自动化Lobe-Based气道标签

文摘

区域定量分析的气道形态异常的兴趣肺部疾病调查。考虑到肺叶相对独立的功能单元,我们开发和测试一种新的、高效的计算机化的方案在这个研究自动和强劲的航空公司划分到不同的类别的肺动脉瓣。给定一个气道树,可以使用任何可用的气道分割方案,获得发达的方法包括四个基本步骤:(1)气道骨架化或中心线提取,(2)识别个体气道分支,(3)初始规则的气道分类/标签,和(4)的自校正标签错误。为了评估这种方法的性能,我们应用到数据集组成的300胸部CT检查以批处理的方式,要求图像分析师主观检查标记的结果。我们的初步实验表明,该标签的准确性右上叶,中部叶,下叶,左肺上叶,和左侧下叶是100%,99.3%,99.3%,100%,和100%,分别。其中,只有两种情况是由于气道的故障检测错误的标签。标签需要大约2分钟一个气道树使用这个算法。

1。介绍

呼吸道疾病是全球发病率和死亡率的主要原因1,2]。而航空公司是主要的导电结构人类呼吸系统的空气交换,其形态特征或变化(异常)可能直接影响气流,从而交替肺功能和肺部疾病的预后(如慢性阻塞性肺疾病,(慢性阻塞性肺病))。鉴于其时间和空间分辨率高,现代计算机断层扫描(CT)的非侵入性使得它可以识别在活的有机体内气道结构和量化他们的变化。在过去的几十年中,有许多方法(3- - - - - -6)为计算机气道开发分析作为一种调查肺部疾病的潜在机制。可以找到一个相对全面审查(7]。然而,大多数的努力致力于全球评估在整个肺的气道异常。实际上,在解剖学、人体肺部除以斜(或主要)和横向(或小)裂缝为叶,有三个叶的肺和两个叶左肺。在每个叶支气管和血管系统基本上是孤立的以最小的叶之间的联系,和叶可以被视为相对独立的功能单元。特别是,几种类型的早期疾病可能开始和/或局限于单个叶(8]。因此,需要进行定量分析基于单个叶气道异常,从而帮助疾病状态和进展的评估和/或响应特定的治疗。这个问题一个直观的方法是提前确定叶然后标签气道分支机构根据他们的位置。然而,强劲的叶分割本身是一个比较有挑战性的问题在实践中9- - - - - -12]。因此,为了避免复杂叶细分,一个简单的方法是把航空公司直接根据他们的位置在单独的叶。

在过去的十年中,考虑到手动标记气道非常单调乏味,而且容易出错,一个非常有限的计算机化方法(13- - - - - -17)开发了航空公司在解剖学上标签。他们的主要目的是分配32个预定义的解剖的航空公司名称,对应于不同的肺段。这样的标签可以帮助气道树在虚拟支气管镜应用程序的导航,使树木比较两个航空公司之间的差异可能获得在相同或不同的科目。在技术,可用的标记方法主要是使用一个树状结构实现匹配操作。不同的图论通常被使用。例如,Tschirren et al。13)开发了一个基于关联图的分层方法执行树匹配;Kitaoka et al。14)实现树匹配通过搜索树中的最大重量集团关联图(标记)或相似的子树;格雷厄姆et al。15)提出了一种用图匹配方法气道树使用成本函数比较分支和分支点措施;范Ginneken et al。16)提出了一种递归的计划分配气道标签通过测量基于定位的概率,平均半径和角度;Feragen et al。17)提出了一个监督层次计划标签气道树测地线树空间中基于测地距离。

显然,准确、解剖学上标签的航空公司是一个非常具有挑战性的任务,因为解剖变异在个人和大量的气道中包含一个气道树分支。在这项研究中,而不是标签航空公司层面的肺段,我们描述一个方法能够直接标记的航空公司而言,叶无叶的参与分割。目的是为了援助地区lobe-based异常分析和其他临床应用(如外科手术规划)。一个健壮的骨架化是由计算斥力场(18,19一个气道树);此后,基本的肺解剖知识关于航空公司用于标签或分类。由于生物结构的可变性在个人和各种疾病的存在,我们特别开发了一个自我修正机制。开发方案的性能评估测试它对一个独立的数据集组成的300胸部CT检查。详细描述的方法和实验结果。

2。方法和材料

2.1。计划概述

在实现中,给定一个气道树,提出了气道标记方法有三个基本步骤(图1):气道骨架化或中心线提取,个人气道分支识别、(3)初始气道标签或分类的肺叶,和(4)的自校正标签错误。这个方案是独立于气道分割方案。气道树被任何气道分割方法可以用作输入的计划。在这项研究中,我们只是使用了气道分割方案中描述(20.)获得气道树。为简便起见,我们使用原则,RML, RLL, LUL,大典时表示右上叶,中部叶,下叶,左肺上叶,分别,下叶。详细描述这些步骤。

2.2。气道骨架化或中心线提取

归因于它的简洁表示形状的骨架(经常称为医疗轴)广泛用于电脑形状分析。与密集的计算成本和相关的骨架化通常是敏感的噪音的存在。在过去,各种方法(21- - - - - -23)开发获得的骨架气道树利用它的管状结构。在这项研究中,我们基于斥力场优化的通用算法由角膜et al。18)自动获得一个气管树的骨架。

给定一个气管树的形式表示图像像素点,计算其三维(3 d)向量场使用斥力函数: 在哪里是斥力点吗关于点电荷,是归一化向量来,表示力的方向,之间的欧几里得距离吗和费用,权力力函数的顺序(牛顿力和在这项研究中)。在[解释18),一个更大的价值通常对一个给定的内部点高于在边界点的距离,最终导致“大幅”向量场遵循当地的边界拓扑结构更紧密。相反,价值较低会导致平滑向量场。鉴于tubular-like航空在形状上的结构,较低的价值是首选的,因为我们只是航空公司的框架感兴趣,反映出全球航空公司的形状,和当地与高频细节(例如,表面微扰的航空公司)应该被忽略。总点力量可以通过求和计算所有的力量吗: 在哪里是最后的排斥力点吗由于所有点费用。

根据(2),如果所有的边界体素用于计算每一点力量,计算复杂度,在那里是对象的数量(气管)体素和是边界体素的数量(指控)。因此,鉴于大量对象(气管)体素,是非常耗时的计算的斥力场气道树。为了大大提高计算效率,我们建议不考虑所有的边界体素时计算在给定的点排斥力,因为航空公司作为管状出现,和边界体素远离可能造成的排斥力。因此,给定一个对象体素,只有边界体素接近(例如,少于25毫米)被认为是斥力计算的。这种策略可以显著减少计算成本从平均30分钟不到2分钟,对骨架化的准确性影响不大。骨架化的一个例子是显示在图2 (b)。

2.3。个人气道分支识别

(描述的斥力场18)可以利用进一步检测“节点”,将确定骨架分解为不同的部分自动的骨架上的每个点的散度。然而,确定对骨架的曲率段敏感,最终导致许多段气管分支(图并没有多大意义3 (c))。这里我们提出识别个体气道分支组织骨架点作为一个无向非循环图(UAG)。

让表示提取骨架点和表示针对无向无环图(UAG)顶点集和吗边集。图吗初始化与,,顶点是随机选择的骨架点集,然后执行以下步骤。

步骤1。找一个最近的点和,在那里少于三个相连的邻居吗,让和。

步骤2。让表示过去的插入点,找到其最近邻。如果之间的距离和足够小(例如,小于2毫米),然后让吗和。

步骤3。如果一个新的体素被添加到请转到步骤2;否则,去一步4。

步骤4。如果请转到步骤1;否则,图施工完成。

图形构造算法是使用图中的例子解释道3。一旦UAG构造,每个顶点被连接到一个,两个或三个顶点。一个终止点(例如,“e”,“h”,或“我”图3)连接到只有一个邻居。一个分叉点(例如,“c”)被定义为一个与三个邻居点,因此,可以通过减少分支点。在图3,这三个分支是“cde”、“cfgh”和“cbai,”。的一个例子骨架分支分解如图2 (d)。

2.4。最初的气道标签或分支分类

标签或分类确定气管分支,我们首先定位气管通过识别最大的分支腔体积。计算每个分支的气道腔体积,我们将每个气道体素分配给它的最近的骨架点和骨架的分支点。此后,一代又一代的气道树是由治疗气道分叉树(图2 (e))。

在这里,基本的肺部和气道解剖知识用于个别分支机构划分为不同的类别的肺叶。首先,左肺和肺标签是基于决定的的两个端点值(B和M图2 (b)第一代的分支。第二,左肺,LUL和微光决心的基础上两个端点的值(U和L在图2 (b))第二代的分支。选择正确的肺,荷重软化与相同的标准(即通过比较最终点。,H和C在图2 (b))。由于生物差异在个人肺结构,RML, RLL航空公司不一定是分裂的第二个节点的分支(C点图4肺)的权利。可以看出在矢状图中的例子4 (c)RML通常是在左上角的RLL。使用这个规则,我们选择一个分支终点E的最大的价值(z-y)和一个分支终点F的最小值(z-y)。然后,分支节点D E和F是决定。最后,D和E之间的分支节点及其支行贴上RML,和C是贴上RLL的其他分支节点。后一个例子的应用标签算法如图2 (f)。

2.5。自校正标签错误

在实践中,尽管大多数气道树的图具有相同的拓扑结构,如图5(一个)有一些例外,比如数据的例子。5 (b)和(c) 5。为了自动处理此类异常(错误),我们开发一个自我修正机制。在示例中所示的数据5(一个)和5 (b),A, B, C, D节点的第一,第二,第三,第四代。让AB表示节点之间的距离和节点B和B BC表示节点之间的距离和节点c比BC / AB在特殊情况下(例如,图中的例子5 (b))通常远小于比BC / AB在正常的情况下(例如,图中的例子5(一个))。这个规则通常持有,因为两个分支在蓝色B和C在图5 (b)属于同一叶(原则)。因此,我们可以使用这个规则来自动检测潜在的标签错误。换句话说,如果BC / AB小于给定值(例如,0.5),标签的错误发生。后校正,我们标签的所有分支节点B和C原则。

2.6。气道体积分配

气管分支标记后,最后一个任务是马克气道体积压每个分支或叶。在这项研究中,我们指定每个气道体素在其最近的骨架点和骨架的分支点。一个例子应用程序后的气道体积分配过程如图2 (g)。

2.7。性能评估和测试数据集

演示的示例图2 (g),它是相对容易视觉检查是否正确地标记了航空公司。因此,为了评估气道标记算法的性能开发在这项研究中,我们问一个图像视觉研究分析师的标记和定位失败的结果。然后,失败的病例数量的叶是概括为一种测量气道标签的准确性。

该算法评估在300肺CT检查明确慢性阻塞性肺疾病(COPD)数据集可以在匹兹堡大学医学中心(UPMC)。这些CT检查在一个机构审查委员会(IRB)批准协议使用光速VCT 64 -探测器扫描(美国通用电气医疗集团,沃基肖,WI)与学科屏住了呼吸末灵感。使用螺旋CT数据获取技术的螺距0.969,120千伏峰值,0.4年代龙门旋转,250马马斯(100)。探测器的配置是320.625毫米。CT图像重建包含整个肺野使用通用电气的“骨头”内核截面厚度在0.625毫米和0.625毫米的间隔(没有片重叠)。CT图像代表使用512512像素矩阵像素尺寸从0.549到0.738毫米。

3所示。实验结果和讨论

我们在表总结了实验结果1。在300胸部CT检查,标签操作失败的只有两种情况(图6不可用的),因为RML和RLL的航空公司。这实际上不是标签算法所造成的,而是由气道分割算法。为了演示这个方案的性能,在图列出一组标签的例子7。给定一个气道树,每个案件的平均计算总成本约两分钟执行开发计划时在一个典型的电脑。

在这项研究中,我们描述了一个简单而有效的算法来自动标签的肺气道树叶。创新在于以下几个方面。首先,骨架化健壮、高效和准确的不管气道树的形状。胸部CT检查在我们的测试数据集随机选择一种慢性阻塞性肺病研究范围很广的清规戒律在肺气肿,直接影响航空公司的形态。实验表明,该骨架化方案能够成功获得所有这些病例的中心线在不到两分钟。第二,气道标签执行程序直接在骨架上没有任何匹配操作的参与像以前一些方法13- - - - - -17]。分配预定义的标签到气道树中,传统方法通常tree-matching过程,prelabeled气道模型作为参考标签。然而,树结构匹配本身是一个具有挑战性的问题,尤其是当两棵树有不同的分支机构的数量。特别是,我们开发一个自我纠正机制来处理气管树的拓扑变化的情况。如图6图像所确定的,尽管有两个案例分析作为失败的情况下,造成的失败不是标记算法,但气道的识别过程。第三,我们应用一个相对较大的数据集来评估开发方案的准确性。结果表明,提出的气道骨架化和标签方案是准确和鲁棒性。证明了一个例子,如图8气道骨架化和失踪的标签是正确的,尽管大部分的气管气道。

我们意识到这项研究有一些局限性。首先,不同于以前的方法(13- - - - - -17],指定航空公司在解剖学上到32名的肺段,气管分支只有在叶和几代人的标签。呼吸道疾病的更详细的调查,它可能是可取的气道标记的肺段。在技术和实施,我们承认lobe-based标签与之前的方法相比是相对容易。鉴于标签,不同级别的细节是不恰当的比较我们的方案的性能和其他可用的方法。第二,虽然300例用来测试这个方案的性能,我们不能保证这个数据集包括所有类型的气道树拓扑,因为大型的人体解剖学变化。在这项研究中,我们只发现了一个例外,如图5 (b)。在未来,我们将从各种来源收集更多的数据来测试这个标记算法的性能。特别是,我们问一个图像分析来直观地评估标识方案的性能,因为它是相对容易视觉判断的准确性和正确性lobe-based标记结果考虑到个人的独特的边界叶(图中的例子可以证实这一点7)。相比之下,很难甚至无法直观地判断传统方法的准确性,因为大量的气管气道的树枝和遮挡。第三,虽然该算法是独立于气道分割方案在理论和实现中,我们没有在实践中验证这一点。相比与传统的气道标记方法,指定航空公司到不同的叶是更容易和更健壮,因为只有前几代的航空公司。气道分割问题通常发生在小气道地区(24),我们相信气道分割方案的性能(例如,渗漏问题在传统region-growing-based气道分割图9)可能影响非常有限lobe-based气道标签。

4所示。结论

我们描述了一个简单而有效的算法自动气道标签的肺动脉瓣。这个算法的性能评估使用大型数据集组成的300胸部CT检查选择COPD在我们学院学习。实验表明,该算法是有效的,准确的,和鲁棒性。在未来,我们将扩展这项工作将肺气道树的片段和收集更大的数据集进行评估的目的。

确认

这项工作被授予HL096613支持部分,CA090440, HL084948, HL095397,匹兹堡大学的和2012 ktcl03-07从国家卫生研究所,邦妮j . Addario肺癌基础,孢子在肺癌的职业发展计划。

引用

1. d·泽滋r .明智、c·维纳和Longcope肺量测定法Invetigation团队,“气道阻塞是常见的但不受怀疑的病人一般医学服务,“胸部,卷125,不。1,第111 - 106页,2004。视图:出版商的网站|谷歌学术搜索
2. 肺部疾病的数据,2008年,http://www.lungusa.org/assets/documents/publications/lung-disease-data/LDD_2008.pdf。
3. Orlandi, c·莫罗尼g . Camiciottoli et al .,“慢性阻塞性肺疾病:薄片CT测量肺气道壁厚和衰减,”放射学,卷234,不。2、604 - 610年,2005页。视图:出版商的网站|谷歌学术搜索
4. j·c·霍格f·楚,s Utokaparch et al .,“small-airway阻塞在慢性阻塞性肺疾病的本质,“《新英格兰医学杂志》上,卷350,不。26日,第2653 - 2645页,2004年。视图:出版商的网站|谷歌学术搜索
5. m .长谷川y Nasuhara, y Onodera et al .,”在慢性阻塞性肺疾病气道气流限制和维度,“美国呼吸和重症监护医学杂志》上,卷173,不。12日,第1315 - 1309页,2006年。视图:出版商的网站|谷歌学术搜索
6. s . b .欣然地j . c . Granroth j·d·纽厄尔et al .,“变化的定量CT气道重塑的措施,”美国呼吸和重症监护医学杂志》上2009年,卷179,p . A5575。视图:谷歌学术搜索
7. 刘j . Pu s Gu s . et al .,“基于CT的计算机识别和分析人类的航空公司:复习一下,”医学物理学,39卷,不。5,2603 - 2416年,2012页。视图:出版商的网站|谷歌学术搜索
8. 诉专论、s Das和r .苏瑞”异常的肺大叶性模式:一个案例报告,“国际期刊的形态,24卷,不。1,5 - 6,2006页。视图:谷歌学术搜索
9. e . m . van Rikxoort b . van Ginneken m .公里和m . h神”监督增强过滤器:应用程序在胸部CT扫描,裂缝检测”IEEE医学成像,27卷,不。1、1 - 10,2008页。视图:出版商的网站|谷歌学术搜索
10. 美国Ukil和j·m·莱因哈特Anatomy-guided肺叶在x射线CT图像分割,“IEEE医学成像,28卷,不。2、202 - 214年,2009页。视图:出版商的网站|谷歌学术搜索
11. e . m . van Rikxoort箍,s . van de Vorst m . h神和b . van Ginneken”自动分割肺段的体积胸部CT扫描,”IEEE医学成像,28卷,不。4、621 - 630年,2009页。视图:出版商的网站|谷歌学术搜索
12. j . Pu、郑,j·k·领袖et al .,“肺叶分割在CT检查使用隐式曲面拟合,“IEEE医学成像,28卷,不。12日,第1996 - 1986页,2009年。视图:出版商的网站|谷歌学术搜索
13. j . Tschirren g . McLennan k . Palagyi e·a·霍夫曼和m . Sonka”匹配和解剖人类气管树的标签,“IEEE医学成像,24卷,不。12日,第1547 - 1540页,2005年。视图:出版商的网站|谷歌学术搜索
14. h . Kitaoka y公园,j . Tschirren et al .,“自动命名标签3 d-ct肺支气管树的图像,”在计算机科学的课堂讲稿卷,2489年,页1 - 11,2002。视图:出版商的网站|谷歌学术搜索
15. m·w·格雷厄姆和w·e·希金斯”,用图论优化三维解剖树匹配方法,”学报》第三届IEEE国际研讨会在生物医学成像:纳米宏,页109 - 112,阿灵顿,弗吉尼亚州,美国,2006年4月。视图:出版商的网站|谷歌学术搜索
16. b . van Ginneken w . Baggerman, e . van Rikxoort“健壮的分割和气道树的解剖标记从胸CT扫描,”第11届国际研讨会论文集医学影像计算和计算机辅助介入(MICCAI ' 08)卷,5241在计算机科学的课堂讲稿,页219 - 226,纽约,纽约,美国,2008年9月。视图:出版商的网站|谷歌学术搜索
17. A . Feragen j·彼得森,m·欧文et al .,“测地线解剖标记的分层方案气道树,”第15届国际研讨会论文集医学影像计算和计算机辅助介入(MICCAI 12),不错,法国,2012年10月。视图:谷歌学术搜索
18. n . d .角膜d银,x元,和r . Balasubramanian”计算分层curve-skeletons 3 d对象。”计算机视觉,21卷,不。11日,第955 - 945页,2005年。视图:出版商的网站|谷歌学术搜索
19. n . d .角膜、d .银和p . Min”Curve-skeleton属性、应用程序和算法,IEEE可视化和计算机图形学,13卷,不。3、530 - 548年,2007页。视图:出版商的网站|谷歌学术搜索
20. j . Pu c . Fuhrman w . f .好,f . c . Sciurba和d .电流的“微分几何的方法来自动分割的人类气道树,”IEEE医学成像,30卷,不。2、266 - 278年,2011页。视图:出版商的网站|谷歌学术搜索
21. k . Palagyi j . Tschirren和m . Sonka“胸廓内的气道树定量分析:方法和验证”18学报》国际会议信息处理在医学成像(IPMI ' 03)卷,2732在计算机科学的课堂讲稿Ambleside,页222 - 233年,英国,2003年。视图:谷歌学术搜索
22. k . Palagyi j . Tschirren和m . Sonka”定量分析的三维管状结构,树”医学成像卷,5032学报学报2003年2月,圣地亚哥,加利福尼亚州,美国。视图:出版商的网站|谷歌学术搜索
23. n . Gagvani和d .银“Parameter-controlled体积变薄,”图形模型和图像处理,卷61,不。3、149 - 164年,1999页。视图:出版商的网站|谷歌学术搜索
24. j·k·领袖j . Pu x孟et al .,“三维气道树结构和肺功能,”放射学学术,19卷,不。11日,第1401 - 1395页,2012年。视图:出版商的网站|谷歌学术搜索

版权

版权©2012 Suicheng顾等。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。