到点之间的一一对应和。

中心线之间的空间差异产生的映射算法和图像中心线地面真理是定义如下11]: 一致性算法在检测的措施的能力真正的段的特点是地面真理和避免错误的痕迹。两个跟踪集之间的一致性是通过计算的比例分在一组对应点在另一组磁盘半径之内。观察到的一致性是一个共同的衡量相似的定义如下: 第一个定义是指的能力跟踪算法在防止错误的痕迹,而第二个定义表明跟踪输出的完整性。这些措施同样重要的评估方法的准确性,从而比较不同算法的性能我们计算一个平衡测量措施如下: 的值计算每个图像的临床数据集作为磁盘半径的函数。平均值在所有临床图像作为我们比较的基础。

3.4。参数调优

在执行绩效评估实验,之前算法的参数最优值应该发现。首先,两个参数和在(5)调整通过检查他们的不同的价值组合容器的性能相似的功能。指的是(5),在大多数情况下,预计的价值接近1。这是由于这一事实,平均的值和是相似的。因此,为了获得更多的行式和状结构之间的歧视,的价值应该在1的顺序。另一方面,决定在血管增强对比强度的影响。通过选择大这个参数的值(例如,10)的顺序,低对比度的物体都被忽略,并且只有血管显著对比增强。

上述结论是由图9显示选择的影响不同的值对吗和在一个特定范围的尺度,。它可以观察到,高的值增加船的vesselness函数结构的响应比小值的提高更多的背景结构。小第二个参数的值,例如,,把更多的噪声和背景结构增强的结果比大值。然而,大的值,例如,,甚至导致显著降低滤波器响应的高对比度血管区域。

最好的价值和选择基于应用的实验比较结果vesselness算法与相应的地面实况数据集的图像轮廓图像。比较过程包括以下步骤。(1)计算假阳性的数量通过计算像素的数量的vesselness形象vesselness值大于零,但是他们在地面实况图像对应点是黑色的。(2)假阴性的数量也随着白色像素数量的计算地面实况轮廓图像对应于一个零vesselness vesselness形象的价值。(3)计算归一化的和错误的检测它用作一个客观差异的量化测量的偏差vesselness图像,获得通过应用不同的参数值吗和,从地面真理轮廓图像(29日]: 在哪里是图像中所有像素的数量。

在这项研究中,一组12 vesselness图像对应于三个参数的值,也就是说,和四个参数的值,也就是说,被创建。适当的值和选择从vesselness图像最小差异测量吗。这个实验的结果显示的值和适合于临床数据集。

其余参数不变因素在(14),在(20.)。获得的最优值,该算法被用来提取中心线的临床图像。就像前面提到的2。4,一个较大的值的参数增加半圆的概要文件的大小,因此,提高跳跃的概率从当前船段跟踪点到另一个容器。因此,该参数的值应该是由测量算法的一致性和差异的输出与地面真理中心线的实际临床图像血管之间的跳跃的问题是可能的。为此我们没有使用合成图像由于每个合成图像包含一个动脉段无分支机构。

对于每一个图像,总共有11段中心线,对应于不同的值从1到2的步骤0.1。然后,平均值计算在所有图片的临床数据集在磁盘半径5像素。同时,偏离中心线地面真理图像测量通过计算平均差异,如图10。

它可以被观察到的价值差异较大的值用于升起。这是由于这样的事实,该船曲率和血管直径变化比大的距离慢慢地在附近一个小的船段。因此,大半径的扫描配置文件对估计的准确性有负面影响船的方向。通过比较不同的值测量的值选择最优值。

然而,应该指出的是,因为是一个整数值(半圆的扫描配置文件)的像素数量,固定值吗导致重大的舍入误差与小直径血管(少于5像素)。图11显示了舍入误差的比例相对于容器半径不同的容器半径值,设置为1.3。因此,一个恒定的值(例如,)可以使用当船一半宽度小于5像素。

另一个参数是阈值的百分比vesselness测量的动态范围应设置基于图像特征。这个参数是通过观察其不同的值的影响性能的措施和通过应用临床数据集的图像跟踪算法。根据图12的最优值获得的性能测量达到顶峰。可以看出,绩效指标的值和几乎保持稳定时。在这一点上,性能测量开始急剧增长而性能测量开始下跌的速度快得多。通过考虑性能措施的定义26一个)和(26 b),上述观察可以减少相关中心线像素的数量由算法生成的。这减少影响性能的措施和因为参数设置更大的值导致获得少假痕迹以及正确追踪段。然而,随着阈值的值增加,比错误的正确跟踪丢失。这意味着该算法往往会产生更少的假痕迹和真阳性选择参数的值无关。

3.5。实验结果对算法验证

在本节中,该算法的效率评估是否能够产生令人满意的结果。应该注意的是,所有的启发式模式提出了步长和有预见性的距离适应用于所有实验进行算法验证除非另有说明。合成图像分成7组的动脉段,与不同的几何图形和不同比例的狭窄,全面验证该算法。图像组表中列出1。第一组包含零曲率的船只,零锥度值与不同比例的狭窄。这组是用来评估算法在解决问题的能力的算法发散的高档狭窄。在这个实验中,我们的重点是网站的情况下,大偏差的发生在直血管狭窄,即零曲率恒定的锥形段。如图13狭窄百分比的影响,该算法的准确性显著低60 - 90%之间的狭窄,对误差测量获得的值保持在一个相当低的水平,几乎相等。此外,没有散度观察血管狭窄的95%。

第一组第二组的图像不同于通过改变锥度值从0到0.00145,在几乎相同的狭窄百分比值。数据(14日)和14 (b)现在7错误样品相对应的第二组血管# 13 # 19。通过比较的结果数据(13日)和(14日),可以看出距离错误绘制不同的狭窄组2的百分比值略高于1组;虽然大约类似的结果(不到1度)获得了定位误差测量数据13 (b)和14 (b)。

结果表明,船舶逐渐减少一个微不足道的影响算法的准确性的估算曲率(正切值)的中心线点。正如所料,锥度值较大的血管段,略有增加距离误差测量是观察到的所有值的百分比狭窄。这是由于血管的突然变化前后的一半宽度狭窄的地区导致紧张不安的行为估计中心线。

第三个图片组是用来测定的行为该算法应用于船舶领域时不同的弯曲度。为了达到这个目标,其他因素从第三组,也就是说,没有狭窄和常数逐渐减少的价值。24日两个实验进行图像(对应于血管# 20 - # 43)不同的曲率值从0.003到0.015弧度。在第一个实验运行,不适应用于计算步长;在第二次运行的步长调整基于角区别当前和先前的估计船的方向。图(15日)显示了第一个实验运行的性能结果通过将该算法应用到升降台在3组血管。图表说明了距离和定位误差性能措施曲率的函数,也就是说,船段不同弧长(从50到175像素)分组根据曲率值。距离误差的图形演示了一个指数关系的性能和血管段的曲率。相比之下,定位误差的值在图15 (b)从第二个实验,得到运行,表现出更逐渐增加定位误差的函数曲率值。这表明没有适应步长,该算法对船舶高度敏感的曲率的估算距离而不是方向。在这种情况下,该算法更准确评估血管段的方向比估计的正确位置,当遇到高度弯曲段中心线点。这是由于大错误的近似本地船方向通过使用大的步长值的曲线段。

如上所述,第二个适应模式是基于选择值小于当前容器半径,描述了曲折的血管中心线与更多的像素。误差测量图的图表15 (b)显示的有效性提出了步长适应模式。在第二个实验中,参数的值保持不变,该算法利用步长适应模式。相比距离误差的图在图(15日)距离误差的值,如图15 (b)增加更多的逐渐随着曲率的增加从0.006到0.015。这表明减少相当大的错误当遇到高度弯曲的船只的距离。尽管没有达到显著减少定位误差值的第二个图,比较相应的图表表明,斜坡之间的步长适应模式降低了船舶的跟踪算法的灵敏度曲率和提高其几何复杂结构的鲁棒性。

验证步骤大小适应模式
然而,这种改进的代价获得更多的散度的狭窄导致快速的血管直径的变化。散度的定义是一个条件,该算法产生的中心线覆盖不到60%的地面真理中心线。评估的能力跟踪算法在提取中心线的严重狭窄,我们测量算法的成功率的平均数量的中心线点中心线估计有一个对应点在地面真理中心线为不同值的百分比在血管狭窄组4和5。
在图16,该算法绘制的成功率与狭窄百分比两适应模式。在第一个模式,只有半径自适应和不适应用于计算步长两个半径,而在第二模式和步长自适应计算船的宽度的一半。可以得出的结论是,使用自适应模式的缺点计算步长出现困难应对突然的变化的容器直径附近严重狭窄,血管狭窄百分比90%以上。

3.6。性能评价实验结果

评估的准确性和鲁棒性中心线提取算法,进行了两个实验对该算法及其三个行之有效的同行:太阳算法(10],Aylward算法[17),和徐提出的算法等。8]。

在徐等提出的方法,计算船舶方向基于几何拓扑信息的加权组合从太阳获得的算法和强度分布信息从Aylward海赛矩阵计算的方法获得的。这种组合是通过调整权重因子的范围是。因此,跟踪方向完全取决于几何方向的时候和跟踪算法变得非常类似于太阳的算法;而跟踪方向完全取决于强度方向,黑森特征向量,和跟踪算法Aylward变成了类似的算法。许等人建议更准确的结果可以通过改变权重因子到0.5。因此,我们实现了该算法由徐等人相比,我们的方法与其他三种方法通过设定参数为0,0.5,1。其他参数表中列出2。

第一个实验的目的是评估算法在提取中心线的准确性临床冠状动脉血管的图像。在第一步中,该种子点检测算法被用来提供一个平等的种子点的跟踪算法进行验证。最优参数值是用来设置种子点检测算法。考虑到种子点进行验证,该算法和三个现有的算法被用来跟踪动脉临床数据集的图像的中心线。原始图像和跟踪输出使用不同算法在一个小区域的一个例子血管造影图所示17。

可以清楚地看到,该算法优于早期解决方案的跟踪输出的准确性。根据输出,太阳算法明显被外围形象工件而Aylward算法无法跟踪高度弯曲段。同时,输出从徐的算法获得相当准确。这可以归因于利用几何和灰度强度的方法估计船的方向。然而,它包含分钟遇到分支小偏差。

图18说明了数据的平均差异衡量所有临床图像在不同的磁盘半径值。注意到,该算法优于反对者最值的。例如,该算法的平均差异计算大约是0.88像素大约0.1像素小于,徐的算法在同一磁盘半径。这可以归因于这样一个事实,与现有的方法相比,提出的跟踪算法使用健壮的特性来确定下一个点的位置,从而对强度的变化不太敏感,光照变化,图像构件增加估计和地面真理中心线之间的差异。

在图19,一致性测量的平均值在所有临床图像绘制算法和其对手。根据图表,Aylward最低一致性数据磁盘半径的值。这是由于忽略了动脉的几何特征估计下一个点的位置导致高的估计误差。块对应于其他算法运行几乎接近对方。然而,一个更精确的观察显示,预期,太阳的算法由徐等人提出的算法优于所有磁盘半径的值。这种优越感来自利用估计该船的优点基于海赛矩阵特征值和特征向量的方向。虽然徐的算法算法竞争占主导地位的最高价值观一致性测量的两个值的磁盘半径resp(26%和60%),该算法表现出一致性测量的平均增长5%。例如,平均测量获得的82.1%是徐的算法相比,算法在88.8%的记录。通过考虑一个事实,即一致性测量有两个因素,即跟踪输出的精度和完整性,这个改进可以更完整的跟踪结果或更高的召回相关值获得了该算法在高值的磁盘半径。

第二类由实验来评估算法的鲁棒性不同数量的脉冲噪声。算法的鲁棒性是衡量计算算法的成功率越来越多的噪音是添加到合成图像。泊松噪声模拟了高斯白噪声方差已知的范围。在这个实验中,噪音逐渐添加到合成图像,这样产生的信噪比下降20 dB 10 dB。

正如前面所提到的在这一章,算法的成功率是指真正的血管中心线的比例,可以追踪的算法没有过早终止。图20.展示了不同的算法以应对越来越多的噪音导致跟踪算法发散和终止前实际船段完全跟踪。

作为显示在图20.,Aylward算法成功率最低高信号噪声的图像,即信噪比≥20分贝。相比之下,其他竞争对手几乎完美的成功率(至少94%)在相同的信噪比的范围。通过增加数量的噪音,太阳的算法的成功率大幅下降,从93%左右在信噪比= 20分贝大约69%在信噪比= 16分贝,达到9%的底部图像信噪比最低(10 dB)。有趣的是,徐的算法的成功率太阳算法遵循相同的模式。然而,平均而言,提高展品几乎10%的成功率低质量图像。它可以清楚地看到,在加性噪声值较高的图像,Aylward算法产生的成功率比两个太阳和徐的方法。同时,它可以观察到所有现有算法发散,如果信噪比低于16分贝。对提出的算法获得的数据显示,该方法优于现有算法的固有噪声的鲁棒性血管造影图像。这个实验的结果表明,该跟踪算法获得约33%对现有方法的改进算法的成功率在处理低质量图像。

4所示。结论和未来的工作

所有这些观察让我们得出这样的结论:估算船舶方向基于海赛矩阵的特征值和特征向量的结果改进跟踪算法的鲁棒性。另一方面,利用几何特征评估动脉段的中心线的位置点导致获得更准确的结果。似乎可能有前途的结果该算法将结合上述方法的优点,避免了现有方法的局限性在处理高度弯曲段和突然变化的动脉血管直径的病变。相对绩效评估的结果表明,根据预期,该方法取得了显著提高跟踪算法的准确性。令人惊讶的是,该算法被发现是非常健壮的图像噪音比现有知名的方法。这使得该算法更适合从固有的噪声数据特征提取和定量分析冠状动脉在实际的应用程序。在未来,我们计划进行全面研究利用不同的种子点检测算法的影响在整个中心线提取方法的性能。

承认

作者要感谢医务人员医院的心脏科HUKM马来西亚的支持数据收集工作。