Cta容积中的自动化主动脉检测的制作方法
【技术领域】
[0001]本发明涉及在诸如计算的层析X射线摄影法血管造影术(CTA)图像之类的医学图像中的自动化血管检测的计算机实现的方法。
【背景技术】
[0002]在放射性对比医学成像设置中，让患者服用对比剂以增加身体中的某个管腔的放射密度。在血管造影X射线投影的重构中，血管树将因而具有与骨组织的密度类似的密度。因而，当仅显示容积的高强度体元时，向放射学家呈现仅包含血管树和骨骼的图像。由于骨骼可能在视觉上遮挡血管树的某些部分，因此可以通过从视图移除骨架结构来实现诊断的显著加速。该任务可以分解在分割和分类任务中。在分割期间，将图像数据分解成包含很可能具有相同类型(即骨骼或血管)的图像元素的区。基于区的一些定量或定性特征，分类方案或用户然后确定应当将特定区视为骨质还是脉管组织。
[0003]骨骼移除算法不允许以完美的方式检测血管结构。总是存在需要清理的一些碎片。
[0004]本发明的一方面是提供一种以最优的方式检测诸如CTA图像之类的容积图像中的血管结构的方法。
【发明内容】
[0005]以上提到的方面通过在权利要求1中阐述的方法来实现。在从属权利要求中阐述针对本发明的优选实施例的具体特征。
[0006]本发明可适用于由数字像素表示所表示的2D图像以及由体元表示所表示的3D容积。当提到2D图像时，理解为与3D容积可互换并且反之亦然。
[0007]本发明可以实现为被适配成当在计算机上运行时实施本发明的方法的所有方面的计算机程序产品。本发明还包括计算机可读介质，所述计算机可读介质包括被适配成实施本发明的方法的步骤的计算机可执行程序代码。
[0008]本发明的另外的优点和实施例将从以下描述中变得显而易见。
【附图说明】
[0009]图1示出输入3D容积、应用于该输入3D容积的骨骼移除算法的结果和主动脉检测算法的结果。
图2是图示了本发明的方法的不同步骤的流程图，
图3是图示了本发明的骨骼分割部分的流程图，
图4示出容积的部分的经分类的分层次细分(breakdown)。
【具体实施方式】
[0010]在此详细描述中，关于在计算的层析X射线摄影法血管造影术图像(CTA图像)中的主动脉检测来解释本发明的方法。CTA容积密度以亨氏(Hounsfield)单位来表述。
[0011]主动脉是身体中的最大动脉，其源自心脏的左心室并且向下延伸到腹部，在那里它分叉成两个较小动脉。
[0012]因而，考虑腹部CT扫描仪生成的容积，主动脉对应于血管树中的最大组分(component)。
[0013]尽管本发明已经被设计用于CTA容积中的主动脉的检测，但是将清楚的是，所述方法还可以用于其它应用。
[0014]例如，如果X射线重构的图像不是腹部图像，则本发明的方法可以应用于检测最大血管而不是用于检测主动脉。
[0015]其它应用是骨骼移除结果的细化，得到适当输入用于追踪血管以检测脉管疾病等。
[0016]所提出的方法包括两个主要分割步骤:骨骼移除和主动脉检测。
[0017]总体算法在图2中图示。
[0018]骨骼移除步骤在图3中图示。
[0019]骨骼移除
骨骼移除方法在本领域中是已知的并且包括例如交互受控的阈值化方法，诸如在“Semiautomatic bone removal technique from CT ang1graphy data” (Med Imaging,Proc.SPIE 4322 (2001)1273 - 1283 (Alyassin, A.M., Avinash, G.B.))中所描述的。其它方法基于分水岭技术，诸如在 “ Improved watershed transform for medical imagesegmentat1n using pr1r informat1n” (IEEE Trans Med Imaging 23(4) (2004)447 - 458 (Grau, V., Mewes, A.U.J., Alca~niz, M., Kikinis, R., Warfield, S.K.))中所描述的。基于区域生长的骨骼移除的示例是由M.Fiebich Automatic bonesegmentat1n technique for CT ang1graphic studies，，(J.Comput As, vol.23, n0.1，p.155，1999)提出的那个。
[0020]考虑到一般相对于基于分水岭的方法的计算复杂度的阈值化方法的计算复杂度，以及它们可以被并行化的相对容易性，在本发明的上下文中优选基于阈值的分割器。
[0021]如以下描述的基于分水岭的分割算法(在图3中图示)优选地被使用在本发明的方法中。
[0022]所述方法一般包括分割阶段和分类步骤。
[0023]分割阶段包括阈值化和集群分析的迭代过程。
[0024]迭代阈值化:
阈值操作被迭代地执行，其中每次增加阈值:在每一个阈值操作之后保留的体元的掩模(mask)被馈送到新的阈值操作中，在每一个阶段，由于体元数目减少，所以降低了计算成本。分析由每一个阈值操作所呈递的掩模以找到相邻体元的集群。在该分析期间，针对每一个集群计算多个定性特征。
[0025]本发明的方法开始于以180亨氏单位的初始阈值操作。输出为二进制掩模，其中仅将具有高于180 HU的强度的体元设置成1。由于该掩模的稀疏性，其存储在存储器中作为经行程长度(run-length)编码的掩模。该第一掩模形成对集群分析和阈值化的迭代过程的输入。
[0026]集群分析:
将集群定义为体元的群组，其中每一个体元与群组中的至少一个其它体元相邻。在该阶段，在6邻域意义上定义相邻性，但是集群生成器可以被配置成使用例如体元的26邻域。
[0027]通过在经行程长度编码的掩模中标记行程来创建集群。使用整数标记来标记行程，并且将该标记传播到所有其相邻行程。这在前向扫描中实现，继之以修剪操作，其中之前建立的对应标记由一个唯一标记取代。针对掩模中的每一个唯一标记生成一个集群。在分析期间，可以针对每一个集群而计算诸如方差、最大值、平均值、直方图数据之类的基于强度的特征和诸如容积、紧致性、重心、多孔性和主要组分之类的形态学特征二者。集群因而由整数标记和在承载该标记的行程的体元上计算的一系列特征的组合来表征。
[0028]为了减少需要存储的集群的数目，小于500mm3的集群在其被传递到下一阈值操作之前从行程长度掩模中被移除。在所描述的示例中将控制相继阈值之间的阈值的增加的参数设置成20 HU。通过将之前的掩模用作对下一阈值操作的输入，在阈值操作期间需要访问的体元的数目被减少至掩模中的体元的数目。
[0029]集群生成和阈值化的过程继续直到不再有集群满足500m3的最小尺寸要求为止，或者直到达到700 HU的阈值水平为止。算法可以被配置成忽略最小尺寸要求。这允许集群分析步骤在迭代阈值化之后执行。
[0030]集群层次(hierarchy):
由于在所描述的实施例中，利用单调递增的阈值来执行阈值化，因此集群将分解成较小集群。这正是所预想的效果以提供骨骼与脉管区之间的分割。为了追踪掩模中的这些分解事件，需要在以相继阈值水平计算的集群之间建立关系。分解事件的追踪允许向集群分配类别并且将这些传播到较低阈值集群，直到分解事件标示两个不同类别的结合为止。在较高与较低阈值掩模之间的关系通过将具有较高阈值的掩模的所有集群链接到具有较低阈值的掩模中的那些来建立。对于每一个集群，通过取集群的任意体元定位并且在较低阈值掩模中查找对应于该定位的标记来建立直接“前代(ancestor)”。每一个前代集群维护其“后继者(successor )”集群的列表并且每一个后继者保留其直接前代。
[0031]建立层次还使得能够计算对集群特征关于改变阈值水平的演进进行描述的微分(differential)特征。
[0032]构建集群层次还可以作为集群分析步骤的部分而递增地执行，如图4中所描绘的那样。
[0033]分类器
为了确定所计算的集群是骨质还是脉管组织的部分，算法需要能够基于其特征而在这些集群类别之间进行区分。学习算法可以用于基于手动标记的训练数据而训练这样的分类器。
[0034]分类
如较早前提到的，一些集群被直接分类而其它通过传播而被分配类别。集群仅在其不再具有后继者的情况下才被直接分类。