基于双源CT图像的冠状动脉分割

基于双源CT图像的冠状动脉分割
黎丽华;黄岳山;杨荣骞;吴效明
【摘要】10.3969/j.issn.2095-4344.2012.39.017% 背景：在计算机辅助下，从双源CT图像中把三维冠状动脉分割出来能为其定量评价提供基础。

但冠状动脉的三维形态复杂多变，且其管径细小，因而实现冠状动脉的高精度分割是一项有挑战性的课题。

目的：解决冠状动脉难以实现高精度分割的问题。

方法：采用三步数据处理策略实现冠状动脉分割。

先采用阈值方法对三维双源CT图像进行预分割；然后，采用交互式的策略分割出与主动脉相连的左、右冠状动脉始端；最后，根据冠状动脉始端的位置，利用形态学方法和三维断层图像相邻层间的关系分割出三维冠状动脉。

结果与结论：提出的基于形态学与断层图像层间关系的分割方法能较精确地从双源CT图像中分割出左、右冠状动脉，说明该方法适用于三维冠状动脉的分割。

【期刊名称】《中国组织工程研究》
【年(卷),期】2012(000)039
【总页数】4页(P7298-7301)
【关键词】冠状动脉;双源CT;形态学;分割;断层图像
【作者】黎丽华;黄岳山;杨荣骞;吴效明
【作者单位】华南理工大学生物科学与工程学院生物医学工程系,广东省广州市510006;华南理工大学生物科学与工程学院生物医学工程系,广东省广州市510006;华南理工大学生物科学与工程学院生物医学工程系,广东省广州市510006;华南理
工大学生物科学与工程学院生物医学工程系,广东省广州市510006
【正文语种】中文
【中图分类】R318
冠状动脉病变往往提示存在心脏疾病[1]，近年来中国心脏病的发病率及死亡率均呈现上升趋势[2]。

双源CT能快速、无创地完成冠状动脉血管成像，能有效诊出冠状动脉病变[3-4]。

从双源CT图像中分割出冠状动脉有助于临床诊断。

然而，冠状动脉分割面临巨大挑战，其分割受图像噪声影响，且冠状动脉结构复杂；此外它被其他器官包围，周围解剖结构也十分复杂[5]。

冠状动脉分割方法大致分为Graph cut算法、区域增长方法、活动轮廓模型方法及基于中心线的分割方法等。

Graph cut算法[6]交互量大、分割效率低。

区域增长方法算法简单、分割速度快，已被广泛应用于血管管道分割[7-8]，但其依赖于增长准则，对结构复杂的冠状动脉难以确定一个普遍适用的准则。

活动轮廓模型方法包括snake算法和水平集算法[9-13]。

snake算法在二维图像上容易实现，但应用于三维图像时，参数会变得十分复杂；水平集算法能克服参数问题，但其计算效率较差，且边缘收敛不稳定。

基于中心线的分割方法能利用高水平信息提高算法的鲁棒性[14-16]，但它在冠状动脉狭窄或者存在冠状动脉瘤的情况下会得出错误结果。

Chen等[17]则结合snake算法和基于中心线的方法分割冠状动脉并得到较好的结果，但该方法仍未能分割出微小分支。

Department of Biomedical Engineering, School of Bioscience and Bioengineering, South China University of Technology, Guangzhou 510006, Guangdong Province, China
Li Li-hua★, Studying for master’s degree, Department of Biomedical Engineering, School of Bioscience and Bioengineering, South China University of Technology, Guangzhou 510006, Guangdong Province, China
****************.cn
Supported by: the National Natural Science Foundation of China,
No.81101130*; Special Funds of Central University Basic Scientific Research Foundation of South China University of Technology, No.2012ZZ0095* Accepted: 2012-03-19
为了更好地分割出冠状动脉，本文提出一种基于形态学与断层图像层间关系的分割方法以精确地分割出冠状动脉。

1.1 基于阈值分割方法的预分割阈值分割方法算法简单、分割效率高，能有效地对图像实现预分割，为下一步分割提供基础。

如图1a所示，本文首先利用交互式方法在主动脉区域选一个点(红色十字点)，并根据该点的值对当前层进行阈值分割；然后根据种子点所在位置分割出主动脉，如图1b所示。

为了更好地克服图像噪声，本文采用双阈值分割方法，把该层主动脉区域的最大CT值作为上阈值，最小CT值作为下阈值对三维图像进行预分割。

双阈值方法能在很大程度上克服噪声影响，但仍有部分区域未能正确分割，其结果存在空洞。

为此，本文采用空洞填补法解决此问题。

经空洞填补后，在阈值分割阶段被错误分割为背景的区域能重新分割到冠状动脉区域。

1.2 交互式分割冠状动脉始端冠状动脉起源于主动脉升部，因此在部分断层中冠状动脉始端与主动脉相连，且二者CT值相近，见图2a。

本文利用交互式方法把冠状动脉始端分割出来。

首先，根据区域间的连通性对预分割后的断层图像进行分区。

然后，找出左冠状动脉与主动脉相连的层，并在左冠状动脉区域单击提取主动脉与左冠状动脉区域，如图2b中红色十字点所示。

最后，利用矩形选框提取出冠状动脉部分。

图2c为分割结果，对左冠状动脉与主动脉相连的所有层利用上述方法进行处理即能分割出左冠状动脉始端。

如图2d，e所示，可利用相同的交互式方法分割出右冠状动脉始端。

由于冠状动脉与主动脉相连的图像层数不多，需要交互的图像一般在10张左右，而且交互方式简便，因此本方法操作简易、实现简便。

1.3 基于形态学与断层图像层间关系的分割方法在断层图像中，相邻层间有较好
的连续性，从垂直于断层面的方向上看，同一组织在相邻层图像中存在重叠部分。

如图3a所示，红色虚线表示冠状动脉外轮廓，3个圆表示3个连续层上的冠状动脉截面，从图中可见相邻层的冠状动脉存在重叠。

但在少数情况下，也存在相邻层冠状动脉不重叠的情况，如图3b所示。

虽然在这种情况下二者不重叠，但其距离相隔不远。

为了改善这种不重叠的情况，本文利用二值形态学膨胀对预分割后的两相邻层中的一层进行处理。

假设A为待膨胀的图像，B为结构元素，则A被B膨胀定义为：
示平移z的结果。

本文采用半径为3个像素的圆形结构元素，如图4所示，圆形
虚线为冠状动脉膨胀后的结果，膨胀后的冠状动脉截面与相邻层中的冠状动脉重叠了，由此可见形态学膨胀能克服同一组织不重叠的问题。

上式中为B相对于它自身原点的映像，表
本方法利用交互方法分割出冠状动脉始端后，①把始端所在层面作为当前层(层1)。

②对层1进行膨胀，根据区域连通性对层1的相邻层(层2)进行分区，并搜索层2
与层1中冠状动脉重叠的区域，记录下层2中的这些区域。

③接着层2作为当前层，并重复步骤②搜索下一层，直到在下一层中搜索不到重叠区域时停止搜索；通过上述步骤进行循环搜索即能从CT图像中分割出冠状动脉各分支。

图5所示为利用本文方法从双源CT心脏图像中分割冠状动脉的结果。

从图5可见，利用本文的方法能较好地分割出冠状动脉的各个分支。

为了更直观
地观察分割效果，本文把提出方法的分割结果与手动分割结果进行比较。

图6a所示为手动分割结果；图6b为本文算法结果与手动分割方法结果的比较，图中紫色部分是基于形态学与断层图像层间关系的分割方法的结果，绿色部分是手动分割方
法的结果。

由图中可见，本文方法的分割结果与手动分割结果基本一致，但在部分分支，本文方法仍有待进一步改进。

本文提出一种基于形态学与断层图像层间关系的冠状动脉分割方法，本方法首先利用双阈值法对三维图像进行预分割，然后利用交互式方法分割出冠状动脉始端，最后利用形态学方法以及冠状动脉在相邻层图像中的关系实现三维冠状动脉的分割。

本文方法能较好地分割出冠状动脉，但在血管末端部分仍有待完善，为此需进一步研究如何提高算法在分割血管末端中的精确性。

来自本文课题的更多信息--
基金声明：国家自然科学基金项目(81101130)，华南理工大学中央高校基本科研业务费专项资金(2012ZZ0095)。

作者贡献：实验设计为黎丽华与杨荣骞，实验实施为黎丽华，实验评估为杨荣骞与黎丽华，资料收集为黎丽华。

黎丽华成文，吴效明、黄岳山审校，杨荣骞与黎丽华对文章负责。

利益冲突：课题未涉及任何厂家及相关雇主或其他经济组织直接或间接的经济或利益的赞助。

伦理要求：没有与相关伦理道德冲突的内容。

文章要点：①本文提出一种基于形态学与断层图像层间关系的分割方法分割冠状动脉。

②本文方法是基于同一组织在相邻层图像中存在重叠关系的假设提出的。

③本文利用数学形态学方法解决部分相邻层中冠状动脉不重叠的问题。

作者声明：文章为原创作品，数据准确，内容不涉及泄密，无一稿两投，无抄袭，无内容剽窃，无作者署名争议，无与他人课题以及专利技术的争执，内容真实，文责自负。

【相关文献】
[1] Lü ZR,Liu M,Xue XL.Beijing:S cience Press, 2001.吕卓人,刘淼,薛小临.临床医学概论[M].北京:科学出版社, 2001.
[2] Hu SS,Kong LZ.Beijing: Encyclopedia of China Publishing House,2011.胡盛寿,孔灵芝.中国心血管病报告2010 [M]. 北京:中国大百科全书出版社,2011.
[3] Reimann AJ, Rinck D, Birinci-Aydogan A,et al. Dual-source computed tomography: advances of improved temporal resolution in coronary plaque imaging. Invest Radiol. 2007; 42(3):196-203.
[4] Jensen CJ, Jochims M, Hunold P,et al. Assessment of left ventricular function and mass in dual-source computed tomography coronary angiography: influence of beta-blockers on left ventricular function: comparison to magnetic resonance imaging. Eur J Radiol. 2010;74(3):484-491.
[5] Lesage D, Angelini ED, Bloch I,et al. A review of 3D vessel lumen segmentation techniques: models, features and extraction schemes. Med Image Anal. 2009;13(6):819-845.
[6] Li M, He H, Yi J, et al. Segmentation and Tracking of Coronary Artery Using Graph-Cut in CT Angiographic. Biomedical Engineering and Informatics, 2009. BMEI '09. 2nd International Conference on, 2009: 1-4.
[7] Hennemuth A, Boskamp T, Fritz D, et al. One-Click Coronary Tree Segmentation in CT Angiographic Images. International Congress Series. 2005; 1281: 317-321.
[8] Zhang ZX,Li HX,Chen XD,et al.Tianjin Daxue Xuebao. 2011; 44 (5): 454-457.张朝霞,李宏霄,陈晓冬,等.基于概率决策和区域生长的冠状动脉三维分割[J].天津大学学报, 2011, 44(5): 454-457.
[9] Kass M, Witkin A, Terzopoulos D. Snakes: Active Contour Models. International Journal of Computer Vision. 1988; 1: 321-331.
[10] O'Brien JF, Ezquerra NF. Automated Segmentation of Coronary Vessels in Angiographic Image Sequences Utilizing Temporal, Spatial and Structural Constraints. Proceedings of SPIE Visualization in Biomedical Computing, 1994.
[11] Raman V, Then P. Novelty towards Hybrid Segmentation of Coronary Artery in CT Cardiac Images. Software Engineering, Artificial Interlligence, Networking, and
Parallel/Distributed Computing, 2008. SNPD '08. Ninth ACIS International Conference on, 2008: 513-516.
[12] Wang Y, Liatsis P. A Fully Automated Framework for Segmentation and Stenosis Quantification of Coronary Arteries in 3D CTA Imaging. Developments in eSystems Engineering (DESE), 2009 Second International Conference on, 2009: 136-140.
[13] Wang Y, Liatsis P. An Automated Method for Segmentation of Coronary Arteries in Coronary CT Imaging. Developments in E-systems Engineering (DESE), 2010: 12-16. [14] Lesage D, Angelini ED, Bloch I, et al. Medical-Based Bayesian Tracking for Vascular
Segmentation: Application to Coronary Arteries in 3D Angiography. Biomedical Imaging: From Nano to Macro, 2008. ISBI 2008. 5th IEEE International Symposium on, 2008: 268-271.
[15] Lesage D, Angelini ED, Bloch I, et al. Bayesian Maximal Paths for Coronary Artery Segmentation from 3D CT Angiograms. Medical Image Computing and Computer-Assisted Intervention -MICCAI 2009. Springer Berlin / Heidelberg, 2009: 222-229. [16] Aylward SR, Bullitt E. Initialization, noise, singularities, and scale in height ridge traversal for tubular object centerline extraction. IEEE Trans Med Imaging. 2002;21(2):61-75.
[17] Chen K, Zhang Y, Pohl K, et al. Coronary Artery Segmentation Using Geometric Moments Based Tracking and Snake-Driven Refinement. Engineering in Medicine and Biology Society (EMBC), 2010 Annual International Conference of the IEEE, 2010: 3133-3137.。