冠狀動脈造影圖像處理應用研究

周 瑩，鄭存芳，李杰寧，陳 妍，張 弛，奚 濤，李國翚

(1.燕山大學 信息科學與工程學院，河北 秦皇島 066004； 2.天津醫(yī)科大學總醫(yī)院，天津 300052； 3.北京中研廣匯科技有限公司，北京 100080； 4.天津開發(fā)區(qū)奧金高新技術(shù)有限公司，天津 300072)

0 引 言

診斷冠心病(冠狀動脈粥樣硬化性心臟病)的一種常用方法是對冠狀動脈進行造影。冠脈造影是一種較為安全可靠的有創(chuàng)診斷技術(shù)，現(xiàn)已廣泛應用于臨床，被認為是診斷冠心病的“金標準”[1]。雖然近年來超聲成像技術(shù)、核磁共振成像技術(shù)等已逐步在臨床上應用，但由于成本高昂、操作復雜，存在誤診、漏診等現(xiàn)象，始終不如冠狀動脈造影技術(shù)應用廣泛。隨著計算機技術(shù)的不斷發(fā)展，圖像處理技術(shù)也廣泛應用于醫(yī)學領域。

計算機輔助測量診斷的目的是幫助內(nèi)科醫(yī)生在異常檢查、疾病定量分析及損傷診斷等方面提供參考意見[2]。對冠狀動脈造影進行數(shù)字圖像處理，不僅可以判斷患者冠狀動脈的狹窄程度，而且可以為斑塊診斷提供可靠參考。

該文將從冠狀動脈造影的圖像分割方法、狹窄程度的分類和斑塊性質(zhì)的判斷三個方面著手，闡述有關冠狀動脈造影的圖像處理方法。

1 冠狀動脈分割方法概述

對造影圖像中冠狀動脈進行分割，是從背景圖像中提取動脈圖像的過程。由于復雜的血管形態(tài)，造影劑的分布不均以及成像過程中存在噪聲等原因[3]，可能導致造影圖像模糊不清，使冠脈造影圖像分割技術(shù)頗具挑戰(zhàn)性。國內(nèi)外學者對醫(yī)學圖像分割進行了深入研究并提出多種不同的分割方法。該文將根據(jù)區(qū)域間不連續(xù)性和區(qū)域內(nèi)相似性兩個規(guī)則[4]，將圖像分割技術(shù)分為三類：基于邊界的、基于區(qū)域的和結(jié)合特定理論和工具的。

1.1 基于邊界的技術(shù)

基于區(qū)域邊界進行圖像分割的原理是灰度的不連續(xù)性，其基礎是邊緣檢測。邊緣檢測是先檢測出邊緣像素，再將邊緣像素點連成整體，這樣就構(gòu)成了目標區(qū)域的邊界線。因為邊緣是目標區(qū)域和圖像背景的分界線，只有檢測出邊界才能將目標和背景區(qū)分開來，所以邊緣檢測是邊界分割技術(shù)的第一步。

檢測邊緣一般常用一階或二階導數(shù)來完成，但在實際的數(shù)字圖像中求導是利用差分運算近似代替微分運算[5]：

Δxf(m,n)=f(m,n)-f(m-1,n)

(1)

Δyf(m,n)=f(m,n)-f(m,n-1)

(2)

Δαf(m,n)=Δxf(m,n)cosα-Δyf(m,n)sinα

(3)

其中，f(m,n)為像素點(m,n)的灰度值，Δxf(m,n)和Δyf(m,n)分別表示灰度在x和y方向上的變化率，Δαf(m,n)表示在方向α上的灰度變化率。

在基于邊界的圖像分割技術(shù)中，該文將根據(jù)給出模型方式的不同介紹基于模型的兩種方法：參數(shù)化變形模型和幾何化變形模型。

參數(shù)化變形模型是將待分割的圖像模型進行參數(shù)化表達，其中最常用的就是活動輪廓模型。活動輪廓模型由M. Kass等人[6]提出，這種模型定義了圖像中可變形的參數(shù)曲線和對應的能量函數(shù)。因為曲線的移動形似蛇，所以又叫“蛇線”模型。蛇模型的核心思想是泛函最優(yōu)逼近理論，通過對能量函數(shù)的動態(tài)優(yōu)化得到能量函數(shù)的局部最優(yōu)解，從而獲得目標的真實輪廓。Li Weifeng等[7]使用霍夫圓變換檢測冠狀動脈造影切片中升主動脈的位置，逐段分割升主動脈并使用蛇模型擬合升主動脈的輪廓。該方法很大程度上保證了冠狀動脈的完整性。

幾何變形模型是根據(jù)水平集和曲線演化理論，利用高維標量函數(shù)的水平集以隱式方式表達曲線或曲面，其中最具代表的是水平集方法[8]。水平集方法也叫集合活動輪廓模型，是一種關于演化表面的函數(shù)。水平集方法的優(yōu)點是可以在笛卡爾網(wǎng)格上對演化中的曲線曲面進行數(shù)值計算而不必對曲線曲面參數(shù)化。水平集方法的另一個優(yōu)點是可以方便地追蹤物體的拓撲結(jié)構(gòu)改變。水平集方法可以解決參數(shù)活動輪廓模型的一些不足之處，例如能量函數(shù)極小化的過程中不易陷入局部極小值等。

1.2 基于區(qū)域的分割技術(shù)

區(qū)域分割技術(shù)是基于灰度連續(xù)性，將具有某種相似性質(zhì)的像素連通起來，把圖像空間劃分為互不重疊的區(qū)域，從而達到分割的目的。這種方法考慮了像素的相似性和空間上的鄰接性，有效地克服了其他方法圖像分割空間不連續(xù)的缺點，可以有效消除孤立噪聲的干擾，具有較強的魯棒性。基于區(qū)域的分割技術(shù)主要有閾值法、區(qū)域生長法。

閾值分割[9]是常見的直接對圖像進行分割的算法，根據(jù)圖像像素的灰度值的不同而定。對單一目標圖像，只需選取一個閾值，即可將圖像分為目標和背景兩大類，這個稱為單閾值分割；如果目標圖像復雜，選取多個閾值，才能將圖像中的目標區(qū)域和背景被分割成多個，這個稱為多閾值分割，此時還需要區(qū)分檢測結(jié)果中的圖像目標，對各個圖像目標區(qū)域進行唯一的標識進行區(qū)分。閾值分割的顯著優(yōu)點是成本低廉，實現(xiàn)簡單。當目標和背景區(qū)域的像素灰度值或其他特征存在明顯差異時，該算法能非常有效地實現(xiàn)對圖像的分割。

閾值法流程如圖1所示。

區(qū)域生長法[10]是從某個種子點開始，根據(jù)預設的圖像處理規(guī)則，對圖像中的像素進行選擇歸總，不斷向區(qū)域中增加符合預設規(guī)則的像素點直到不再有新的點被加入?yún)^(qū)域即可終止生長[11]。區(qū)域生長法依賴用戶提供種子點和預設圖像處理規(guī)則，所以處理結(jié)果可能會因人而異，且由于圖像亮度的變化和噪音，分割過程中容易引起欠分割和過分割，所以需要對分割結(jié)果進行后期再處理。因為區(qū)域生長法存在有待優(yōu)化的問題，所以可以對其進行改進。例如，將區(qū)域生長法與自適應異值擴散濾波、離散小波變換等相結(jié)合，實現(xiàn)無種子點全自動分割。

圖1 閾值法流程

1.3 結(jié)合特定理論和工具的分割技術(shù)

醫(yī)學圖像在成像時有許多干擾因素，例如心臟運動造成的偽影，不同組織相同或相似值的干擾，最終都會導致圖像的分辨率不高，進而給圖像分割增大了難度。許多學者為了改善血管分割的結(jié)果，提出了一些改進模型和算法，這些模型和算法結(jié)合了特定的理論和工具。例如：結(jié)合形態(tài)學的數(shù)學形態(tài)學方法，代表算法是頭帽變換和分水嶺變換；利用廣義血管模型作為知識來源的人工智能法；結(jié)合小波理論、模糊理論、遺傳算法、神經(jīng)網(wǎng)絡等圖像分割方法。

1.4 現(xiàn)有方法存在的缺陷

盡管科研學者對血管圖像分割做了許多研究工作，但是由于血管組織的復雜性，目前仍沒有完美的分割方法可以實現(xiàn)各種情況下血管造影圖像的分割。每種方法都是在付出某方面代價的基礎上獲得另一面的提高。現(xiàn)有分割方法存在的缺陷主要集中在以下方面[5]：

(1)模型假設過于理想化。例如，一般假設血管橫截面為圓形，但是對于血管病變部位該假設不一定成立，最終將可能導致提出的模型和臨床數(shù)據(jù)之間存在偏差。

(2)算法的局限性。針對特定成像模式提出的算法，難以適用于其他成像模式。

(3)算法自動化程度不高。算法中參數(shù)的估計和調(diào)整需要人為操作，有些算法還需要人工選擇種子點或終止點。

1.5 冠脈造影圖像分割專利

SYNTAX評分系統(tǒng)采用冠狀動脈樹16分段方法，結(jié)合冠狀動脈的優(yōu)勢分布、病變部位、狹窄程度和病變特征，對直徑≥1.5 mm，狹窄程度≥50%的病變進行評分。目前，臨床醫(yī)生基于冠脈造影圖像人工計算SYNTAX評分，其評分程序復雜，計算量大，增加了醫(yī)生的工作量，所以SYNTAX評分尚未廣泛應用于臨床中。

為將SYNTAX評分更好地推廣向臨床，北京工業(yè)大學發(fā)明了基于冠狀動脈造影圖像分割的SYNTAX自動評分方法[12]。該發(fā)明規(guī)避了臨床上現(xiàn)有的人工計算SYNTAX評分的計算量大、計算步驟繁瑣、評分標準復雜、計算時間長等問題。

北京紅云智勝科技有限公司[13]通過選取分段造影DICOM視頻中任意一幀圖片作為訓練樣本，將訓練樣本輸入神經(jīng)網(wǎng)絡中。所述神經(jīng)網(wǎng)絡由卷積神經(jīng)網(wǎng)絡模塊、金字塔模型和反卷積層組成。卷積神經(jīng)網(wǎng)絡模塊接收訓練樣本，金字塔模塊接收需要分割和識別的血管特征圖，應用金字塔融合的方法，輸出不同尺度的血管特征圖至反卷積層。此方法消除了由于背景像素和血管像素比例差異較大而導致的分類不均衡問題，也有效避免了圖像背景中類似血管狀的紋理引入的干擾，提高了分割精確度。北京郵電大學[14]也利用造影DICOM視頻獲取圖片作為訓練樣本，但是此方法采用光流法表示幀與幀之間的關聯(lián)性，將血管的變化信息加入分割方法中，從而獲得了較好的結(jié)果。

以上發(fā)明解決了冠脈造影圖像在血管分割方面存在的不同問題，提高了血管識別和分割的精確度，為冠狀動脈的診斷和治療提供了依據(jù)。

2 狹窄程度判斷

心血管疾病具有高患病率、高致殘率和高死亡率的特點，其發(fā)病的原因是動脈粥樣硬化引起的管腔狹窄甚至阻塞形成血栓，從而引發(fā)心肌梗死或腦梗死等嚴重后果，因此研究冠狀動脈的狹窄程度對治療心血管疾病具有重要意義。

目前，冠狀動脈的狹窄程度主要根據(jù)管腔直徑的收縮度進行判斷[15]，其計算方法為：

血管狹窄程度(%)=(狹窄段正常血管直徑-狹窄段直徑)/狹窄段正常血管直徑*100%。

按照管腔狹窄程度可以將其劃分為5級，如表1所示。

表1 管腔狹窄程度的等級劃分

識別冠脈狹窄程度的專利：

浙江理工大學發(fā)明公開了一種識別DSA冠狀動脈圖像中局部血管狹窄程度的方法[16]。此發(fā)明實現(xiàn)了冠脈血管病灶的交互式測量，減少了人工參與帶來的診斷偏差與低估問題，輔助醫(yī)生對造影影像進行快速、準確的處理和分析，保證了實際診斷中的應用效率與客觀性要求。此方法系統(tǒng)流程如圖2所示。

圖2 系統(tǒng)流程

北京紅云智勝科技有限公司發(fā)明了一種基于深度學習的測量冠狀動脈造影圖像血管直徑的方法[17]。該方法避免了不同醫(yī)生、不同醫(yī)院之間由于判讀方法不同而存在的差異，此方法測量過程不需人工干預，操作方法簡單易行，可供醫(yī)生在冠脈造影術(shù)進行中使用，為醫(yī)生提供客觀的參考冠脈狹窄程度。該方法操作流程如圖3所示。

3 斑塊性質(zhì)

粥脈硬化斑塊根據(jù)其穩(wěn)定性和主要成分的不同，分為穩(wěn)定斑塊和不穩(wěn)定斑塊。不穩(wěn)定斑塊又稱為易損性斑塊。其病理特征主要有：薄纖維帽(<65 μm)、豐富的脂質(zhì)核、廣泛的巨噬細胞浸潤、纖維帽中微鈣化[18]。這類斑塊內(nèi)膜脆弱，極不穩(wěn)定，容易破裂出血形成血栓。穩(wěn)定斑塊的纖維帽比較完整且較厚，在病變中的主要成分為纖維性結(jié)締組織，斑塊不容易破裂，在一定時期內(nèi)可以保持相對穩(wěn)定。

因為冠脈造影在識別不穩(wěn)定斑塊方面有很大的局限性，所以通常應用冠脈CT測量其CT值對斑塊性質(zhì)進行判斷。CT值在-44～47HU判斷為脂質(zhì)斑塊，CT值在25～117HU判斷為纖維斑塊，CT值在126～817HU判斷為鈣化斑塊[19]。其中，鈣化斑塊相對穩(wěn)定。

圖3 操作流程

預測斑塊性質(zhì)專利：

哈特弗羅公司發(fā)明了一種根據(jù)患者特定的解剖圖像數(shù)據(jù)預測冠狀動脈斑塊易損性的方法[20]。通過獲取患者血管系統(tǒng)的至少一部分的解剖圖像數(shù)據(jù)，使用處理器對所述解剖圖像數(shù)據(jù)執(zhí)行一個或多個圖像特性分析、幾何分析、計算流體動力學分析和結(jié)構(gòu)力學分析，預測患者血管系統(tǒng)中存在的冠狀動脈斑塊易損性以及不良心臟事件發(fā)生的概率。其方法流程如圖4所示。

圖4 預測流程

中國醫(yī)科大學附屬第一醫(yī)院發(fā)明了一種多維度斑塊破裂風險預警系統(tǒng)[21]，將獲得的CT冠狀動脈造影易損斑塊自動識別方法與基于深度學習的CT實時血流動力學分析技術(shù)相整合，創(chuàng)建更加高效、靈敏、精準的無創(chuàng)性斑塊破裂風險預警模型，為冠狀動脈斑塊破裂的智能化無創(chuàng)精準檢測和早期預警提供全面可靠的依據(jù)和關鍵性的技術(shù)手段。冠狀動脈易損斑塊自動識別系統(tǒng)如圖5所示。

圖5 易損斑塊自動識別系統(tǒng)

4 結(jié)束語

主要研究了圖像處理技術(shù)在冠狀動脈造影中的應用。根據(jù)區(qū)域間的不連續(xù)性和區(qū)域內(nèi)的相似性，將血管分割技術(shù)分為了基于邊界和基于區(qū)域的兩大類以及結(jié)合特定理論和工具的技術(shù)。在基于區(qū)域的技術(shù)中介紹了最具代表性的閾值分割法和區(qū)域生長法。介紹了目前利用血管分割技術(shù)對冠狀動脈狹窄和斑塊性質(zhì)進行判斷的專利技術(shù)。目前，對于醫(yī)學圖像的處理技術(shù)還有一些不足之處，但隨著圖像處理方法的更新和技術(shù)的突破，會給冠狀動脈的分割和診斷提供更準確的幫助。