2020, Vol. 41
2. 鞍山师范学院 高等职业技术学院，辽宁 鞍山 114056;
3. 东北大学 教育部医学影像计算重点实验室, 辽宁 沈阳 110169
2. School of Advanced Vocational Technology, Anshan Normal University, Anshan 114056, China;
3. Key Laboratory of Medical Image Computing, Ministry of Education, Northeastern University, Shenyang 110169, China
2016年，全世界1790万人死于心血管疾病，占全球死亡人数的31 % [1].早期诊断和治疗是降低冠心病发病率和死亡率的关键.计算机断层冠状动脉造影(computed tomography coronary angiography, CTCA)已越来越多地用于冠心病的无创诊断.冠状动脉分割是CTCA图像定量分析的重要前提条件.然而，人工分割繁琐费时，诊断精度完全依赖于医生的先验知识、图像上下文信息和医生的主观判断，观察者内部和观察者之间的变异性相对较高.因此，需要一种冠状动脉自动分割方法来加速和简化诊断、治疗和手术的过程.最近十几年产生了很多冠状动脉分割的方法，其中包括阈值方法[2]、区域生长方法[3]、Hessian矩阵方法[4]、匹配滤波方法[5]、图割方法[6]、动态轮廓方法[7]、水平集方法[8-9]、机器学习方法[10]和其他方法[11-14]等.然而这些方法对于冠状动脉开口层和开口点的定位主要采取人工标注的方式，这种方法需要花费放射科医生大量时间和精力.最近十几年提出的自动检测冠脉开口的方法包括[15-18]：Hennemuth等[15]首先对主动脉进行明确的分割，然后把开口作为主动脉的管状结构附着物，检测率较低；Wang等[16]采用基于Hough变换的二维圆检测算法对升主动脉进行检测和跟踪，并选取主动脉根部两侧最大的连通成分作为左、右冠状动脉，检测率低；Zheng等[17]针对非搭桥冠脉定义一个边界盒(立方体)，冠状动脉口位于立方体两个对面的中心.针对搭桥冠脉利用先验知识训练一个分类器来识别冠脉开口；Gong等[18]首先提取升主动脉，然后利用管状物增强和形态学操作求最大响应值来提取冠脉开口.本文提出一种CTA图像冠状动脉开口层与开口点的全自动定位方法.这是一种准确的方法，不需要任何标注、训练.
1 数据与方法 1.1 数据本文的数据集采用从北部战区总医院随机选取的CTCA图像.数据集由57个对象组成，其中包含30个正常人和27个病人，每个病例的图像数量为290到428不等.CTCA图像的大小为512×512(像素).每个病例的左右冠状动脉开口的位置和开口点由北部战区总医院的放射科医生手工标注.
1.2 算法原理本文介绍了在多条件区域增长基础上通过圆度的变化确定左冠脉开口层，并在指定范围内确定左冠脉开口点，然后计算升主动脉中心和右冠脉开口范围，通过求出距离曲线，从而确定右冠脉开口层和开口点的方法.算法框图见图 1，图 1a是求左冠脉开口层和开口点的算法框图，图 1b是求右冠脉开口层和开口点的算法框图，图 1a要先于图 1b实现.
|
图 1 定位算法框图 Fig.1 Chart of the location algorithm (a)—定位左冠脉开口层和开口点的算法图；(b)—定位右冠脉开口层和开口点的算法图. |
心脏冠状动脉树有两个分支:左冠状动脉(左冠脉)和右冠状动脉(右冠脉).其中每个分支只有一个根节点，位于整个冠状动脉偏上的位置、升主动脉的开口处.左冠脉(left coronary artery，LCA)的开口处位于升主动脉左后方，开口呈横位的椭圆形，位置略高于右冠脉开口.右冠脉(right coronary artery，RCA)的开口处位于右冠状动脉的外侧中上部，位于升主动脉根部的右前方[19]，具体结构如图 2所示.
|
图 2 冠状动脉三维图及冠脉的开口位置示意图 Fig.2 3D structure of coronary arteries and ostial location of coronary arteries |
通常在患者的CTCA图像序列开始，升主动脉和降主动脉与周围区域灰度对比明显，且升主动脉和降主动脉都近似圆形，同时升主动脉面积明显大于降主动脉面积，如图 3a所示.但有的患者CTCA图像序列开始显示的是主动脉弓，如图 3b所示.对于这种情况从它的总数的第10 %张图像开始能看到正常的升、降主动脉，如图 3c所示.
|
图 3 升主动脉和降主动脉对比图 Fig.3 Comparison of ascending and descending aorta (a)—第1张，两个圆形目标，大的为升主动脉，小的为降主动脉；(b)—第1张，升主动脉和降主动脉连在一起；(c)—与(b)属同一患者，第21张，大的为升主动脉，小的为降主动脉. |
本文算法如下:
1) 每名患者从第10 %张图像开始，利用霍夫变换检测圆的方法找到升主动脉.
2) 把当前层的升主动脉中心(圆心)作为下一层的种子点，在种子点为中心周围11×11区域内求平均灰度Vs，对当前升主动脉面积Ac、左边界Lc, 上一层升主动脉面积Ap、左边界Lp，进行区域增长，执行如下代码:
for i=0: 10: 160
if Ac/Ap>1.2‖(Lc-Lp)<-5
%下层升主动脉面积/上层升主动脉面积小于等于1.2, 下层升主动脉左边界相对于上层升主动脉左边界向左移动不超过5个像素(2.07mm)
Regiongrow(Vs-(160-i)，Vs+(160-i))
%缩小阈值范围，重新区域增长
else
break；%找到升主动脉
end
end
3) 求升主动脉的圆度roundness:
|
(1) |
其中:π是圆周率; area代表面积; perimeter代表周长; roundness介于0和1之间，值越大越圆.
4) 如果圆度≥0.82，重复步骤2), 3), 4);如果圆度 < 0.82，则找到左冠脉开口层.过中心点画斜率为1的直线l1，过圆心点画垂线l2，轮廓线上才可能出现左冠脉开口，如图 4a所示.利用解剖结构和形态学运算，求出开口处左冠脉，如图 4b所示.距离中心点最近的点(白色)即为左冠脉开口点，如图 4c所示.
|
图 4 求左冠脉开口层和开口点过程图 Fig.4 Process to calculate the ostial layer and point of left coronary arteries (a)—黑色轮廓线是左冠脉开口出现的范围；(b)—左冠脉开口处分支的二值图；(c)—左冠脉开口及开口点. |
5) 右冠脉开口接近升主动脉根部，而在根部升主动脉可能与其他组织有连接，连接后形状无规则，如图 5a和图 5b所示.但是本文发现右冠脉开口会出现在升主动脉的左上方，如图 5b所示.冠状动脉图像序列中，升主动脉横截面随序列递增向下向右缓慢移动，本文提出计算当前层升主动脉中心点坐标的公式：
|
(2) |
|
图 5 升主动脉根部不同层面图 Fig.5 Different layers of ascending aorta at the bottom (a)—升主动脉与其他组织相连，无右冠脉开口；(b)—升主动脉与其他组织相连，有右冠脉开口. |
其中:(Xl, Yl, Zl)表示左冠脉开口层的升主动脉中心点坐标; (Xc, Yc, Zc)代表当前层升主动脉的中心点坐标.
6) 过初始中心点(黑色“+”号)斜率为1和-1的两条直线l1和l2之间的区域，如图 6a中l2与l1间加粗曲线轮廓所示.重新计算中心点(白色“+”号)，新的中心点在轮廓两个端点连线(白色)的垂直平分线(白色)上，到两个端点的距离等于首层升主动脉的半径，如图 6a所示.求从新中心点到黑色轮廓上每一点的距离曲线，如图 6b所示.如果某个波峰左右各10个值之内最小值都要比波峰值小3以上，表明波峰比较明显，则右冠脉开口层出现了.通过形态学运算，如图 6c所示，距离新中心点最近的点(白色)即为右冠脉开口点，如图 6d所示.
|
图 6 求右冠脉开口层和开口点过程图 Fig.6 Process to calculate the ostial layer and point of right coronary arteries (a)—黑色轮廓线是右冠脉开口出现的范围；(b)—新中心点到黑色轮廓上的点的距离曲线图；(c)—右冠脉开口处分支的二值图；(d)—右冠脉开口及开口点. |
对57个病例做了定位测试.垂直于横截面的方向从上向下，左右冠脉的开口层通常包括2层以上.本文认为定位到刚发现开口的前两层都是准确的.如表 1所示，在左冠脉开口层定位的结果中，有56个病例的定位准确，准确率达到98.25 %.而对右冠脉开口层的定位中，有55个病例的定位准确，准确率达到96.49 %.
|
表 1 定位左右冠脉开口的准确率 Table 1 Accuracy of locating the ostial layers of left and right coronary arteries |
Hennemuth等[15]在61个数据集上测试的冠脉开口的检测率只有57 %.Wang等[16]提出的方法，在16个数据集上的检测率仅为80 %左右.Zheng等[17]提出方法的几种检测率都低于96 %.Gong等[18]的平均检测率为96.88 %.与这几种方法相比，本文方法的平均检测率为97.37 %，高于其他几种方法.
如表 2所示，在左右冠脉开口点的定位中，左冠脉开口点的位置(定位准确的56个病例)与左冠脉金标准开口点的位置平均距离是(1.22±0.37)mm，右冠脉开口点的位置(定位准确的55个病例)与金标准开口点的位置平均距离是(1.76±0.49)mm.
|
|
表 2 定位左右冠脉开口点的平均距离 Table 2 Average distance of locating the ostial points of left and right coronary arteries |
在数据集中，本文统计了左冠脉开口层号占总层数的比例关系，如图 7所示.左冠脉开口层号占总层数百分比最小都在15 %以上.选择每个病例开口层号为总层数的10 %，这样既保证没错过左冠脉开口层，又减少了需要处理图像层数，同时保证开口层显示的是近似圆形的升主动脉和降主动脉.进行区域增长时，选取以中心点(种子点)为中心的11×11区域求平均灰度，这样既保证不会超出升主动脉区域，又保证区域增长灰度区间的合理性.
|
图 7 左冠脉开口层位置比例箱线图 Fig.7 Box plots of ostial layer location ratios of left coronary arteries |
根据对57个病例图像的统计发现，在左冠脉开口出现前，每张图像的升主动脉都近似圆形，圆度都大于等于0.82，如图 8a所示.左冠脉开口层的升主动脉圆度都小于0.82，如图 8b所示.
|
图 8 左冠脉开口层前和开口层的升主动脉圆度箱线图 Fig.8 Box plots of roundness of ascending aorta in front of ostial layer of left coronary arteries and ostial layer of left coronary arteries (a)—左冠脉开口层前图像升主动脉圆度箱线图；(b)—左冠脉开口层图像升主动脉圆度箱线图. |
左冠脉开口出现前，相邻图像升主动脉左边界变化很小，当前图像升主动脉左边界相比上一张图像升主动脉左边界向左移动小于5个像素(2.07mm)，设置这么一个限制是防止区域增长时把升主动脉左侧不相干的组织增长进来.根据对数据集的统计发现，左冠脉开口层前所有相邻图像升主动脉面积之比(下层面积比上层面积)的均值非常接近1，如图 9a所示.左冠脉开口层与前一层图像升主动脉面积之比的均值比1稍大，最小值也大于1，如图 9b所示.图 9说明了升主动脉在左冠脉开口层(含开口层)前面积、形状都变化很小，比较稳定.比值最大接近1.14，如果在区域增长时阈值不合适，通常会把周围某些组织增长进去，面积会有一定增加，那么当前图像与上层图像的升主动脉面积之比通常会明显大于1.14，所以在判断区域增长的阈值是否恰当时，把是否大于1.2作为一个条件是合理的.由于升主动脉每层的面积变化很小，所以在求右冠脉开口层和开口点的过程中，重新计算中心点(白色“+“号)时，为了新的中心点尽可能在升主动脉的中心，保证重新计算的中心点与加粗轮廓两个端点的距离等于首张图像中升主动脉的半径，如图 6a所示.
|
图 9 相邻图像面积比例箱线图 Fig.9 Box plots of area ratios of adjacent images (a)—左冠脉开口层前所有相邻图像升主动脉的面积之比的(下层面积/上层面积)箱线图；(b)—左冠脉开口层与前一层图像升主动脉的面积之比的箱线图. |
1) 定位左右冠脉开口层的准确率分别是98.25 %和96.49 %，平均定位时间是41.25s.定位左右冠脉开口点的平均距离误差分别是(1.22±0.37)mm和(1.76±0.49)mm.就准确率来说，本文方法较高，优于其他方法.
2) 对本文提出的方法所涉及到的参数做了讨论分析，说明了该方法的可行性.
3) 本文提出的方法对于左右冠脉开口位置异常的情况无法做出准确定位，如果定位左冠脉开口位置错误，则可能影响到定位右冠脉开口位置和开口点的准确率，本文方法还需要进一步改进.
| [1] |
Global Health Estimates 2016: Deaths by cause, age, sex, by country and by region, 2000-2016[R].Geneva: World Health Organization, 2018.
|
| [2] |
Shams M, Salem M A M, Hamad S, et al. Coronary artery tree segmentation in computed tomography angiography using Otsu method[C]//Eighth IEEE International Conference on Intelligent Computing and Information Systems (ICICIS).Cairo, 2017: 416-420.
|
| [3] |
Kerkeni A, Benabdallah A, Manzanera A, et al. A coronary artery segmentation method based on multiscale analysis and region growing[J]. Computerized Medical Imaging and Graphics, 2016, 48: 49-61. DOI:10.1016/j.compmedimag.2015.12.004 |
| [4] |
Cui H F, Wang D S, Wan M, et al. Coronary artery segmentation via Hessian filter and curve-skeleton extraction[C]//IEEE Conference on Biomedical Engineering and Sciences (IECBES).Kuala Lumpur, 2014: 93-98.
|
| [5] |
Lesage D, Angelini E D, Funka-Lea G, et al. Adaptive particle filtering for coronary artery segmentation from 3D CT angiograms[J]. Computer Vision and Image Understanding, 2016, 151: 29-46. DOI:10.1016/j.cviu.2015.11.009 |
| [6] |
Shahzad R, Kiriș H, Metz C, et al. Automatic segmentation, detection and quantification of coronary artery stenoses on CTA[J]. The International Journal of Cardiovascular Imaging, 2013, 29(8): 1847-1859. DOI:10.1007/s10554-013-0271-1 |
| [7] |
Jawaid M M, Liatsis P, Narejo S.Automated extraction of the coronary tree by integrating localized aorta-based intensity distribution statistics in active contour segmentation[C]//IEEE International Conference on Developments of E-Systems Engineering (DeSE).Duai, 2015: 83-87.
|
| [8] |
Ge S, Shi Z F, Peng G M, et al. Two-steps coronary artery segmentation algorithm based on improved level set model in combination with weighted shape-prior constraints[J]. Journal of Medical Systems, 2019, 43(7): 210. DOI:10.1007/s10916-019-1329-y |
| [9] |
Feng C L, Hu Y. Segmentation of coronary artery using region based level set with edge preservation[J]. Journal of Medical Imaging & Health Informatics, 2016, 6(7): 1727-1731. |
| [10] |
Fathi A, Naghsh-Nilchi A R. General rotation-invariant local binary patterns operator with application to blood vessel detection in retinal images[J]. Pattern Analysis and Applications, 2014, 17(1): 69-81. DOI:10.1007/s10044-011-0257-3 |
| [11] |
Liu L, Xu J, Liu Z. Automatic segmentation of coronary lumen based on minimum path and image fusion from cardiac computed tomography images[J]. Cluster Computing, 2019, 22(1): 1559-1568. |
| [12] |
Chen S T, Wang T D, Lee W J, et al. Coronary arteries segmentation based on the 3D discrete wavelet transform and 3D neutrosophic transform[J]. Biomedicine Research International, 2015, 2015: 1-9. |
| [13] |
Jawaid M M, Rajani R, Liatsis P, et al. A hybrid energy model for region based curve evolution—application to CTA coronary segmentation[J]. Computer Methods & Programs in Biomedicine, 2017, 144: 189-202. |
| [14] |
Gao Z F, Liu X, Qi S, et al. Automatic segmentation of coronary tree in CT angiography images[J]. International Journal of Adaptive Control & Signal Processing, 2017, 33: 1239-124. |
| [15] |
Hennemuth A, Boskamp T, Fritz D, et al. One-click coronary tree segmentation in CT angiographic images[J]. International Congress Series, 2005, 1281: 317-321. DOI:10.1016/j.ics.2005.03.318 |
| [16] |
Wang C L, Smedby O. An automatic seeding method for coronary artery segmentation and skeletonization in CTA[J]. The Insight Journal, 2008, 43: 1-8. |
| [17] |
Zheng Y F, Tek H, Funka-Lea G, et al. Efficient detection of native and bypass coronary ostia in cardiac CT volumes: anatomical vs.pathological structures[C]//Medical Image Computing and Computer-Assisted Intervention (MICCAI 2011).Berlin: Springer, 2011: 403-410.
|
| [18] |
Gong Z H, Shen Z X, Zhang D, et al.One-click detection of coronary artery ostia from three dimensional CTA data[C]//2015 IEEE International Conference on Information & Automation.Lijiang, 2015: 877-880. https://www.researchgate.net/publication/284715531_One-click_detection_of_coronary_artery_ostia_from_three-dimensional_CTA_data
|
| [19] |
Joshi S D, Joshi S S, Athavale S A. Origins of the coronary arteries and their significance[J]. Clinics, 2010, 65(1): 79-84. |