血管造影圖像分割方法研究的現狀與進展*

楊澤鵬，李娜，張保昌，吳宗翰，楊俊，周壽軍△

(1. 華南理工大學廣州學院，廣州 510800；2. 深圳先進技術研究院，深圳 518055； 3. 火箭軍廣州特勤療養中心，廣州 510515)

1 引 言

血管疾病是人類面臨的重大疾病之一[1]。目前，針對血管疾病的診斷仍然依賴于各種血管造影技術，主要包括X射線/數字減影血管造影(DSA)、磁共振血管造影(MRA)、 計算機斷層掃描血管造影(CTA)和超聲血管造影。隨著圖像處理技術的快速發展，計算機輔助診療正在逐步成為現實。然而，由于成像模態和解剖學成像部位的多樣性，血管造影圖像的分割仍然是一個極具挑戰的問題。近年來，已有相關文獻對一些經典的模型驅動的血管分割方法進行了總結[2]，隨著血管分割技術的快速發展和特殊應用需求，新穎的模型驅動的方法得以繼續發展，其精度和計算效率不斷提高。此外，大數據和人工智能技術的快速發展，使得基于數據驅動的血管分割方法應運而生。我們對近年來前沿的血管分割方法進行回顧，并分為基于模型驅動和基于數據驅動。前者主要包括統計模型法、形變模型法、基于跟蹤的方法、混合模型法；后者主要包括基于特征構造的分類器學習方法和深度學習方法。各方法的主要特點，見表1。

表1當前主要的血管分割方法的分類和描述

Table1Classification and description of current vessel segmentation methods

方法與分類概念和特點模型驅動統計模型法用特定的混合概率分布擬合血管與背景像素的灰度分布。形變模型法圖像內定義的曲線或者曲面在內外力的工作下移動和變形,向目標輪廓演化。主要分為參數形變模型和幾何形變模型?；诟櫟姆椒ㄍㄟ^局部特定條件來約束種子點對血管結構進行提取,包括基于模型的跟蹤和基于MCP的跟蹤算法?；旌夏Ｐ头摵鲜褂枚喾N基于模型驅動的分割方法。數據驅動基于特征構造的分類器集成方法根據數據特征和標記值判別血管目標。深度學習方法通過卷積神經網絡自動學習圖像特征并判別血管結構。

2 基于模型驅動的分割方法

基于模型驅動的分割方法是指根據待處理數據中感興趣區域的相關特征(如灰度，形狀等)預設一個模型與目標區域的同類特征進行擬合或匹配，從而完成目標分割。此方法面臨的主要問題包括難以找到適合數據的模型和正確估計模型的參數。

2.1 統計模型法

統計模型法是指直接將圖像的各個像素或體素當作單獨的樣本，然后用一個有限混合概率模型去擬合這些樣本所服從的分布，通過各種參數估計算法得到一個完整的統計模型，最后由最大后驗概率對這些樣本進行分割，見圖1。近年來，統計模型法主要應用于腦血管的分割[3-5]，其中，有限混合模型的構造和模型參數估計是關鍵。統計模型法因其可快速自動地實現血管分割受到研究者的青睞。然而，現有的統計學模型主要利用特定解剖學部位圖像的空間灰度的統計學信息，忽略了空間形狀先驗，因此產生不連續的分割結果；Zhou等[3]通過引進馬爾可夫隨機場和多模態領域系統提高了統計學模型的分割性能。假如結合空間血管的復雜先驗信息，分割結果的完整性、精確性、有效性將獲得極大提升。

圖1基于統計學模型分割的基本工作流程(左右兩側分別是輸入圖像和分割結果的最大密度投影)

Fig.1Basic workflow of segmentation based on statistical model(the left and right figures are the maximum densityprojections of input image and segmentation result respectively)

2.2 形變模型法

形變模型又稱為活動輪廓模型(active contour model, ACM)或者‘蛇’模型(Snake)[6]，它通過在圖像內定義的曲線和曲面來描述目標的邊緣，并在內力和外力的作用下移動和變形，以此向目標輪廓演化；期間，內力保持曲線平滑，外力吸引曲線向血管邊界靠近。由于ACM需要初始化來啟動變形過程，因此該模型的局限性在于其魯棒性受制于模型對初始位置和噪聲的敏感性。鑒于ACM的構造相對簡單，可結合不同的外力和內力進行優化，尤其是針對模型的外力優化。研究者能夠依據不同血管分割環境，設計不同的測度并建立相應的外力[7-9]。當前，形變模型的熱點問題是針對形狀、大小各異的血管目標，如何將外力引導的形變約束和目標幾何的先驗知識相結合進行分割[8-9]。

2.3 基于跟蹤的方法

基于跟蹤的血管分割是一種基于局部測度的方法，需要確定種子點以及引導跟蹤過程的局部約束條件。初始種子點可以手工或自動設定，如利用匹配濾波算法獲取血管種子點[10]，相比于其他血管分割算法，跟蹤法最大的優勢是能夠保證血管結構的連續性。目前，主要的血管跟蹤方法為基于模型跟蹤(model-based tracking，MBT)和基于最小代價路徑(minimum-cost path, MCP)。

MBT方法通過在原始圖像中跟蹤預定義的局部血管模型來實現[11-12]，常用的局部模型為橢圓截面或圓柱體結構，跟蹤的每一步均通過尋找模型與局部圖像數據的最佳匹配結果來確定下一個模型的位置和方向。通常，強度或者梯度特征被用來獲取最佳匹配測度。

2.4 混合模型法

血管造影成像涉及多種數據模態以及個體化血管形態和病理特征，單一的分割方法難以解決血管影像分割問題。為此，研究者們通過綜合運用多種模型來達到最優分割效果。Tian 等[16]結合統計信息與血管形狀信息，提出了一種新的活動輪廓模型來分割腦血管。Zhao等[17]考慮到基于水平集的方法可以使活動輪廓收斂到血管邊界，而基于區域生長的方法可以獲取具有相似灰度的目標區域，因此結合這兩種方法能有效分割出視網膜造影數據中的血管。與此類似，Zeng等[18]提出了一種使用三維區域生長和混合活動輪廓模型的自動肝血管分割方法；Goceri等[19]結合圖像中不同的像素強度分布，在Kmeans聚類獲得的粗分割結果上采用形態學算子實現了肝血管分割。

上述基于模型驅動的四類代表性方法主要根據血管造影數據的灰度和形狀等信息，通過預設一個模型與目標區域的同類特征進行擬合或匹配，從而完成血管分割。模型驅動的方法主要優勢是計算效率可控，參數選擇可通過經驗和算法估計得到，并且在正則化建模前提下，可以通過學習自適應選擇參數來提高分割精度。模型驅動的方法存在對圖像的空間尺度、數據模態、血管的局部和全局特征有較大的依賴性，統一模型很難適應不同數據環境等問題和瓶頸。為此，基于數據驅動的方法是另一有效的研究策略。

3 基于數據驅動的分割方法

近年來，基于數據驅動的血管分割方法成為人工智能研究的主流方法。依據數據特征提取方式，數據驅動的方法可以劃分為基于特征構造的分類器集成方法[20-23]和深度學習方法[24-28]兩類。前者是典型的機器學習方法，結合一些濾波算子甚至手工勾繪方式，從輸入圖像中獲取更高層次的特征(即所謂的特征構造)，并通過一個分類器或多個分類器組合的方式對已提取的特征進行分類，從而完成血管的分割任務。隨著科學計算的硬件處理能力不斷提升，深度學習方法近幾年再次出現在大量研究工作中，它摒棄了繁瑣復雜的特征構造步驟，能夠在無人工干預的情況下促使模型獨自完成分類特征的學習和篩選這一復雜過程[29]。相對于傳統的機器學習，深度學習需要更龐大且全面的數據庫，通過數據挖掘獲取潛在的高層抽象特征，并建立準確的監督機制。由于深度學習能夠提取出傳統機器學習難以提取的高層特征，因此深度學習展現出了更加顯著的優越性。圖2表明了兩者的區別。

圖2傳統機器學習與深度學習方法的比較

(a).數據依賴性;(b).硬件需求;(c).特征可解釋性;(d)特征規模

Fig.2Comparison between traditional machine learning and deep learning methods

(a).data dependence;(b).hardware requirement;(c).feature interpretability;(d).feature scale

3.1 基于特征構造的分類器集成方法

該方法的基本規則是多類特征驅動的分類與聯合判別策略，該規則下的血管判別兼顧了不同數據特征和分類標記，每個訓練樣本組成包括逐個像素點的位置、提取的特征向量(如像素強度，濾波響應)和標記值。Rodrigues等[30]利用支持向量機(SVM)將視網膜血管從光學相干斷層掃描圖像中分割出來。Zheng等[20]建立了一個以心臟重心為原點的坐標系統，提取每個體素在該坐標系下的幾何特征，并且對增強后的圖像數據提取了梯度特征，再利用概率提升樹(PBT)來分割冠狀動脈。Fraz等[21]和Soares等[22]研究了Gabor濾波器[23]和高斯濾波器組合的特征向量生成算法，其中基于特征的AdaBoost分類器的視網膜血管分割還可以使用多特征構造方式。

3.2 深度學習方法

深度學習方法的實現主要采用卷積神經網絡(CNN)，在此基礎上的全卷積神經網絡(FCN)和U-net網絡能夠對數據進行端到端的訓練，從而高效地定位圖像目標[31]。Dasgupta等[24]和Mo等[25]利用FCN分割視網膜血管。Ronneberger等[26]改進了FCN網路結構并提出U-Net網絡。之后，很多研究在U-Net網絡框架上進行了一系列的改進[27-28]，Tetteh 等[28]將二維的U-Net網絡改進為三維網絡結構，并提出了DeepVesselNet網絡，成功用于核磁共振血管造影數據的腦血管結構分割、中心線提取和分支點探測。由于大多數方法都依賴于網絡的深度，并且需要大樣本，Wang等[32]提出一種新穎的循環U-net架構，既保留了原始U-Net的緊湊性又提高了網絡的分割性能。

4 總結與討論

我們對近年來一些前沿的血管分割方法進行了回顧，通過對這些方法進行分析發現：造影圖像存在強度不均勻性、噪聲、運動偽影等引起的圖像特征不清晰和結構不明確等問題仍是血管分割的主要瓶頸。模型驅動的血管分割取決于數據的一些先驗知識，由于不同成像模態的數據或者不同組織器官下的血管具有不同的先驗信息，使得模型驅動的方法很難具有通用性。目前，僅Lu等[5]在這方面進行了探索。他們基于多尺度濾波和統計學模型提出了一個普適的血管分割算法。此外，基于模型的分割技術需要在參數設置、模型擬合、血管骨架線跟蹤過程中常常需要干預，使得這些方法難以自動化并且對初始參數敏感；有些基于模型的分割技術是無參數的(例如幾何形變模型)，但它們受分辨率的限制，計算過程中需要的時間成本高。因此，減少模型驅動方法中的用戶交互或者采用一些并行的算法來提高計算效率，依然是這類方法研究的重點。另外，當前臨床方面的主要需求之一是分析病理血管的情況，然而大多數血管分割的方法受限于對健康血管的一些假設(比如線性或者圓形橫斷面)。對于含有病變的血管，這些假設或許不太適用，因此，對病理血管創建有效的模型也是當前和未來研究面臨的挑戰性問題。

總體來看，數據驅動的血管分割方法，尤其是深度學習方法，能夠獲得更加精確的結果。但由于缺乏公開的訓練數據集，大多數基于深度學習的血管分割方法僅僅用于視網膜血管；對于其他組織(腦部或肝臟等)的血管，其成像數據多為三維，并且其血管結構復雜，通過手工標注的方式構建相應的訓練數據非常耗時。因此，通過使用半監督或者結合模型驅動和數據驅動的方法來克服缺乏大量金標準成為當下研究的熱點。此外，基于模型驅動與數據驅動結合的方法進行血管造影分割是另一重要研究趨勢，深度學習的良好泛化能力必將有助于將血管分割技術應用于臨床的疾病診斷和手術計劃。