基于区域增长与局部自适应C-V模型的脑血管分割.pdfVIP

l928 JournalofSoftware软件学报 Vo1．24，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 【】I2】的研究主要集中在搜索方向和增长规则上．yi[】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[】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[6I7】． 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 ，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[．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[1，解 决了传统Snake模型il1]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 l【．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