0 引言

    作為一種非介入診斷技術，心臟計算機斷層掃描血管造影(Computed Tomography Angiography，CTA)圖像已廣泛用于心臟冠脈疾病的臨床診斷，因此如何準確地從CTA圖像中提取冠脈中心線具有重要意義。而人工提取和標注中心線會耗費大量時間并需要豐富的經(jīng)驗，因此利用計算機輔助診斷技術自動地提取中心線變得越來越緊迫。

    冠脈中心線提取作為冠脈提取的非直接提取方法，近年來已經(jīng)吸引了大量研究團隊從事相關研究。這類研究方法并不直接提供血管內(nèi)腔分割結果，而是對內(nèi)腔中心線進行精確的定位。在中心線提取的基礎上，可以通過后處理過程沿中心線對冠脈內(nèi)腔進行分割。最短路徑算法作為一種路徑搜索算法，已被許多研究者^[1-3]用于冠脈中心線的提取研究。但是，該算法搜索過程中的起始點和結束點需要手動標記，不能自動選擇。而且，當冠脈出現(xiàn)鈣化或旁路手術時，冠狀動脈分支的追蹤過程可能會停止，導致提取失敗。在文獻[1]的研究中，首先通過Vesselness冠脈增強算法^[4]對冠脈進行增強，然后采用最短路徑來搜索冠脈中心線，其中起點和終點需要手動標注。在文獻[2]的研究中，將冠脈Vesselness增強結果和圖像亮度相結合生成代價圖像，并且采用Dijkstra算法來追蹤代價圖像中手動標注的起始點和終點之間的冠脈中心線。在文獻[3]的研究中，將冠脈血管概率和Vesselness增強結果結合起來形成加權圖像，使用最短路徑算法從加權圖像中提取冠狀動脈中心線，其中自動檢測起點并手動標記終點。在文獻[5]的研究中，采用自動檢測的起始點和手動標記的終點提取血管圖像的冠狀中心線。

    同時，有部分研究者^[6-9]集中在對冠脈中心線樹形結構的研究。在這些研究中，首先自動提取冠脈樹形結構，主分支需要通過用戶提供的參考點進行識別，不能被自動提取。在文獻[10-11]的研究中， 全自動地提取了冠脈中心線樹形結構，然而沒有實現(xiàn)冠脈主分支的自動提取和識別。在臨床診斷中，心血管疾病主要通過3個主要分支進行診斷，包括右冠狀動脈(Right Coronary Artery，RCA)、左前降支動脈(Left Anterior Descending Artery，LAD)和左旋動脈(Left Circumflex Artery，LCX)。因此，在診斷過程中提供主分支而不是整個冠脈樹更利于冠脈疾病的診斷。

    本文提出了一種冠脈主分支中心線全自動提取和識別的新方法，由兩個關鍵步驟組成：先驗模型的建立和基于模型映射的有向最短路徑中心線檢測。為了獲得冠脈的方向和感興趣區(qū)域，通過圖像配準方法首先將先驗模型映射到待檢測的心臟CTA圖像上，獲得中心線的感興趣區(qū)域和冠脈的方向特性。然后，采用基于學習的方法在起點感興趣區(qū)域內(nèi)檢測冠脈起點。最后，為了在冠脈的感興趣區(qū)域中實現(xiàn)魯棒的中心線追蹤和識別，將來自模型映射的冠脈方向信息整合到有向最短路徑演變中，實現(xiàn)3個主分支的全自動提取和同步識別。

1 方法

    本文提出的方法主要由3個步驟組成：模型建立、有向最短路徑和模型校準，圖1是提取冠脈中心線的基本流程圖。在整個方法中，起點的自動檢測和有向最小路徑是兩個關鍵階段。

1.1 模型映射和起點檢測

    本設計的先驗模型由任意一個心臟CTA圖像和手動標注的3條冠脈主分支中心線組成。在模型映射的步驟中，心臟CTA圖像將首先通過圖像配準方法^[12-13]映射到待檢測的圖像上。被映射后的模型提供冠脈的方向信息和中心線的感興趣區(qū)域，為有向最小路徑提供信息準備。中心線的感興趣區(qū)域通過沿著被映射的中心線模型，在待檢測心臟CTA圖像中逐層建立，中心線的自動提取將在該感興趣區(qū)域中進行。先驗模型被映射到未知CTA數(shù)據(jù)后，同時也獲得了冠脈起始點（主動脈和冠脈主分支交點）的參考位置，縮小了起點檢測的范圍，然后起點檢測算法^[14]被用于自動地檢測中心線的起點。

1.2 基于模型映射方向最短路徑的中心線提取

    基于傳統(tǒng)的最短路徑，冠脈方向信息被融合到最短路徑的代價函數(shù)中，實現(xiàn)了冠脈中心線被自動提取和識別。能量函數(shù)的代價P(x)由3個主要項組成：圖像亮度的相似性度量^[15]s(x)、冠脈Vesselness增強^[4]v(x)、方向度量d(x)。代價函數(shù)被定義為:

    圖2(a)顯示了獲得當前路徑和冠脈模型之間夾角的分段計算方法。感興趣區(qū)域的冠狀動脈分支可以分成幾段進行精確計算。如圖2所示，在特定的冠脈分段中，C_i代表起點，C_x代表最短路徑演化過程中的當前點，M_i和M_i+1分別代表了被映射冠狀動脈模型中當前段的起點和終點。為了簡化模型，將每個段S_iS_i+1的長度設置為常數(shù)值。由于這些分段是連續(xù)的，因此當前分段的終點是下一個分段的起點。同時，得到演化過程中候選點x的位置后，夾角θ(x)通過相應的段和被映射模型的冠脈方向計算得出。在最短路徑演化過程中，還需要對模型進行校正，提高中心線提取精度，下一節(jié)將介紹模型校正的具體實現(xiàn)。

1.3 映射模型的校正

    在理想的情況下，建立的模型將提供一個準確待檢測CTA圖像的冠脈位置估計。然而，由于配準偏差和個體差異性，很難得到先驗模型的主分支與待檢測心臟CTA圖像對應分支之間的精確匹配。提出的模型校準方法將被用于調(diào)整被映射的中心線模型，提高被映射模型的匹配精度。其校準基本步驟如下：

2 實驗細節(jié)

    本文方法在8個心臟CTA圖像上進行了3個主分支的提取測試，包括RCA、LAD和LCX。與之前的方法^[14，16]不同，在本文中，用全長中心線評估提取結果。在每個CTA圖像中，主分支的冠狀動脈中心線都被手動提取，將作為評估過程的金標準。同時，為了突出本文算法在臨床應用中的魯棒性，將低強度的噪聲放置在冠脈的2/3長度處以模擬冠脈狹窄等疾病。

2.1 基于合成數(shù)據(jù)的評估

    在實驗中測試了8個CTA圖像，每個圖像都會生成10個合成模型，最后可以得到80個評估數(shù)據(jù)。合成模型是通過手動提取中心線進行形變而建立的。首先，將手動提取的中心線起點和終點隨機移動15 mm范圍。然后變形整個中心線，以下是變形的計算公式：

    本文使用兩種基于最短路徑的中心線提取方法^[2-3]和本文的方法進行了實驗比較。由于這些方法^[2-3]不是全自動的冠脈中心線檢測方法，因此手動標記了冠脈的起點和終點。表1顯示了成功案例的實驗結果與標準中心線之間的平均距離。與DESCHAMPS T等人提出的方法^[3]相比，對于成功案例，本文提出的方法幾乎達到了理想效果。同時，提出的方法的重疊率和METZ C等人的方法^[2]相接近，分別為81.0％和80.5％。不過應該指出的是，本文的方法整個過程是全自動執(zhí)行的，不需要手動標注冠脈中心線的起點和終點。

2.2 基于實際數(shù)據(jù)的評估

    本文在實驗過程中采用了留一法(leave-one-out)：從8個圖像中選擇1個樣本作為先驗心臟CTA模型，其余7個作為測試數(shù)據(jù)集，這將生成56個案例。圖3顯示了兩個可視化提取冠脈中心線的例子，表2進一步顯示了數(shù)據(jù)的結果。從數(shù)據(jù)來看，中心線提取精確度比合成數(shù)據(jù)實驗略差一點，這是由于模型和待檢測的心臟CTA圖像之間的形狀差異較大，但結果達到了預期的效果。此外，誤差主要來自最大冠脈直徑內(nèi)部的偏差，即檢測的中心線主要落在冠脈內(nèi)部。實驗顯示3個主分支的重疊率分別為81.2％、79.3％和80.6％，這表明了本文提出的方法具有非常強的魯棒性和精度。

3 討論

    目前，冠狀動脈分割的主要研究集中在非直接方法：冠狀動脈中心線的自動提取。根據(jù)提取的中心線，可以沿中心線分割冠脈內(nèi)部腔體。然而，如果沒有戶交互步驟，很少有方法可以全自動提取和識別主分支的中心線。本文提出方法的主要優(yōu)勢是可以在沒有任何用戶交互的情況下全自動提取和識別主分支的中心線。在第2.1節(jié)中提出的評估中顯示了本文方法的重疊率是81.0％，超過了METZ C的方法^[2]。在本文的方法中，待檢測心臟CTA圖像的冠脈感興趣區(qū)域和結構特征是通過先驗模型的圖像配準算法獲得的，從而實現(xiàn)了3個主分支的全自動提取和識別。

4 結束語

    本文提出了一種全自動提取冠狀動脈中心線的新方法，該方法主要由模型映射和有向最短路徑組成。模型映射可以提供待檢測心臟CTA圖像的3個冠脈主分支的感興趣區(qū)域和結構信息。有向最短路徑的起點通過訓練方法在感興趣區(qū)域中被檢測。冠脈的結構信息用于提供有向最短路徑演化過程中的方向指導，并且該信息還可用于標注3個冠脈主分支的名稱。實驗結果表明，所提出的方法具有較為精確的中心線提取結果，特別適合3個冠脈主分支的提取和識別。同時，針對不同的配準方法，進行了中心線提取結果的評測，結果表明提出的方法不受不同配準方法的影響。在未來的研究中，將基于3個主分支的基礎上，對從分支進行提取，最終獲得整個冠脈樹形結構，并逐步將提出的方法應用于臨床診治中。

參考文獻

[1] WINK O，F(xiàn)RANGI A，VERDONCK B，et al.3D MRA coronary axis determination using a minimum cost path approach[J].Magnetic Resonance In Medicine，2002，47(6)：1169.

[2] METZ C，SCHAAP M，VAN W T，et al.Two point minimum cost path approach for CTA coronary centerline extraction[C].The Midas Journal，MICCAI Workshop-Grand Challenge Coronary Artery Tracking，2008.

[3] DESCHAMPS T，COHEN L.Minimal paths in 3D images and application to virtual endoscopy[C].European Conference on Computer Vision-ECCV，2000，1843：543-557.

[4] FRANGI A，NIESSEN W，VINCKEN K L，et al.Multiscale vessel enhancement filtering[C].Medical Image Computing and Computer-Assisted Intervention-MICCAI，1998，1496：130-137.

[5] KRISSIAN K，BOGUNOVIC H，POZO J，et al.Minimally interactive knowledge-based coronary tracking in CTA using a minimal cost path[C].The Midas Journal，MICCAI Work shop-Grand Challenge Coronary Artery Tracking，2008.

[6] KITAMURA Y，LI Y，ITO W.Automatic coronary extraction by supervised detection and shape matching[C].IEEE International Symposium on Biomedical Imaging-ISBI，2012：234-237.

[7] CARRILLO J，HOYOS M，DAVILA E，et al.Recursive tracking of vascular tree axes in 3D medical images[J].International Journal for Computer Assisted Radiology and Surgery，2007，1(6)：331.

[8] GULSUN M，TEK H.Robust vessel tree modeling[C].Medical Image Computing and Computer-Assisted Intervention-MICCAI，2008，5241：602-611.

[9] CASTRO C，LUENGO O M，SANTOS A，et al.Coronary artery tracking in 3D cardiac CT images using local morphological reconstruction operators[C].The Midas Journal，MICCAI Workshop-Grand Challenge Coronary Artery Tracking，2008.

[10] LI Z，ZHANG Y，GONG H，et al.An automatic and efficient coronary arteries extraction method in CT angiographies[J].Biomedical Signal Processing and Control，2017，36：221-233.

[11] LI Z，ZHANG Y，GONG H，et al.Automatic coronary artery segmentation based on multi-domains remapping and quantile regression in angiographies[J].Computerized Medical Imaging and Graphics，2016，54：55-56.

[12] LIU L，SHI W，RUECKERT D，et al.Coronary centerline extraction based on ostium detection and model-guided directional minimal path[C].IEEE International Symposium on Biomedical Imaging-ISBI，2014：133-136.

[13] TANG H，WALSUN T V，ONKELEN VAN R，et al.Semiautomatic carotid lumen segmentation for quantification of lumen geometry in multispectral MRI[J].Medical Image Analysis，2012，16(6)：1202-1215.

[14] ZHUANG X，RHODE K，RAZAVI K，et al.A registration-based propagation frame-work for automatic whole heart segmentation of cardiac MRI[J].IEEE Transactions on Medical Imaging，2010，29(9)：1612-1625.

[15] DUECKERT D，SONODA L，HAYES C，et al.Nonrigid registration using free-form deformations：application to breast MR images[J].IEEE Transactions on Medical Imaging，1999，18(8)：712-721.

[16] LIU L，SHI W，RUECKERT D，et al.Model-guided directional minimal path for fully automatic extraction of coronary centerlines from cardiac CTA[C].Medical Image Computing and Computer-Assisted Intervention-MICCAI，2013，8149：542-549.

作者信息:

劉  瀏，徐  進，吳鵬飛

（南京郵電大學  教育部寬帶無線通信技術工程研究中心，江蘇 南京210003）