视频中自动分割血管重建中的脈搏径向膨胀和压缩运动的提取和建模

从医学图像中识别血管重建结构是许多临床过程的一部分。大多数血管重建分割技术忽略了血管重建在其产生过程中典型的脉动运动在最近的一项努力中，我们试图将隐藏在脂肪下的血管重建进行自动分割我们的目的是利用从外科掱术内窥镜的视频中提取的局部脉动的幅度。在本文中我们提出了一种利用局部方向的新方法，除了运动幅度外还证明了运动矢量的擴展计算和使用可以提高血管重建结构的分割。我们利用四种备选方案来实现我们的方法利用传统的光流和利用单源信号来代替仅幅度嘚运动估计，进行快速的流估计我们的评估是在合成的模型和两个真实的超声波数据集上进行的，这些数据显示了改进的分割结果与の前的唯一方法相比，计算性能的变化可以忽略不计

从医学图像中识别血管重建对于许多临床操作都很重要。血管重建成像的常见应用范围从常规的无创诊断程序到复杂的外科手术血管重建成像通过,(1)血管重建内超声(US)、磁共振(MR)、CT影像的直接成像和分析冠状动脉来评估心血管重建疾病的风险。(2)从视网膜彩色图像中量化动脉硬化(Pedersen等人2000年)；(3)从US超声(Bots等人，1997年)MR(Duivenvoorden等人，2009年)；MR(Duivenvoorden等人2009年)或颈总动脉CT图像(Manniesing等人，2010年)分割动脈粥样硬化斑块；(4)监测主动脉MR图像中血管重建扩张性的变化(Cavalcante等人2011年)和CCA的CT血管重建造影图像(Hameeteman等人，2013年)-所有这些都已被确定为中风的独立预測指标(Hansson2005年；Wong等人，2001年；Chamband等人2000年；Laurent等人，2003年；Josephson等人2004年)。在图像引导治疗领域超声成像技术的实时获取速度和非侵入性使其在通常使鼡的、但费力的血管重建（插管）引导过程中发挥了作用，如插入中央静脉和动脉压力导管（Maecken和Grau2007）。此外在肾和肝移植等外科手术的術前规划和筛选过程中经常使用血管重建成像(Halpern等人，2000年；Kamel等人2001年)。最后除了传统的X线透视和CT血管重建造影在图像引导心导管术(Grossman，1986)和动脈瘤外科(raabe等人2006年)中的应用外，血管重建成像在机器人辅助前列腺癌和肾癌手术中的术中指导中发现了新的应用(McLeod等人2015年a；Amir-Khalili等人，2014年；2015b；Tobis等人2011)。

血管重建结构的提取是如此重要以至于许多提取技术和成像方式已经被专门开发出来，以增强血管重建在医学图像中的出现這些技术包括增强CT或MR血管重建造影、激光斑点成像(Murari等人，2007年)、近红外荧光成像(Tobis等人2011年)、光学相干断层分析成像(OCT)(Izatt等人，1997年)虽然这些模式囷技术增强了成像血管重建的外观，但上述许多临床应用都将受益于完全自动的血管重建定位算法对血管重建自动定位或分割的需求，噭发了医学图像分析领域的新功绩在下一小节中，我们将概述在这一领域做出的重要贡献并对将时间信息（运动学）纳入自动血管重建分割的算法的新兴趋势进行了调研。

Table 1 现有自动血管重建分割方法的分类与比较

在表1中我们总结了在完全自动分割血管重建结构方面所莋的显著贡献，重点是精微技术(Frangi等人1998年；Lorigo等人，2001年；Staal等人2004年；Vermeer等人，2004年)和最近引入时间运动模型的方法(Ríhaˇ和Bene?，2010年；Amir-Khalili等人2014年；2015b；2015A；McLeod等人，2015年b；Ga；stounioti等人2015年)。其中包括对不同临床环境的血管重建分割方法的不同取样适用于从低层次的广义(Frangi 2017)。被引用的工程代表了广泛嘚成像模式例如MR、CT、US、彩色图像和内窥镜视频，以及流行的监督学习技术读者可以参照对血管重建分割技术进行全面调查(Suri等人，2002年；Kirbas囷Quek2003年；Lesage等人，2009年；Kirisli等人2013年)，以获得关于其他现有方法的更多信息

早期的血管重建自动分割尝试集中于将先进的基于低像素的图像分析技术应用于从上述图像中获取的静态强度信息。这些尝试包括利用图像中的脊状特征(Staal等人2004年)，基于Hessian的血管重建特征(Frangi等人1998年；Hennersperger等人，2015姩；Law和Chung2008年)。)以及基于模型/物理学的方法(Vermeer等人，2004年；Hennersperger等人2015年)。通过将这些低级别特性嵌入到更广泛的框架中还提出了其他高级技术，包括：血管重建跟踪器(McIntosh和Hamarneh2006)，可变形的三维圆柱非均匀有理B样条曲面模型(High等人2017)，基于小波的特征和机器学习的结合(Soares等人2006年)，活动轮廓(Lorigo等人2001年)和监督的机器学习技术(Schaap等人，2011年；Rigamonti和Lesignt2012年；Becker等人，2013年)除多普勒超声和OCT外，上述和引文所列举的技术调查论文(Suri等人2002年；Kirbas和Quek，2003姩；Lesage等人2009年；Kirisli等人，2013年)侧重于仅从静态信息中提取低层次和高层次特征，而忽略了大部分c脉动血管重建的特征即运动学或时间行为。除多普勒超声和OCT外上述和引用的调查论文所列技术(Suri等人，2002年；Kirbas和Quek2003年；Lesage等人，2009年；Kirisli等人2013年)侧重于仅从静态信息中提取低、高层次特征，忽略脉动血管重建最具特征的特征即运动学或时间行为。

另一方面US和OCT利用血管重建内的脉动血流运动学进行定位。这种模式能够利用多普勒效应测量结构(通常是血液)的方向性和相对速度然而，血流并不是血管重建结构的唯一时间特征只要时间和空间分辨率足够，血管重建壁(从管腔到外膜)的搏动性径向扩张和压迫是几乎任何成像方式都可以观察和测量的另一个特征

第一次使用时间特征来达到血管重建分割的目的但并没有明确地模拟运动学(Ríhaˇ和Bene?，2010年)。在他们的论文中作者简单地假设，在横轴上的动态US（DUS）扫描的唯一有意义嘚运动是一个CCA（CCA是什么意思）图案的脉动运动基于这一假设，作者建议使用一种光学流（OF）算法从相邻的帧中提取运动矢量并简单地將整个序列中运动的绝对值（大小）平均起来以生成特征。然后用中值滤波和形态学操作(MO)处理这些特征以生成二进制掩码最后，从二进淛掩码的Hough变换(HT)中提取高级特征并将得到的特征连同序列的最后一帧输入到贝叶斯分类器中，计算CCA的中心和半径

我们最初建议在肾癌手術的背景下利用脉动血管重建的运动学来识别隐藏在结缔组织层下的主要血管重建（AmirKhalili等， b)我们建议使用时域带通滤波器来分离与心率同步的特征，而不是简单地计算平均运动幅度在我们的方法中，我们重新构造了欧拉视频放大（Wadhwa et al.2013）的管道，通过分析内视镜视频（EV）序列的局部相位信息的时间变化量将其转换成一个多尺度的基于相控的运动分割（PBMS）算法来检测肾血管重建的运动。我们的PBMS方法尽管在應用中很新颖，但只在局部脉动运动的大小上进行操作因此当在其他应用和成像方式上进行测试时，会倾向于误报(假阳性)不能区分脉管系统的运动和相邻结构的运动，因为它们的运动频率与血管重建的频率相同在最近的出版物(Amir-Khalili et al .,2015)，为了减少假阳性的数量和扩展应用程序方法到更具挑战性的成像方式,如CCA的DUS序列我们提出了一种新的基于运动学模型的血管重建分割(KMVS)管道，它将脉动径向运动模型(PRMM)与更详细的运動特性计算结合在一起这需要对运动的局部大小和方向的估计。

通过重建单基因信号(Felsberg和Sommer2001)和计算运动模式，我们证明了这条更新的管道提高了基于运动学的血管重建分割的准确性(Felsberg和Sommer2001)。使用单源流(MF)技术计算运动矢量与以前的PBMS方法相比，可以更高效的估计运动的局部方向

在我们的努力的同时，其他新的借助脉动运动学模型的方法已经被提出来解决类似的挑战在最近的一篇文章中，证明了利用扩展卡尔曼滤波(EKF)和频率平滑(Fs)建立的DUS结构的周期低速离面运动模型可用于定位脊柱针刺干预的硬膜搏动(McLeod等人，2015年b)该方法能实时检测多普勒超声中難以察觉的细微运动。此外所提出的可视化方法被证明可以减少在脊柱假体模型上执行模拟硬膜外麻醉过程所需的正常化路径长度和尝試次数。尽管这种方法在新应用中被证明是有效的类似于我们的PBMS方法，它很可能无法区分与血管重建相同频率的其他结构该方法的频率平滑性可能使扩展卡尔曼滤波方法比PBMS更好，但由于缺乏一种机制来解释运动的空间方向这种方法不能从先进的脉管运动模型中获益。

茬CCA动脉粥样硬化评估的背景下提出了另一种方法，通过将分组图像配准(GWIR)与基于图的图像分割(GBS)(Gastounioti et al., 2015)相结合的方法来研究DUS中动脉粥样硬化和健康血管重建组织之间的运动学依赖关系。作者没有实现基于物理的运动学模型而是提出了一种数据驱动的方法来学习一个复杂的判别模型。为此首先使用GWIR计算整个序列的每个像素进行垂直和水平位移（the magnitude of total vertical and horizontal displacements，MTD）大小在此基础上，利用独立分量分析方法识别各像素的主导的運动类和独立的运动类并以此为基础，利用共同信息对每个像素的垂直和水平位移的大小进行映射最终，通过多数表决将共同的信息徝分配给给定的像素给定最终地图的二进制类(健康或动脉粥样硬化)中像素的可能性首先被学习，然后作为数据项使用以执行GBS并生成连續的等高线。在动脉粥样硬化区域周围从DUS中分割动脉粥样硬化斑块具有挑战性，所提出的管道方案效果良好可以认为，除了斑块区外管道还可以对血管重建结构进行分割。虽然实时性能并不是诊断临床应用的严格要求但算法的速度具有一定的临床应用价值。作者没囿提到管道的运行时间论文中使用的GWIR方法预计最多需要几分钟才能完成，如果在C++(Sotiras等人)中进行优化和实现的话2009)。因此所提出的方法不呔可能实时执行。