血管分割技术文献综述

本人从事血管分割研究领域，调研了该领域较好的血管分割方法，并简单做了一下汇总，如果问题，欢迎批评指正。
血管分割是医疗诊断、手术辅助设计等方面的基础。在最近几年，很多用于血管自动分割的技术被被提出来，并且取得了很好的分割效果。
血管影像呈现一种局部管状或线状结构，其主要特点是血管的宽度只在较小的范围内变动，血管壁的两条线是平行的，血管有方向。
进行血管分割的主要难点有：
- 小血管和低对比度血管分割效果差
- 医学影像,经常会遇到影像灰度在各个区域里分布不均匀的情况，此时,目标或背景或者两者都不能用均值来表达区分
- 病变区域分割出现问题
血管分割工作可以大致粗略的分为三大类：
- 基于特征进行提取
- 利用最短路径技术提取血管
- 利用血管模型进行血管分割

---

基于特征的血管提取

Hessian矩阵特征值能够很好地描述常见的几何形状的信息，不同几何形状特征值特征不同，很多文章利用基于Hessian矩阵的多尺度滤波方法对血管进行增强预处理。为了避免噪声的影响，首先将血管在多尺度下进行Gaussian滤波处理，然后计算每个像素点的二阶导数构造Hessian矩阵，将求得的特征值带入事先建立好的血管相似性函数中获取在不同尺度下的滤波响应，当尺度和局部结构匹配时计算得到最大滤波响应，从而判断当前像素点是否属于血管结构。该方法能够对血管起到增强的作用，但是不能够直接分割得到血管，因此该步骤往往用于血管分割的预处理阶段。
基于骨架的方法利用管状形状先验来检测脊。这些方法对噪声不敏感，但是处理复杂的血管边界效果不是很理想。

利用最短路径技术提取血管

利用最短路径技术提取血管，需要人为的定义血管的起点和终点。当然，可以通过如设定阈值的方法定义终止标准的方法来自动的停止路径演化，而不需要人为定义终点。通过该方法可以获取空间血管轴线和对应的血管半径。

利用血管模型进行血管分割

基于模型的分割方法可以再次细分为：
- 中轴线+横截面模型的方法（即管状模型）
- 形变模型*
第一种方法根据通用柱面法，相对于中心线曲线对血管表面进行建模。沿着血管中轴线构建2D的血管横截面轮廓形成血管壁。传统的横截面形状包括圆形、椭圆形、参数曲线等。
对于形变模型，可以在不同力的作用下如内力和外力来使表面进行演化。比较有名的形变模型是snake模型，该方法被提出后，后续很多人研究形变模型并对其进行了改进，并且得到了很好的分割效果。形变模型的机理是以构成一定形状的一些控制点为模板（轮廓线），通过模板自身的弹性形变，与图像局部特征相匹配达到调和，即某种能量函数极小化，完成对图像的分割。SNAKE模型就是一条可变形的参数曲线及相应的能量函数，以最小化能量目标函数为目标，控制参数曲线变形，具有最小能量的闭合曲线就是目标轮廓。
模型的形变受到同时作用在模型上的许多不同的力所控制，每一种力所产生一部分能量，这部分能量表示为活动轮廓模型的能量函数的一个独立的能量项。
Snake模型首先需要在感兴趣区域的附近给出一条初始曲线，接下来最小化能量泛函，让曲线在图像中发生变形并不断逼近目标轮廓。按轮廓曲线表达形式不同, ACM 可分为参数活动轮廓模型 ( Parametric ACM, PACM ) 和 几 何 活 动 轮 廓 模 型 ( Geometric ACM, GACM)的图像分割方法；按照曲线演化方式不同,又可分为基于边界的活动轮廓模型 ( Edge Based ACM, EACM) 、基于区域的活动轮廓模型(Region Based ACM, RACM) 和混合活动轮廓模型(Mixed ACM, MACM) 的图像分割方法。
曲线的能量函数可以表示为：

其中,Eint 和 Eext 分别为内部约束力和外部约束力,前者保证曲线的收缩和弯曲性,后者吸引轮廓曲线收敛到图像的目标。其表达式为

几何活动轮廓模型又称为水平集（Level Set）,其基本思想是通过一个高维函数曲面来表达低维的演化曲线或曲面，把N维的描述看成是N+1维的一个水平。

---

参考文献

[1]: Cheng Y, Hu X, Wang J, et al. Accurate vessel segmentation with constrained B-snake[J]. IEEE Transactions on Image Processing, 2015,24(8):2440-2455
[2]: C. Kirbas and F. Quek, “A review of vessel extraction techniques and algorithms,” ACM Comput. Surv., vol. 36, no. 2, pp. 81–121, Jun. 2004.
[3]: D. Lesage, E. D. Angelini, I. Bloch, and G. Funka-Lea, “A review of 3D vessel lumen segmentation techniques: Models, features and extraction schemes,” Med. Imag. Anal., vol. 13, no. 6, pp. 819–845, Dec. 2009.
[4]: Y . Sato et al., “Three-dimensional multi-scale line filter for segmentation and visualization of curvilinear structures in medical images,” Med. Image Anal., vol. 2, no. 2, pp. 143–168, Dec. 1998.
[5]: J. Chen and A. A. Amini, “Quantifying 3D vascular structures in MRA images using hybrid PDE and geometric deformable models,” IEEE Trans. Med. Imag., vol. 23, no. 10, pp. 1251–1262, Oct. 2004.
[6]: Y. Fridman, S. M. Pizer, S. Aylward, and E. Bullitt, “Segmenting 3D branching tubular structures using cores,” in Proc. Med. Image Comput. Comput.-Assist. Intervent. (MICCAI), Montreal, QC, Canada, Nov. 2003,pp. 570–577.
[7]: J. A. Tyrrell et al., “Robust 3D modeling of vasculature imagery using superellipsoids,” IEEE Trans. Med. Imag., vol. 26, no. 2, pp. 223–237,Feb. 2007.
[8]: T. F. Cootes, C. J. Taylor, D. H. Cooper, and J. Graham, “Active shape models—Their training and application,” Comput. Vis. Image Understand., vol. 61, no. 1, pp. 38–59, Jan. 1995.
[9]: R. Li and S. Ourselin, “Accurate curvilinear modeling for precise measurements of tubular structures,” in Proc. Int. Conf. Digit. Image Comput., Techn. Appl., 2003, pp. 243–252.
[10]: Y. Sato, S. Yamamoto, and S. Tamura, “Accurate quantification of small-diameter tubular structures in isotropic CT volume data based on multiscale line filter responses,” in Proc. 7th Int. Conf. Med. Image Comput. Comput.-Assist. Intervent. (MICCAI), 2004, pp. 508–515.