文摘

脑血管分割是至关重要的,有助于临床诊断和相关研究。然而,大脑血管自动分割变量仍然是具有挑战性的,因为船船舶和高复杂的几何形状。本研究提出了一种新的活动轮廓模型(ACM)由水平集方法实现从TOF-MRA数据分段船舶。新模型的能量函数,结合区域强度和边界信息,由两个区域,一个边界项和一个惩罚项。全球低阈值代表灰色边界目标对象的最大强度投影(MIP)中定义的第一项,并用于指导厚血管的分割。在第二项,动态强度阈值是用来提取小血管。边界项是用于驱动轮廓演化向边界高梯度。惩罚项是用来避免仅水平集函数。临床大脑10日实验结果数据集证明我们的方法不仅能够实现骰子相似系数优于基于全局阈值法和局部混合水平集方法还能够提取整个大脑血管树,包括薄的血管。

1。介绍

大脑血管疾病已经成为主要的动机头晕、残疾,甚至死亡在许多国家在世界各地,和血管的研究引起了关注。大脑血管结构的分割是重要的临床诊断和分析。在医学图像处理领域,细分意味着从原始数据提取感兴趣的解剖结构1,2]。因为低对比度图像、边缘模糊和结构复杂的大脑血管,准确分割仍然是一个挑战性的任务,值得研究3,4]。

在过去的几十年里,大量的血管分割方法被提出,包括atlas-based技术(5- - - - - -10),机器学习技术(11- - - - - -14,活动轮廓模型(ACM) [15,16]。全面审查可以指在勒等人的工作17]。在这些技术中,ACM已广泛应用于医学图像分割,因为它简单的可扩展性。ACM基于几何曲线演化理论的基本思想,技术是最初的曲线或曲面演化到目标对象的边界由内力和外力(18]。主动轮廓可以隐式地提出的水平集方法,使得原始曲线到高维空间研究和实现数值计算欧拉方法(19]。

ACMs系统使用水平集配方有各种形式的表达式,并分为三大类:edge-based,提出和混合水平集模型。edge-based模型中,边缘通常首先生成一个边缘检测算法,然后利用后处理调整最后的边界(20.]。典型的edge-based模型是测地线活动轮廓模型(21]。结合了主动轮廓模型与测地距离的计算曲线,它允许把古典蛇基于能量最小化和基于几何活动轮廓曲线演化理论。

(即一个方法使用一个新指标。,salient edge energy) to guide a given contour robustly and accurately towards the target object boundary was proposed by W. Kim and C. Kim [22]。他们定义突出边缘能量利用上的高阶统计信息扩散空间和嵌入到一个变分水平集函数。但edge-based模型对噪声敏感和寻求oversegment图像。

提出的模型是建立在使用像素之间的相似图像形成均匀的地区(20.]。Mumford-Shah (m)模型是典型的技术,它取决于定义函数基于图像边缘梯度停止活动轮廓曲线的演化过程。当轮廓曲线接近目标对象的边界,梯度较高的价值,导致边缘函数更接近零,进化曲线停止在边界的位置23]。

基于m模型,成龙和Vese提出著名的C-V模型(24]。C-V模型可以检测对象的边界并不一定由梯度定义的,因为能量函数中定义的停止词取决于图像的梯度,而是与特定的图像的分割。此外,作者给出一个数值算法使用有限的差异。基于C-V模型,田et al。25)提出了嵌入当地强度加权向量场和一个船到船活动轮廓模型。然而,模型需要改进,以便更好地匹配段三维血管。在这些方法中,至关重要的是重新初始化水平集函数,让它接近签署距离函数(26]。然而,周期仅是耗时的,很难防止水平集函数太陡或平在进化27]。为了解决这个问题,李et al。28)提出了一种通过嵌入方法惩罚的惩罚项偏差签署了距离函数的水平集函数的能量函数。

将提出的方法与其他信息相结合,说(29日]提出了一种健壮level-set-based多区的和纹理图像分割方法。Zhang et al。30.]提出了一种方法来将交互指定地区的利益与用户交互的活动轮廓模型,同时保持到最低限度。Sciolla et al。31日)提出了一种多栅的水平集分割方法的基础上提出功能,车辆疾驰的距离。江et al。32)混合使用水平集方法以非线性速度函数从大脑中提取大脑MRI体积。赵et al。33)开发了一种MIP-guided大脑血管分割方法。他们第一次投影到二维平面上,量应用集成的活动轮廓模型从MIP图像中提取血管,然后投射回3 d体积。该方法显示出令人满意的分割结果。然而,他们的方法是有点复杂和几个投影和投影操作。

在这项研究中,我们提出一个ACM由水平集方法实现为了从TOF-MRA数据段大脑血管结构。我们认为该地区信息和边缘信息和把它们描述的能量函数。使用一个固定的灰色阈值在该地区代表全球信息。此外,我们将自适应动态阈值嵌入到我们的模型来描述局部区域信息,这有利于段更加集成的船只。为了避免重新初始化水平集函数在每个进化,李等人提出的惩罚项扩展到3 d和应用到我们的模型中。

本研究的组织如下。节2中,我们将介绍相关工作。节3,该分割方法被描述。实验验证和讨论部分4。部分5总结了纸。

2。相关的工作

考虑两个区域信息和边界信息,结合他们描述能量函数对复杂对象的分割是一个好主意。Zhang et al。34提出了一种混合水平集(即。,HLS) method for segmentation of medical images. They use preset的低灰度值代表目标对象来代替和在该地区的传统C-V模型,应用测地线活动轮廓模型代表的边缘。最小化能量函数的定义是定义为 在哪里是图像分割,是图像领域,和权重因素平衡第一项和诺伊曼边界项,和水平集函数的零水平集吗代表了活动轮廓。是亥维赛函数定义为

参数是代表低预设灰色边界分割的对象,这意味着它将与灰色高于提取对象。然而,由于的价值是固定的,它不能适应船舶的强度分布广泛,尤其是对那些小薄的。

为了解决这个问题,香港等。35提出了一种局部混合水平集(即。,LLS) method for the segmentation of 3D vessel images, and they calculated locally specified dynamic threshold表明下界的目标对象和嵌入当地灰色信息进入该地区。定义函数是 在哪里是一个调整系数对预防目标区域内的活动轮廓停止进化到达边界,然后呢是高斯核函数描述血管横截面的强度资料,如 用于卷积与图像检测的主要血管。通过使用动态阈值中定义的(3),该方法可以部分的微小血管更好,但它可能失去一些厚的部分由于动态强度信息制定限制。

以任何方式,上述两种方法都有各自的优点和缺点。前预设价值驱动轮廓与灰度值大于附上厚容器边界,但它不能很好地运行在小血管。后者与动态价值能更好地处理微小血管但不完全提取粗血管。因此,在我们的研究中,我们充分利用这两种方法。与此同时,我们也扩展李等人提出的惩罚项。28从2 d细分到3 d应用程序和嵌入到能量函数签名距离函数的特点。

3所示。提出的方法

3.1。能量函数的定义

解决3 d脑血管分割,我们提出一种新的混合(即水平集模型。灵感来自科模型)模型(34,35]。血管段更多的积分,我们把动态值到原始混合模型,提出了能量函数定义如下: 在哪里是3 d体积数据分段,数据域,将基于目标对象的低灰度边界,然后呢根据计算(3代表当地的阈值)。

在(5),四个方面扮演不同的角色。第一项代表了全球地区信息驱动活动轮廓曲线接近的地区更大的强度比。第二项是用于表示局部区域的信息自适应调整阈值部分当地的小部件。第三边界条件的作用相当于测地线活动轮廓模型,它鼓励轮廓曲线附上图像梯度高的地区。参数和用于平衡两个地区条款和一个边界。和第四项是惩罚项是一个预设参数的偏差控制惩罚的效果从签署的距离函数,是惩罚项,以避免重新初始化在进化过程中,它被定义为

相关PDE可以来源于梯度体面流应用于功能(5):

3.2。实现

边缘函数代表了正规化渐变映射用于测地线活动轮廓和非线性扩散相关图像的边界特征。在这项研究中,被定义为

函数是亥维赛函数和原始函数不是连续;因此,它不能适应光滑边界曲线的实际对象。为了解决这个问题,通常使用一种光滑函数来替换原来的。有各种各样的提议亥维赛函数的光滑的类型。我们采用亥维赛光滑函数遵循: 和相应的狄拉克函数的定义是 我们使用上面的计算和取代原始和在(2)和(7),分别。

考虑到惩罚项(7),是拉普拉斯算符, 有因素扩散速度。如果扩散率是正的。如果扩散率是负的。

方程(7可以简单地写成) 在哪里和表示水平集函数在和迭代,分别预设时间步,是全球地区,是当地的术语,是边缘词,是惩罚项。它需要说明是一个固定值决定的吗我和不相关的。,也可以表示为,,,它们的影响。差分方程(12)可以表示如下:

迭代的来包括五个步骤:(我)计算动态局部阈值根据(3)。(2)计算惩罚项P的(6)。(3)计算。(iv)更新来使用。(v)更新来使用,这是通过semiexplicit方法。事实上,我们还可以使用显式的方法来获取直接,扮演同样的角色使用显式的方法。然而,显式方法有局限性的时间步骤,他们需要设置时间步长小的稳定方法。如果我们使用显式方法,也许设立小的时间步骤确保进化过程中保持稳定,从而导致耗时的过程(36]。因此,我们选择semiexplicit方法。

地址有一个额外的问题是设置初始水平集曲线。在这项研究中,我们应用Frangi的血管增强算法到原始数据,然后实现精明的检测得到的模糊边界的船。边界曲线作为初始曲线。通过这种方法,它可以确保每个进化是船周围地区,提高效率。

3.3。离群值Removement

由于一些nonvessel点的强度值非常接近的船点,一些nonvessel点(即。在分割结果中,异常值)存在。为了消除异常值点周围血管尽可能多的,我们需要考虑血管的形状特征。

海赛矩阵的特征值被成功地用于血管增强[37]。对于一个3 d体积,我们假设海赛矩阵的特征值排序。理想的管状结构在一个3 d体积 此外,在MRA的图像,事实是,船结构比背景和Frangi的血管增强算法利用海赛矩阵的所有特征值,也可以考虑完全特征值代表的几何特征和抑制无关的点血管的影响。他们定义两个几何比率,,年代分别为 在哪里得到最大团的结构,区分从线结构平面结构,因为在后者的情况下这将是零,和年代是衡量区分背景将是缓慢的,因为背景特征值很小。根据这三个参数,Frangi等人定义一个vesselness函数结合这些组件如下: 在哪里,,阈值的3 d vesselness函数用于控制血管增强滤波器参数的灵敏度,,。

作为当地的多尺度eigenanalysis黑森运营商可以提高当地棒状形状不同的半径。vesselness函数的值在0和1之间。如果对象是管状结构,vesselness函数接近1。对于一个理想的管状结构,。注意到,当第二学期(16)约等于1。然而,当第一项的值(161)有轻微的差距。为了使大约等于1,我们利用函数。当方法正无穷约等于0,所以呢比以前更接近于1。因此,为了提高管状结构在更大的程度上,我们修改了vesselness函数如下:

考虑一些可用的信息,可以帮助消除噪音可能会丢失在分割的过程中;因此,该算法首先使用到原始数据获取增强容器的结构,而不是直接应用到分割的结果。然后,我们使用该船结构指导nonvessel例外点的消除过程分割结果。

4所示。实验结果和讨论

实验提取大脑血管进行10日TOF-MRA数据集从海军总医院获得。4组数据(数据1,2,3的数据,4)和数据分析的大小体素的分辨率,和一片厚度1.2毫米。实验在计算机上实现与英特尔®核心™i5 - 4590 CPU 3.30 GHZ CPU、12.0 G RAM, Windows 7操作系统。使用的参数如下:。

4.1。比较和HLS模型

作为数据1(一)和1 (c)建议,TOF-MRA敏感脂肪组织将快门血管。头顶上的一圈点介绍了分段卷由于类似的组织和血管之间的强度值。消除他们,体积是处理一个自动连接过滤器。我们第一次执行Frangi的血管增强方法在原始查看数据。然后,我们保留在我们的分割结果,然后开始区域增长算法获得的第一步使用容器连接。数据1 (b)和1 (d)目前的结果应用这样一个过滤器来接拍的模型后,我们科模型。

所有三种方法都尝试了10个数据集。图中描述了三个测试的结果2。第一列的数字2显示了MIP图像。第二列显示了通过HLS模型分割结果。第三列显示了分割结果通过接拍的模型。最后一列显示了分割结果由我们科模型。

至于HLS模型,通过直方图的分析数据集,我们注意到大脑血管结构的强度值大约是高于200。但是,存在差异的不同部分船只,并对其中的一些强度值可能会在150年和200年之间。在我们的实验中,我们设置低强度值的三个水平集方法是200;将提取血管与强度高于200和那些低于200将不会被提取。分割结果第二列所示。

如我们所见,大脑血管结构的分割结果并不理想,只有提取大量的动脉血管结构但失去许多微小血管分支。在这种方法,关键参数预定义的是200这意味着它无法提取小分枝强度低于200。另一方面,预定义的是一个全球性的阈值;然而,强度值不同的血管分支是不均匀,有一些差异。因此,至关重要的是要考虑当地的特性。

至于接拍的模型,这是一个改善HLS模型代替预定义的方法与动态、动态是当地阈值自动计算。的定义是通过高斯核函数建模血管横截面的强度。偏差3.24高斯内核是在我们的实验。分割结果在第三列。

注意到,第二种方法的分割结果可以提取不仅厚的动脉血管结构,而且小分支。一方面,因为血管分支是非常复杂和强度不均匀性发生在船舶结构、阈值动态计算能更好地描述血管的局部信息。另一方面,使用动态阈值代表着下界的船只可以考虑更好的区域信息,分割结果比原来的积分。

HLS,然而,相比之下,厚的血管提取的区域在那不亮,这意味着厚血管的分割结果不集成。模型前以来的缺陷引起更多关注当地和微小的信息,忽略了一些全球信息,和分割结果包括一些无关紧要的点具有相似的强度值的血管周围的血管。

该方法在本文的灵感来源于HLS模型和模型。其结果是在最后一列。我们的模型结合全局阈值和局部阈值信息。我们分析数据的柱状图,发现船舶的强度值大约是高于200;因此,我们设置全局阈值200这意味着它将提取目标区域与强度值大于200。通过嵌入全球阈值能量函数,我们定义和提取厚主要动脉血管结构更好。此外,我们想象一个动态阈值通过高斯核函数的作用,用于描述当地船舶强度信息。局部阈值分割小船只从背景更完全。

为了突出我们的方法的优点,图31的数据提出了一些细节。分割结果第一行,第二行和第三行相对应的空间细节放大到本地区域(标有蓝色的框)。HLS模型的细节显示,结果失去了很多周围的树枝,接拍的模型部分细小分支,但分支不是连续的。最后一列是由科分割结果中提取这些分支,与此同时,更多的集成。此外,厚结构中空的分段通过接拍的动态阈值,和我们的方法可以解决这个缺陷。

除了目视检查,我们也评估使用骰子的分割精度相似系数(DSC),一种广泛使用的度量评价分割算法对不同的医学图像模式(38]。放射科医生被邀请段四组查看数据,和分割结果作为地面真理。我们分别计算结果的体元数据分割到HLS,那样,我们科模型和体素的数量相应的地面真理。DSC的定义是 在哪里米和G分割结果和地面真理和吗N体素数量。和表示集合的基数。值1时和相等和0时他们不共享任何体素。

图4总结了三种方法的平均DSC。可以由图3观察4。首先,DSC通过我们的方法是大多数情况下超过80%。这可能是因为部分船并不强调由于血管疾病导致空间域体素之间的断开。第二,我们的平均DSC方法比前高29.7% ~ 44.8%。我们认为主要是由于不理想分割主要厚的血管。第三,我们的平均DSC方法是22.1% ~ 33.9%高于HLS方法。我们相信HLS模型的表现不佳主要是由于静态强度阈值。虽然我们可以手动为进化选择最合适的阈值,它仍然是具有挑战性的区分低对比度血管与背景。

4.2。参数敏感性分析

上述实验的相应参数,。其中,三个参数,,有更多的对分割结果的影响。参数和权重系数的两个地区,他们之间的角色平衡全球灰度和当地的信息。通过我们的测试,什么时候=,这意味着这两个地区扮演相同的角色,我们的分割结果更好。测试1的数据如表所示1。关于,我们在[参考时间步的选择28],认为进化的速度和错误的边界位置,得出结论:时间步通常小于10。在我们的实验中,如果时间步长较大,可以加快进化;然而,存在更多的nonvessel点的分割结果,从而影响精度。是一个权衡,适合本研究。

5。结论

我们引入了一种新的混合方法的大脑血管自动分割基于活动轮廓模型。联合能源的静态和自适应动态内核在水平集框架允许提取厚和薄的血管。我们评估方法10日数据显示,大约有80%的DSC是必需的,和方法执行相对优于其他两种算法。我们未来的工作包括加速度当前的方法,进一步通过血管间识别精度提高。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项工作是由美国国家科学基金会支持的中国(批准号61472042),北京自然科学基金(批准号4152027和4152027),中央大学基础研究基金(没有。2015 kjjcb25),新世纪优秀人才计划的大学(ncet - 13 - 0051)。