X-ray 冠脉造影图像中的膈边界检测方法

论文来源 Petkov S, Carrillo X, Radeva P, et al. Diaphragm border detection in coronary X-ray angiographies: new method and applications[J]. Computerized Medical Imaging and Graphics, 2014, 38(4): 296-305.

问题研究背景 —— 血管增强中的隔膜边界错误检测
基于 Hessian 矩阵的血管增强算法，通常会在增强血管结构的同时，对隔膜的边界也有增强左右。这是因为隔膜边界也是类似于 曲线 结构， Hessian 矩阵不能区分。因此检测出来 false-positive 的膈边界对于提升血管增强效果具有很重大的意义。

现有算法

• 通常的预处理步骤： 采用形态学 closing 操作将细小的血管等结构去除掉。

• 方法 1
  核心思想是将隔膜边界建模成圆的一个弧度。通过 Canny 边缘检测算子计算得到 edgeness map 衡量边缘强度。然后对图像中的任何一个弧计算其对应所有像素的平均边缘强度——作为 measure。将平均边缘强度最大的弧作为最优的隔膜边界的预测

• 方法 2
  采用追踪的方法追踪 edge 在前后帧的关系，形成 paths。用 K-means 方法将这些 path 聚类成3类，通过挑选最符合呼吸运动模态的 path 来建模 多项式模型。

Highlight

• 引入隔膜边界的先验形状模型，这种方法有利于减少单单通过 edgeness mapping 得到结果的模糊预测。
• 采用灵活的多项式模型来提升检测的准确性。

流程

1. Artery removal
   还是采用形态学 closing 操作去除血管结构，只留下大尺度的运动信息。

2. Edgeness computation
   就是采用一阶垂直梯度信息得到 edgeness mapping 信息，反映灰度突变的情况。

   3. 训练过程 probabilistic border shape model （我认为本文的创新关键）
   利用训练集（有隔膜边界ground truth信息）来拟合出对应多项式模型的参数 (a1,a2,a3…aN)。将其放入N维空间中，用高斯混合模型构建出这个 N 维空间中，样本 (a1,a2,a3…aN)出现的概率。出现概率越高则代表隔膜边界曲线越符合先验形状特征。

3. 隔膜边界估计
   最小化目标函数 。data 项代表构成 curve 的像素的平均 edge 强度，先验形状项是对应形状模型参数 (a1,a2,a3…aN) 在给定训练数据集 D 中出现的概率。
   最小化该目标函数就是同时最大化 data 项（使预测隔膜边界的曲线的 edgeness 强度越大），最大化 先验形状项（预测形状参数在训练集中出现的概率越大，也越符合先验的形状特征信息）

总结

这篇文章提出的方法 利用训练数据集中的隔膜边界的先验形状信息，迭代地增加多项式模型的阶次来提高算法的准确性。这种引入先验形状信息的方法比较简单但是具有很高的借鉴价值。