[论文解读] A multistep segmentation algorithm for vessel extraction in medical imaging

Nasser Aghazadeh, Ladan Sharafyan Cigaroudy|arXiv (Cornell University)|Dec 30, 2014

Medical Image Segmentation Techniques参考文献 9被引用 6

一句话总结

该论文提出了一种多步分割算法，通过结合Curvelet紧框架与基于Stein无偏风险估计（SURE）的阈值化方法，提升去噪和血管检测效果，用于从2D医学图像中提取血管结构。通过引入基于Hessian矩阵的特征向量分析以填补间隙并优化管状结构，该方法在具有挑战性的血管影像数据上实现了鲁棒的分割性能，尤其提升了对低对比度和细小血管的分割效果。

ABSTRACT

The main contribution of this paper is to propose an iterative procedure for tubular structure segmentation of 2D images, which combines tight frame of Curvelet transforms with a SURE technique thresholding which is based on principle obtained by minimizing Stein Unbiased Risk Estimate for denoising. This proposed algorithm is mainly based on the TFA proposal presented in [1, 9], which we use eigenvectors of Hessian matrix of image for improving this iterative part in segmenting unclear and narrow vessels and filling the gap between separate pieces of detected vessels. The experimental results are presented to demonstrate the effectiveness of the proposed model.

研究动机与目标

• 解决在2D医学图像中分割低对比度和断裂血管的挑战。
• 提升在噪声医学影像数据中管状结构检测的准确性。
• 通过先进的多尺度与几何分析方法，减少血管分割中的假阳性和间隙。
• 将Hessian矩阵的特征向量整合到迭代分割框架中，以增强结构连续性。
• 开发一种结合紧框架表示与无偏风险估计的鲁棒迭代流程，实现最优阈值化。

提出的方法

• 该方法采用Curvelet紧框架，以高方向性和多尺度敏感性表示图像结构，特别适用于管状特征的建模。
• 应用基于SURE的阈值化方法，最小化无偏风险，实现在去噪过程中保留细小血管细节的同时有效抑制噪声。
• 通过图像的Hessian矩阵迭代优化分割过程，以检测局部几何结构与方向信息。
• 利用Hessian矩阵的特征向量引导分割流程，提升对细小和模糊血管的检测能力。
• 通过利用Hessian分析提供的方向一致性，填补不连续血管段之间的间隙。
• 该框架在统一流程中整合了多尺度分析（Curvelets）、统计风险估计（SURE）与几何分析（Hessian）方法。

实验结果

研究问题

• RQ1 如何在低对比度和噪声干扰的2D医学图像中有效分割管状结构？
• RQ2 将Curvelet变换与SURE阈值化相结合，能在多大程度上提升血管检测的准确性？
• RQ3 基于Hessian矩阵的特征向量分析是否能增强对细小和断裂血管的分割效果？
• RQ4 迭代优化流程在多大程度上减少了血管提取中的间隙与假阴性？
• RQ5 使用无偏风险估计对阈值化性能有何影响？

主要发现

• 与传统方法相比，所提出的算法显著提升了对低对比度和细小血管的检测能力。
• Hessian特征向量的整合有效填补了不连续血管段之间的间隙。
• 基于SURE的阈值化方法在抑制噪声的同时保留了细小血管结构，从而获得更清晰、更精确的分割结果。
• 结合Curvelet表示与迭代优化的多步方法显著增强了整体分割的鲁棒性。
• 该方法在具有复杂血管模式和低信噪比的挑战性2D医学图像上表现出优异性能。
• 实验结果证实，该框架能从噪声输入数据中生成连续且准确的血管图谱。