Cta容積中的自動化主動脈檢測的制作方法
【技術領域】
[0001]本發明涉及在諸如計算的層析X射線攝影法血管造影術(CTA)圖像之類的醫學圖像中的自動化血管檢測的計算機實現的方法。
【背景技術】
[0002]在放射性對比醫學成像設置中，讓患者服用對比劑以增加身體中的某個管腔的放射密度。在血管造影X射線投影的重構中，血管樹將因而具有與骨組織的密度類似的密度。因而，當僅顯示容積的高強度體元時，向放射學家呈現僅包含血管樹和骨骼的圖像。由于骨骼可能在視覺上遮擋血管樹的某些部分，因此可以通過從視圖移除骨架結構來實現診斷的顯著加速。該任務可以分解在分割和分類任務中。在分割期間，將圖像數據分解成包含很可能具有相同類型(即骨骼或血管)的圖像元素的區。基于區的一些定量或定性特征，分類方案或用戶然后確定應當將特定區視為骨質還是脈管組織。
[0003]骨骼移除算法不允許以完美的方式檢測血管結構。總是存在需要清理的一些碎片。
[0004]本發明的一方面是提供一種以最優的方式檢測諸如CTA圖像之類的容積圖像中的血管結構的方法。
【發明內容】
[0005]以上提到的方面通過在權利要求1中闡述的方法來實現。在從屬權利要求中闡述針對本發明的優選實施例的具體特征。
[0006]本發明可適用于由數字像素表示所表示的2D圖像以及由體元表示所表示的3D容積。當提到2D圖像時，理解為與3D容積可互換并且反之亦然。
[0007]本發明可以實現為被適配成當在計算機上運行時實施本發明的方法的所有方面的計算機程序產品。本發明還包括計算機可讀介質，所述計算機可讀介質包括被適配成實施本發明的方法的步驟的計算機可執行程序代碼。
[0008]本發明的另外的優點和實施例將從以下描述中變得顯而易見。
【附圖說明】
[0009]圖1示出輸入3D容積、應用于該輸入3D容積的骨骼移除算法的結果和主動脈檢測算法的結果。
圖2是圖示了本發明的方法的不同步驟的流程圖，
圖3是圖示了本發明的骨骼分割部分的流程圖，
圖4示出容積的部分的經分類的分層次細分(breakdown)。
【具體實施方式】
[0010]在此詳細描述中，關于在計算的層析X射線攝影法血管造影術圖像(CTA圖像)中的主動脈檢測來解釋本發明的方法。CTA容積密度以亨氏(Hounsfield)單位來表述。
[0011]主動脈是身體中的最大動脈，其源自心臟的左心室并且向下延伸到腹部，在那里它分叉成兩個較小動脈。
[0012]因而，考慮腹部CT掃描儀生成的容積，主動脈對應于血管樹中的最大組分(component)。
[0013]盡管本發明已經被設計用于CTA容積中的主動脈的檢測，但是將清楚的是，所述方法還可以用于其它應用。
[0014]例如，如果X射線重構的圖像不是腹部圖像，則本發明的方法可以應用于檢測最大血管而不是用于檢測主動脈。
[0015]其它應用是骨骼移除結果的細化，得到適當輸入用于追蹤血管以檢測脈管疾病等。
[0016]所提出的方法包括兩個主要分割步驟:骨骼移除和主動脈檢測。
[0017]總體算法在圖2中圖示。
[0018]骨骼移除步驟在圖3中圖示。
[0019]骨骼移除
骨骼移除方法在本領域中是已知的并且包括例如交互受控的閾值化方法，諸如在“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。其它方法基于分水嶺技術，諸如在 “ 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。基于區域生長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)提出的那個。
[0020]考慮到一般相對于基于分水嶺的方法的計算復雜度的閾值化方法的計算復雜度，以及它們可以被并行化的相對容易性，在本發明的上下文中優選基于閾值的分割器。
[0021]如以下描述的基于分水嶺的分割算法(在圖3中圖示)優選地被使用在本發明的方法中。
[0022]所述方法一般包括分割階段和分類步驟。
[0023]分割階段包括閾值化和集群分析的迭代過程。
[0024]迭代閾值化:
閾值操作被迭代地執行，其中每次增加閾值:在每一個閾值操作之后保留的體元的掩模(mask)被饋送到新的閾值操作中，在每一個階段，由于體元數目減少，所以降低了計算成本。分析由每一個閾值操作所呈遞的掩模以找到相鄰體元的集群。在該分析期間，針對每一個集群計算多個定性特征。
[0025]本發明的方法開始于以180亨氏單位的初始閾值操作。輸出為二進制掩模，其中僅將具有高于180 HU的強度的體元設置成1。由于該掩模的稀疏性，其存儲在存儲器中作為經行程長度(run-length)編碼的掩模。該第一掩模形成對集群分析和閾值化的迭代過程的輸入。
[0026]集群分析:
將集群定義為體元的群組，其中每一個體元與群組中的至少一個其它體元相鄰。在該階段，在6鄰域意義上定義相鄰性，但是集群生成器可以被配置成使用例如體元的26鄰域。
[0027]通過在經行程長度編碼的掩模中標記行程來創建集群。使用整數標記來標記行程，并且將該標記傳播到所有其相鄰行程。這在前向掃描中實現，繼之以修剪操作，其中之前建立的對應標記由一個唯一標記取代。針對掩模中的每一個唯一標記生成一個集群。在分析期間，可以針對每一個集群而計算諸如方差、最大值、平均值、直方圖數據之類的基于強度的特征和諸如容積、緊致性、重心、多孔性和主要組分之類的形態學特征二者。集群因而由整數標記和在承載該標記的行程的體元上計算的一系列特征的組合來表征。
[0028]為了減少需要存儲的集群的數目，小于500mm3的集群在其被傳遞到下一閾值操作之前從行程長度掩模中被移除。在所描述的示例中將控制相繼閾值之間的閾值的增加的參數設置成20 HU。通過將之前的掩模用作對下一閾值操作的輸入，在閾值操作期間需要訪問的體元的數目被減少至掩模中的體元的數目。
[0029]集群生成和閾值化的過程繼續直到不再有集群滿足500m3的最小尺寸要求為止，或者直到達到700 HU的閾值水平為止。算法可以被配置成忽略最小尺寸要求。這允許集群分析步驟在迭代閾值化之后執行。
[0030]集群層次(hierarchy):
由于在所描述的實施例中，利用單調遞增的閾值來執行閾值化，因此集群將分解成較小集群。這正是所預想的效果以提供骨骼與脈管區之間的分割。為了追蹤掩模中的這些分解事件，需要在以相繼閾值水平計算的集群之間建立關系。分解事件的追蹤允許向集群分配類別并且將這些傳播到較低閾值集群，直到分解事件標示兩個不同類別的結合為止。在較高與較低閾值掩模之間的關系通過將具有較高閾值的掩模的所有集群鏈接到具有較低閾值的掩模中的那些來建立。對于每一個集群，通過取集群的任意體元定位并且在較低閾值掩模中查找對應于該定位的標記來建立直接“前代(ancestor)”。每一個前代集群維護其“后繼者(successor )”集群的列表并且每一個后繼者保留其直接前代。
[0031]建立層次還使得能夠計算對集群特征關于改變閾值水平的演進進行描述的微分(differential)特征。
[0032]構建集群層次還可以作為集群分析步驟的部分而遞增地執行，如圖4中所描繪的那樣。
[0033]分類器
為了確定所計算的集群是骨質還是脈管組織的部分，算法需要能夠基于其特征而在這些集群類別之間進行區分。學習算法可以用于基于手動標記的訓練數據而訓練這樣的分類器。
[0034]分類
如較早前提到的，一些集群被直接分類而其它通過傳播而被分配類別。集群僅在其不再具有后繼者的情況下才被直接分類。