血管分割算法研究现状综述
开篇：润墨网以专业的文秘视角，为您筛选了一篇血管分割算法研究现状综述范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：血管图像分割是血管成像系统中的关键技术，是血管三维可视化、形态学测量等后续处理和分析步骤的必要前提。基于区域生长、形态学、匹配滤波和跟踪的血管分割算法是四种重要的算法，本文对这四种分割算法进行了综述整理，以供研究者参考。
关键词：血管分割算法；血管图像分割
血管的整体形状呈树状分布，局部呈细长的线状或管状形态，血管的这个形状特点决定了其分割方法的特殊性。
（一）基于区域生长的血管分割算法
基于区域生长的图像分割算法是由Adams等首先提出的。基于区域生长的血管分割算法首先从血管内的某一或若干种子点开始，按照设计的生长准则，通过归并种子邻近区域的像素，逐渐填充血管所在的区。Boskam等人[1]将通过设定灰度阈值二值化图像来初始化分割参数。Perez等人[2]在区域生长算法中加入图像梯度的局部极值和最大主曲率，对视网膜血管取得了较好的分割效果。文献首先对图像进行低通滤波，然后采使用区域生长法从血管造影图像中分割出血管的近似结构，最后使用气球测试法提取血管的中心线。
为此，Higgis等人在迭代过程中反复使用三维区域生长算法建立血管树后，利用空洞填充法填充在区域生长过程中出现的空洞。Metz等人提出了约束生长准则的方法来防止边缘泄漏的问题。此外，还有一些基于区域生长的改进算法，如目标―背景竞争性准则、形态学膨胀的增长规则、对称区域增长、螺旋式行进法等来改进传统的区域增长算法。
（二）基于形态学的血管分割算法
基于形态学的分割算法基于数学形态学作为分割工具，使用结构元素对图像进行腐蚀、膨胀等基本操作之后，再与原图相减以获得图像边缘。基于形态学的分割算法利用集合论的概念和运算方法，根据图像的拓扑结构对其进行变换，度量并提取图像中的对应形状，以达到分析和识别图像目标的目的。
Figueiredo和Leitao提出了一种非平滑分割算法来估计造影图像中血管的轮廓，因为没有引入会导致血管结构畸变的平滑操作，所以也不需要背景一致性的假设，因此该方法适合分割非减影图像。Taleb-Ahmed等人[3]提出了一种基于数学形态学的半自动分割算法，该算法首先利用形态学算子对图像进行非线性滤波，然后再根据滤波后的结果确定血管的准确边界，从而精确提取MRI图像中的血管结构。Zana和Klein利用血管的线状结构、连通性和曲率光滑等先验知识，通过去噪、高斯样分布函数识别线状结构、交叉曲率演化和线性滤波等步骤，使用形态学滤波和可识别线性一致曲率结构的交叉曲率演化方法来分割血管。但是该方法的分割效果受线性结构单元的长度影响。Ayala等人提出了使用不同长度的模糊集结构单元改进Zana等提出的算法。Sun等人通过综合多尺度形态学增强、模糊滤波和分水岭变换来提取造影图像中的血管树。Miri等人使用快速离散曲波变换（Fast Discrete Curvelet Transform，FDCT）和多结构数学形态学来精确定位血管边缘。
（三）基于匹配滤波的血管分割算法
基于匹配滤波的分割算法使用滤波器与图像卷积来提取目标。在提取血管边缘时，基于匹配滤波的分割算法利用图像灰度在血管横截面呈高斯型分布的特性，将高斯型滤波器与血管进行匹配，弱图像中存在血管且血管的尺寸与滤波器尺度相近，则滤波器产生一个较大的输出量。使用高斯型滤波器的另一个优点是滤波器可以在一定程度上平滑噪声。
Chaudhuri等人和Hoover使用探测技术检查匹配滤波的响应，通过迭代过程并不断改变阈值将像素划分为血管和非血管两类。因为滤波器的尺度需要根据经验取值，并且使用了单尺度滤波器，所以在分割血管直径变化较大的图像时效果不佳。为了解决这个问题，人们又提出了组合使用不同尺度的多个滤波器组的算法和多尺度滤波算法。Poli和Valli使用了一组高斯核线性组合而成的多方向线性滤波器来提取血管。多方向线性滤波器可敏感的检测出血管的不同方向和宽度。文献使用不同半径的圆形结构单元来检测不同宽度的血管。Frangi等人使用基于Hessian矩阵的多尺度线增强滤波器来分割血管状结构。
（四）基于跟踪的血管分割算法
基于跟踪的血管分割算法建立在血管具有连续结构特征这一基础上，通常的分割步骤是：先使用一个局部算子作用在已知为血管的某个初始点上，然后由算法自动跟踪出血管的中心线、方向和半径等参数。
文献最先提出了基于跟踪的血管分割方法来提取X射线造影图像中的血管。首先初始化跟踪起点，随后估计血管的局部轨迹，通过增加跟踪灰度级的方式将已跟踪过的血管轨迹从原图像中删除，进而跟踪整幅图像中的血管轨迹。Lu和Eiho等人提出了一种跟踪带分叉的冠状动脉边界的方法。首先扫描垂直于血管方向的图像区域，并且利用微分平滑算子估计出血管边界点和分叉位置，然后通过人机交互，确定血管轮廓跟踪的中心点、搜索方向和范围等特征，最后得到冠状动脉的所有边界。文献构造了一种基于多特征测度（Multi Features Measure， MFM）的概率跟踪模型（Probability Tracking Model， PTM）来提取冠状动脉造影图像中的血管树。该模型使用多尺度高斯函数的二阶偏导卷积图像，利用Hessian矩阵的特征向量和特征值构造血管特征函数以初步分离血管网络；然后计算血管的MFM并由此构造PTM；最后优化血管的中心线。该算法能够自适应调节跟踪方向，但是需要通过人机交互的方式提供初始跟踪点、终止点和跟踪的方向。为此，Delibasis等人提出一种基于模型的自动跟踪算法来分割血管并估计血管的直径。
参考文献
[1] Boskamp T， Rinck D， Link， F， et al. New Vessel Analysis Tool for Morphometric Quantification and Visualization of Vessels in CT and MR Imaging Data Sets1 [J]， 2004， 24（1）： 287-297
[2] Martínez-Pérez M E， Hughes A， Stanton A， et al. Retinal Blood Vessel Segmentation by Means of Scale-Space Analysis and Region Growing [C]. In： Chris Taylor， Alain Colchester，eds.