[论文解读] The Multiscale Bowler-Hat Transform for Vessel Enhancement in 3D Biomedical Images

Çiğdem Sazak, Carl J. Nelson+1 more|arXiv (Cornell University)|Feb 14, 2018

Medical Image Segmentation Techniques参考文献 1被引用 4

一句话总结

本文提出3D棒球帽变换（3D Bowler-Hat Transform），一种基于数学形态学的方法，结合球形与线性结构元素，以增强生物医学图像中的3D管状结构。该方法在保持分叉点完整性及不同血管半径下均匀增强方面表现优异，优于当前最先进的方法，在合成数据上的AUC达到0.965，且在真实数据集上对噪声具有强鲁棒性。

ABSTRACT

Enhancement and detection of 3D vessel-like structures has long been an open problem as most existing image processing methods fail in many aspects, including a lack of uniform enhancement between vessels of different radii and a lack of enhancement at the junctions. Here, we propose a method based on mathematical morphology to enhance 3D vessel-like structures in biomedical images. The proposed method, 3D bowler-hat transform, combines sphere and line structuring elements to enhance vessel-like structures. The proposed method is validated on synthetic and real data and compared with state-of-the-art methods. Our results show that the proposed method achieves a high-quality vessel-like structures enhancement in both synthetic and real biomedical images, and is able to cope with variations in vessels thickness throughout vascular networks while remaining robust at junctions.

研究动机与目标

• 为解决现有3D血管增强方法的局限性，特别是分叉点处的信号丢失以及不同血管半径下增强不一致的问题。
• 开发一种基于形态学的方法，以增强管状结构，且无需预先调参或图像预处理。
• 提高对噪声的鲁棒性，并在复杂分叉点处保持血管网络的连通性。
• 在合成与真实3D生物医学图像上验证该方法，包括高噪声水平的挑战性数据集。
• 提供开源访问，包含源代码与测试函数，以促进更广泛的研究应用。

提出的方法

• 该方法采用多尺度策略，利用球形与线性结构元素检测3D图像中的管状结构。
• 通过形态学操作——特别是结合球形与线状结构元素的顶帽变换——来增强管状结构。
• 球形与线性结构元素的结合使方法能够同时检测血管中心线及其周围体积，从而提升分叉点检测能力。
• 该方法在多个尺度上应用，以捕捉不同半径的血管，确保增强的一致性。
• 利用数学形态学的特性，在增强结构的同时最小化血管末端与分叉点处的伪影。
• 该方法设计为无参数且鲁棒，无需预先图像预处理或参数调优。

实验结果

研究问题

• RQ1 基于形态学的方法是否能有效增强不同半径下的3D管状结构，同时保持分叉点的完整性？
• RQ2 与基于Hessian矩阵和相位一致性的方法相比，所提出的3D棒球帽变换在分叉点检测与抗噪性方面表现如何？
• RQ3 该方法是否能在不同血管厚度与复杂血管网络中保持一致的增强质量？
• RQ4 与当前最先进的技术相比，该方法在减少假阳性血管效应与分叉点信号丢失方面达到何种程度？
• RQ5 该方法是否能在无需预先调参的情况下，有效应用于高噪声水平的真实生物医学图像？

主要发现

• 在合成3D血管网络上，该方法取得了0.965的AUC，优于所有当前最先进的方法。
• 在DIADEM挑战数据集上，即使在高斯噪声（σ = 60）与椒盐噪声（ρ = 60）水平下，该方法仍保持高AUC值（0.951–0.959）。
• 该方法在分叉点保持方面表现卓越，清晰增强了其他方法失败的交叉点。
• 在植物微管网络、角蛋白网络与神经元结构的真实3D图像中，该方法在保持网络连通性方面展现出最佳的视觉与定量性能。
• 在九个复杂度递增的合成血管网络中，该方法的AUC值保持一致（均值0.965 ± 0.03），表明其对网络密度具有强鲁棒性。
• ROC曲线分析证实，该方法在敏感性与特异性方面均优于vesselness、neuriteness、PCT-based与体积比方法。