[论文解读] Gradient Based Seeded Region Grow method for CT Angiographic Image Segmentation

G. N. Harikrishna, T. R. Gopalakrishnan Nair|arXiv (Cornell University)|Jan 21, 2010

Medical Image Segmentation Techniques参考文献 9被引用 23

一句话总结

本文提出一种基于梯度的同质性准则，用于CT血管造影（CTA）图像中的种子区域生长，以通过减少虚假区域扩展来提高分割精度。通过将局部梯度幅值整合到区域生长决策过程中，该方法相较于传统的基于强度的方法，在噪声较大或对比度模糊的医学图像中实现了更精确的血管和解剖结构分割。

ABSTRACT

Segmentation of medical images using seeded region growing technique is increasingly becoming a popular method because of its ability to involve high-level knowledge of anatomical structures in seed selection process. Region based segmentation of medical images are widely used in varied clinical applications like visualization, bone detection, tumor detection and unsupervised image retrieval in clinical databases. As medical images are mostly fuzzy in nature, segmenting regions based intensity is the most challenging task. In this paper, we discuss about popular seeded region grow methodology used for segmenting anatomical structures in CT Angiography images. We have proposed a gradient based homogeneity criteria to control the region grow process while segmenting CTA images.

研究动机与目标

• 解决在CT血管造影（CTA）中分割模糊、强度不明确的医学图像的挑战，其中传统阈值法和基于强度的区域生长方法失效。
• 通过用基于梯度的同质性准则替代简单的强度同质性，提高种子区域生长的鲁棒性。
• 减少错误地将目标解剖结构以外的高对比度相邻结构（如神经、骨骼）误纳入区域生长范围。
• 实现对血管结构（如主动脉）更精确、更可靠的分割，且用户干预最少。

提出的方法

• 引入归一化梯度幅值度量 $ G_n = \frac{\sqrt{G_x^2 + G_y^2}}{k \cdot G_{\text{max}}} $，其中 $ G_x $、$ G_y $ 为梯度分量，$ G_{\text{max}} $ 为图像中的最大梯度，$ k $ 为可调参数。
• 定义第二个同质性度量 $ G_m = \frac{G_{\text{max}} - G(x,y)}{G_{\text{max}} - G_{\text{min}}} $，以对梯度幅值进行归一化，实现一致的阈值处理。
• 使用栈式数据结构高效地遍历并从手动选择的种子点在2D和3D中进行区域生长。
• 在区域生长过程中采用4邻域（2D）和6邻域（3D）连通性，并在每一步执行基于梯度的同质性检查。
• 将基于梯度的同质性准则整合到区域生长决策中：仅当像素的梯度幅值满足经阈值化的 $ G_n $ 或 $ G_m $ 条件时，才将其加入区域。
• 通过在邻域搜索中包含相邻切片像素（z方向邻居），将该方法扩展至3D CTA数据集。

实验结果

研究问题

• RQ1 与基于强度的方法相比，基于梯度的同质性准则是否能提高在CT血管造影图像中种子区域生长的准确性？
• RQ2 引入局部梯度信息在多大程度上减少了对邻近高对比度结构（如神经或骨骼）的虚假区域增长？
• RQ3 所提出的方法在多大程度上保持了血管结构（如升主动脉和降主动脉）的完整性？
• RQ4 该方法能否在最小用户输入下有效扩展至3D CTA图像？

主要发现

• 所提出的基于梯度的同质性准则成功避免了对升主动脉邻近的膈神经的分割，而使用标准基于强度的区域生长方法时，该神经被错误地包含在区域内。
• 当 $ k = 0.25 $ 时，基于梯度的方法实现了升主动脉的清晰分割，消除了来自高对比度周围组织的假阳性结果。
• 多个手动种子点实现了对降主动脉及部分肋骨的准确分割，证明了该方法在复杂解剖结构中的处理能力。
• 基于栈的实现高效处理了2D和3D区域生长，在不同解剖区域中表现出一致的性能。
• 该方法通过减少由噪声引起的区域增长和边界模糊区域的增长，显著提升了分割质量。
• 结果表明，在模糊且对比度变化的医学图像（如CTA）中，基于梯度的准则比基于强度的准则更具鲁棒性。