CAG图像血管自动分割与空间结构提取方法

在诊断心血管狭窄时若采用人工或半人工来确定血管的内径及轮廓，不仅工作量大，耗时长，而且其结果的可重复性和精确性都较差，受人为因素影响较大。Detre^［24］早在20世纪80年代中期就对肉眼识别造影图像中的心血管狭窄提出了质疑。CAG图像中有血管和背景两种成分，采用数字图像处理技术可将血管从背景中自动分割开来，提取出能够反映其空间拓扑结构的血管骨架（血管中心线、血管区域细化结果统称为骨架）。

物质对X射线的吸收满足朗伯定律公式如下。

式中，I为X射线的投射强度；I₀为X射线源发出的射线强度；r为X射线通过的距离；μ为X射线的衰减系数。于是造影图像上点（u，v）的灰度值可以表示如下：

造影图像的灰度分布由三部分组成：软组织、胸骨和充满造影剂的血管，由下式表示：

式中，μ_t、μ_b和μ_v分别表示X射线对软组织、骨头和血管的衰减系数；l_t、l_b和l_v分别表示对应的距离。式（2-17）可以简单地用前景和背景表示如下：

i（u，v）＝b（u，v）＋f（u，v）（2-18）式中，f（u，v）＝μ_vl_v（u，v）为前景；b（u，v）＝μ_tl_t（u，v）＋μ_bl_b（u，v）为背景。血管提取的目的就是从f（u，v）中将i（u，v）分割出来。

早在20世纪80年代中期人们就开始了造影图像中血管提取的研究，但直到1990年以后才得到广泛关注。至今已经提出了许多方法，比较典型的有：采用模式识别法来判断血管狭窄^［25］；采用形态学法，利用八个分别代表不同方向血管区域的形态学算子进行血管分割^［26］；自适应跟踪算法^{［27，28］}；根据血管中心线垂线上的灰度呈高斯分布的特点，把中心线可以看做一个“灰度脊线”，采用八个分别代表不同方向的模板跟踪脊线^［29］；Snake模型方法^［30-32］等。

现有的方法可以归纳成以下七类：

1）阈值运算法：主要包括固定阈值和选择性阈值（也称自动阈值），前者方法简单，但效果较差；后者略有改进，但容易引入伪边缘。

2）基于导数的方法：主要包括一阶导数法和二阶导数法，一般需要首先进行平滑处理。此类方法可以通过加权取平均值，得到较好的效果，但需要依靠一定的经验选择权值，而且提取的血管边缘往往不连续。

3）全自动提取方法：假设血管横截面为椭圆，截面灰度呈高斯分布，中心线可以看做脊线。对造影图像作傅里叶变换，计算“第一零交叉”。此类方法大都没有考虑背景模式，因此对结构噪声比较敏感。(www.xing528.com)

4）参数模型方法：考虑了背景结构和成像系统的影响，用多项式表示组织或胸骨的投影背景，所以比基于导数的提取方法有所改进。

5）形态学和动态规划：利用代表不同方向血管的形态学算子进行血管分割。该方法提取血管交叉点的效果不好，可提取的血管直径范围有限。

6）滤波器方法：主要包括自适应滤波器的跟踪算法和可变形模型法等。

7）基于表面的提取方法：利用由相邻的一维剖面数据计算得到的二维剖面提取血管边缘，弥补了传统方法数据点不足的缺点，可以从质量较差的造影图像中准确提取血管。

实际应用过程中，应根据造影图像中血管与背景的对比度、血管树的复杂程度以及噪声大小等选择合理的血管提取方法。对左冠和右冠造影图像的血管区域分割结果分别如图2-13～图2-16所示。

图2-13 一帧左冠CAG图像的血管区域提取结果

图2-14 两帧右冠CAG图像的血管区域提取结果

图2-15 一帧右冠CAG图像的血管区域分割和边缘提取结果

图2-16 一帧左冠CAG图像的血管区域分割和边缘提取结果