颈动脉粥状硬化动脉三维重建
基于椭圆特征的改进模板匹配在B超图像颈动脉三维重建中的应用—3D reconstruction of carotid artery in B-mode ultrasound image using modified template matching based on ellipse feature
来源:MICCA 2020
作者:Made Gede Sunarya, Eko Mulyanto Yuniarno, Tri Arief Sardjono 等(印度尼西亚Singaraja Pendikan Ganesha大学教育信息工程系)
⚡️ 初步阅读笔记
📑课题原因
使用B型超声检测血管区域是医疗操作中的自动化应用(如注册和导航)所必需的。超声成像的局限性是对超声技师的技能、专业知识的要求,也是对数据采集知识的要求。它还会影响图像的质量。颈动脉粥样硬化可以通过颈动脉支架治疗。针头注射的起点不能确定,动脉的位置在人体内,因此,针头注射起点的确定只能靠估计,不能确定。为了能够确定它,第一步需要确定颈动脉的位置。
目前,颈动脉狭窄的检测和量化通常是通过磁共振(MR)、计算机断层扫描(CT)和超声(US)进行的。它们有助于干预中的决策过程。介入治疗的结果可用于辅助血栓抽吸机插入导管或清除斑块。相比于超声,CT和MR的血管造影的结果更好,但是MR不便于携带,且成本太高。CT有辐射问题。对于超声,不同的超声仪采集的数据有可能产生不同的图像,图像结果的不同会影响CA区域的定位和分割过程。自动确定CA区域的位置可以避免超声医师的主观性。
本研究的目的是利用二维B型图像重建冠状动脉管腔区域的三维物体。在本研究中,通过数据采集、预处理、分割、离群点分割选择、椭圆参数拟合和可视化方法进行重建。
📑解决问题
提出了一种基于椭圆特征的改进模板匹配方法进行颈动脉三维重建。通过数据采集、预处理、分割、椭圆参数拟合的离群点选取、可视化等步骤进行处理。与模板匹配法和Hough Circle法相比,经过预处理的方法具有最高的精度,准确率为99.41%,最小的标准偏差为1.05。所有数据的多项式拟合效果最好的是22阶多项式方程,平均误差为0.26303。
📑采用的数据集
使用的使10个人的颈动脉B型超声图像。图像是使用Smart US EXT超声模态和Echo Wave II软件获取的。换能器设置使用7.5 MHz的频率、30 mm的深度和85%-95%的增益。超声图像分辨率为600×400像素。所使用的数据是在探针沿右扫描方向移动的情况下从数据检索过程中获得的顺序数据。数据采集通过5厘米扫描进行,并标记数据采集的开始和终点。每个数据集都有几个帧,这些帧取决于探测器的速度。数据检索的条件是探头的位置和方向是一致的。图像包含空间数据,并且假设位置数据从数据采集的起始点到结束是连续的。
📑实现方法
本文采用的初始处理技术(用于图像增强)依次为高斯滤波、直方图均衡化、中值滤波和膨胀。
首先,第一部分使图像预处理。预处理过程是为了在分割过程中准备更好的数据。预处理过程的目的是准备显示颈动脉区域的图像。由于B超图像的视觉清晰度较低,且含有大量的噪声和斑点,因此需要对其进行预处理。提出了一种由高斯滤波器、直方图均衡化、中值滤波器和膨胀组成的预处理阶段。
第二部分是做图像分割,将颈动脉和周围的软组织分割开来,主要是用椭圆模型特征。(颈动脉定位是根据颈动脉评分(CAS)值确定的,对于给定的长轴a和短轴b,使用向外法线与椭圆点处相应图像梯度的点积计算颈动脉分数(CAS)。)
(最终的重建需要图像的椭圆形态的特征)
第三部分选择离群点,离群值选择是基于所有可用数据确定数据分割误差的过程。在分割过程中,颈动脉存在分割错误的可能性。通过确定每个数据具有最高CAS值的参数是否在每个参数的最小值和最大值之间来确定每个椭圆数据的离群值。
第四部分拟合椭圆参数,人体的形状比较光滑,所以数学拟合函数可以使颈动脉分段变得平滑。(直接用多项式拟合)
第五部分:三维重建,主要是从散乱的点云进行三维重建(G)
📑实验结果
每一部分结果:
预处理:
分割:
点云可视化:
分割方式比较:
多项式拟合次数:
📑个人总结
这篇paper主要是只能了解整个颈动脉的三维重建流程,包括数据预处理、图像分割、优化处理(离群点)和三维点云重建。但是最终的重建结果没有和其他方法做对比,而且多项式拟合并没有选择合理的方式来计算,只是完全的从1开始试,出现的22次也只适用于当前的数据集,也就是没有普适性。