用于在任意视场计算断层摄影血管造影（CTA）中自动检测全身动脉的方法与流程

本发明一般地涉及医学成像的领域，并且更具体地涉及自动化血管检测的领域。本发明涉及通过对由数字图像表示来表示的医学图像的分析在任意视场（field-of-view）计算断层摄影血管造影（cta）中的全身动脉的自动检测。

背景技术：

外周动脉疾病（pad）是引起非脑和非冠状动脉的狭窄的常见疾病。外周动脉疾病具有通常约10％的世界范围流行程度，并且在70岁以上的人中具有15-20％的世界范围流行程度。在2010年中，全球2.02亿人与pad共处（livingwith）。计算断层摄影血管造影（cta）是非侵入性和通用的技术中的一种，用于对动脉树进行成像并诊断狭窄，其中动脉通过注射的造影剂（contrastmedia）具有明亮的表观（appearance）。不均匀的强度表观、与骨骼的相似性、解剖变异和赝像使得动脉提取任务挑战性的。因此，计算机辅助动脉中心线提取工具对于辅助和加速动脉树的提取和分析具有高的要求。

总之，动脉中心线提取框架需要应对以下重要要求：

1-成像变化：该方法应该能够处理由来自不同供应商的成像设备产生的图像，所述图像具有可能对比度不均匀性、不同的空间分辨率、噪声和赝像。特别是，对cta的血管评估可能由于多种问题而被限制，所述问题包括心脏和主动脉搏动、由血管壁钙化造成的束硬化赝像、由于对比剂剂量不足导致的血管腔的不良对比度不透明、血管狭窄和其他原因。

2-解剖变异：该方法应该应对可能因解剖结构和病状（pathologies）的存在而在形状、大小和曲率方面变化很大的血管。

3-定时性能：当在现代计算机基础设施上实现时，该方法应该在合理的时间内可执行，这是挑战性的要求，因为血管网络的完整分析是计算上要求高的，主要是由于巨大的搜索空间。

大多数血管分析相关技术可以被细分为三个主要类别并且可以彼此组合使用：血管增强、血管分割和中心线提取。血管增强算法通常充当包括血管中心线提取和分割的更复杂的流水线（pipeline）算法中的组成步骤。中心线提取算法通常也允许整个对象的进一步重建，因此经常成为血管分割流水线算法的一部分。

1）血管增强：这些技术通常以所谓的管度（tubeness）或血管性（vesselness）度量为中心，所述管度或血管性度量表示是血管（或是血管内的点）的概率。最佳边缘检测、强度脊检测方法可操纵滤波器和基于hessian的方法已经被广泛用于医学图像中的管状结构的增强。基于hessian的方法是所有种类的以血管性为中心的方法中的最通用和表现最好的方法之一。

在大多数血管性相关的方法中，首先计算hessian矩阵的特征值，并且然后将其组合成血管性度量。特征值的不同组合增强了管状、板状或斑点状结构。hessian矩阵通常由高斯导数近似。肖等[c.xiao、m.staring、y.wang、d.p.shamonin和b.c.stoel，“multiscalebi-gaussianfilterforadjacentcurvilinearstructuresdetectionwithapplicationtovasculatureimages”，ieeetransactionsonimageprocessing，第22卷，第1期，第174–188页，2013年。]建议用双高斯函数替换内核，以允许在前景和背景两者中的独立尺度选择。最佳定向通量（oof）已经由law和chung[m.w.law和a.c.chung，computervision–eccv2008中的“threedimensionalcurvilinearstructuredetectionusingoptimallyorientedflux”，springer，2008年，第368-382页。]引入，以克服用于血管的分割的基于hessian的算法[f.benmansour、e.türetken和p.fua，“tubulargeodesicsusingorientedflux:anitkimplementation”，tech.rep.，2013年。]的缺点中的一些。

尽管基于hessian的方法和oof示出极大增强的性能，但是它们在计算上（尤其是在大体积扫描中）是非常昂贵的，并且这主要是由于获得滤波器响应所需的昂贵过程。

2）中心线提取/跟踪：在许多医学应用中，基于提取的中心线的血管网络的描述是基本的预处理步骤。在这样的情况下，特别是管状结构或血管由中间线来表示，所述中间线很经常伴随着在它们的组成点处的估计的几何特征（诸如血管的半径）。经典的中心线提取方法包括直接跟踪方法、基于模型的优化方法和最小路径技术。大多数的这样的中心线提取算法是半自动化的，并且通常需要用户交互。在2008年的医学图像计算和计算机辅助干预（miccai）会议中的分割挑战研讨会[m.schaap、c.t.metz、t.vanwalsum、a.g.vandergiessen、a.c.weustink、n.r.mollet、c.bauer、h.bogunovi´c、c.castro、x.deng等，“standardizedevaluationmethodologyandreferencedatabaseforevaluatingcoronaryarterycenterlineextractionalgorithms”，medicalimageanalysis，第13卷，第5期，第701-714页，2009年。]期间验证了这样的方法的潜力。13种冠状动脉中心线提取方法参与了挑战。主要的方法由friman等[o.friman、c.kuehnel和h.peitgen，“coronarycenterlineextractionusingmultiplehypothesistrackingandminimalpaths”，2008年7月。]、szymczak等[a.szymczak，“vesseltrackingbyconnectingthedots”，theinsightjournal，2008年。]以及zambal等[s.zambal、j.hladuvka、a.kanitsar和k.bühler，proc.ofmiccaiworkshop3dsegmentationintheclinic:agrandchallengeii中的“shapeandappearancemodelsforautomaticcoronaryarterytracking”，2008。]引入。大多数直接跟踪方法需要在血管树的根处有一个种子点。跟踪通常从给定的种子点开始沿着血管前进。根据周围的几何形状或基于图像的特征，在每个步骤处估计连续的中心线位置。

基于模型的优化方法需要针对每个给定的血管分段的起点和终点。在frangi等的著作[a.f.frangi、w.j.niessen、r.m.hoogeveen、t.vanwalsum、m.viergever等，“model-basedquantitationof3-dmagneticresonanceangiographicimages”，medicalimaging，ieeetransactionson，第18卷，第10期，第946-956页，1999年。]和[a.f.frangi、w.j.niessen、p.j.nederkoorn、o.e.elgersma、m.viergever等，mathematicalmethodsinbiomedicalimageanalysis中的“three-dimensionalmodel-basedstenosisquantificationofthecarotidarteriesfromcontrast-enhancedmra”，2000年。proceedings.ieeeworkshopon.ieee，2000年，第110-118页。]中，样条可变形模型已经被应用于优化具有固定边界条件的中心线模型。

最小路径技术通常以需要针对每个目标血管的起点和终点的定义的交互方式来使用。在这样的算法中，提取具体能量函数针对其达到具体能量函数的最小值的中心线点。cohen和kimmel[l.d.cohen和r.kimmel，“globalminimumforactivecontourmodels:aminimalpathapproach”，internationaljournalofcomputervision，第24卷，第1期，第57-78页，1997年。]通过在外部潜在项中包括内部正则化项来修改“蛇（snake）”能量。然后在黎曼度量中数值地找到最小长度的路径。其他技术通常在它们使用的数值优化方案中不同。gulsun等的基于图的方案[m.a.gülsün和h.tek，medicalimagecomputingandcomputer-assistedintervention–miccai2008中的“robustvesseltreemodeling”。springer，2008年，第602-611页。]和breitenreicher等[d.breitenreicher、m.sofka、s.britzen和s.k.zhou，informationprocessinginmedicalimaging中的“hierarchicaldiscriminativeframeworkfordetectingtubularstructuresin3dimages”。springer，2013年，第328-339页。]采用离散的dijkstra式修改。benmansour和cohen[f.benmansour和l.d.cohen，“tubularstructuresegmentationbasedonminimalpathmethodandanisotropicenhancement”，internationaljournalofcomputervision，第92卷，第2期，第192-210页，2011年。]使用最小路径方法和各向异性快速行进与基于oof的度量[m.w.law和a.c.chung，computervision–eccv2008中的“threedimensionalcurvilinearstructuredetectionusingoptimallyorientedflux”。springer，2008年，第368-382页。]。该模型考虑了血管的几何特征，诸如宽度和方位。该算法已经在合成和真实的2d和3d图像上进行了测试。

然而，就对人体的多个部位和/或大型3dcta扫描的适用性而言，仅存在几个可以与本申请中提出的方法粗略比较的算法。我们已经找到能够从人体的多个部位提取3d动脉树的仅一种全自动化方法。shahzad等[r.shahzad、o.dzyubachyk、m.staring、j.kullberg、l.johansson、h.ahlstrm、b.p.lelieveldt和r.j.vandergeest，“automatedextractionandlabellingofthearterialtreefromwhole-bodymradata”，medicalimageanalysis，第24卷，第1期，第28-40页，2015年。]提出了一种用于从全身磁共振血管造影（wbmra）序列提取和标记动脉树的全自动化算法。lidayova等[k.lidayová、h.frimmel、c.wang、e.bengtsson和ö.smedby，“fastvascularskeletonextractionalgorithm”，patternrecognitionletters，2015年。]提出了一种在下肢的3dcta扫描中的快速骨架提取算法。在两种方法中都已经展示了高的准确率。然而，在上面引用的前者的方法中，该方法是否可以容易地适于其他成像模态，诸如cta，或者适于例如裁剪的数据或不同的视场扫描，这是不清楚的。在上面引用的后者的方法中，该方法是否可以被容易地扩展到人体的其他部分，这并不是明显的。此外，它仅已经在扫描上进行了测试，其中没有静脉是可见的。在两种情况下，作者都尚未报告中心线准确度值。

andreasgrünauer：“coronaryarterytrackingwithrule-basedgapclosing”，（2011年1月1日（2011-01-01），xp055338815，从因特网检索：https://publik.tuwien.ac.at/files/pubdat_201145.pdf）公开了一种被分为三个阶段的方法：1）种子点的计算，2）血管分段的跟踪，以及3）冠状动脉树的构建。阶段1和2以自动方式被执行。标识用于血管分段的跟踪的第一潜在种子点。在第二阶段期间，通过使用圆柱形模型来跟踪位于这些种子点处的血管分段。通过使用基于规则的解剖学启发式，第三阶段也是最后阶段将血管分段组合以形成完整的冠状动脉树。该阶段需要最小的用户交互，因为需要指定左和右冠状动脉树的根的位置。

本申请中提出的方法解决了上面列出的要求并克服了上面提到的方法中遇到的某些缺点。此处描述的方法不依赖于特定的图像强度对比度，并且因此是对成像特性中的变化完全透明的。

技术实现要素：

本发明提供了一种用于分析由数字图像表示来表示的身体的基于切片的扫描图像体积的方法，包括以下步骤：确定基于切片的扫描图像体积属于哪个身体区域，确定所述身体区域中针对存在的（occurring）血管的预期血管特性，所述特性包括血管半径、相对距离参数阈值、血管强度值阈值和解剖结构驱动的血管分段连接规则，确定表示血管的中心的所述图像体积中的种子点，通过迭代确定随后的邻近种子候选者来跟踪以所述种子点为起点的未连接的血管段，所述邻近种子候选者基于表示（基于切片的表示的）点属于血管的可能性的值来选择，通过连接所述未连接的血管分段来迭代地扩展血管树，在每个迭代步骤中对所述未连接的血管分段应用连接规则的集合，当不再满足连接规则的集合时，终止迭代。

以上描述的方面通过如在权利要求1中阐述的方法来解决。

在本发明的上下文中，扫描的图像体积可以应用于患者体积的一部分（并且因此表示全身的仅一部分）或整个患者体积的成像体积。因此，扫描的图像体积不需要包括外部患者轮廓，并且换言之，可以被截断。

本申请中引用的身体区域是指与血管的检测相关的身体部位的切片范围；并且更具体地，是指腹主动脉区域（ao）、主动脉弓（aoa）、左和右颈动脉区域（lcc和rcc）以及身体的左和右髂主动脉部位（lci和rci）。血管可以被分配良好确定的特性（诸如在所述身体区域中遇到的最小和最大估计血管半径），所述特性可以被进一步用作成像流水线的随后的步骤中的参数。

种子点必须被解释为扫描图像体积中的良好确定的点，所述点可以被认为是表示标识的血管的元素的确认点。然后将种子点用作针对随后的方法步骤的起始点以检测血管分段的剩余部分。

相对距离参数在本申请的上下文中是对给定位置处的血管的圆度的度量。接近于零的小值对应于近似圆形的结构。

血管性值是针对给定位置计算的血管性函数的结果。血管性函数计算位置或点属于血管状结构的可能性。在本申请的详细描述中进一步向下提供了血管性函数的实施例的详细描述。

可以以硬件或软件或两者的组合来实现本文中描述的系统和方法的实施例。然而，优选地，这些实施例以在可编程计算机上执行的计算机程序来实现，每个可编程计算机包括至少一个模块部件，所述至少一个模块部件包括至少一个处理器（例如微处理器）、数据存储系统（包括易失性和非易失性存储器和/或存储元件）、至少一个输入设备以及至少一个输出设备。例如但不限于可编程计算机（此处称为计算机系统）可以是个人计算机、膝上型计算机、个人数据助理以及蜂窝电话、智能电话设备、平板计算机和/或无线设备。将程序代码应用于输入数据以执行本文中描述的功能并生成输出信息。以已知的方式将输出信息应用于一个或多个输出设备。

每个程序优选地以高级别过程或者面向对象的编程和/或脚本语言来实现，以与计算机系统通信。然而，如果需要的话，程序可以以汇编或机器语言来实现。在任何情况中，语言可以是编译的或解释的语言。每个这样的计算机程序被优选地存储在由通用或专用可编程计算机可读取的存储介质或设备（例如rom或磁盘）上，用于在由计算机读取存储介质或设备时配置和操作计算机以执行在本文中描述的过程。还可以考虑将主题系统实现为配置有计算机程序的计算机可读存储介质，其中如此配置的存储介质使得计算机以具体的和预定义的方式来操作以执行本文中描述的功能。

在从属权利要求中阐述了具体示例和优选的实施例。

本申请中公开的方法具有多尺度方法，并且能够检测具有从非常大的主要血管（诸如主动脉）变化到非常小的次要血管的尺度的宽范围的血管。除此之外，即使在存在钙化和狭窄的有问题的情况下，该方法也能够跟踪血管。所公开的方法允许在半自动化和全自动化检测设备中实现，其中两者都在合理的时间内执行并达到类似的高准确率。据我们所知，此处描述的方法是能够在任意视场3dcta扫描中提取人体的多个部位中的中心线和半径信息的第一种全自动化方法。

与本领域中描述的方法相比，由本发明提供的主要差异在于：

-所描述的方法是用于动脉树重建的半自动化或全自动化框架，其独立于其被应用于的人体的部位，并且独立于视场。

-身体部位检测和血管回归方法已经被引入作为半自动化或全自动化框架的组成部分。

-已经引入了用于树生长算法的解剖结构驱动的连接规则，以便确保解剖学上正确的血管树。

-连续遗传算法被用于优化针对身体部位具体参数的值。

本发明是有益的，因为当在标准计算机平台上实现时，可以实现前述准确度和速度。除此之外，所描述的方法是迄今为止已知的可以以全自动化方式应用的唯一方法。此外，该方法能够处理覆盖患者的身体的有限视场的扫描图像体积，而先前描述的方法要求身体的外部轮廓在图像体积中将是可见的，以便确保成功处理。

根据以下描述，本发明的其他的优点和实施例将变得显而易见。

附图说明

图1示出了来自测试数据集集合1的头和颈动脉的检测率。

图2示出了来自测试数据集集合1的头和颈动脉的中心线误差。

图3示出了来自测试数据集集合1的腹部动脉的检测率。

图4示出了来自测试数据集集合1的腹部动脉的中心线误差。

图5示出了来自测试数据集集合1的外周动脉的检测率。

图6示出了来自测试数据集集合1的外周动脉的中心线误差。

具体实施方式

在以下具体实施方式中，足够详细地做出参考以实施下面由本领域技术人员解释的实施例。

取决于动脉在人体中的位置，动脉在直径和长度方面不同。不仅如此，动脉树部分的几何形状因身体区域而异。出于该原因，在本发明的一个实施例中，血管跟踪框架以cta（计算断层摄影血管造影）扫描的身体区域的检测开始，并相应地调整其他步骤。已经证明了主要的血管检测性能改进，这可以归因于作为第一步骤的该身体区域检测的实现。在下一步骤处检测整个扫描中的可能的血管种子位置。然后经由从种子位置开始的血管模型匹配来跟踪底层血管结构。跟踪的分段通过树生长算法从初始位置最终被连接到动脉树。树生长步骤将具体参数用于身体区域，并被手动或自动地初始化。

作为第一步骤，公开了身体区域检测步骤。为了识别cta扫描体积v中存在的身体区域和主要动脉，由major等提出的基于切片的回归方法[d.major、a.novikov、m.wimmer、j.hladuvka和k.bühler，eurographicsworkshoponvisualcomputingforbiologyandmedicine中的“automatedslice-basedarteryidentificationinvariousfield-of-viewctascans”，vcbm2015，英国chester，2015年9月14-15日，第123-129页。]被用于此处描述的方法中，然而可以设想不同的方法。作为第一步骤，在全局标准化的身体空间中预测每个切片的位置，在全局标准化的身体空间中，（人体的）脚趾的位置对应于位置并且头的顶部对应于。每个切片的全局标准身体空间位置与由回归模型捕获的组织成分相关。此外，使用深度学习技术在h-空间中学习来自的身体部位的切片范围。ao是腹主动脉区，aoa是主动脉弓，lcc和rcc是颈动脉区，并且lci、rci是身体的髂动脉部位。

在回归每个切片的h-映射位置之后，导出关于扫描中存在哪些身体部位的信息。此外，算法学习定义为如下的函数g：

其将切片的h-位置映射成它们的典型的估计最小和最大半径的对。切片范围和函数g构建了用于流水线的以下步骤的基本输入。

作为第二步骤，公开了种子检测步骤。除了此处描述的种子检测方法之外，也可以设想其他种子检测方法。该步骤产生血管状结构在体积中的初始近似位置作为输出。在好的位置处，可能在血管状结构内，估计方向向量和半径。由位置pc、向量和半径rc组成的三元组定义了种子候选者。过滤掉坏种子候选者。然后将好的种子候选者传递给方法的下一步骤。

种子检测步骤通过种子候选者预选和随后的种子过滤来实现。

种子候选者预选假定血管是具有高度局部对称性的明亮结构，其通常由较暗（软组织）或明亮得多的结构（在骨骼的情况下）包围；体积v中具有低于最小可接受阈值的强度水平的所有位置都被丢弃。在下一步骤处，该方法旨在找到血管状结构的边缘。为了实现这一点，选择具有梯度的大小的位置。选择沿着给定位置p0的梯度方向的两个相对的邻近位置，并计算它们的平均强度水平iavg。在梯度方向上发送射线，直到达到（hit）具有强度水平<iavg的位置。计算到起始位置p0的距离λ0。在每个预选位置处，候选种子的半径rc被视为λ0/2。使用位置p0和规格化梯度向量来定义血管状结构的中心中的位置pc。

为了分析pc周围的血管状候选对象的几何性质，通过找到跨垂直于梯度的纵向平面的一对正交向量和来导出所述平面的参数形式。

通过去除平面中的假种子候选者来执行随后的种子过滤，所述平面通过由和形成的基来定义，从中心点pc发送具有由单位向量设定的方向的nr条等距径向射线，直到达到具有低于估计的阈值iavg的强度水平的位置。这样的位置形成轮廓集l：

其中。

为了近似评估其横截面中的血管状结构内的给定位置处的圆度，引入了相对距离参数d^r。该参数的小值（接近于零）对应于近似圆形结构。如果候选者的d^r超过最大可接受的相对距离，则候选者不被进一步处理：

。

在上述公式成立（hold）的情况下，则具有位置pc和半径rc的候选者被视为在血管状结构内的候选者。

由于该方法的目的是要标识所考虑的身体的部位中的具有实际解剖大小的直径的血管，因此在身体部位检测步骤期间学习的函数被用于最终检查，以去除不满足的候选者，其中，zc是离点pc最近的切片高度，并且h（zc）是切片高度zc的h-映射位置。

然后候选种子的方向被定义为梯度和从点pc到点的平移向量的规格化叉积。满足所有上述标准的候选位置形成三元组的集合：

其中。

作为第三步骤，公开了分段跟踪步骤。为了检测体积v中的潜在的血管状分段，在流水线的先前步骤中估计的种子被用作对由zambal等[proc.ofmiccaiworkshop3dsegmentationinclinic:agrandchallengeii中的“shapeandappearancemodelsforautomaticcoronaryarterytracking”，2008年]提出的算法的修改版本的初始化，这已经被证明示出了非常好的性能。然而，也可以设想其他方法。与上面引用的原始算法的差异在于，所公开的分段跟踪步骤不遵循深度优先搜索策略以便同时连接被跟踪的分段，而是跟踪每个种子候选者的一个分段并且将树构建过程委托给所公开的方法的接下来的步骤。

在分段跟踪步骤期间，通过刚性对称模型的迭代匹配来提取中心线，直到满足基于几何形状和强度的终止标准。对于每个候选者，所谓的“血管性函数”计算属于血管状结构的可能性。选择的连续候选者形成血管分段。通过双向跟踪来实现选择连续候选者。

通过由zamal等充分描述的方法（参见上文）实现血管性的估计，并且这归结为一种方法，在所述方法中，在每个给定候选者处，估计基于直方图的函数。通过使用两个形状图案（用于两个不同的细节的水平）来生成纹理样本，所述两个形状图案由两个同心圆组成，所述两个同心圆沿着方向被平移和缩放。

双向跟踪方法在某个候选者处开始并在两个相反的方向上前进，并沿着每个方向尽可能探索。在每个位置处，生成跟随的候选者，并且将具有最相似形状配置和最好拟合血管性值的候选者视为后继者。

给定候选者，如下生成跟随的候选者的集合。生成以仰角、方位角和仰角增量从偏离的方向向量，并且随后的候选者的位置然后被计算为，其中步长大小和是和之间的角度。

角度函数定义了针对每个方向在每个角度范围内应考虑多少候选者：

在血管内存在小强度中断的情况下是尤其重要的。通过在具有小角度偏差的方向上采取更多步骤，算法将能够跳过小强度中断。从如下集合迭代获得新候选者的半径

其中是半径缩放倍数。角度增量和半径缩放倍数定义了针对跟随的候选者的搜索应该多广泛。的值越大，搜索变得越不广泛。

从所有生成和评估的三元组，具有最好血管性函数的一个三元组被进一步采取细化步骤。为了细化候选者，生成周围的候选者的改变（不同的位置、缩放比例、半径）的集合。选择具有最大血管性函数的候选者并将其视为跟踪过程内的下一个候选者。

一系列连接的三元组形成分段集。每个血管分段是无向无环图，在所述无向无环图处每个顶点具有一个或两个邻近的三元组，这取决于三元组是位于分段的末端处还是中间中。如果，则不进一步处理分段。

作为第四步骤也是最后的步骤，该方法的血管树生长部分从由流水线的先前分段跟踪部分产生的未连接的分段中构建血管树。在初始化点处，最接近的未连接的分段表示初始血管树。血管树通过连接邻近的未连接的分段来迭代地扩展，直到不再满足任何连接规则。因此，血管树生长步骤包括3个不同的元素；树初始化、树连接规则的应用以及确保血管树的完全检测的迭代过程。优选地，使用该方法，然而可以设想其他方法。

可以以半自动化或全自动化的方式来初始化该方法的树生长部分；在一个实施例中，如果本发明通过给出血管内的起始位置来手动初始化半自动化树生长过程。如果针对每个头和颈（左和右颈总动脉中的两个位置以及主动脉弓或主动脉中的一个位置）以及腿（左和右髂总动脉中的两个位置以及主动脉中的一个位置）扫描给定的三个位置，则可以保证算法的正常运行。主动脉中的图像上的单点选择通常足以进行腹部扫描。

在另一个实施例中，通过例如应用由major等提出的方法[d.major、a.novikov、m.wimmer、j.hladuvka和k.buhler，eurographicsworkshoponvisualcomputingforbiologyandmedicine中的automatedslice-basedarteryidentificationinvariousfield-of-viewctascans，vcbm2015，英国chester，2015年9月14-15日，第123129页。]，在关键动脉内自动找到初始位置。首先，检测覆盖感兴趣的主要动脉的切片区域。其次，以逐切片（slice-wise）方式来定位动脉切片位置的候选者。在区域中的每个切片上对位置采样并且在它们周围局部地提取定向梯度的直方图（hog）特征。将提取的hog特征与感兴趣的动脉的切片位置相关，并且该关系被馈送到最近邻（nn）回归模型。为了细化nn回归的结果，基于图像和解剖结构-背景特征的每个回归位置在感兴趣的动脉和其余动脉之间被另外分类。跨连续切片组成最好并且最平滑的动脉状过渡的位置针对每个动脉提供最终候选者。每个中的最好的mpos位置被视为对流水线的最终树生长步骤的初始化。

该方法的树生长部分采用两种类型的分段间连接和两种类型的连接规则。规则决定是否应将未连接的分段的一个或多个节点连接到所考虑的节点。当来自两个分段的两个端节点（具有仅一个邻居的节点）被彼此连接时，它们被称为构成“e-e连接”，并且使用连接规则的集合来处理这样的连接的算法将被称为“e-e连接器”。如果一个分段的端节点被连接到另一个分段的内部节点（具有多于一个邻居的节点），则该连接被称为“e-i连接”，并且负责该类型的连接的算法相应地被称为“e-i连接器”。对于每种连接类型，所公开的方法应用两种类型的连接器；基于最短路径的连接器和基于几何形状的连接器。

基于最短路径的连接器将它们的决定基于平滑强度过渡。这些连接器能够处理甚至高度几何上挑战性的连接，只要存在强度过渡并且区别于噪声或背景。尽管基于几何形状的连接器主要使用相对基本的几何信息，但是尤其是在由于斑块、成像赝像或低对比度导致强度信息失真时的高度挑战性的情况下，它们起重要作用。

对于两种类型的连接器（e-e和e-i），定义了身体部位具体参数的集合，以解决人体的不同部位中的解剖结构的多样性，如下：

用于基于几何形状的连接器的身体部位具体参数：

a）两个分段的最大距离系数：

b）两个分段的半径之间的最小可接受比率：

c）两个分段的半径之间的最大可接受比率：

d）分段之间的最大可接受角度：

e）最大可接受半径差异：

用于基于最短路径的连接器的身体部位具体参数：

a）采样强度的数量：m

b）最小接受hellinger距离：

c）与高斯密度的最小接受偏差：

d）用于区域生长连接器的测地线定标器（geodesicscaler）：

实验示出了默认参数、和是根据身体区域变化很大的仅有的参数。

基于最短路径的连接器使用最短路径算法，该算法以最小成本路径算法的元素来丰富。给定源节点和目标节点，它旨在找到节点之间的路径，使得满足两个条件。首先，几何上路径不应与欧几里德路径偏离很多。其次，沿着路径的每个位置处的高斯分布强度应该是相似的。

对于两种类型的连接（e-e和e-i），连接器以类似的方式进行。基于从每个分段获得的m个样本来重建两个不同的高斯分布和。在如果分布之间的hellinger距离是低的情况下，连接两个分段：

。

最后，该算法尝试重建两个分段之间的路径尽可能接近于所述分段之间的笔直谨慎（discreet）线。算法在父分段处的结束位置（源）处开始，其中目的是要达到在子分段处的（目标）。

以迭代的方式，在每个点和源位置之间估计高斯强度分布的偏差γ。在如果γ<pg的情况下，找到3d邻域中的新位置，以及重建到目的地位置的新谨慎线。当时，算法停止。

相比之下，基于几何形状的连接器使用角度、距离和形状相关的标准以便连接两个分段。e-e和e-i连接器两者都分析来自两个分段的切向量之间的角度。两个向量之间的角度不应超过身体部位相关参数mmax，该参数mmax其也根据连接器类型来变化，即针对e-i连接中的两个分段的角度可能比针对e-e连接中的两个分段的角度大得多，因为针对e-e连接的角度应该相当小。两个分段之间的允许距离是另一个连接标准。两个节点之间的距离不应超过（其中是针对两个分段的最大距离系数，身体部位具体参数）。为了允许两个分段的连接，父节点和子节点的半径的比率应该位于预定义范围中。该比率针对不同类型的连接而变化，因为对于e-i类型的连接而言，针对父分段的内部节点的半径大于针对子分段的内部节点的半径，这是至关重要的。

在其他实施例中，可以根据不同策略来优化在连接器（或血管连接方法）中使用的参数。优选地，使用以下方法。

遗传算法是用于优化具有大量的变量的非线性系统的通用数学方法。在本公开中，我们已经采用连续遗传算法来找到针对基于几何形状和最短路径的连接器的最佳身体部位具体参数。在这样的遗传算法中，参数的阵列被表示为所谓的染色体，包括来自在它们的身体部位背景中的两种类型的连接器（基于几何形状的连接器和基于最短路径的连接器）的参数。另外，混合方法被用于从父染色体的组合产生后代染色体。通过比较该方法（建造血管树）的最终结果与参考图像数据集中标记的参考血管来评估这样的后代染色体的结果。

对总共包括45个3dcta扫描的两个集合——集合＃1和集合＃2执行实验。集合＃1包含30个cta扫描，其中各向同性体素平面内尺寸从0.32到0.96mm变化，并且切片间距从0.29到1.6mm变化，其中最少457个体素切片并且最多2451个体素切片，在每个体素切片中具有512x512平面内尺寸。每次扫描对应于三个不同身体区域中的一个：头和颈、腹部或腿。每组包含10次扫描。

集合#2包含来自颈动脉腔分割和狭窄分级挑战[k.hameeteman、m.a.zuluaga、m.freiman、l.joskowicz、o.cuisenaire、l.f.valencia、m.a.gülsün、k.krissian、j.mille、w.c.wong等，“evaluationframeworkforcarotidbifurcationlumensegmentationandstenosisgrading”，medicalimageanalysis，第15卷，第4期，第477-488页，2011。]的训练集的15次头和颈cta扫描。各向同性体素平面内尺寸是在0.23和0.59mm之间，并且切片间距从0.44到0.6mm变化，其中最少466个切片并且最多786个切片，在每个切片中具有512x512平面内尺寸。集合#1中的主要动脉的中心线由三个观察者标记，并且然后全部合并到最终参考中心线。集合＃2包含由三位不同专家执行的颈动脉腔分割，所述分割被组合到针对颈动脉分叉腔分割和狭窄分级挑战的参考标准[参见上文]。

通过由lee等[t.-c.lee、r.l.kashyap和c.-n.chu，“buildingskeletonmodelsvia3-dmedialsurface/axisthinningalgorithms”，cvgip:graph.modelsimageprocess，第56卷，第6期，第462-478页，1994年11月。]提出的3d细化（thinning）算法将分割掩模骨架化（skeletonised）为中心线。最后，提取的骨架由另外的专家校正，并且结果被视为针对集合＃2的参考标准。

人体包含大量的动脉，然后所述动脉分支成许多较小的小动脉和毛细血管。如人们可以想象的那样，让所有那些血管都被医学专家注释，这几乎是不可能的。为了客观地评估算法性能，我们已经手动评估了跟踪结果的多少实际上并不表示任何种类的血管。通常，半自动化算法在一些扫描中产生稍微更干净的血管树。因此，我们想要总结由全自动化算法产生的血管树中遇到的问题，因为注意到存在更多问题。

在来自集合＃1的所有扫描中，在头和颈扫描中遇到了最大问题。在三次扫描中，由3-4个分段节点组成的微小骨骼结构被错误地连接到血管树。仅在一次扫描中有两个这样的微小结构。在两次扫描中，检测到微小的强钙化物体。在腹部扫描中，仅一次扫描具有错误的微小骨骼结构。在三次扫描中的腿数据集中，微小的钙化物体被错误地连接到树。

在集合＃2中，仅在两次扫描中遇到了小问题。在两种情况下，1-3个分段节点的微小骨骼结构被视为血管树的一部分。总的来说，在64.44％的扫描中没有标识非血管结构。在14.44％的情况下，错误地跟踪了包含1-4个点的微小骨骼物体。在10％的情况下，微小的钙化物体被连接。11.1％中错误地检测到小的非血管状结构。

用集合＃1来评估身体部位检测步骤。使用10倍交叉验证（cv）以便估计故意遗漏扫描的h-映射值。每个测试包含三次扫描，每个身体区域一次。随机找到组成员。根据major等（参见上文）来设定参数。实现了与40.68±77.93mm的真实高度的总体平均切片高度偏差。作为下一步骤，检测其中存在感兴趣的动脉的切片的集合。这通过分析回归切片h-位置来实现。对于每个θ，在每个cv运行中学习h-空间中的平均下限和上限，并且查询未看到的扫描中的学习值。我们测量了jaccard相似性，作为检测区域与地面实情（ground-truth）区域的重叠度量。

ao的切片具有78.7％的重叠，aoa的切片产生54.1％的重叠，lci的切片产生42.8％的重叠，rci的切片导致47.2％的重叠，lcc的切片导致73.8％的重叠，并且rcc的切片产生（deliver）64.8％的重叠。除了一个数据集之外，集合＃1中的每个数据集已经与地面实情区域重叠，所述一个数据集示出了其中由于血管树的高度病理性表观而找到lci切片稍微低于正确区域的腿。

用与上述用于评估身体部位检测步骤相同的10倍cv设置在集合＃1上评估算法的血管回归部分。

在检测到θ的切片之后，训练并应用切片位置回归模型。在其中存在感兴趣的动脉θ的扫描上，在10倍cv运行中训练模型。我们测量了在切片的基础上和在数据集的基础上有多少回归位置落入血管腔中（参见下表）。

。

我们选择了20个最好位置结果，因为它在总体上表现最好，除了aoa处的2个数据集和rcc的1个数据集之外，找到了针对所有数据集的血管腔候选者。这是由于在一个情况和两个静脉异常情况中aoa的非常边缘（marginal）的视场。

在集合#1上验证该方法的半自动化和全自动化血管跟踪部分在头和颈、腹部和腿动脉上的性能（参见下面的图1）。如果在任何跟踪点的球体内遇到参考点，则该参考点被视为跟踪的，其中球体的半径等于在该跟踪点处的估计的半径。参考点和相应的最接近的跟踪点之间的距离导致总体中心线提取误差。

在半自动化和全自动化两者的情况下已经完全检测左和右颈总动脉（lcc和rcc），这并不奇怪，因为在半自动化模式下，已经提供了两个血管中的起始位置，并且在全自动化的情况下，针对两个血管的血管回归步骤达到了非常高的检测准确率。该方法的该部分用两种初始化模式很好地应对左和右颈外动脉两者（lec和rec）。对于rec，因为如下事实导致达到稍微较低的检测率：由于从rcc到rec的分支点周围的非常钙化的区域，因此在一个数据集中遗漏了rec，并且在另一个数据集中几乎遗漏了rec。在两种初始化模式中，对于头臂干（brachiocephalictrunk）（bt）（除了其中完全遗漏的一个数据集外）、左颈内动脉（lic）和右锁骨下动脉（rs），也已经达到高值。针对右内动脉（ric）的稍微较低的值是由于分支点周围非常钙化的和斑块区域导致的。由于主动脉弓（aoa）处的初始化不充分，左锁骨下动脉（ls）、左和右椎动脉（lv和rv）分别在三次（lv）和两次（rv）扫描中被遗漏。另一方面，在全自动化模式中，由于通过血管回归算法精确检测aoa处的点，该算法在检测ls和lv方面表现好得多。在两次扫描中遗漏了基底动脉（ba），在所述两次扫描中还遗漏了rv和lv。中心线提取算法表现非常好，并且对于半自动化模式实现了0.95mm的平均误差，以及针对全自动化模式实现了0.93mm的平均误差。尽管存在上述问题和限制，但对于全自动化模式，平均检测率为77％，并且对于半自动化模式，平均检测率为80％。

算法的两种模式在腹部扫描上表现出色（对于全自动化模式，平均为88％，并且对于半自动化模式，平均为96％），除了肠系膜下动脉，因为与分支点周围的区域中的主动脉强度值相比，肠系膜下动脉的大的强度水平差异，所以在一次扫描中遗漏了该肠系膜下动脉。针对两种模式的平均中心线误差约为2.08mm。该算法在腿扫描中成功检测到了感兴趣的主要动脉。那些动脉包括主动脉（ao）、左和右髂总动脉（lci和rci）、左和右股深和股动脉（ldf、rdf、lf、rf）以及左髂内动脉（lii）。针对右髂内动脉的稍微较低的检测率是由于在一次扫描上的算法的结果中右髂内动脉不存在。针对其他动脉的低值是由于那些扫描中存在动脉旁路。所有那些血管都已经通过种子检测和分段跟踪步骤两者被检测到，但尚未通过树生长步骤被连接到主树。尽管存在该问题，但对于半自动化版本，平均检测率为81％，并且对于全自动化版本，平均检测率为81.6％。针对两种模式，平均中心线误差约为1.22mm。对于头和颈以及周边扫描中的一些血管，全自动化方法优于半自动化方法。这是由于在全自动化的情况下更完整的初始化而发生，在全自动化的情况中，自动提供多个位置而不是在半自动化模式中手动选择每个血管中的仅一个位置。

总之，准确的身体部位检测和身体部位具体种子检测和过滤算法确保了非常准确的分段跟踪过程的优秀的初始化。

精确的血管回归方法为最终的身体部位具体血管树生长方法提供了准确的（sharp）起点。对不同数据集的性能评估展示了对来自人体的所有部位的扫描的令人印象深刻的检测和中心线准确率。除了在与真实医学数据的评估比较中，该算法还能够估计中间血管位置处的解剖学上正确的半径，这已经变得清楚。除了关于被连接到主血管树的微小结构的几个问题之外，该算法还展示了其鲁棒性和对输入数据的普遍适用性。