基于区域增长与局部自适应C-V模型的脑血管分割

软件学报ISSN1000-9825,CODENRUXUEWE-mail:[e-mail],2013,24(8):1927−1936[doi:10.3724/SP.J.1001.2013.04394]©中国科学院软件研究所版权所有.Tel/Fax:[phone]基于区域增长与局部自适应C-V模型的脑血管分割∗解立志1,周明全2,田沄2,武仲科2,王醒策21(认知神经科学与学习国家重点实验室(北京师范大学),北京100875)2(北京师范大学信息科学与技术学院,北京100875)通讯作者:周明全,E-mail:[e-mail]摘要:提出了一种针对TOFMRA(time-of-flightmagneticresonanceangiography)磁共振图像的双重分割脑血管提取方法.首先结合高斯滤波,采用二维OTSU算法,结合MIP(maximumintensityprojection)图像获得三维血管种子点,定义全局与局部信息相结合的区域增长规则,通过区域增长算法对血管进行粗分割;然后,采用Catt扩散模型对体数据场进行各向异性滤波,提出了局部自适应C-V模型,将初步分割结果作为自适应活动轮廓模型的初始轮廓线进行二次分割.实验结果表明,该算法不仅能够有效分割脑血管粗大分支,而且还能精确提取脑血管的细小结构.关键词:脑血管分割;二维OTSU;区域增长;局部自适应C-V模型中图法分类号:TP391文献标识码:A中文引用格式:解立志,周明全,田沄,武仲科,王醒策.基于区域增长与局部自适应C-V模型的脑血管分割.软件学报,2013,24(8):1927−1936.英文引用格式:XieLZ,ZhouMQ,TianY,WuZK,WangXC.CerebrovascularsegmentationbasedonregiongrowingandlocaladaptiveC-Vmodel.RuanJianXueBao/JournalofSoftware,2013,24(8):1927−1936(inChinese).(NationalKeyLaboratoryofCognitiveNeuroscienceandLearning(BeijingNormalUniversity),Beijing100875,China)2(CollegeofInformationScienceandTechnology,BeijingNormalUniversity,Beijing100875,China)Correspondingauthor:ZHOUMing-Quan,E-mail:[e-mail]:Thispaperpresentsaneffectiveapproachtoextractcerebrovasculartreefromtime-of-flight(TOF)magneticresonanceangiography(MRA)images.Theapproachconsistsoftwosegmentationstages.Inthefirststage,Gaussianfilteringisimplementedforthe3Dvolumetricfield.Byvirtueofthemaximumintensityprojection(MIP)imagesegmentedbythetwodimensionalOTSUalgorithm,3Dvesselseedsareobtained.Theregiongrowingruleisdefinedbycombiningtheglobalinformationwiththelocalinformation,andthentheroughsegmentationisimplementedbytheregiongrowingalgorithm.Insecondstage,theoriginalvolumedataisfilteredbyananisotropicfilteringbasedonCattdiffusion.AlocaladaptiveC-Vmodelisproposed,andtheinitialcontourofthemodelissetbyemployingthefirstsegmentedvessels.Thentheaccuratesegmentationisrealizedbythecontourevolution.Experimentalresultsshowthattheproposedalgorithmisnotonlyabletoeffectivelysegmentthethickvessel,butalsoabletoaccuratelyextractthethinnervesselswithweakboundaries.Keywords:cerebrovascularsegmentation;2DOTSU;regiongrowing;localadaptiveC-Vmodel随着医学影像的快速发展,医学图像分割在医学影像处理与分析中的地位越来越高,分割的准确性对目标组织重构结果的准确性和完整性,甚至对医生判断疾病的真实情况并做出正确的诊断计划都是至关重要的.脑∗基金项目:国家自然科学基金(61003134,61170170);北京市自然科学基金(4081002)收稿时间:2012-04-21;定稿时间:2013-03-111928JournalofSoftware软件学报Vol.24,No.8,August2013血管相对于人体其他解剖结构具有结构复杂、占图像比例小、与周围组织难以区分等特点,这些特性使得脑血管分割成为医学图像分割领域的难题.区域增长法和活动轮廓模型(activecontourmodel,简称ACM)法是当前血管分割的常用方法.区域增长算法[1,2]的研究主要集中在搜索方向和增长规则上.Yi[3]等人提出了局部自适应的区域增长血管分割算法.该方法借助一个小的局部立方体实现对血管段检测,逐一对每个小立方体进行分割,后续小立方体的选择依据其6个面的连通分量确定,每个小立方体内血管的分割通过局部自适应竞争区域增长实现,同时将局部立方体用树结构存储起来,以便对分割结果的不同血管分支进行编辑,但该方法难以分割细小血管.Eiho等[4]人提出了基于分支结构的脑血管自适应区域增长算法.该方法将每个感兴趣区域局部特征作为自适应的生长条件,生长的过程每次仅在1个分支上进行,即检测到分支后,将其中一支继续生长,其余分支的种子点入栈,待当前分支生长结束,再从栈中取去其他种子点,继续生长.这样能够根据其周围属性采用最优的生长条件,但算法运算复杂度高,局部生长规则难以定义.基于ACM的三维血管分割的思想:血管模型是由一个待恢复血管结构形状的形变曲面表示,然后对其进行演化.依据模型的不同,可分为参数ACM和几何ACM.参数ACM[5]依赖于轮廓演化的显性拉格朗日描述,其优点是具有较高的计算效率,易于在二维空间实施.然而此模型难以处理拓扑结构变化的问题;另外,在三维空间中,模型参数化变得异常复杂.尽管一些学者对其进行了改进,但其基本思想都是假定一个预先定义的参数化的固定拓扑结构的曲面.在血管分析中,圆柱或被血管中心线参数化的线状形状较常用[6,7].这些模型通常只有在用户交互的情况下才能抽取整个完整的血管.此外,由于管状形状的限制,在一定程度上制约了这种模型对病变异常形状的表示,如狭窄和大的动脉瘤.几何ACM借助水平集理论[8],将曲线嵌入在高维曲面中,曲线作为超平面的零水平集,能够通过自动分裂和合并的方式自然地解决拓扑结构的变化问题,这使得该模型非常适合对复杂血管结构(如脑血管)的自动分割.几何ACM可分为基于边缘的ACM、基于区域的ACM以及基于边缘与区域相结合的ACM[9].基于边缘的ACM单纯依赖梯度信息进行形变演化,如测地线模型[10],解决了传统Snake模型[11]存在的问题,但对局部极小值较敏感;同时,在曲率约束下,仅依靠1个非参数化曲线,致使演化线主要朝初始轮廓线的1个方向演化,这需要将初始轮廓线完全设置在真实物体边缘的内侧或外侧.另外,这类算法存在难以分割边缘模糊物体的问题.为此,一些学者对基于区域的ACM进行了研究,该模型利用同质区域的相似性来驱使活动曲线朝着目标物体边界逼近.典型的区域ACM通常假设在图像的每一区域中灰度是不变的,其中最具代表性的是C-V模型[12].该模型通过图像的统计区域特征来驱动轮廓线的演化.它能够实现全局最优,而且对初始轮廓线不敏感.但该模型难以处理灰度分布不均匀的血管,若能充分利用血管图像局部信息,则可以解决这一问题.针对上述问题,本文提出了区域增长与局部自适应的C-V模型相结合的脑血管分割算法.首先,通过二维OTSU算法借助MIP(maximumintensityprojection)算法获取三维体数据场区域增长种子点;然后,结合新的区域增长规则得到初始分割结果;最后,提出局部自适应C-V模型,以初始分割结果作为初始轮廓线,结合Catta滤波实现脑血管的精确分割.1分割算法框架本文的分割算法框架如图1所示,可分为以下几个步骤:Step1.对原始体数据场进行高斯滤波,并获取其沿轴状面的MIP投影.Step2.采用二维OTSU算法对MIP图像分割,结合三维体数据场获得脑血管三维空间初始种子点.Step3.运用改进的区域增长算法获得脑血管初始轮廓.Step4.采用Catta扩散模型对原始体数据场进行各向异性滤波.Step5.以区域增长结果作为初始轮廓线,应用局部自适应C-V模型对脑血管精确分割.解立志等:基于区域增长与局部自适应C-V模型的脑血管分割1929MIP投影2维OTSU局部自适应C-V算法三维体数据场高斯滤波高斯平滑之后体据场MIP图像三维空间种子点区域增长血管轮廓各项异性滤波之后体数据场Catta滤波最终分割结果区域增长算法Fig.1FlowchartofregiongrowingandlocaladaptiveC-Vmodelalgorithm图1区域增长与局部自适应C-V脑血管分割算法流程图2MIP图像通过二维OTSU算法提取种子点2.1数据预处理脑血管在整个脑组织中所占比例较小(5%),当采用统计学分割方法时,由于估计的血管(较高亮度)分布均值可能会向低灰度区域平移,通常会导致过分割或欠分割问题.但是经过MIP投影之后,脑血管所占比例明显加大,借助二维OTSU算法能够准确区分出脑血管与周围组织.为了去除噪声,首先对三维体数据场进行高斯滤波.2.2二维OTSU算法二维OTSU算法[13]是对原始OTSU算法[14]的改进.该算法将邻域像素作为参考加入到最优函数的设计中.设fij表示图像中灰度值为i并且该像素周围邻域内像素灰度均值为j的像素的出现频率,则二维联合概率分布密度为pij=fij/N,其中,111.LLijijp−−=∑∑设P0,Pb分别表示目标区域和背景区域对应的概率.当阈值为(s,t)时,其值分别为1100011,,stLLijbijijisjtpppp−−========∑∑∑∑其中,L表示图像的大小为L×L.设c0和cb分别表示目标区域像素集合和背景区域像素集合,则其对应的灰度均值矢量分别为0000000(,)(|),(|)s