[论文解读] Automated segmentation of the pulmonary arteries in low-dose CT by vessel tracking

Jeremiah A. Wala, Sergei V. Fotin+4 more|arXiv (Cornell University)|Jun 27, 2011

Lung Cancer Diagnosis and Treatment参考文献 8被引用 5

一句话总结

本文提出了一种完全自动化的低剂量CT扫描肺动脉分割方法，利用气道邻近性引导的血管追踪与基于模型的圆柱拟合。该方法实现了90%的特异性与0.15 mm的平均分割误差，引入了一种新颖的稀疏表面度量，实现了对复杂血管树的高效验证。

ABSTRACT

We present a fully automated method for top-down segmentation of the pulmonary arterial tree in low-dose thoracic CT images. The main basal pulmonary arteries are identified near the lung hilum by searching for candidate vessels adjacent to known airways, identified by our previously reported airway segmentation method. Model cylinders are iteratively fit to the vessels to track them into the lungs. Vessel bifurcations are detected by measuring the rate of change of vessel radii, and child vessels are segmented by initiating new trackers at bifurcation points. Validation is accomplished using our novel sparse surface (SS) evaluation metric. The SS metric was designed to quantify the magnitude of the segmentation error per vessel while significantly decreasing the manual marking burden for the human user. A total of 210 arteries and 205 veins were manually marked across seven test cases. 134/210 arteries were correctly segmented, with a specificity for arteries of 90%, and average segmentation error of 0.15 mm. This fully-automated segmentation is a promising method for improving lung nodule detection in low-dose CT screening scans, by separating vessels from surrounding iso-intensity objects.

研究动机与目标

• 开发一种完全自动化的低剂量CT扫描肺动脉分割方法，其中血管与周围组织之间的对比度极低。
• 解决在低对比度、噪声较大的低剂量CT图像中，等强度的动脉与静脉树难以分离的挑战。
• 通过利用先前开发的气道分割算法，自动检测靠近气道的初始种子点，从而消除手动种子点选择。
• 通过精确分离肺动脉，提高肺结节检测的准确性，并减少肺栓塞筛查中的假阳性结果。
• 提出一种新颖且高效的验证度量——稀疏表面（SS）度量，显著降低人工标记负担，同时保持血管树评估的准确性。

提出的方法

• 通过在已分割气道附近搜索，自动检测血管追踪的种子点，利用气道与肺动脉之间的解剖邻近性。
• 基于模型的圆柱形血管追踪器通过迭代拟合圆柱体到血管路径，利用几何与强度约束，将动脉追踪至肺实质内。
• 通过分析血管半径变化率检测分叉点，在这些位置触发新追踪器以分割子血管。
• 该方法采用三步预处理流程：中值滤波以减少噪声，Hounsfield单位阈值化以分离软组织，以及通过膨胀与减法操作去除气道壁。
• 通过依赖可预测的分支几何结构与相对解剖位置，无需增强对比度即可保持动脉与静脉的分离。
• 采用一种新颖的稀疏表面（SS）度量进行验证，仅需稀疏的人工标记即可量化每根血管的分割准确度与完整性。

实验结果

研究问题

• RQ1 是否能够实现完全自动化的方法，在无需人工种子选择的情况下，准确分割低剂量CT扫描中的肺动脉？
• RQ2 当动脉与静脉在非增强的低剂量CT图像中具有相似的强度且为等强度时，如何可靠地区分两者？
• RQ3 在噪声大、对比度低的环境中，基于模型的血管追踪方法结合圆柱拟合在多大程度上能提升分割精度？
• RQ4 稀疏表面标记方案是否能作为密集人工分割的可靠且高效替代方案，用于验证复杂的血管树？
• RQ5 该算法的主要失败模式是什么？未来迭代中应如何缓解？

主要发现

• 该方法在测试病例中成功分割了210根肺动脉中的134根，动脉结构的特异性达到90%。
• 平均分割误差为0.15 mm，表明血管路径重建具有较高的几何精度。
• 稀疏表面（SS）度量实现了高效的验证，仅需少量人工标记，使七组测试案例的评估成为可能。
• 主要误差来源是错误地将追踪延伸至肺静脉，尤其是在高噪声或解剖异常区域。
• 由于噪声影响以及小血管偏离Murray定律，算法在极小的亚段动脉中难以检测分叉点。
• 该方法在分割大母体动脉及其早期分支方面表现出鲁棒性，但对小血管或异常大小的血管（尤其在三叉分叉点）存在漏检。