融合形状分类的血管造影图像多级分割*

王明霞 何坤金 刘宇兴 曹红飞

（1.河海大学物联网工程学院 常州 213200）（2.常州世纪鸟电动车制造有限公司 常州 213200）（3.河海大学商学院 常州 213022）

1 引言

血管相关疾病是世界公认致死率较高的疾病之一，且患病率逐年上升，严重威胁人类健康［1］。目前，血管疾病的诊断仍然依赖于经验丰富的医生通过观察血管造影图像，依据经验对病情进行诊断。在医生手工勾勒血管轮廓，实现血管分割的过程中，人工阅片通常受限于成像质量以及个人经验，诊断结果易受到主观因素的影响，导致分割工作具有耗时耗力、可靠性低、可重复性差的特点。因此，利用医学图像处理技术实现精确的血管分割，可以增加临床诊断的信息，帮助医生快速、准确地分割出血管，为病灶定位识别、可视化和定量分析提供了有力支持。

医学图像中常用的算法有区域生长［2］、阈值分割［3］、图割［4］等，但无法适应复杂血管图像的精准分割。Moccia 等［5］相关研究人员对不同部位、不同类别的血管图像使用的分割方法进行总结，但使用主动轮廓模型［6］分割血管造影图像中血管的较少。相比之下，由于分割精度高和拓扑适应性的优势，水平集方法［7］在引入图像分割领域后得到了广泛的应用。水平集方法作为一种主动轮廓模型，主要分为基于区域的方法和基于边缘的方法。基于区域的方法通过使用特定区域描述符（例如强度或纹理）区分图像前景和背景的区域，以指导轮廓的运动。Zhi 等［8］提出了一种基于边缘和区域的层次水平集模型，能够高效分割出目标轮廓，但该方法未考虑局部区域信息，分割杂乱背景或纹理图像的性能仍有待提高。Ge等［9］提出了一种基于Hessian矩阵和水平集的两步分割方法，该方法可以检测到冠状动脉末端、小血管分支和低对比度区域的血管，但权重系数会影响到分割曲线的平滑程度。基于边缘的方法通常利用边缘指示符将零水平集隐式地向边界目标轮廓收敛，以实现边缘提取。Zhong等［10］将区域一致性约束项用于基于区域和边缘的模型来提高水平集的稳定性；Khokhar 等［11］引入曲率特征能量函数应用于标准水平集函数，提高了轮廓曲线的演化能力，有效地减少了迭代次数，但并未考虑到图像的低对比度以及不均匀性问题。Yu等［12］提出了一种基于自适应扰动水平集的医学图像分割算法，避免了能量函数最小化陷入局部最优，使强度不均匀以及噪声图像的分割性能明显提高，但计算效率仍需优化；Zhou 等［13］设计了一个基于区域的指标嵌入到水平集模型中，有效地区分了图像的前景和背景，但野生图像会出现过分割问题。

上述研究成果在一定程度上促进了血管分割技术的发展，然而，由于血管造影图像具有血管结构复杂、灰度不均、存在伪影等特点，影响血管分割精度；单一的血管分割方法无法满足在较短时间内精确地提取出血管轮廓的需求；在诊断过程中，直接通过血管轮廓观察各血管结构费时费力。因此，本文以血管几何形态特征为基础，建立血管分类标准；其次，设计一种血管多级分割方法，实现血管整体轮廓和血管段的快速精准分割；最后，将分类标准融入血管分割方法，生成带有分类信息的血管轮廓，辅助医生高效诊断。

2 构建血管分类标准

血管形态结构复杂，采用直观的形式描述血管段的形态结构，能够提高血管相关组织的诊断效率。潘等［14］认为血管在解剖学上，整体呈带有分支的树状结构，局部上每段血管呈线性。Malota 等［15］指出血管段的基本形状参数化模型包括直线、弯曲和分叉部分。为直观地描述血管段特征，本文对血管的形态结构进行分析，采用规范的几何特征描述血管形态结构的重要特点，对血管分类，如图1 所示。

按照血管的几何特征，将血管造影图像中的局部血管段结构分为直线、弯曲和分叉部分，定义对应的血管类型为I型、v型、Y型。

首先，将血管中心线分段，主要思路如下：根据每个中心点的邻域信息将血管中心线分割成一组线段。具体思路如下：将有K相邻的点qi，qi被定义为pk点，首先，选择p1作为种子点，沿着p2跟踪直到遇到pn(n≥3)，标记该段为一段血管段，跟踪路径上的所有点都标有与种子点相同的边缘标签。其次，选择未标记的p2继续跟踪，使用与前述相同的跟踪策略。最后，依次分析未标记点的连通域。

对I型进一步细分；根据血管段的轮廓点集，生成最小外接矩形，定义血管衡量因数γ，如式（1）所示，其中E1为血管段外接矩形短边，E2表示血管段外接矩形长边。通过评估衡量因数的大小判断I型中粗细不同的血管段，0<γ<0.5 定义为I1型；0.5 ≤γ≤1定义为I2型，如图1（a）所示。对v型进一步细分；拟合血管段内中心线的点，计算拐点个数。利用拐点判断曲线的弯曲方向是否改变，将没有拐点的血管段定义为V1型，拐点大于等于1的定义为V2型，如图1（b）所示。

对Y型进一步细分；将Y型分为Y1型和Y2型，如图1（c）所示；Y1型是分叉点周围像素点个数为3的血管段，Y2型是分叉点周围像素点个数大于3 的血管段，定义如式（2）所示；pneibor表示血管分叉点相邻的点。

图1 血管的分类

3 带有分类信息的血管多级分割

为了帮助医生在较短时间内提取目标血管轮廓，本文采用多级分割方法，先通过粗分割快速得到血管的大致轮廓，考虑到粗分割后仍存在分割不准确的问题，因此，提出一种融合局部先验信息的血管分割方法，实现局部血管段的精准分割。

3.1 血管粗分割

血管的粗分割主要包括以下步骤：使用各向异性非线性滤波器［16］，去除噪声、保留血管边界特征将滤波后的图像增强。如图2（b）所示。为了降低时间复杂度和操作次数，对增强后的血管图像利用积分图像计算每个像素点的矩形窗口平均值［17］，将其与当前像素比较，大于则为255，反之为0，结果如图2（c）所示。根据血管轮廓边界近似平行的特点，使用最小二乘法将血管轮廓中的点拟合成曲线，基于平行曲线模型［18］保留血管结构，采用连通域标记法去除图像中连通域面积过小的区域，提取血管结果如图2（d）所示。最后，使用轮廓标记法绘制血管轮廓如图2（e）所示。

血管粗分割后提取血管中心线［19］，根据前述方法将血管中心线分段，利用血管分类标准，确定相邻特征点间血管段类型，根据分段的中心线与特征点，向血管轮廓做垂线，获得轮廓上的交点，确定分段血管轮廓位置起止点，将该段血管轮廓使用不同颜色标记，获得带有血管分类信息的血管轮廓。根据血管细分类标准，对血管段类型进一步细分并统计，展示不同类型血管段数量，如图2（f）所示，黄色点为Y型、绿色轮廓为v型血管段、红色轮廓为I型血管段。

图2 血管的粗分割

3.2 血管细分割

3.2.1 基于血管折线轮廓的局部区域生成

考虑到需精准定位到局部目标分割区域提取血管轮廓的需求，本文交互定位局部区域，相邻点间的线段为特征线段，多条特征线段自动生成的血管折线轮廓如图3（a）所示。根据折线段点集生成包含该段血管的局部区域。生成局部区域规则如下：首先，根据特征点形成的折线轮廓自动生成一个最小外接矩形R，长为H，宽为W。其次，令li=Wi初步确定特征线段的局部区域Ri，如图3（b）所示。以Ri的上下边缘边界点P1、P2为起始点沿着Ri边缘做射线，延长与血管图像相交得到，利用交点向边缘平行线做垂线，获得局部区域的最长宽度，将其作为局部区域的新宽度，最大程度地保证血管轮廓包含在局部区域Ri'内。

3.2.2 融合血管局部信息约束的水平集算法

为了在演化过程中充分利用血管图像的局部区域信息，限定血管分割范围，本文将多段血管折线轮廓生成的局部区域作为图像域，融入水平集算法［20］的初始化函数。初始化函数的定义为

C(x,R)表示折线端点集合在图像域R内，图像域R表示折线图像中依据折线生成的局部区域。xRoutside、xR、xRinside分别表示折线端点在外接矩形外、外接矩形上以及外接矩形内部；本文中所使用的初始化种子点包含于R内。

为解决各个局部区域相邻，折线端点处的血管轮廓未包含在外接矩形内导致血管轮廓分割不连续的问题，提出一个局部区域后处理算法，融合血管局部区域的特征，建立一个新的血管与区域之间的约束关系，利用融合局部信息的水平集算法分割血管。局部区域后处理算法主要包括如下步骤：Step1.调整局部区域边界。为保证Ri

'包含血管段完整信息，长上下各增加0.1H，避免因后续位置变换导致血管段上下界信息不完整的问题，具体步骤如图3（c）。

Step2.确定局部区域变换角度。局部区域相邻处易出现血管边界不完整的情况，需要通过角度变换，改变局部区域位置，使其包含血管边界。因此，计算相邻线段之间较小的夹角，定义其角度为θ，外接矩形与夹角θ之间的旋转角为，如图3（d）所示。

Step3.变换局部区域位置。将外接矩形的宽沿其与线段终点的交点旋转，直至外接矩形在交点处的边界线与θ的角平分线平行，如图3（e）所示。若待分割区域包含多段线段，则重复上述步骤，确保每个局部区域都进行后处理，最后分割结果图如图3（f）所示。

Step4.生成带有分类信息的血管轮廓。获得局部血管段轮廓后，利用血管细化算法［19］提取血管中心线，遍历血管中心线邻域点，若不含Y2的分叉点，将局部血管段轮廓标记为一段血管段，反之，则采用粗分割中血管中心线分区方法将中心线分段。根据血管分类标准，确定血管段类型，使用不同的颜色标记血管段，获得带有血管分类信息的血管轮廓，绿色表示v型血管段，如图3（g）所示。

图3 血管的细分割

4 实验结果与分析

4.1 实例分析

为验证本文方法的合理性和可行性，实验使用的平台是Visual Studio 2019 和OpenCV 4.0，以常州市第二人民医院中数位患者的血管造影图像数据作为样本，选取具有代表性的血管图像进行测试，每幅图像大小为512*512 像素，并以专业影像科医生绘制的血管轮廓作为参考标准，对血管造影图像进行实例测试。为便于与医生绘制的标准轮廓进行对比，实验中粗分割与细分割结果为不带有血管分类信息的血管轮廓。

4.1.1 本文粗分割结果及相关算法比较

1）本文粗分割结果

粗分割中各向异性滤波设置梯度模阈值k=3，积分常数dt=0.1，t=0.5，经多次测试，上述参数实验效果最佳，无需多次调节。

粗分割结果如图4（a）所示，与图4（b）中医生绘制的标准轮廓相比，整体分割效果良好，仅在血管较细和血管图像局部对比度低的区域，会出现分割不准确的情况。粗分割的血管分类结果如图4（c）所示。将医生指导的人工标注血管分类统计结果作为参考标准，图中Y型的分类数量大于人工分类数量，I型和v型与人工标注数量相差不大，原因是人工判断血管分叉结构较为粗略，对距离较近的血管分叉点可能会遗漏。可以看出，与人工标注结果相比，本文分类方法具有较好的性能，结果相对稳定。

图4 血管粗分割结果

2）粗分割结果对比

为进一步验证所提粗分割方法的实用性，将血管粗分割方法与Revol等［21］、Hibet等［3］、Wan等［23］三种同样用于血管整体分割的方法进行比较，如图5所示。其中，图5（b）能够提取出血管主干，但无法分割较细血管；图5（c）能够分割出宽而细的血管，但在对比度较差的区域效果欠佳；图5（d）整体分割效果最好，能将大部分血管轮廓分割出来，但其分割结果需要多次调节分割参数，且分割结果中仍存在少量非血管干扰；相比之下，本文粗分割方法无需多次调节参数，能够自动提取出血管主干和部分较细血管，在一定程度上克服了因血管图像灰度不均造成的问题。

图5 本文粗分割方法和其他文献方法结果比较

4.1.2 本文细分割结果及相关算法比较

1）本文细分割结果

对图6（a）中粗分割不准确血管段进行细分割。通过少量交互选取待分割血管段，对其进行分割，经过多次实验，细分割方法中最佳演化参数设置如下：长度权重系数λ=5，扩散系数α=-3，正则化权重系数μ=0.2，迭代次数为120，结果如图6（b）所示，图中不同颜色表示识别出的血管段类型。可以看出，细分割方法能够准确地提取出目标血管，分割结果接近图6（c）中医生绘制的标准轮廓，对血管图像中较细及低对比度的血管段，本文所提方法仍能获得较好的分割结果。

图6 血管段细分割结果

2）细分割结果对比

将本文细分割方法与Lu 等［22］、Khokhar 等［9］及Ge 等［6］所提同样使用水平集对血管分割的方法进行比较，为保证公平性，图像初始化区域大小和迭代次数都相同，图7 为对同一血管段进行细分割的局部放大图。可以看出，其他方法在对比度低、灰度不均的血管图像中，会出现分割不连续或分割不足的问题，在此情况下，本文细分割方法仍能提取出较完整的血管轮廓，具有较强的抗干扰能力。

图7 本文细分割方法和其他文献方法结果比较

4.2 定量分析

4.2.1 评价指标

本文采用Dice 系数、相对体积差（Relative Vol⁃ume Difference，RVD）、95%Hausdorff 距离（HD）作为评价指标［23］，评估所提算法分割的准确性。

1）Dice 系数中Aimp表示改进分割算法获得的模型面积，Atruth表示医生手动绘制的标准轮廓面积，定义为

2）相对体积差中的Aimp和Atruth与式（4）相同，用于评估过分割和欠分割，定义为

3）HD 距离值可以度量两个点集合之间的误差，在本文中改进的分割方法区域轮廓坐标集合为Cimp={x1,x2,…,xn}，医生绘制的标准轮廓坐标集合为Ctruth={y1,y2,…,yn}，定义为

式中，‖ ∙‖ 表示欧氏距离。由于HD 距离易受到非常小的子集的影响，因此选择使用95%的HD 距离消除离群值。

4.2.2 分割结果定量评估

为进一步证明本文方法的性能，将医生绘制的轮廓作为参考标准，计算上述三个评价指标，分别定量分析本文粗分割和细分割方法与其他算法分割性能，结果如表1、2所示。

表1 为粗分割方法与其他分割方法的定量比较。可以看出，粗分割方法各项指标高于Revol 和Hibet等所提方法，部分略低于Wan等提出的方法，但总体相差不大，原因在于Wan主要改善复杂血管的描绘。从分割时间看，本文粗分割方法用时最短，Wan 分割时间较长，表明本文粗分割能在较短的时间内提取大部分血管轮廓，同时保证血管分割精度，满足实际需求。表2 为本文细分割方法与改进的水平集血管分割算法对比，本文所提方法的Dice 系数为0.98±0.02，高于其他方法，95%HD 值最小，RVD 值接近于0，说明细分割方法分割的轮廓几乎与手工分割的一致。此外，本文方法用时最短，综合来看，本文细分割方法是一种高效的方法。

表1 本文粗分割方法和其他文献方法的定量比较

表2 本文细分割方法和其他文献方法的定量比较

综上所述，本文粗分割能够快速准确地分割出大部分血管轮廓，细分割在保证血管分割精度的同时提升了速度，可见本文方法具有较好的临床使用价值。

5 结语

针对计算机辅助医学领域中血管分割的研究问题，本文提出一种融合形状分类的血管图像多级分割方法。本文方法的主要特色有：1）针对传统的分割算法初始化后仍需调节各项参数来控制演化的速度以及范围的问题，本文利用折线轮廓生成局部区域，缩小血管分割范围，实现血管轮廓的精准提取，具有更高的灵活性。2）考虑到血管折线线段之间的相邻特性易导致血管分割不连续的问题，本文采用局部区域后处理算法优化初始区域，改变局部区域的空间位置，保证血管分割的完整性。3）利用血管几何特征量化血管结构，识别出血管轮廓中包含的血管段类型，为医生快速诊断提供了参考。实验结果表明，本文方法在保证血管分割精度的同时，缩短了分割时间，并在血管轮廓中有效地融入了血管段形态信息。本文分割方法仍有一些局限性，对于血管对比度低处微血管的提取，与手动分割效果相比，不是很完美。在未来的工作中，为了达到对其精准分割的目的，将提高本文分割方法在微血管处的分割精准度。