冠状动脉造影图像分割和自动识别的脉管系统

文摘

冠状动脉造影是诊断的“金标准”冠心病、血管分割和识别技术的重视。然而,由于冠状动脉造影图像的特点,如冠状动脉的复杂多变的形态结构和各种因素造成的噪声,在这些研究中有很多困难。为了克服这些问题,我们设计一个预处理方案包括块匹配和三维滤波,钝的掩蔽,contrast-limited自适应直方图均衡化和多尺度图像增强来提高图像的质量,提高血管结构。为了实现船舶分段,我们使用C-V模型提取血管轮廓。最后,我们提出了一种改进的自适应跟踪算法实现血管骨架的自动识别。根据我们的实验,可以成功的血管结构突出,背景是克制的预处理方案,船的连续轮廓提取C-V准确的模型,和验证,提出了跟踪方法相比具有更高的准确性和更强的鲁棒性与现有的自适应跟踪方法。

1。介绍

心血管疾病是目前公认的最重要的一个慢性疾病导致人类死亡。近年来,心血管疾病的发病率和死亡率不断增加,各种疾病中排名第一。冠状动脉造影(CA)是一种常见的和有效的方法诊断冠心病。它被认为是“黄金标准”对冠心病的诊断和广泛用于临床诊断(1]。

正常情况下,人体动脉和血管x射线下看不到。然而,通过将x射线不受物质注入到冠状动脉,然后与x射线辐射冠状动脉区域,动脉和血管可以可视化。决定治疗方案,医生需要找到的位置和程度的冠状动脉狭窄的基础上自己的形象。然而,通过这种方式,大量的重复性工作和主观的错误是不可避免的。因此,是大有好处的发明技术细分和识别血管造影。出于这个原因,许多学者提出了各种方法。

多年来,图像分割是图像处理的主要之一。到目前为止,许多分割技术提出了船舶。根据这两个特征之间的不连续区域和地区内相似,我们可以将血管分割技术分为三种类别:boundary-based分割技术(2- - - - - -8[],提出分割技术9- - - - - -11),和技术结合特定理论和工具分割(12- - - - - -15]。Sahoo et al。16)采用最大熵法和灰度阈值最大化熵与最优分割阈值。佐藤et al。17)构建了一个多参数相似性函数提高船舶通过分析海赛矩阵的特征值的性质球形,管状和片状结构在一定的规模。基于简化Mumford-Shah模型和水平集的想法,陈和Vese18)提出了一种新的活动轮廓模型C-V进化曲线通过能量函数的最小化。最近,深度学习的方法也被广泛应用于船舶领域的分割。例如,陈等人。19]训练3 d U-Net执行三维血管分割,取得了分割精度高。

此外,人们研究了多种血管识别方法,如multiscale-based方法(20.- - - - - -24)和tracking-based方法(25- - - - - -29日]。在这些方法中,tracking-based方法已被证明是非常有效的。它可以检测冠状动脉血管造影的信息基于当地的响应没有扫描整个图像。冠状动脉的过程中提取,提取结果不稳定是由于手动设定种子点。针对这个问题,肖et al。30.)提出了一个基于脊点种子点自动采集方法检测。这些脊点作为种子点自适应跟踪中心线的冠状动脉。Aylward和布利特26)提出了一种多尺度空间中心线基于脊检测跟踪算法,它使用海赛矩阵的特征值分解提取山脊。然而,由于限制在算法设计和图像质量较低的影响,噪音,等等,这些方法的准确性和鲁棒性仍有改进的余地。

我们的主要工作和贡献如下:首先,我们设计了一个预处理方案来提高图像的质量,提高血管结构。然后,我们使用了C-V模型来实现分割。最后,我们提出了一种改进的自适应跟踪算法实现血管骨架的自动识别,取得更好的效果比原方法根据我们的实验。

本文组织如下。节2介绍我们的图像预处理方案。部分3描述了活动轮廓模型提取血管轮廓。部分4描述的细节我们提出了改进的自适应跟踪方法。部分5介绍了测试的分析和实验结果的鲁棒性和准确性的方法。最后,结论部分6。

2。图像预处理

冠状动脉的复杂和多样的配置结构,噪声引起的各种因素,工件由心脏的跳动,码头船舶和低对比度使精确分割非常具有挑战性。因此,冠状动脉造影图像提取冠状动脉结构之前,应该预处理提高血管结构和抑制背景噪音。在这篇文章中,块匹配和3 d过滤(BM3D) [31日)用于有效地过滤掉噪音。不清晰的掩蔽(嗯)32),contrast-limited自适应直方图均衡化(CLAHE), (33和多尺度图像增强34)是用于提高图像对比度和突出的血管结构。

2.1。块匹配和3 d过滤

BM3D是一个三维块匹配算法主要用于在图像降噪。首先,通过块匹配的分组技术,基于相似性的图像碎片被分组,并集成到一个三维矩阵。然后,过滤是在每一个片段组完成的。最后,图像转换回其二维形式和所有重叠图像片段weight-averaged确保它们过滤噪声又保持其独特的信号。该算法可以有效地去除图像噪声。

2.2。不清晰的掩蔽

嗯算法的主要过程如下:首先,钝化模糊图像生成的低通滤波后的原始图像。获得的图像与高频组件是减法的原始图像和模糊的图像。最后,高频放大图像与原始图像与一个参数和叠加;也就是说,一个图像生成与增强的边缘。具体算法步骤如下:(1)生成平滑的结果: 在哪里 代表着灰色的像素 , 代表着灰色的像素 低通滤波后,生成图像的高频分量(2)钝化模板添加到原始图像以一定比例: 在哪里放大系数和吗生成的图像增强的边缘

2.3。Contrast-Limited自适应直方图均衡化

自适应直方图均衡化的变种,CLAHE方法限制了对比减少过度放大噪声放大。在CLAHE,对比放大附近的一个给定的像素是由变换函数的斜率,也就是正比于附近的累积分布函数的斜率(CDF),因此直方图的值。剪裁CLAHE限制了放大的直方图在一个预定义的值计算CDF。这限制了它的斜率,因此转换的功能。有利的是不要抛弃直方图,超过的部分剪辑限制但重新分配它同样在所有直方图箱。剪切过程中柱状图如图1。

2.4。多尺度图像增强

Frangi et al。34)提出了多尺度增强方法基于图像的海赛矩阵。在这种方法中,特征值之间的关系,海赛矩阵的特征向量,利用血管结构的取向,结合多尺度理论。然后,在冠状动脉造影发现血管结构通过构造一个适当的血管相似的功能。目前,该方法已经成为最常用的多尺度增强的方法。

建立血管相似函数如下: 在哪里和是两个海赛矩阵的特征值, , 是一个图像中任意点,尺度参数, , ,和是血管结构增强因子,它是用来区分的球状结构的管状结构;海赛矩阵是一种常态;和 , ,和控制的整体平滑线性对象。

当比例因子的宽度是一致的管状结构,过滤的结果吗 得到的最大价值。通过迭代规模参数 ,的值 得到不同尺度下值,最大值作为实际的输出点 : 在哪里和的最小值和最大值大小血管结构,分别。

3所示。血管分割

在本节中,我们将引入活动轮廓模型中提取血管冠状动脉造影图像的轮廓。

Kass et al。35)提出了活动轮廓模型(ACM)。该方法将图像分割问题转化为求解一个能量最小化问题。轮廓曲线的边缘血管当能量函数达到最小值。活动轮廓模型主要分为edge-based和提出根据不同施工方法的能量函数。ACM的最突出的优点是其抵抗强大的噪音。

C-V模型(18,36,37)是一个代表提出活动轮廓模型。具体算法步骤如下:(1)提出了能量函数: 在哪里 代表平均的内外区域的灰度值曲线 ,分别;代表封闭曲线的长度 ; 代表的内部区域的面积 ;和 能量函数的代表物品的重量。(2)介绍了水平集方法,集 作为一个符号距离函数正,负,0代表里面,外面,在曲线上 ,分别为:

介绍以下和功能:

重写能量函数水平集方程: 在哪里和C-V迭代参数的模型,他们的价值观影响的进化速率曲线 。当曲线包含分割目标,内部的同质性曲线较低;因此,有必要扩大加速的发展曲线到目标,反之亦然。(3)能量最小化问题可以通过最小化解决水平集方程迭代

C-V模型最小化能量函数来获取曲线演化方法的边缘血管和最后部分目标。与其他方法相比,它具有更好的对连续梯度的影响。

4所示。改进的自适应跟踪

在本节中,我们将提出一种改进的自适应跟踪方法,更健壮,更少的错误判断的跟踪过程中,自动提取骨架的冠状血管。

4.1。脊点检测

脊点检测是很重要的种子点的选择、血管跟踪和检测的分歧点。脊点当地的灰色最大点的二维图像。多尺度增强后,血管的脊点通常位于最大值点垂直于血管的方向。图像中的局部极大点的梯度为零,和海赛矩阵是负的(38]。由于图像像素的坐标都是整数,根据线性插值的原理,如果这一点 满足下列条件: 在哪里 灰色梯度的点吗 和 海赛矩阵的特征值点吗 ;然后, 可以被认为是一个局部最大值点,像素 ,作为其近似解,被定义为一个脊点。

脊点可能低估了由于图像噪声分布不均造成的造影剂和其他因素。因此,灰色的阈值是用来屏蔽这些误判脊点。该方法可以有效地去除大部分的脊点以外的血管。

4.2。跟踪过程

跟踪算法从一个种子点,逐步追踪的容器,提取血管骨架。我们随机选择种子点的检测脊点。

最初的跟踪方向可以从周围的灰色信息计算种子点。根据(38),以种子点为中心,寻找灰色的最大值点圆的半径 。 是第一个点的跟踪,提出初始跟踪方向和角度可以表示为

在获得远期跟踪方向,我们搜索局部极大点在电弧 集中在相反的方向前方跟踪角 。搜索区域如图2。

最初的向后方向跟踪可以计算为

跟踪从当前点前进到下一个点是该算法的主要步骤。电流跟踪方向的方向是由以前的点当前点 :

跟踪方向确定之后,我们搜索局部极大点在电弧( )并应符合下列条件: 在哪里是灰色的 , 跟踪点的数量在吗 ,和和是两个阈值。第一个条件是防止overtracking船以外的区域,而第二个条件可以避免反复跟踪船和被困在当地的无休止的循环。如果两个条件满足,我们继续追踪 。否则,是船的端点。我们在图说明跟踪过程3。

由于噪声和其他问题上面提到的,一些跟踪点可能偏离中心的船。跟踪点可以通过中心的调整,调整到中心相结合的血管轮廓和跟踪方向的信息。具体步骤如下:的法线船通过电流跟踪方向的垂直方向,找到交集点 法线和血管轮廓;,然后跟踪点可以调整 与此同时,改变跟踪方向来

调整过程如图4。

分岔检测跟踪算法的另一个重要的过程。理想情况下,我们只需要区分两种不同的血管分支血管分叉。然而,在实际跟踪过程中,船分岔的准确位置通常是未知的。因此,分岔检测需要在每个点的跟踪过程。我们提出一个健壮的分岔检测方法。它包括两个主要步骤:首先,获得一个分支点(跟踪点)的跟踪方法,其次,搜索风扇环角之间的区域( , )和半径 找到一个脊点满足下列条件: 在哪里和代表的检测脊点分公司(分支点)及其方向,分别;的分支,在吗 ;和是一个门槛。前三个条件意味着当明显不同于和和之间的距离和足够大,新分支与前者有很大差距分支。最后表明条件应该小于与现有的跟踪,以避免重复。如果所有的条件都满足,检测作为分岔点和我们继续跟踪分支血管。分岔检测的原理图如图5。

此外,跟踪之前,脊图像预处理可以消除分散和分布式脊点,它也可以减少误判的分岔。领域的具体步骤:设定一个阈值 ,数一数每个脊的脊点周围的点 ,,然后删除这脊点如果 并保持它。

5。结果和分析

在本节中,我们将进行几个实验来证明该方法的有效性。所有的图像捕获的冠状动脉造影图像视频数据的提供的齐鲁医院(青岛)。实验上实现一个英特尔酷睿i5 - 8300 h和8 GB内存2019 b处理器使用MATLAB软件版本。

我们精心挑选的参数使用。在多尺度增强,我们集 , ,和0.5、20和(1:10)。在拟议的跟踪方法,设置半径为5像素向前45°跟踪。分岔检测,它需要一个更大的区域搜索;因此,我们设置半径 来 像素,来这可以避免逆向追踪。注意,我们设置其他阈值 ,和来 和 。

三张图片的选择不同的血管结构独立实验,如图6。我们应用这些图像的方法,结果如图所示7。

从图可以看出7,即使图像中的血管结构非常不同,该方法仍然有一个很好的实验效果。从图像预处理(a),我们可以发现图像预处理后,成功的血管结构突出,背景是克制。船的提取轮廓(b)获得血管轮廓准确和完全。改进的自适应跟踪方法(c)是我们工作的核心部分:与原自适应跟踪方法相比的38),这种方法的一个主要的改善是分岔点检测部分。我们改变了原来固定的搜索半径适当的搜索范围,提高检索的能力的分岔,我们用四个条件方程(17)来判断分支点,而不是只使用第一个条件,大大提高了检测精度和降低了误判。结果图中可以看到8。

实现完全自动识别的船只,我们需要测试的可靠性提出了随机选择种子点的跟踪方法检测脊点。把图6 (c)作为一个例子,从不同位置选择三个种子点。实验结果如图所示9。的结果可以看出,该方法具有很强的鲁棒性;也就是说,我们的方法通常适用于自动选择种子点。与此同时,我们的方法比的方法更准确38),这是清晰的图9不同类型的点,我们发现更接近真正的船。

即使我们的方法具有准确性和鲁棒性的改善与前一个相比,仍有一些缺点。例如,不够有效的图像预处理方法对一些图像复杂的血管结构。尽管改进了分岔点的检测方法相比(38),还有一些误判。这种现象可以看到图8 (b)。在一个更复杂的血管结构,跟踪效果随种子点的选择,和一些船段可能会丢失,如图7(c2)。

6。结论

在本文中,我们设计了一个方案,图像预处理,使用C-V模型,并提出一种改进的自适应跟踪方法,我们可以实现分割和冠状动脉造影图像自动识别的船只。在这些方法中,改进的自适应跟踪方法包含我们的重大创新,可以提高识别船舶的能力。此外,我们做了很多实验测试方法,结果证明,我们的方法比前更健壮的和准确的方法。

由于上述的冠状动脉造影图像的复杂性,传统的图像处理方法不够有效。因此,在接下来的工作中,我们将继续优化跟踪算法和图像进行过程研究深度学习取得更好的效果。

数据可用性

支持这项研究的数据是来自山东大学齐鲁医院(青岛)。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Yaofang Liu Wenlong Wan, Xinyue张同样起到了推波助澜的作用。

确认

这项研究得到了国家自然科学基金(11771408和11771408号),山东省重点研发项目(2015号gsf118026),青岛关键卫生学科发展基金,和青岛的民生科技项目(18 - 6 - 1 - 62 - nsh)。

引用

1. 美国z Abildstrøm m·马德森,“丹麦心注册”,斯堪的纳维亚的公共卫生》杂志上39卷7补充,46-49,2011页。视图:出版商的网站|谷歌学术搜索
2. d . Rueckert和p .汉堡”,使用随机轮廓拟合和概率松弛电影图片,先生”计算机辅助放射学卷,137年,第142 - 137页,1995年。视图:谷歌学术搜索
3. c . Pellot A . Herment m . Sigelle p . Horain h .管家和p . Peronneau”3 d重建血管结构从两个x射线造影使用模拟退火算法适应,”IEEE医学成像,13卷,不。1,48-60,1994页。视图:出版商的网站|谷歌学术搜索
4. a . j . Bulpitt和e·贝瑞”螺旋ct的腹主动脉瘤:比较与自动分割三维可变形模型和交互式分割,“医学成像1998:图像处理,1998年。视图:谷歌学术搜索
5. d . Rueckert p .汉堡,s m . Forbat r·d·Mohiaddin和g . z杨”自动跟踪的主动脉心血管图像利用可变形模型,先生”IEEE医学成像,16卷,不。5,581 - 590年,1997页。视图:出版商的网站|谷歌学术搜索
6. t .歌曲,彭日成,s, A . Rodriguez-Paton和P .郑”并行图像变得极瘦方法与重量使用P强化神经系统,”神经处理信件,50卷,不。2、1485 - 1502年,2019页。视图:出版商的网站|谷歌学术搜索
7. r·托莱多x Orriols, p . Radeva et al .,“Eigensnakes在造影血管分割”诉讼15国际会议模式识别。icpr - 20002000年9月、西班牙的巴塞罗那。视图:出版商的网站|谷歌学术搜索
8. n . Armande p蒙特西诺斯,o .《艋舺》和g . Vaysseix“瘦网提取使用多尺度方法,”计算机视觉和图像理解,卷73,不。2、248 - 257年,1999页。视图:出版商的网站|谷歌学术搜索
9. d·l·威尔逊和j . a .高尚的“大脑血管的分割和动脉瘤血管造影术先生的数据,”国际会议在医学影像信息处理,1997年。视图:谷歌学术搜索
10. j·f·奥布莱恩和n . f . Ezquerra”自动分割的冠状血管血管造影图像序列利用时间,空间和结构的限制,“SPIE-the国际光学工程学会学报》上,2359卷,1994年。视图:谷歌学术搜索
11. Ayala g, t·莱昂,诉Zapater”不同的模糊集与应用程序的平均血管分割、”IEEE模糊系统,13卷,不。3、384 - 393年,2005页。视图:出版商的网站|谷歌学术搜索
12. s . a·斯坦斯菲尔德“ANGY:基于规则的专家系统进行自动分割的冠状血管数字减去血管造影检查。”IEEE事务模式分析与机器智能,PAMI-8卷,不。2、188 - 199年,1986页。视图:出版商的网站|谷歌学术搜索
13. j·k·Udupa和美国Samarasekera模糊连通性和对象定义:理论、算法和应用在图像分割中,“图形模型和图像处理,卷。58岁的没有。3、246 - 261年,1996页。视图:出版商的网站|谷歌学术搜索
14. 美国Shiffman、g·d·鲁宾和y Napel,“半自动的脉管系统的可视化编辑计算机断层扫描部分”SPIE-The国际光学工程学会学报》上卷,2707年,第151 - 140页,1996年。视图:谷歌学术搜索
15. t .歌曲,x曾庆红,P .郑m .江和A . Rodriguez-Paton”并行工作流模式建模与彩色峰值使用P强化神经系统,”IEEE纳米生物科学,17卷,不。4、474 - 484年,2018页。视图:出版商的网站|谷歌学术搜索
16. p . Sahoo c·威尔金斯和j·伊格尔,“使用Renyi熵的阈值选择,”模式识别,30卷,不。1,第84 - 71页,1997。视图:出版商的网站|谷歌学术搜索
17. y佐藤,美国只是:Shiraga et al .,“三维多尺度线滤波器在医学图像分割和可视化的曲线结构,”医学图像分析,卷2,不。2、143 - 168年,1998页。视图:出版商的网站|谷歌学术搜索
18. 洛杉矶Vese t·f·陈,“一个多相水平集图像分割框架使用芒福德和沙模型,”国际计算机视觉杂志》上,50卷,不。3、271 - 293年,2002页。视图:出版商的网站|谷歌学术搜索
19. 陈x, y, j .白et al .,“训练3 d U-Net段颅脉管系统在没有人工注释的CTA体积,”2018年IEEE 15日生物医学成像(2018位ISBI)国际研讨会华盛顿特区,页559 - 563,美国,2018年4月。视图:出版商的网站|谷歌学术搜索
20. o .眨眼,w . j . Niessen和m . a . Viergever“多尺度船舶跟踪”IEEE医学成像,23卷,不。1,第133 - 130页,2004。视图:出版商的网站|谷歌学术搜索
21. m . Sofka和c·v·斯图尔特“视网膜血管中心线提取使用多尺度匹配过滤器、信心和边缘的措施,”IEEE医学成像,25卷,不。12日,第1546 - 1531页,2006年。视图:出版商的网站|谷歌学术搜索
22. d .张c . Wang和s .周”的血管中心线提取新方法基于open-snake 3 d CT冠状动脉造影,”2015年专业生物医学图像和信号处理国际会议(2015年ICBISP)2015年,北京,中国。视图:出版商的网站|谷歌学术搜索
23. P . t .歌曲,l .锅t . Wu郑,m·l·d·黄和a . Rodriguez-Paton“强化神经P系统有学习功能,”IEEE纳米生物科学,18卷,不。2、176 - 190年,2019页。视图:出版商的网站|谷歌学术搜索
24. d . Barbuzzi马萨罗,a . Galiano l . Pellicani g .皮尔洛和m . Saggese“多域智能文档图像检索系统,”国际期刊的自适应和创新系统,卷2,不。4、282 - 297年,2019页。视图:出版商的网站|谷歌学术搜索
25. c . Kirbas和f·奎克先生,”回顾船舶提取技术和算法”,ACM计算调查,36卷,不。2、81 - 121年,2004页。视图:出版商的网站|谷歌学术搜索
26. Aylward s r e·布利特,“初始化、噪音、奇异性和规模高脊管对象遍历中心线提取,”IEEE医学成像,21卷,不。2、61 - 75年,2002页。视图:出版商的网站|谷歌学术搜索
27. f . Zamani Boroujeni, r·w·o·k·马特·n·穆斯塔法,l . s . Affendey o . Maskon,“冠状动脉中心线提取使用二阶局部特性,”计算和数学方法在医学文章ID 940981卷,2012年,20页,2012年。视图:出版商的网站|谷歌学术搜索
28. k . Jain和a . Kumar“最优RSSI-based簇首选择传感器网络,”国际期刊的自适应和创新系统,卷2,不。4、349 - 361年,2019页。视图:出版商的网站|谷歌学术搜索
29. z Shoujun, y, w . Yongtian, c .武帆”的冠状动脉造影图像的自动分割基于模糊推理和概率跟踪、”生物医学工程在线,9卷,不。1,40-40,2010页。视图:出版商的网站|谷歌学术搜索
30. r·肖j·杨,d . Ai et al .,“自适应脊点细化为种子在x射线检测冠状动脉造影,”计算和数学方法在医学文章ID 502573卷,2015年,10页,2015。视图:出版商的网站|谷歌学术搜索
31. k . Dabov a信息自由、诉Katkovnik和k . Egiazarian”由稀疏三维变换域图像去噪协同过滤,“IEEE图像处理,16卷,不。8,2080 - 2095年,2007页。视图:出版商的网站|谷歌学术搜索
32. d·f·马林“钝的屏蔽”,AAS照片公告》16卷,10号至13号,1977页。视图:谷歌学术搜索
33. g·亚达夫、美国Maheshwari和a·阿加瓦尔”对比基于有限的自适应直方图均衡化增强实时视频系统”2014年国际会议上的进步计算、通信和信息(ICACCI)2014年9月,新德里,印度,。视图:出版商的网站|谷歌学术搜索
34. a . f . Frangi w . j . Niessen k . l . Vincken和m . a . Viergever“多尺度船舶增强过滤”课堂讲稿在计算机科学(包括子系列讲义在人工智能和课堂讲稿在生物信息学),1998年。视图:谷歌学术搜索
35. m·卡斯a,却和d . Terzopoulos“蛇:活动轮廓模型,”国际计算机视觉杂志》上,1卷,不。4、321 - 331年,1988页。视图:出版商的网站|谷歌学术搜索
36. t·f·陈,洛杉矶Vese主动轮廓没有边缘,”IEEE图像处理,10卷,不。2、266 - 277年,2001页。视图:出版商的网站|谷歌学术搜索
37. b . y . t . f . Chan桑德伯格,洛杉矶Vese,“主动轮廓没有向量值图像的边缘,”杂志的视觉传达和图像表示,11卷,不。2、130 - 141年,2000页。视图:出版商的网站|谷歌学术搜索
38. r·肖j .杨m . Goyal y, y王,“冠状动脉造影图像自动脉管系统识别的自适应几何跟踪”计算和数学方法在医学ID 796342条,卷。2013年,11页,2013年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Yaofang刘et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。