冠状动脉造影图像分割

作者：康文炜 吉大的博士  2010

---

形态学方法对小血管分割效果不理想、基于高斯滤波法提取小血管的同时保留噪声

梯度算子对噪声敏感,阈值方法能有效地分割提取主血管，但对小血管的分割效果不理想

局部熵信息测度  针对局部熵的运算量大、运算时间长的问题，构造参数局部复杂度信息测度

现有算法分割提取的冠脉血管连续性差   

文献[4]通过让不同观察者观察同一幅图像的实验，对 870 幅造影图像进行统计分析，判断的标准偏差大约为血管直径的 5.6%-9.4%，

[4] 徐智. 心血管造影图像的二维信息处理及其三维重建研究 [D] 天津: 天津大学 光学工程, 2003.

      医学图像的三维分割有两种方式：一种是对每张二维切片进行独立分割，提取每张切片中的轮廓，然后将提取出来的轮廓进行组合，以用于三维重建；另一种是在三维数据空间直接进行分割，提取出感兴趣的区域。
      形态学头帽法（top-hat）和高斯匹配滤波法是常用的两种图像增强方法。传统的过渡区提取方法是利用灰度剪切函数和计算有效平均梯度实现的，是一种间接提取方法。梯度算子对噪声敏感，容易导致过渡区的偏移甚至无法提取。局部熵信息测度的一个重要参数是局部熵，局部熵可以表征图像过渡区内像素灰度变化是否频繁。无向图中的一个重要参数是节点的度，由与节点相连的边的权值决定。根据度信息的特点，构造度信息邻域非一致性测度，该参数可以反映过渡区内像素灰度值的无序性和非一致性。

 

 

第 1 章为绪论，阐述了冠脉造影图像分割方法的研究意义，分析医学图像分割方法的特点和难点，指出论文的主要研究内容。
第 2 章讨论了血管造影图像的分割方法，对主要的血管分割方法进行了详述及比较，指出现有血管分割方法存在的缺陷，简单介绍了医学图像分割方法的评价准则。
第 3 章研究冠脉造影图像的成像原理和成像模型，分析基于形态学头帽法和基于高斯匹配滤波法分割造影图像的优缺点，根据血管造影图像的特点及血管的灰度特征，提出了一种基于融合的冠脉造影图像分割方法，最后通过仿真实验验证该算法在小血管的分割提取和背景噪声去除方面的有效性。

第 4 章分析过渡区的传统定义和广义定义，指出过渡区间接提取方法的不足。分析过渡区的特点及构造特征参数的关键，构造局部熵信息测度作为特征参数提取图像的过渡区，在此基础上提出两种基于局部熵信息测度的冠脉造影图像分割方法，并通过仿真实验验证算法的有效性。
第 5 章分析利用局部熵计算信息测度的优点和缺点，针对局部熵的计算量大、运算时间长等问题，构造局部复杂度信息测度作为提取过渡区的特征参数。在提取过渡区的基础上，提出了两种冠脉造影图像分割方法，并通过仿真实验验证算法的有效性。
第 6 章介绍有关图论的基本知识及分割方法，针对造影图像中分割提取的小血管连续性差的问题，将图论理论引入图像分割。构造了度信息邻域非一致性测度，提出两种基于度信息邻域非一致性测度的冠脉造影图像分割方法，并通过仿真实验验证算法的有效性。
第 7 章是论文的结论部分，对论文做全面总结，并对今后的研究方向进行了展望。

 

 

      图像内像素的灰度具有两个性质：相似性和不连续性。同一区域内部的像素具有灰度相似性，在区域之间边界上的像素具有灰度不连续性。所以根据这两个性质分割算法可分为两类，基于边界的算法和基于区域的算法，前者利用了区域间灰度的不连续性，后者利用了区域内灰度的相似性。另外根据分割过程中的处理策略不同，又可将算法分为串行算法和并行算法。在串行算法中，处理过程有先后次序，先前处理的结果能被其后的处理过程所应用；在并行算法中，所有判断和决定都可以独立地同时做出。一般串行算法的计算时间比较长，但其抗噪声性能也较强。上述这两个准则互不重合又相互补充，将分割算法依据这两个准则分成四类.

血管分割技术分类

阈值分割

---

        阈值分割是最常见的并行的直接检测区域的分割方法，同时也是最简单的分割方法。这种方法一般都对图像有一定的假设，假设图像的目标和背景占据不同的灰度级范围，在目标和背景内部的相邻像素间的灰度值差异较小，但在目标和背景交界处两边的像素在灰度值上有较大的差别。如果选取一个适当的灰度阈值T ，然后将图像中每个像素的灰度值与该阈值T 相比较，根据比较结果可以将像素分为两类：像素的灰度值大于阈值的为一类，它们被赋值 1；像素的灰度值小于阈值的为另一类，它们被赋值 0，这样就 得到了一幅二值图像，并把目标从背景中提取出来.通常根据先验知识确定分割门限，也可以利用灰度直方图特征和统计判决方法确定。
      图像的灰度直方图会呈现双峰一谷状。两个峰值分别对应于目标的中心灰度和背景的中心灰度，边界点位于目标周围，其灰度介于目标灰度和背景灰度之间，因此边界的灰度对应着双峰之间的谷点。为了使像素错分的概率达到最小，将谷点的灰度作为分割门限。由于直方图的参差性，直方图的谷值很难确定，需要设计特定的方法进行搜索。目前，有很多的方法可以确定最优阈值（谷底），如求取高斯模型参数的方法、对直方图曲线拟合求极值的方法等。

      如果分割阈值仅依据像素的灰度级确定，则得到的阈值是基于点相关的；如果分割阈值是由每个像素的局部邻域特性所决定，则得到的门限是基于区域相关的。基于点相关的常用阈值分割方法有最大类间方差法、直方图凹形分析法、矩不变门限法及最大熵法等.基于区域相关的阈值分割方法有松弛法、基于二阶灰度统计的方法、直方图转换法及基于过渡区提取的方法等。

      基于阈值的分割方法具有计算简单、运算效率高的优点。但是这类方法没有考虑空间特性，对噪声和灰度多样性敏感，对目标和背景灰度差异不明显的图像很难得到准确的分割阈值。在实际应用中，通常与其他图像分割方法配合使用，才能取得满意的效果。文献[55]由时飞磁共振血管造影图像中提取血管时，提出一个基于血流物理模型的统计模型。为了提高血管的分割能力，将 PCA 的速度和相位信息进行融合，分别采用自适应局部阈值方法和单一全局阈值方法分割两种不同的统计模型，使其附近信号非常低的动脉瘤取得较好的分割效果。文献[56]将局部阈值和全局阈值结合起来，对脑血管图像进行三维重建，使用局部阈值可以增强小血管的对比度，使用全局阈值可以将目标血管从背景中提取出来。

[55] Wilson D L, Noble J A. An adaptive segmentation algorithm for time-of-flight MRAdata [J]. IEEE Trans Med Imaging, 1999, 18(10): 938-945.
[56] Guo J K, Chen C H, Lee J Y, et al. 3-D image reconstruction of brain blood vessels from angiogram [J]. Computers and Mathematics with Applications, 1998, 35(8):
79-94.

 

边缘检测

---

      边缘检测是一种基于灰度不连续性的并行边界分割技术，是所有基于边界分割方法的第一步。因为边缘是目标和背景的分界线，提取出边缘才能将目标和背景区分开来。边缘检测一般利用目标和背景在某种特性上存在差异来实现，如灰度、颜色、纹理等特征。检测边缘一般常用一阶或二阶导数来完成，但在实际的数字图像中求导是利用差分运算近似代替微分运算.图像中处于边缘两侧的点，其灰度值发生突变，所以这些点将具有较大的微分值，当微分的方向和边界垂直时，微分值最大。可见，微分是有方向性的运算，用于测量微分方向上灰度级的变化。

梯度算子
      梯度对应一阶导数，所以梯度算子是一阶导数算子。在边缘灰度值过渡比较尖锐.且图像中噪声比较小时，梯度算子工作效果较好。公式中的偏导数需要对图像中每个像素位置计算，在实际应用中，常用小区域模板卷积来计算梯度。构成一个梯度算子需要两个模板。根据模板的大小以及系数值的不同，人们提出不同的算子.其中 Sobel 算子是先对灰度做加权平均然后再微分，所以它的效果最好。

拉普拉斯算子
      拉普拉斯算子是一种二阶导数算子.它通过寻找图像灰度值的二阶微分中的过零点来检测边缘点。在数字图像中，计算函数的拉普拉斯值一般也是借助各种模板实现。对模板的基本要求是对应中心像素的系数是正的，而对应中心像素邻近像素的系数是负的，而且它们的和应该是零。拉普拉斯算子一般不以其原始形式用于边缘检测，主要是由于存在以下原因：作为一个二阶导数，拉普拉斯算子对噪声具有无法接受的敏感性；拉普拉斯算子的幅值产生双边缘，这是复杂的分割不希望有的结果；另外拉普拉斯算子不能检测边缘的方向。由于以上原因，拉普拉斯算子在分割中所起的作用包括两个：一是利用它零交叉的性质进行边缘定位；二是确定一个像素是在一条边缘暗的一边还是亮的一边。

      对第一类作用，拉普拉斯算子与平滑过程一起利用零交叉的性质确定边缘的位置。可以将图像与2-D 高斯函数的拉普拉斯相卷积.这个公式一般叫做高斯型的拉普拉斯算子(Laplacian of a Gaussian，LoG).高斯型的拉普拉斯算子常被称为墨西哥草帽。可以看出 LoG 函数是一个轴对称函数.可以证明这个算子的平均值为零，如果将它与图像卷积不会改变图像的整体动态范围。但它与图像卷积会模糊图像，并且其模糊程度是正比于σ 值的。

 

图搜索

---

      基于边缘检测的方法得到的通常是一些不连续的点或线段，要想使这些点或线段有意义，必须采用其他方法将它们连接成连续的闭合的边界。通常可以采用霍夫变换、边界跟踪或图搜索等方法。边界跟踪的方法只利用图像的局部信息连接边界，所以受噪声的影响较大。霍夫变换虽然具有抗噪声的性能，但它只能于检测已知形状的目标，如直线或圆，对未知形状的目标无法检测。用图形方式表达边缘线段连接的方法，通常称为图搜索法.这种方法将边界点和边界段用图结构表示，通过在图中搜索对应最小代价的通道来找到闭合边界。图搜索法是一种全局的方法，它在图像受噪声影响较大时效果仍较好，其缺点是计算量较大。

      一般来讲，寻找最小代价通路问题就计算来看是很重要的。实际中常用的最短路径算法是 Dijkstra 搜索算法和动态规划算法,Dijkstra 算法的搜索速度比较慢，但是可以得到最优解；动态规划算法借助了一些启发式知识，虽然加快了搜索速度，但不能保证得到最优解。

尺度空间分析

---

      尺度空间分析的理论思想是对原始图像进行多尺度变换，得到图像多尺度下尺度空间表示序列，从粗到细提取图像的轮廓。传统的尺度空间理论将 Gaussian 基函数看作是唯一的尺度空间基函数，要求尺度空间满足两个性质：一个是因果性