基于医学CT图像的主动脉夹层视觉三维重建

摘要

随着CT技术的快速发展，特别是CT机分辨率的提高和切片量的急剧增加，从海量医学图像数据中提取主动脉夹层并进行三维显示成为一项具有挑战性的任务。本文采用主动形状模型结合空间连续性实现主动脉夹层的自动重建。首先，我们从大数据样本库和注册训练样本中标记主动脉弓特征点，建立统计模型。同时，以地标为中心，利用方阵对灰度向量进行采样。采用CT序列间空间连续性的方法自动调整初始形状的姿态参数。对比实验证明，该算法在不选择感兴趣区域的情况下可以实现准确的主动脉分割，准确率高于GVF snake算法(主动脉弓上为93.29%对87.54%，降主动脉上为94.30%对89.25%)。采用Hessian矩阵和贝叶斯理论提取主动脉夹层膜。最后，通过基于射线投射法的体绘制完成主动脉夹层的三维可视化，帮助医生进行临床诊断，提高手术成功率。

1.介绍

主动脉夹层(Aortic dissection, AD)是一种危及人类健康的心血管疾病，可迅速导致死亡[1]．本病的主要原因是组织衰弱和高血压导致一个或多个主动脉组织穿孔，血液沿内膜流动，形成两条独立的血流通道:真腔(主主动脉血流床)和假腔(主动脉夹层中出现的完全在中膜内的通道)[2，如图所示1．

目前，主动脉夹层的分离治疗主要是管腔隔离技术，要求临床医生在术前清楚地了解裂隙的位置、范围、数量、严重程度等。为了提高主动脉夹层的阳性率，实现介入治疗的自动化指导，实现精确的手术或术后评价，主动脉夹层三维重建系统是必不可少的。其关键技术是实现主动脉分割。基于阈值的图像分割方法受到图像体积内强度梯度的挑战[3.]．

医学图像对比度差对边缘检测提出了挑战。基于具体理论的方法将数学模型引入图像分割领域，主动形状模型(active shape model, ASM)属于“自上而下”的分割策略;它将顶层的先验知识与图像特征底部的信息相结合，能够实现对复杂医学图像的精确分割[4]．在三维空间中，CT图像序列之间存在连续性;切片越厚，保证CT切片之间的连续性。在上述方法的基础上，本文采用主动形状模型与空间连续性相结合的方法，快速准确地提取主动脉面积，消除了主动脉提取过程中其他器官受到形状约束的干扰。然后用Hessian基质提取主动脉夹层膜。最后，利用基于光线投射的体绘制算法对主动脉夹层进行三维重建。同时，我们设置了主动脉夹层三维模型的透明度和颜色，使主动脉夹层更加直观;内膜裂口的位置和大小很容易得到。

2.系统原理

所提出的三维重建系统的原理框架如图所示2，通过对主动脉夹层患者的CT图像进行分割、提取和重建，实现主动脉夹层的三维可视化。首先，我们对原始CT图像进行预处理，以消除噪声并调整图像亮度进行后续处理。其次，利用主动形状模型对主动脉区域进行分割，结合大量CT图像序列的空间连续性，自动调整各层初始形状的姿态参数，提高分割算法的自动化程度和精度。然后，利用主动脉壁和主动脉膜之间的灰度梯度变化，利用Hessian矩阵和连续性先验模型提取主动脉夹层膜。最后，通过体绘制对主动脉结构进行三维重建，并设置主动脉夹层三维模型的透明度和颜色，使区间更加直观清晰。最终，该系统可以为临床诊断和措施提供帮助。

3.实现方法

3．1.主动脉分割

由于主动脉三维结构的复杂性，特别是主动脉弓和降主动脉的形状差异较大，我们需要分别建立主动脉弓和降主动脉的训练集。在本文中，主动脉弓和降主动脉的训练集是由从主动脉夹层患者的CT序列中按等间隔提取的大量样本组成的，这些样本包含了所有形状的变化。这两个训练集都能反映形状变化的所有模式。选取天津胸科医院多例典型主动脉夹层患者的CT图像，建立主动脉弓、降主动脉模型库;不同患者主动脉CT序列数不同，平均在700~1000之间。为了对一个形状建模，我们用一组地标点来表示它。这必须对训练集中的每个形状进行，并且必须正确和准确地进行[5]．每个CT图像上的特征点数量必须一致。标记很重要，每个标记代表主动脉的一个特定部分或其边界[6，7]．一般情况下，我们选择标记与应用程序相关的特定意义的物体部分的点，标记与应用程序相关的事物的点，以及可以从上述类型的点中插入的其他点[8]．专家获得的主动脉弓和降主动脉标志点如图所示3.，在每幅CT图像上标记特征点后，分别提取主动脉弓和降主动脉训练样本集。

根据里程碑点，建立主动脉大数据模型库。由于不同样本的形状和位置存在较大偏差，因此在建模之前，我们需要对两个训练集的配准形状向量进行归一化，从而实现主动脉的建模[9]．首先，从两组大数据训练集中分别选取一幅CT图像作为基准样本，然后对库中的其他样本进行缩放、旋转和平移，使其与基准样本对齐;当这些样本与参考样本之间的所有差异都小于设定的阈值时，完成了配准。两组训练集的配准结果如图所示4，横坐标表示CT图像中的像素坐标。

主动脉模型的建立是一种高维数据处理。为了简化计算过程，本文采用主成分分析(Principal Component Analysis, PCA)方法对包含所有形状向量的训练集进行降维，确定主成分[10]．计算主动脉训练样本集的平均形状向量 在哪里为训练集的样本个数;通过叠加表示形状向量具有里程碑意义的点;然后计算协方差矩阵通过

计算特征向量对应于特征值，将特征值按降序排列，并选择特征向量是相对的更大的特征值，描述训练集观察到的变化的几个变化模式;与此同时，特征值需要满足如下公式: 在哪里 ［11];主成分搜索准确率最高可达72%，一般为98%，搜索时会出现过多的约束条件。最终，形状模型可以近似为 在哪里是第一个特征向量, ,计算得到的形状矢量主分量上的投影系数为 ；适当的限制通常是在 ，以确保主动形状模型在小范围内变化。

在形状统计模型建立的同时，建立灰度纹理模型来匹配和搜索目标轮廓。本文通过将点作为灰度采样方的中心，对每个地标进行灰度纹理模型，避免了传统方法仅利用垂直方向信息，导致搜索不完全和误差收敛。每个里程碑灰度向量训练样本中向量的均值和协方差可以用

在后续的匹配搜索过程中，我们以最小化新轮廓与模型之间的马氏距离为标准;匹配函数表示为 在哪里它的灰色向量是匹配图像的特征点;当匹配函数取最小值时得到最佳匹配点，当找到所有匹配点时，得到新的轮廓。

为了提高模型的效率和鲁棒性，采用了多分辨率搜索策略[12]．CT扫描时厚度为1 mm;因此一套完整的主动脉CT图像序列可以看到连续的,和基于CT图像序列空间连续性,通过调整初始形状参数轮廓接近目标区域,目标轮廓参数,这是来自前图像,用于调整当前层,通过在层之间重复上述操作。可以实现高效、准确的CT图像分割;该算法自动化程度高。数字5显示迭代收敛后的最终分割结果。

3．2．主动脉夹层提取与三维重建

本文提出了一种结合Hessian矩阵和空间连续性先验模型的检测算法。Hessian矩阵可用于提取夹层和主动脉边界上的像素[13，结果如图所示6(一)，然后利用贝叶斯空间连续性模型理论去除其他非目标像素，即仅剥离膜像素提取;结果如图所示6 (b)．该算法充分利用了各层CT图像之间的连续性，将层间膜的偏移误差限制在很小的范围内，实现了层间膜的精确提取。

主动脉分割和剥离膜提取完成后，进行射线铸造重建结构。射线投射法是一种基于图像序列的直接体绘制算法[14]．具体重建过程如下。(1）读取三维离散数据场;根据顶点的体素像素值大小设置不同的不透明度值和颜色值。（2）根据视线方向从屏幕的每个点发射射线，使射线通过数据场空间和k样品在所有光线中选择的距离相等。(3）利用离采样点最近的8个顶点的数据值，通过三线性插值算法计算每个采样点的不透明度值和颜色值。（4）根据从前面到后面的累积顺序计算屏幕上所有像素的不透明度和颜色值。（5)将得到的每个像素的不透明度值和颜色值投影到成像屏幕上，生成最终的三维图像。

最终一组主动脉区域的三维重建如图所示7．通过设置主动脉透明度和颜色，中间层以红色显示，给出最终重建结果，如图所示8．

4.实验结果与讨论

4．1.实验结果

数字9显示用上述方法重建的另外两例患者主动脉夹层的三维模型。从三维重建图像可以清楚地看到，第一组模型剥离膜出现在整个主动脉腔内，第二组模型剥离膜出现在远离心脏的主动脉弓内。两组结果直观、清晰地显示出破裂的位置和程度，为主诊医师提供更多的主动脉夹层空间关系信息，为疾病诊断、手术及术后评估提供辅助。

4．2．分割精度

为了验证该算法对CT图像序列主动脉提取的分割效果，将该方法与基于GVF snake算法的主动脉弓和降主动脉提取结果进行比较。为了测试和验证上述两种算法的可靠性，我们将上述算法的提取结果与具有丰富临床经验的医生的人工结果进行比较，并计算重叠率来测试本文算法的可靠性;三种方法的提取结果如图所示10．

可以看出，对于降主动脉，梯度矢量流场蛇形模型的分割结果和所提分割算法的分割结果都接近真实的目标轮廓。而对于主旋律弓，GVF蛇算法存在一定的误差，由于没有形状约束，曲线在演化过程中容易受到轮廓周围其他组织的干扰，如图所示(11日)；曲线1是初始曲线，曲线2是曲线的最终演化。为了避免在曲线演化过程中受到其他组的轮廓的影响，GVF snake模型首先确定了主动脉感兴趣区域，该区域涉及到整个主动脉区域，但尽可能引入其他组织的干扰[15，16]．一般选择固定位置区域或模板匹配方法，可重复性和适应性较低，选择精度直接影响后续分区提取结果。而直接输入一幅CT图像，就可以实现主动脉的自动分割。数字11 (b)给出了该方法的迭代结果。与GVF蛇形模型相比，该算法具有更高的自动化程度和更强的鲁棒性。

为了定量描述本文算法的准确性，以重叠率为评价指标， 和，分别表示两幅图像分割后目标区域所占的比例;为目标区域重叠的比例。我们的实验以胸科医院医生手工分割结果为金标准，从多组患者的CT图像中选取大量图像，分别计算两种算法的重叠度，其中部分样本结果均显示在表中1．

在提取准确率方面，该方法明显高于GVF snake法从表中提取的重叠率(主动脉弓上为93.29%，降主动脉上为87.54%，降主动脉上为94.30%，降主动脉上为89.25%)。

5.结论

本文介绍了一种医学CT图像处理方法，可以快速、准确地从巨大的CT图像数据中获取主动脉夹层特征，并对结构进行三维重建，供医生在临床诊断时使用。本文算法在传统ASM算法的基础上进行了改进;不仅更准确地构建了统计模型，提高了模型匹配的准确性，而且结合CT序列的连续性简化了初始化过程，提高了算法的有效性。与GVF蛇形算法相比，实验可以有力地证明我们的算法可以有效地提高主动脉分割的准确性。本文的这种方法可以有效的弥补医院现有设备功能的不足，使主治医生和患者能够深刻的了解和掌握病情的状态。同时，该方法对其他心血管疾病的诊断和治疗具有重要意义。

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

国家自然科学基金项目(no . 61405143, no . 61373104, no . 61402330);国家科技支撑计划重点项目(no . 2013BAF06B00);天津工业大学光电检测技术与系统天津市重点实验室。关键词:岩石力学，数值模拟，数值模拟，数值模拟

参考文献

1. N. Fetnaci, P. Lubniewski, B. Miguel, C. Lohou，“CT主动脉夹层图像上真腔和假腔的三维分割”，在三维图像处理(3DIP)及应用进展2013， 2013年2月，美国加州伯林盖姆。视图:出版商的网站|谷歌学者
2. C. Lohou, N. Fetnaci, P. Lubniewski, B. Miguel, P. Chabrot，和L. Sarry，“基于数学形态学的CTA主动脉夹层图像的内膜瓣分割”2013第六届生物医学工程与信息学国际会议论文集，BMEI 2013， pp. 143-147，中国杭州，2013年12月。视图:出版商的网站|谷歌学者
3. M. Deeley A, A. Chen, R. Datteri et al.，“在存在占位病变的情况下，手动和自动脑结构分割方法的比较:一项多专家研究，”医学和生物学中的物理学第56期14，第4557页，2011。视图:谷歌学者
4. T. F. Cootes和C. J. Taylor，“医学图像分析和计算机视觉的外观统计模型”，刊于医学影像学报，2001，图像处理，第236-248页，美国加州圣地亚哥，2001年2月。视图:出版商的网站|谷歌学者
5. C. Je, W. Jo，和h - m。Park，“ASM嘴唇标志的口腔地图辅助定位，”成像科学杂志号，第64卷。8，第419-424页，2016。视图:出版商的网站|谷歌学者
6. 郑志强，刘旭东，杨建军，“基于改进的主动形状模型的人脸特征定位”，信息科学，第178卷，第2期9，第2215-2223页，2008。视图:出版商的网站|谷歌学者
7. G. Gill, M. Toews，和R. R. Beichel，“CT扫描中肺分割活动形状模型的稳健初始化:一种基于特征的图谱方法”国际生物医学影像杂志文章编号479154,2014。视图:出版商的网站|谷歌学者
8. T. Cootes, C. Taylor J，和a . Lanitis，“主动形状模型:用于改进图像搜索的多分辨率方法的评估”，刊于英国机器视觉会议论文集，页327 - 336,2010。视图:谷歌学者
9. “一种基于ct图像的主动脉分割方法”，现代科学仪器,没有。2，第45-48页，2013。视图:谷歌学者
10. Wang J.， Shi C.，“利用具有向量场卷积能量的可变形单纯形网格自动构建统计形状模型”，生物医学工程在线，第16卷，第49条。1, 2017。视图:谷歌学者
11. S. Kurugol, R. San Jose Estepar, J. Ross，和G. R. Washko，“主动脉分割与三维水平集方法和非对比胸部CT主动脉钙化量化”IEEE医学与生物学工程学会第34届国际年会论文集(EMBS’12)，第2343-2346页，IEEE，圣地亚哥，加州，美国，2012年9月。视图:出版商的网站|谷歌学者
12. 彭译葶。蔡,学术界。黄,A.-H。Tsao，“用于高维空间实时关键点描述符匹配的图形处理单元加速多分辨率穷尽搜索算法”，专业计算机视觉，第10卷，第5期。3, pp. 212-219, 2016。视图:出版商的网站|谷歌学者
13. R. Lakemond, C. Fookes，和S. Sridharan，“使用Hessian矩阵的局部图像特征的仿射自适应”，在第6届IEEE国际会议会议的先进视频和信号监控，AVSS 2009，第496-501页，意大利热那亚，2009年9月。视图:出版商的网站|谷歌学者
14. 孙军，李华，高平，吴林，“基于VTK的高效光线投射算法研究”，出版第7届医学与教育信息技术国际会议论文集，ITME 2015， pp. 212-214，中国黄山，2015年11月。视图:出版商的网站|谷歌学者
15. “基于动态稀疏轮廓搜索和GVF蛇形模型的部分重叠子宫颈细胞的精确分割”，生物医学与健康信息学杂志第19卷第2期4, pp. 1494-1504, 2015。视图:谷歌学者
16. 张飞，张旭东，曹科等，“基于改进GVF Snake模型的步态识别轮廓提取方法”，计算机与电气工程第38卷第2期4，第882-890页，2012。视图:谷歌学者

版权

版权所有©2017段晓杰等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。