0 引言

    作為一種非介入診斷技術(shù),，心臟計(jì)算機(jī)斷層掃描血管造影(Computed Tomography Angiography，CTA)圖像已廣泛用于心臟冠脈疾病的臨床診斷,，因此如何準(zhǔn)確地從CTA圖像中提取冠脈中心線具有重要意義,。而人工提取和標(biāo)注中心線會(huì)耗費(fèi)大量時(shí)間并需要豐富的經(jīng)驗(yàn)，因此利用計(jì)算機(jī)輔助診斷技術(shù)自動(dòng)地提取中心線變得越來(lái)越緊迫。

    冠脈中心線提取作為冠脈提取的非直接提取方法,，近年來(lái)已經(jīng)吸引了大量研究團(tuán)隊(duì)從事相關(guān)研究,。這類研究方法并不直接提供血管內(nèi)腔分割結(jié)果，而是對(duì)內(nèi)腔中心線進(jìn)行精確的定位,。在中心線提取的基礎(chǔ)上,，可以通過(guò)后處理過(guò)程沿中心線對(duì)冠脈內(nèi)腔進(jìn)行分割。最短路徑算法作為一種路徑搜索算法,，已被許多研究者^[1-3]用于冠脈中心線的提取研究,。但是，該算法搜索過(guò)程中的起始點(diǎn)和結(jié)束點(diǎn)需要手動(dòng)標(biāo)記,，不能自動(dòng)選擇,。而且，當(dāng)冠脈出現(xiàn)鈣化或旁路手術(shù)時(shí),，冠狀動(dòng)脈分支的追蹤過(guò)程可能會(huì)停止,，導(dǎo)致提取失敗。在文獻(xiàn)[1]的研究中,，首先通過(guò)Vesselness冠脈增強(qiáng)算法^[4]對(duì)冠脈進(jìn)行增強(qiáng),，然后采用最短路徑來(lái)搜索冠脈中心線，其中起點(diǎn)和終點(diǎn)需要手動(dòng)標(biāo)注,。在文獻(xiàn)[2]的研究中,，將冠脈Vesselness增強(qiáng)結(jié)果和圖像亮度相結(jié)合生成代價(jià)圖像，并且采用Dijkstra算法來(lái)追蹤代價(jià)圖像中手動(dòng)標(biāo)注的起始點(diǎn)和終點(diǎn)之間的冠脈中心線,。在文獻(xiàn)[3]的研究中,，將冠脈血管概率和Vesselness增強(qiáng)結(jié)果結(jié)合起來(lái)形成加權(quán)圖像，使用最短路徑算法從加權(quán)圖像中提取冠狀動(dòng)脈中心線,，其中自動(dòng)檢測(cè)起點(diǎn)并手動(dòng)標(biāo)記終點(diǎn),。在文獻(xiàn)[5]的研究中，采用自動(dòng)檢測(cè)的起始點(diǎn)和手動(dòng)標(biāo)記的終點(diǎn)提取血管圖像的冠狀中心線,。

    同時(shí),，有部分研究者^[6-9]集中在對(duì)冠脈中心線樹形結(jié)構(gòu)的研究,。在這些研究中,，首先自動(dòng)提取冠脈樹形結(jié)構(gòu)，主分支需要通過(guò)用戶提供的參考點(diǎn)進(jìn)行識(shí)別,，不能被自動(dòng)提取,。在文獻(xiàn)[10-11]的研究中， 全自動(dòng)地提取了冠脈中心線樹形結(jié)構(gòu),，然而沒有實(shí)現(xiàn)冠脈主分支的自動(dòng)提取和識(shí)別,。在臨床診斷中，心血管疾病主要通過(guò)3個(gè)主要分支進(jìn)行診斷,，包括右冠狀動(dòng)脈(Right Coronary Artery,，RCA),、左前降支動(dòng)脈(Left Anterior Descending Artery，LAD)和左旋動(dòng)脈(Left Circumflex Artery,，LCX),。因此，在診斷過(guò)程中提供主分支而不是整個(gè)冠脈樹更利于冠脈疾病的診斷,。

    本文提出了一種冠脈主分支中心線全自動(dòng)提取和識(shí)別的新方法,，由兩個(gè)關(guān)鍵步驟組成：先驗(yàn)?zāi)Ｐ?/a>的建立和基于模型映射的有向最短路徑中心線檢測(cè)。為了獲得冠脈的方向和感興趣區(qū)域,，通過(guò)圖像配準(zhǔn)方法首先將先驗(yàn)?zāi)Ｐ陀成涞酱龣z測(cè)的心臟CTA圖像上,，獲得中心線的感興趣區(qū)域和冠脈的方向特性。然后,，采用基于學(xué)習(xí)的方法在起點(diǎn)感興趣區(qū)域內(nèi)檢測(cè)冠脈起點(diǎn),。最后，為了在冠脈的感興趣區(qū)域中實(shí)現(xiàn)魯棒的中心線追蹤和識(shí)別,，將來(lái)自模型映射的冠脈方向信息整合到有向最短路徑演變中,，實(shí)現(xiàn)3個(gè)主分支的全自動(dòng)提取和同步識(shí)別。

1 方法

    本文提出的方法主要由3個(gè)步驟組成：模型建立,、有向最短路徑和模型校準(zhǔn),，圖1是提取冠脈中心線的基本流程圖。在整個(gè)方法中,，起點(diǎn)的自動(dòng)檢測(cè)和有向最小路徑是兩個(gè)關(guān)鍵階段,。

1.1 模型映射和起點(diǎn)檢測(cè)

    本設(shè)計(jì)的先驗(yàn)?zāi)Ｐ陀扇我庖粋€(gè)心臟CTA圖像和手動(dòng)標(biāo)注的3條冠脈主分支中心線組成。在模型映射的步驟中,，心臟CTA圖像將首先通過(guò)圖像配準(zhǔn)方法^[12-13]映射到待檢測(cè)的圖像上,。被映射后的模型提供冠脈的方向信息和中心線的感興趣區(qū)域，為有向最小路徑提供信息準(zhǔn)備,。中心線的感興趣區(qū)域通過(guò)沿著被映射的中心線模型,，在待檢測(cè)心臟CTA圖像中逐層建立，中心線的自動(dòng)提取將在該感興趣區(qū)域中進(jìn)行,。先驗(yàn)?zāi)Ｐ捅挥成涞轿粗狢TA數(shù)據(jù)后,，同時(shí)也獲得了冠脈起始點(diǎn)（主動(dòng)脈和冠脈主分支交點(diǎn)）的參考位置，縮小了起點(diǎn)檢測(cè)的范圍,，然后起點(diǎn)檢測(cè)算法^[14]被用于自動(dòng)地檢測(cè)中心線的起點(diǎn),。

1.2 基于模型映射方向最短路徑的中心線提取

    基于傳統(tǒng)的最短路徑，冠脈方向信息被融合到最短路徑的代價(jià)函數(shù)中,，實(shí)現(xiàn)了冠脈中心線被自動(dòng)提取和識(shí)別,。能量函數(shù)的代價(jià)P(x)由3個(gè)主要項(xiàng)組成：圖像亮度的相似性度量^[15]s(x)、冠脈Vesselness增強(qiáng)^[4]v(x)、方向度量d(x),。代價(jià)函數(shù)被定義為:

    圖2(a)顯示了獲得當(dāng)前路徑和冠脈模型之間夾角的分段計(jì)算方法,。感興趣區(qū)域的冠狀動(dòng)脈分支可以分成幾段進(jìn)行精確計(jì)算。如圖2所示,，在特定的冠脈分段中,，C_i代表起點(diǎn)，C_x代表最短路徑演化過(guò)程中的當(dāng)前點(diǎn),，M_i和M_i+1分別代表了被映射冠狀動(dòng)脈模型中當(dāng)前段的起點(diǎn)和終點(diǎn),。為了簡(jiǎn)化模型，將每個(gè)段S_iS_i+1的長(zhǎng)度設(shè)置為常數(shù)值,。由于這些分段是連續(xù)的,，因此當(dāng)前分段的終點(diǎn)是下一個(gè)分段的起點(diǎn)。同時(shí),，得到演化過(guò)程中候選點(diǎn)x的位置后,，夾角θ(x)通過(guò)相應(yīng)的段和被映射模型的冠脈方向計(jì)算得出。在最短路徑演化過(guò)程中,，還需要對(duì)模型進(jìn)行校正,，提高中心線提取精度，下一節(jié)將介紹模型校正的具體實(shí)現(xiàn),。

1.3 映射模型的校正

    在理想的情況下,，建立的模型將提供一個(gè)準(zhǔn)確待檢測(cè)CTA圖像的冠脈位置估計(jì)。然而,，由于配準(zhǔn)偏差和個(gè)體差異性,，很難得到先驗(yàn)?zāi)Ｐ偷闹鞣种c待檢測(cè)心臟CTA圖像對(duì)應(yīng)分支之間的精確匹配。提出的模型校準(zhǔn)方法將被用于調(diào)整被映射的中心線模型,，提高被映射模型的匹配精度,。其校準(zhǔn)基本步驟如下：

2 實(shí)驗(yàn)細(xì)節(jié)

    本文方法在8個(gè)心臟CTA圖像上進(jìn)行了3個(gè)主分支的提取測(cè)試，包括RCA,、LAD和LCX,。與之前的方法^[14，16]不同,，在本文中,，用全長(zhǎng)中心線評(píng)估提取結(jié)果。在每個(gè)CTA圖像中,，主分支的冠狀動(dòng)脈中心線都被手動(dòng)提取,，將作為評(píng)估過(guò)程的金標(biāo)準(zhǔn),。同時(shí),，為了突出本文算法在臨床應(yīng)用中的魯棒性，將低強(qiáng)度的噪聲放置在冠脈的2/3長(zhǎng)度處以模擬冠脈狹窄等疾病。

2.1 基于合成數(shù)據(jù)的評(píng)估

    在實(shí)驗(yàn)中測(cè)試了8個(gè)CTA圖像,，每個(gè)圖像都會(huì)生成10個(gè)合成模型,，最后可以得到80個(gè)評(píng)估數(shù)據(jù)。合成模型是通過(guò)手動(dòng)提取中心線進(jìn)行形變而建立的,。首先,，將手動(dòng)提取的中心線起點(diǎn)和終點(diǎn)隨機(jī)移動(dòng)15 mm范圍。然后變形整個(gè)中心線,，以下是變形的計(jì)算公式：

    本文使用兩種基于最短路徑的中心線提取方法^[2-3]和本文的方法進(jìn)行了實(shí)驗(yàn)比較,。由于這些方法^[2-3]不是全自動(dòng)的冠脈中心線檢測(cè)方法，因此手動(dòng)標(biāo)記了冠脈的起點(diǎn)和終點(diǎn),。表1顯示了成功案例的實(shí)驗(yàn)結(jié)果與標(biāo)準(zhǔn)中心線之間的平均距離,。與DESCHAMPS T等人提出的方法^[3]相比，對(duì)于成功案例,，本文提出的方法幾乎達(dá)到了理想效果,。同時(shí)，提出的方法的重疊率和METZ C等人的方法^[2]相接近,，分別為81.0％和80.5％,。不過(guò)應(yīng)該指出的是，本文的方法整個(gè)過(guò)程是全自動(dòng)執(zhí)行的,，不需要手動(dòng)標(biāo)注冠脈中心線的起點(diǎn)和終點(diǎn),。

2.2 基于實(shí)際數(shù)據(jù)的評(píng)估

    本文在實(shí)驗(yàn)過(guò)程中采用了留一法(leave-one-out)：從8個(gè)圖像中選擇1個(gè)樣本作為先驗(yàn)心臟CTA模型，其余7個(gè)作為測(cè)試數(shù)據(jù)集,，這將生成56個(gè)案例,。圖3顯示了兩個(gè)可視化提取冠脈中心線的例子，表2進(jìn)一步顯示了數(shù)據(jù)的結(jié)果,。從數(shù)據(jù)來(lái)看,，中心線提取精確度比合成數(shù)據(jù)實(shí)驗(yàn)略差一點(diǎn)，這是由于模型和待檢測(cè)的心臟CTA圖像之間的形狀差異較大,，但結(jié)果達(dá)到了預(yù)期的效果,。此外，誤差主要來(lái)自最大冠脈直徑內(nèi)部的偏差,，即檢測(cè)的中心線主要落在冠脈內(nèi)部,。實(shí)驗(yàn)顯示3個(gè)主分支的重疊率分別為81.2％、79.3％和80.6％,，這表明了本文提出的方法具有非常強(qiáng)的魯棒性和精度,。

3 討論

    目前，冠狀動(dòng)脈分割的主要研究集中在非直接方法：冠狀動(dòng)脈中心線的自動(dòng)提取,。根據(jù)提取的中心線,，可以沿中心線分割冠脈內(nèi)部腔體,。然而，如果沒有戶交互步驟,，很少有方法可以全自動(dòng)提取和識(shí)別主分支的中心線,。本文提出方法的主要優(yōu)勢(shì)是可以在沒有任何用戶交互的情況下全自動(dòng)提取和識(shí)別主分支的中心線。在第2.1節(jié)中提出的評(píng)估中顯示了本文方法的重疊率是81.0％,，超過(guò)了METZ C的方法^[2],。在本文的方法中，待檢測(cè)心臟CTA圖像的冠脈感興趣區(qū)域和結(jié)構(gòu)特征是通過(guò)先驗(yàn)?zāi)Ｐ偷膱D像配準(zhǔn)算法獲得的,，從而實(shí)現(xiàn)了3個(gè)主分支的全自動(dòng)提取和識(shí)別,。

4 結(jié)束語(yǔ)

    本文提出了一種全自動(dòng)提取冠狀動(dòng)脈中心線的新方法，該方法主要由模型映射和有向最短路徑組成,。模型映射可以提供待檢測(cè)心臟CTA圖像的3個(gè)冠脈主分支的感興趣區(qū)域和結(jié)構(gòu)信息,。有向最短路徑的起點(diǎn)通過(guò)訓(xùn)練方法在感興趣區(qū)域中被檢測(cè)。冠脈的結(jié)構(gòu)信息用于提供有向最短路徑演化過(guò)程中的方向指導(dǎo),，并且該信息還可用于標(biāo)注3個(gè)冠脈主分支的名稱,。實(shí)驗(yàn)結(jié)果表明，所提出的方法具有較為精確的中心線提取結(jié)果,，特別適合3個(gè)冠脈主分支的提取和識(shí)別,。同時(shí)，針對(duì)不同的配準(zhǔn)方法,，進(jìn)行了中心線提取結(jié)果的評(píng)測(cè),，結(jié)果表明提出的方法不受不同配準(zhǔn)方法的影響。在未來(lái)的研究中,，將基于3個(gè)主分支的基礎(chǔ)上,，對(duì)從分支進(jìn)行提取，最終獲得整個(gè)冠脈樹形結(jié)構(gòu),，并逐步將提出的方法應(yīng)用于臨床診治中,。

參考文獻(xiàn)

[1] WINK O，F(xiàn)RANGI A,，VERDONCK B,，et al.3D MRA coronary axis determination using a minimum cost path approach[J].Magnetic Resonance In Medicine，2002,，47(6)：1169.

[2] METZ C,，SCHAAP M，VAN W T,，et al.Two point minimum cost path approach for CTA coronary centerline extraction[C].The Midas Journal,，MICCAI Workshop-Grand Challenge Coronary Artery Tracking，2008.

[3] DESCHAMPS T,，COHEN L.Minimal paths in 3D images and application to virtual endoscopy[C].European Conference on Computer Vision-ECCV,，2000,，1843：543-557.

[4] FRANGI A，NIESSEN W,，VINCKEN K L,，et al.Multiscale vessel enhancement filtering[C].Medical Image Computing and Computer-Assisted Intervention-MICCAI,，1998,，1496：130-137.

[5] KRISSIAN K，BOGUNOVIC H,，POZO J,，et al.Minimally interactive knowledge-based coronary tracking in CTA using a minimal cost path[C].The Midas Journal，MICCAI Work shop-Grand Challenge Coronary Artery Tracking,，2008.

[6] KITAMURA Y,，LI Y，ITO W.Automatic coronary extraction by supervised detection and shape matching[C].IEEE International Symposium on Biomedical Imaging-ISBI,，2012：234-237.

[7] CARRILLO J,，HOYOS M，DAVILA E,，et al.Recursive tracking of vascular tree axes in 3D medical images[J].International Journal for Computer Assisted Radiology and Surgery,，2007，1(6)：331.

[8] GULSUN M,，TEK H.Robust vessel tree modeling[C].Medical Image Computing and Computer-Assisted Intervention-MICCAI,，2008，5241：602-611.

[9] CASTRO C,，LUENGO O M,，SANTOS A，et al.Coronary artery tracking in 3D cardiac CT images using local morphological reconstruction operators[C].The Midas Journal,，MICCAI Workshop-Grand Challenge Coronary Artery Tracking,，2008.

[10] LI Z，ZHANG Y,，GONG H,，et al.An automatic and efficient coronary arteries extraction method in CT angiographies[J].Biomedical Signal Processing and Control，2017,，36：221-233.

[11] LI Z,，ZHANG Y，GONG H,，et al.Automatic coronary artery segmentation based on multi-domains remapping and quantile regression in angiographies[J].Computerized Medical Imaging and Graphics,，2016，54：55-56.

[12] LIU L,，SHI W,，RUECKERT D,，et al.Coronary centerline extraction based on ostium detection and model-guided directional minimal path[C].IEEE International Symposium on Biomedical Imaging-ISBI，2014：133-136.

[13] TANG H,，WALSUN T V,，ONKELEN VAN R，et al.Semiautomatic carotid lumen segmentation for quantification of lumen geometry in multispectral MRI[J].Medical Image Analysis,，2012,，16(6)：1202-1215.

[14] ZHUANG X，RHODE K,，RAZAVI K,，et al.A registration-based propagation frame-work for automatic whole heart segmentation of cardiac MRI[J].IEEE Transactions on Medical Imaging，2010,，29(9)：1612-1625.

[15] DUECKERT D,，SONODA L，HAYES C,，et al.Nonrigid registration using free-form deformations：application to breast MR images[J].IEEE Transactions on Medical Imaging,，1999，18(8)：712-721.

[16] LIU L,，SHI W,，RUECKERT D，et al.Model-guided directional minimal path for fully automatic extraction of coronary centerlines from cardiac CTA[C].Medical Image Computing and Computer-Assisted Intervention-MICCAI,，2013,，8149：542-549.

作者信息:

劉  瀏，徐  進(jìn),，吳鵬飛

（南京郵電大學(xué)  教育部寬帶無(wú)線通信技術(shù)工程研究中心,，江蘇 南京210003）