Segmentation of blood vessels using rule-based and machine-learning-based methods：A review

前言

血管分割是血管相关疾病的前提。在这篇论文，我们回顾SOTA的血管分割方法，将他们分成两个类别：rule-based, machine-learning-based methods. 前者rule-based方法基于直观和惊喜设计的规则集来区分血管结构和背景，而后者machine-learning-based方法根据以往的经验通过自我学习的规则进行分割。

Rule-based method

将rule-based方法分成Hessian matrix, marching filtering, mathematical morphology, minimal path, active contour, 和graph-based.

2.1 Hessian matrix method

与周围的背景相比血管通常很薄、细长、明亮。每个像素代表其有血管区域的关系，Hessian matrix的特征值可以用来作为区分函数，对血管结构有最大的反应。

缺点，首先Guassian函数通常作为消除招生的影响，但是对血管结构和背景都会有影响。第二，Hessian matrix对梯度很敏感，所以尖锐的边界会影响分割结果。

2.2 Marching filtering method

Marching filtering method假设血管横截面的强度具有Guassian-like剖面。line detector从不同的方向评估沿固定长度线通过目标像素的平均强度。

2.3  Mathematical morphology method

Mathematical morphology operation通常被用作管状结构提取的预处理。

2.4 Minim