任鑫博,樊景博,田 祎

(商洛學(xué)院 經(jīng)濟(jì)管理學(xué)院,商洛 726000)

醫(yī)學(xué)臨床研究表明,動(dòng)脈粥樣硬化是導(dǎo)致多種冠心病、心血管疾病、腦溢血等病癥的主要誘導(dǎo)因素.動(dòng)脈粥樣硬化[1]表現(xiàn)為由血管內(nèi)血液中含有的油脂質(zhì)性物質(zhì)在血管的管腔內(nèi)壁上不斷聚集成塊,該塊狀物的存在以及其體積的持續(xù)增加,使得血管腔的橫截面積的不斷縮小,嚴(yán)重情況下會(huì)堵塞血管,導(dǎo)致流向心臟的血液量減少,從而引起多種心血管疾病及并發(fā)癥.國外臨床數(shù)據(jù)顯示,全球范圍內(nèi)的冠狀動(dòng)脈血管粥樣硬化病例的數(shù)量正在逐年斷增加,因體內(nèi)動(dòng)脈粥樣硬化原因而引起的患者死亡的死亡率也在逐年上升[2].因此,研究心血管疾病的病理特征和血管內(nèi)部構(gòu)造的細(xì)節(jié)等內(nèi)容成為相關(guān)臨床醫(yī)療研究人員首要任務(wù).目前,國內(nèi)外普遍采用的治療動(dòng)脈粥樣硬化的有效手段是通過醫(yī)療設(shè)備向患者的體內(nèi)血管病灶區(qū)植入金屬網(wǎng)狀支架.利用金屬網(wǎng)狀支架的物理形態(tài)和金屬不易變形特性,將患者體內(nèi)動(dòng)脈粥樣硬化處的血管管腔面撐開,緩解患者因動(dòng)脈粥樣硬化而導(dǎo)致體內(nèi)血管的管腔橫截面積減少而出現(xiàn)的血液流通阻塞現(xiàn)象.據(jù)統(tǒng)計(jì),全球每年大約有2百多萬名心血管疾病患者接受支架植入手術(shù)——冠狀動(dòng)脈血管重建手術(shù)[3].

現(xiàn)階段主要存在兩類用于觀測(cè)冠狀動(dòng)脈血管腔內(nèi)部情況的侵入式圖像獲取技術(shù)——血管內(nèi)超聲波技術(shù)(Intra-Vascular Ultra-Sound,IVUS)和血管內(nèi)光學(xué)相干斷層掃描技術(shù) (Intra-Vascular Optical Coherence Tomography,IVOCT)[4].相比 IVUS 成像技術(shù),IVOCT 的分辨率約為 10-15 μm[4],約為 IVUS 分辨率的 10 倍.因此,IVOCT被認(rèn)為在血管的內(nèi)部成像上更具潛力和優(yōu)勢(shì)的技術(shù)[5,6].IVOCT圖像技術(shù)通過在血管內(nèi)植入光學(xué)探頭發(fā)射光波進(jìn)而獲取血管的橫截面掃描圖像.其具體表現(xiàn)為,導(dǎo)管通過回退方式在血管內(nèi)運(yùn)動(dòng),由探頭向周圍發(fā)射光波,并根據(jù)接收裝置獲取被血管內(nèi)部組織反射的光波,通過激光成像設(shè)備進(jìn)而形成血管橫截面的掃描圖像.血管內(nèi)的不同組織部分(血管的管腔壁、血管內(nèi)部各正常或病變組織和支架等)因其具有的不同折射率、反射率和吸收率,在IVOCT圖像上呈現(xiàn)出不同的成像結(jié)果.IVOCT導(dǎo)管掃描圖像的光束運(yùn)動(dòng)方式具有“螺旋式回退”特點(diǎn),獲取的圖像也是一組多幀的關(guān)于血管橫截面的OCT圖像集.

針對(duì)基于OCT技術(shù)的血管支架植入治療方法,國外各研究機(jī)構(gòu)已經(jīng)較早地開展對(duì)圖像中目標(biāo)的檢測(cè)識(shí)別與組織分類研究,并取得了一定的研究成果.國內(nèi)對(duì)于血管內(nèi)部的目標(biāo)識(shí)別研究?jī)?nèi)容,絕大部分還停留在基于IVUS成像技術(shù)的血管圖像研究,而針對(duì)基于IVOCT圖像、結(jié)合計(jì)算機(jī)最新技術(shù)的研究還比較少.針對(duì)上述問題,本文系統(tǒng)性地整理和總結(jié)當(dāng)前國內(nèi)外基于IVOCT圖像的最新理論研究和應(yīng)用,分類闡述其研究思路和方法,并對(duì)其特點(diǎn)進(jìn)行討論和比較.

1 血管管腔邊界的識(shí)別與分割

正常血管的IVOCT圖像如圖1中的圖1(a)所示,其主要包括居于圖像中心位置的導(dǎo)管(Catheter),沿某一半徑方向的導(dǎo)絲(Guide-wire),血管管腔區(qū)域,血管管腔壁以及位于血管管腔壁后的血管各類組織部分.其中,導(dǎo)管的成像是一組形狀失真的同心圓.血管的管腔壁上含有三層組織結(jié)構(gòu):內(nèi)膜(Intima)、中膜(Media)和外膜(Adventitia),如圖1中的圖1(b)所示.在高清且血管形態(tài)正常的IVOCT圖像中,可通過人的肉眼分辨上述三者間的界線.血管管腔邊界線的檢測(cè)作為血管圖像處理的必要環(huán)節(jié),為后期估算管腔面積、特征量提取以及病變區(qū)域特征分析等研究提供了有效的位置信息.針對(duì)血管管腔邊界的檢測(cè),國內(nèi)外常見的研究方法如下.

圖1 基于OCT技術(shù)的血管橫截面成像圖示

Celi等人[7]通過圖像的幾何中心向四周發(fā)射“射線”(即 A-line方向),獲取射線與血管管腔的交點(diǎn),再利用Savitzky-Golay算法獲得完整的管腔輪廓線.

Chiastra等人[8]在預(yù)處理中,對(duì)二值化的IVOCT圖像應(yīng)用開運(yùn)算去除圖像的椒鹽噪聲,然后在坐標(biāo)變換后的圖像上使用Sobel算子進(jìn)行邊界檢測(cè).該方法同時(shí)考慮了前一幀血管圖像中已檢測(cè)的邊界點(diǎn)信息.

Ughi等人[9]針對(duì)血管圖像上A-line方向的峰值強(qiáng)度、陰影強(qiáng)度以及強(qiáng)度值上升和下降的速度進(jìn)行分析,對(duì)上述各特征值設(shè)定相應(yīng)的閾值,根據(jù)先驗(yàn)參數(shù)信息檢測(cè)每個(gè)A-line的邊界點(diǎn),最后通過樣條擬合方法獲得血管的管腔邊界.

Ren等人[10]分析了經(jīng)坐標(biāo)變換后的圖像上A-line的像素值變化,計(jì)算每一行中每個(gè)像素的鄰域內(nèi)的像素值變化標(biāo)準(zhǔn)差,選取最大值的點(diǎn)作為邊界候選點(diǎn).

Gurmeric等人[11]定義了一個(gè)從血管的管腔到血管外壁間的環(huán)狀感興趣區(qū)域.以圖像幾何中心為坐標(biāo)中心點(diǎn),向血管的各個(gè)方向先后發(fā)射兩條“射線”,檢測(cè)環(huán)狀區(qū)域的內(nèi)、外邊界及環(huán)狀區(qū)域的厚度.然后使用基于邊界的主動(dòng)輪廓模型結(jié)合Catmull-Rom樣條方法獲取血管腔邊界.

Moraes等人[12]通過使用離散小波變換和Otsu閾值法提取血管管腔邊界的特征量,并使用二值化的形態(tài)方法重建管腔的邊界.

Tsantis等人[13]提出基于馬爾科夫隨機(jī)場(chǎng)(MRF)模型的血管管腔邊界的檢測(cè)方法.該方法在貝葉斯框架下利用馬爾科夫隨機(jī)場(chǎng)模型將血管圖像的局部強(qiáng)度分布與像素鄰域內(nèi)強(qiáng)度的相似度結(jié)合,估算圖像像素的真實(shí)強(qiáng)度值.以反映圖像灰度級(jí)值的紋理信息和每個(gè)像素的連續(xù)小波變換系數(shù)作為MRF模型的數(shù)據(jù)輸入,進(jìn)而得出血管管腔的邊界線的定義.

Wang等人[14]基于動(dòng)態(tài)規(guī)劃法檢測(cè)血管管腔邊界.該方法先將原始圖像經(jīng)坐標(biāo)變換生成極坐標(biāo)圖像,在極坐標(biāo)圖像的每一行中,定義當(dāng)前行的血管管腔的邊界點(diǎn)為使得其邊界點(diǎn)之外(左側(cè)部分)像素灰度值累積和與邊界點(diǎn)之內(nèi)(右側(cè)部分)的像素灰度值累積和的差值的最大值點(diǎn).對(duì)每一行迭代地使用動(dòng)態(tài)規(guī)劃求取起始點(diǎn)到每一個(gè)位置的累加值,直至圖像的最后一行.具有最大累加值的路徑即為所求的管腔邊界.

Roy等人[15]在血管管腔分割方法中考慮了光的后向散射的物理特性,提出基于隨機(jī)游走的管腔分割方法.該方法將IVOCT圖像(定義為I)劃分為邊界和邊界上的膜組織兩部分,根據(jù)圖論概念,定義圖G,圖G中的點(diǎn)E與圖像I上的點(diǎn)x一一對(duì)應(yīng).將G中部分被標(biāo)記的節(jié)點(diǎn)作為隨機(jī)游走的種子點(diǎn).通過對(duì)圖像I應(yīng)用隨機(jī)游走,得到G中每個(gè)節(jié)點(diǎn)E的概率,對(duì)應(yīng)I中點(diǎn)x的后驗(yàn)概率,根據(jù)使得x處概率最大的類型標(biāo)記x處的像素的類型(邊界或膜組織)

Macedo等人[16]首先通過Otsu二值化方法獲得圖像中具有較高梯度值的部分(含血管內(nèi)膜).然后將圖像分為兩類,一類是內(nèi)膜層區(qū)域的值為1,非內(nèi)膜層區(qū)域?yàn)?的二值圖像A,另一類是內(nèi)膜層和管腔部分的值都為1,其他為0的二值圖像B.對(duì)圖像B與圖像A運(yùn)行減法操作得到圖像C.將圖像C進(jìn)行去噪和填孔一系列操作后,再分別進(jìn)行腐蝕和擴(kuò)張,將腐蝕和擴(kuò)張后的圖像執(zhí)行減法操作,最后使用3×3的梯度邊界檢測(cè)算子獲取血管管腔邊界.對(duì)于含有分支的血管,de Macedo等人在文獻(xiàn)[17]中通過距離變換方法獲取血管主支的區(qū)域,并在區(qū)域內(nèi)尋找血管主支的中心點(diǎn),以該中心點(diǎn)為圓心估計(jì)主支的輪廓線.

Sihan等人[18,19]對(duì)經(jīng)過預(yù)處理的IVOCT圖像使用Canny邊緣檢測(cè)算子獲取血管管腔的邊界.對(duì)于受導(dǎo)管和噪聲影響而額外檢測(cè)出來的邊界,計(jì)算其梯度方向與導(dǎo)管中心的點(diǎn)積,結(jié)合邊界的長度、面積等特征量,將分類中比分最高的像素做為管腔邊界像素點(diǎn).

Cao等人[20]使用基于梯度的Level Set模型(即距離正則化水平集)檢測(cè)管腔邊界.為了減少Guider-wire的干擾,Cao等人將一系列連續(xù)幀的IVOCT圖像映射為一幅“條紋狀”的圖像,通過應(yīng)用Otsu、形態(tài)閉合、面積約束和擴(kuò)張等方法,獲得二值化的“條紋”圖像.檢測(cè)圖像中非陰影區(qū)域的長度來移除對(duì)應(yīng)原始圖像上的Guider-wire.該文獻(xiàn)應(yīng)用了N×1的窄條高斯核以減少殘留血液的影響.

將上述血管管腔邊界檢測(cè)的方法按照其實(shí)現(xiàn)原理,歸納如表1所示.

表1 血管管腔邊界檢測(cè)方法匯總

2 血管支架的識(shí)別與提取

在動(dòng)脈粥樣硬化治療病例中,對(duì)病人血管的支架植入部位進(jìn)行定期檢查,可以幫助醫(yī)生及時(shí)掌握患者的治療情況,方便醫(yī)生及時(shí)地掌握患者治療的實(shí)施效果,并給出下一階段的治療方案.在支架植入初期、中期和后期,通過使用相應(yīng)的計(jì)算機(jī)圖像處理手段,能夠快速、準(zhǔn)確地識(shí)別出支架在血管中的位置及分布情況,替代人工手動(dòng)識(shí)別、標(biāo)記支架,縮短支架識(shí)別時(shí)間,提高識(shí)別效率和準(zhǔn)確率等,對(duì)后期血管支架數(shù)據(jù)的量化分析也有著十分重要的作用.

在支架植入手術(shù)中,一般對(duì)患者使用金屬材質(zhì)的支架進(jìn)行治療.在IVOCT圖像中,由于支架的金屬特性,圖像中的支架成像表現(xiàn)為一組高亮反射的斑塊區(qū)域,同時(shí)由于反射原因,在支架植入初期,每個(gè)高亮斑塊后面(A-line方向)會(huì)出現(xiàn)狹長陰影區(qū)域.

利用IVOCT圖像中支架成像的高亮斑塊及陰影區(qū)域基本特征信息,Bonnema等人[21]在A-line方向?qū)χЪ艿姆瓷鋮^(qū)域、陰影區(qū)域和能量集中區(qū)域設(shè)置相應(yīng)的閾值進(jìn)行支架檢測(cè).Xu等人[22]提出一種改進(jìn)的濾波器,該濾波器通過計(jì)算局部脊線的強(qiáng)度和方向,同時(shí)結(jié)合橢圓擬合算法定位支架.Gurmeric等人[11]在已檢測(cè)的感興趣區(qū)域中,分析不同方向上沿圖像中心向四周發(fā)射的射線上光強(qiáng)的分布情況.在射線能量集中的分布區(qū)域中,對(duì)能量強(qiáng)度曲線的上升和下降進(jìn)行分析,檢測(cè)支架的陰影.Wang等人[23]結(jié)合全局Intensity histogram閾值和每條A-line的像素強(qiáng)度分布獲取候選支架點(diǎn),通過 Prewitt compass filter檢測(cè)支架后的陰影區(qū)域,對(duì)候選點(diǎn)進(jìn)行分類.Ughi等人[9]在統(tǒng)計(jì)分析了 A-line方向上峰值強(qiáng)度、陰影強(qiáng)度以及強(qiáng)度值上升和下降的速度等特征量的基礎(chǔ)上,通過相應(yīng)特征量的閾值判定,結(jié)合血管圖像內(nèi)不同組織的陰影性質(zhì)分析,檢測(cè)支架A-line.Ren等人[10]通過分析每條A-line上的局部最大標(biāo)準(zhǔn)差,獲取支架像素點(diǎn)的候選種子點(diǎn),對(duì)比分屬支架和血管組織的候選點(diǎn)后光強(qiáng)的變化差異進(jìn)而檢測(cè)支架的位置.Chiastra等人[8]結(jié)合Wang的方法和A-line上峰值點(diǎn)的斜線率進(jìn)行支架檢測(cè),并使用一個(gè)矩形窗口與A-line乘積的方法,避免Wang的方法中出現(xiàn)受血管外邊界和噪聲影響的情況.此類方法著重于對(duì)血管A-line方向上的像素強(qiáng)度值變化進(jìn)行統(tǒng)計(jì)分析,針對(duì)不同部位設(shè)置不同的閾值,能夠快速地檢測(cè)出特征明顯的支架.但是需要人工參與閾值的設(shè)置,同時(shí),殘留血液和導(dǎo)管也會(huì)對(duì)支架的檢測(cè)產(chǎn)生影響.

另一類文獻(xiàn)是在支架成像特征的基礎(chǔ)上,通過對(duì)支架進(jìn)行量化分析、特征提取,獲取描述支架的一組特征量,使用不同的機(jī)器學(xué)習(xí)方法對(duì)血管中的檢測(cè)目標(biāo)進(jìn)行分類.Tsantis等人[13]將支架與不同尺寸下的LOG濾波器進(jìn)行卷積來計(jì)算支架的尺度空間信息,LOG的局部最大響應(yīng)處作為IVOCT中檢測(cè)的支架位置.然后,應(yīng)用小波特征和概率神經(jīng)網(wǎng)絡(luò)(PNNs)完成支架的后期檢驗(yàn).Bruining等人[24]將每條A-line上的平均值、最大值以及所有大于平均值的點(diǎn)進(jìn)行求和的結(jié)果值作為K-NN分類器檢測(cè)支架的3個(gè)特征量.胡增陽等人[25]結(jié)合最大值鄰域的局部方差提取支架的特征量,利用隨機(jī)森林分類器進(jìn)行支架分類檢測(cè).上述的方法都需要學(xué)習(xí)大量已標(biāo)記支架的圖像數(shù)據(jù),建立分類模型,然后應(yīng)用于新圖像的支架分類檢測(cè)任務(wù)中.相比于前者統(tǒng)計(jì)方法,基于機(jī)器學(xué)習(xí)的支架檢測(cè)方法需要滿足具有大量的訓(xùn)練樣本和支架的特征能夠被準(zhǔn)確表達(dá)這兩個(gè)重要條件.

此外,利用形態(tài)學(xué)方法和圖論理論,Kauffmann等人[26]通過使用主動(dòng)輪廓模型結(jié)合形態(tài)化的梯度對(duì)稱算子檢測(cè)支架和血管壁,并使用距離圖對(duì)兩者進(jìn)行區(qū)分.Wang等人在文獻(xiàn)[27]中結(jié)合整個(gè)導(dǎo)管回退過程的光強(qiáng)度的全局信息,將一組連續(xù)幀的IVOCT圖像“壓縮”為一幅“條紋”圖像,使用最小生成樹算法識(shí)別“條紋”圖像中的支架樹,將識(shí)別的結(jié)果對(duì)應(yīng)到相應(yīng)的單幅IVOCT 圖像中.在文獻(xiàn)[28]中,Wang 等人在考慮OCT圖像的物理成像規(guī)則的基礎(chǔ)上,基于Bayesian理論計(jì)算在單個(gè)A-line上支架出現(xiàn)的概率,根據(jù)IVOCT圖像中相鄰幀之間支架的連續(xù)性判別支架的位置.

上述所有的檢測(cè)方法對(duì)于初期植入血管的支架,都產(chǎn)生了很好的檢測(cè)效果.此外,針對(duì)支架植入中期,血管內(nèi)生成新生內(nèi)膜的情況,文獻(xiàn)[10,11,22]也都討論了其算法對(duì)此類問題的有效性.但關(guān)于支架植入后期、支架錯(cuò)位、血管內(nèi)含有血栓等復(fù)雜情況均未進(jìn)行深入研究.

3 血管內(nèi)病變組織的識(shí)別

常見的三種血管壁病變塊分別為纖維化、鈣化和脂質(zhì)化斑塊.在動(dòng)脈粥樣硬化病例中,醫(yī)學(xué)研究人員也主要是針對(duì)上述病例情況進(jìn)行病理分析.

利用傳統(tǒng)的目標(biāo)檢測(cè)方法,Wang等人[29]通過邊界檢測(cè)定位動(dòng)脈鈣化塊的感興趣區(qū)域,然后使用基于光強(qiáng)度和梯度的Level set方法分割鈣化塊.該方法對(duì)邊界明顯的鈣化塊識(shí)別率高,而對(duì)于邊界模糊、非完全體的鈣化塊則檢測(cè)效果差.Macedo等人[30]則討論了在頻域中定義纖維組織特征.

考慮光在血管內(nèi)不同組織的衰減系數(shù),Van Soest等人[31]提出基于光衰減系數(shù)的血管組織特征識(shí)別的方法.Ughi等人[32]在文獻(xiàn)中引入光的衰減度分析,定義不同組織所具有的光強(qiáng)值不同,血管管壁由多個(gè)不同的組織層構(gòu)成,結(jié)合空間灰度相關(guān)性進(jìn)行紋理分析,提取表現(xiàn)組織特性的特征量,使用隨機(jī)森林方法對(duì)像素進(jìn)行識(shí)別和分類.不同組織的光衰減度表現(xiàn)不同,因此可以作為表征病變組織特征的特征量,應(yīng)用在機(jī)器學(xué)習(xí)算法中.

利用卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)識(shí)別上的優(yōu)勢(shì),He等人[33]和Cheimariotis等人[34]將每幅IVOCT圖像分割為固定尺寸,使用已分割的局部圖片訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò).Gessert等人[35]則將重點(diǎn)放在使用兩個(gè)不同結(jié)構(gòu)的網(wǎng)絡(luò)框架,結(jié)合遷移學(xué)習(xí),對(duì)病變斑塊進(jìn)行分類識(shí)別研究.

對(duì)比上述不同方法的據(jù)實(shí)驗(yàn)數(shù)據(jù),基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法對(duì)斑塊的識(shí)別率由明顯提升,識(shí)別結(jié)果優(yōu)于使用傳統(tǒng)的目標(biāo)檢測(cè)方法的識(shí)別率.

4 血管內(nèi)支架分布的3D可視化重建

血管支架的3D可視化重建是以獲取支架分布位置信息為前提,利用3D建模方法實(shí)現(xiàn).

Chiastra等人[8]在獲取血管的管腔輪廓和支架位置信息的基礎(chǔ)上,以主血管中心線為基準(zhǔn),建立主血管的3D支架點(diǎn)云可視化圖形,并將結(jié)果與通過Mico-CT重建的支架3D圖形進(jìn)行對(duì)比和分析.

Ughi等人[36]根據(jù)血管內(nèi)的不同結(jié)構(gòu)的亮度值范圍對(duì)支架和管腔定義不同的顏色和不同的透明值.根據(jù)已經(jīng)獲取的支架和管腔組織信息作為血管3D可視化重建的輸入數(shù)據(jù),建立血管的3D模型.該模型能很好的展現(xiàn)血管腔內(nèi)的細(xì)節(jié),如血管內(nèi)部解剖信息、血栓、錯(cuò)位支架的位置信息和血管分支部位等.

Wang等人[28]將一組IVOCT圖像“壓縮”成的“條紋”圖像,應(yīng)用最小生成樹算法檢測(cè)支架信息,根據(jù)“條紋”圖像中各支架點(diǎn)的位置和當(dāng)前的圖像幀數(shù),構(gòu)建單幅血管圖像中單個(gè)支架的3D位置信息.

Wang 等人[37]在文中定義了評(píng)估 Stent cell contour的 Maximum Circular Unsupported Surface Area(MCUSA),利用 MCUSA 對(duì) Stent cell contour和血管分支的管腔的面積進(jìn)行研究,進(jìn)而構(gòu)建其3D可視化模型.

5 總結(jié)與展望

基于OCT技術(shù)的人體血管圖像處理是目前醫(yī)學(xué)圖像處理的熱門研究之一,如何快速、準(zhǔn)確和穩(wěn)定的檢測(cè)、識(shí)別IVOCT圖像中的各類目標(biāo),并建立一套標(biāo)準(zhǔn)化的處理流程,統(tǒng)計(jì)各類數(shù)據(jù)指標(biāo),輔助醫(yī)生實(shí)時(shí)地完成目標(biāo)數(shù)據(jù)的標(biāo)注、采集和統(tǒng)計(jì)分析,減少人工參與、縮短醫(yī)生的診斷時(shí)間,為診斷提供必要的、精確的數(shù)據(jù)信息是當(dāng)前基于IVOCT圖像處理所面臨的首要問題.

在血管的管腔邊界提取方面,利用形態(tài)學(xué)、圖論、基于A-line截面的光強(qiáng)度變化及能量函數(shù)結(jié)合概率論等方法進(jìn)行研究.具體包括:(1)Otsu 二值法結(jié)合形態(tài)學(xué)算子;(2)Canny邊界檢測(cè)或基于梯度信息的紋理檢測(cè)方法;(3)研究A-line方向的能量集中區(qū)域的光強(qiáng)變化,峰值點(diǎn)及強(qiáng)度變化率或局部灰度變化等;(4)分析和提取管腔邊界處點(diǎn)的特征量,利用概率函數(shù)結(jié)合機(jī)器學(xué)習(xí)方法對(duì)檢測(cè)點(diǎn)進(jìn)行分類.對(duì)于導(dǎo)絲陰影處的管腔邊界,大多數(shù)文獻(xiàn)都使用不同的樣條擬合函數(shù)求取近似的管腔邊界.上述方法目前都集中在研究較規(guī)則的血管管腔邊界提取,對(duì)于非規(guī)則或血管內(nèi)含有復(fù)雜結(jié)構(gòu)(血栓、脫落的微小內(nèi)膜結(jié)構(gòu)等)的情況,尚未進(jìn)行深入分析.

在血管支架檢測(cè)方面,支架的金屬特性使得其在血管OCT成像中表現(xiàn)出明亮(或高亮)亮斑(狹長形或近橢圓形),并且在支架后面會(huì)伴隨有狹長的陰影區(qū)域;支架處具有較高的陰影區(qū)百分比和低陰影區(qū)平均值.因此,不少文獻(xiàn)采用基于A-line方向的光強(qiáng)度值(或能量集中區(qū)域)的變化進(jìn)行支架點(diǎn)檢測(cè)的研究.提取的支架特征也主要包含:(1)最大強(qiáng)度值;(2)平均強(qiáng)度值;(3)亮點(diǎn)區(qū)域的面積;(4)像素強(qiáng)度方差(或標(biāo)準(zhǔn)差);(5)陰影區(qū)域的百分比;(6)陰影長度;(7)峰值強(qiáng)度;(8)陰影強(qiáng)度;(9)峰值點(diǎn)和谷點(diǎn)的陰影對(duì)比度;(10)支架像素值的斜線率與血管壁像素值的斜線率對(duì)比等.根據(jù)植入支架在血管內(nèi)的存留時(shí)間,支架的表現(xiàn)方式也復(fù)雜多變.在支架植入中后期,部分IVOCT圖像表現(xiàn)出僅包含支架投射的陰影,或支架的實(shí)體表現(xiàn)出模糊或“不存在”;同一個(gè)支架點(diǎn)在IVOCT圖像的連續(xù)幀間位置不固定;新生內(nèi)膜中的支架成像區(qū)域較小,亮度偏低等情況.上述現(xiàn)象都會(huì)對(duì)基于A-line方向的光強(qiáng)度值(或能量集中區(qū)域)的變化的支架檢測(cè)方法帶來困難.此外,基于IVOCT圖像的梯度變化和紋理信息對(duì)IVOCT圖像進(jìn)行全局和局部灰度值分析也是支架檢測(cè)的一種常用方法.個(gè)別文獻(xiàn)也討論了使用小波變換檢測(cè)支架的可行性.針對(duì)支架表現(xiàn)形式的多樣性,近年來,越來越多的學(xué)者專注于使用特征工程手段定義和提取支架的特征表達(dá)量(如文獻(xiàn)[31,32]),優(yōu)化機(jī)器學(xué)習(xí)的相關(guān)算法,均取得了良好的檢測(cè)效果.

在血管塊狀病變組織檢測(cè)中,從直觀角度來看,脂質(zhì)化區(qū)域具有分層界線不明顯,分層厚度不明顯,成像像素強(qiáng)度變換緩和的特征;鈣化區(qū)域具有斑塊邊界明顯、形狀易于辨認(rèn)、紋理性強(qiáng),具體表現(xiàn)為塊狀、狹長等鈣化形態(tài)特征;纖維化區(qū)域具有使內(nèi)膜增厚、分層不明顯、無法分辨其與中膜間的界線,且纖維化區(qū)域厚度表現(xiàn)不一和等特點(diǎn),個(gè)別形態(tài)(如薄帽纖維化)易與脂質(zhì)化區(qū)域混淆.從光學(xué)成像原理的角度分析[9,31,32],脂質(zhì)化區(qū)域具有高衰減、高散射的特征;鈣化區(qū)域具有低衰減和低散射的特征;纖維化區(qū)域具有低衰減、高散射的特征.該方面由于存在多種病變類型且各類型的表現(xiàn)形式具有多樣性,因此國外的圖像處理研究處于探索性階段,如基于圖像紋理特征分析鈣化,使用傅里葉變換分析纖維的頻域特征,能量密度函數(shù)結(jié)合機(jī)器學(xué)習(xí)分類算法識(shí)別病變區(qū)域.目前,國內(nèi)在此方面尚未有明確的文獻(xiàn)提出,后續(xù)的研究應(yīng)充分分析各病變組織的成像特征,著重結(jié)合當(dāng)下最新的深度學(xué)習(xí)技術(shù)(如卷積神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí))和最新框架(如及基于語義的全卷積網(wǎng)絡(luò)等)對(duì)病變組織的識(shí)別精度進(jìn)行研究.

在IVOCT圖像的3D可視化重建方面,許多文獻(xiàn)根據(jù)先前檢測(cè)的血管的管腔邊界信息、支架的位置信息以及塊狀病變組織的量化信息,通過給不同組織分配不同顏色完成血管的3D渲染和重建工作,或利用已有的3D建模軟件,將上述各類信息作為輸入數(shù)據(jù)進(jìn)行3D建模.

在血管內(nèi)部各組織結(jié)的構(gòu)檢測(cè)研究中,主要存在如下干擾因素:導(dǎo)管和導(dǎo)絲及其陰影;殘留的血液的成像;復(fù)雜形態(tài)的血管管腔邊界;血管內(nèi)其他結(jié)構(gòu)(血栓、脫落的微小內(nèi)膜結(jié)構(gòu)、內(nèi)壁上的靜脈孔和巨噬細(xì)胞浸潤);錯(cuò)位支架;新生內(nèi)膜對(duì)支架的覆蓋等.針對(duì)上述問題,應(yīng)結(jié)合血管內(nèi)部結(jié)構(gòu)的幾何形態(tài)、非正常組織的紋理信息,運(yùn)用形態(tài)學(xué)運(yùn)算和面積約束去除殘留血液和脫落的微小結(jié)構(gòu).樣條擬合結(jié)合圖像前后幀的連續(xù)性可被用于解決錯(cuò)位支架的修正問題.基于局部最大標(biāo)準(zhǔn)差方法可被用來發(fā)現(xiàn)局部高亮區(qū)域,在含有新生內(nèi)膜的圖像中具有一定的使用價(jià)值.

綜上,國外的研究人員和醫(yī)療結(jié)構(gòu)已經(jīng)針對(duì)心血管疾病的目標(biāo)檢測(cè)和識(shí)別,建立起來一套較完整的半自動(dòng)或自動(dòng)化應(yīng)用處理程序,討論了基于計(jì)算機(jī)圖像處理技術(shù)的各類算法在IVOCT圖像中的目標(biāo)檢測(cè)和識(shí)別可能性和有效性.國內(nèi)關(guān)于基于OCT技術(shù)的人體血管成像處理的研究目前還處于初期階段,已有的文獻(xiàn)[25]也只是較簡(jiǎn)單的提取了支架的特征,并使用機(jī)器學(xué)習(xí)方法分析.在傳統(tǒng)檢測(cè)方法很難提升正確檢測(cè)率的情況下,使用近年來熱門的深度學(xué)習(xí)技術(shù)對(duì)血管內(nèi)各部分的識(shí)別有助于提高目標(biāo)檢測(cè)的正確率,這也是今后的一個(gè)熱門研究方向.但是,使用深度學(xué)習(xí)技術(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)目前還存在一個(gè)的問題,就是沒有統(tǒng)一的、大量的關(guān)于IVOCT圖像的開放式數(shù)據(jù)集[35].相比于基于深度神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別、目標(biāo)檢測(cè)等領(lǐng)域已有的巨大數(shù)據(jù)集,血管圖像的數(shù)據(jù)相對(duì)集中在全球各醫(yī)療實(shí)驗(yàn)機(jī)構(gòu)中,同時(shí)由于涉及病人資料的保密性,這些機(jī)構(gòu)之間的數(shù)據(jù)無法共享,進(jìn)而無法形成一個(gè)統(tǒng)一的、規(guī)范的大數(shù)據(jù)集,進(jìn)而很難準(zhǔn)確地去評(píng)價(jià)某一個(gè)算法或框架的有效性和準(zhǔn)確率.所以,需要構(gòu)建一個(gè)完備的、開放的且能實(shí)時(shí)更新的血管數(shù)據(jù)集用于同行之間的研究交流.

6 結(jié)束語

本文對(duì)基于IVOCT技術(shù)的血管內(nèi)部管腔邊界和支架檢測(cè),主要塊狀病變組織,血管的3D可視化重建四個(gè)方面的國內(nèi)外研究情況進(jìn)行跟蹤和闡述,分析了各主要研究領(lǐng)域所使用的方法,并進(jìn)行概括總結(jié).目前國內(nèi)關(guān)于基于IVOCT圖像的檢測(cè)與識(shí)別研究較少,本文旨在為相關(guān)研究人員和學(xué)者快速提供理論思路和方法.OCT血管圖像內(nèi)部結(jié)構(gòu)的檢測(cè)和識(shí)別依然一個(gè)難題,需要更多的研究人員參與,利用更先進(jìn)的技術(shù)進(jìn)行分析、研究.