基于最小代价路径的血管中心线提取

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (2): 156-160.

基于最小代价路径的血管中心线提取

盛惠娟1，2，邓振生1，2，欧阳丽蓉3

1.中南大学有色金属成矿预测教育部重点实验室，长沙 410083
2.中南大学地球科学与信息物理学院，长沙 410083
3.中南大学湘雅医院放射科，长沙 410008

出版日期:2015-01-15 发布日期:2015-01-12

Vessel centerline extraction based on minimum cost path algorithm

SHENG Huijuan1，2, DENG Zhensheng1，2, OUYANG Lirong3

1.Key Laboratory of Metallogenic Predication of Nonferrous Metals, Ministry of Educating, Central South University, Changsha 410083, China
2.School of Geosciences and Info-Physics, Central South University, Changsha 410083, China
3.Department of Radiology, Xiangya Hospital of Central South University, Changsha 410008, China

Online:2015-01-15 Published:2015-01-12

摘要/Abstract

摘要： 为解决传统最小代价路径算法提取血管中心线时存在偏向血管侧壁的问题，提出一种基于点的中心线校正方法。应用最小代价路径算法初步提取中心线，然后根据血管剖面灰阶值呈高斯分布的特点对每个中心点进行校正，再利用三次B样条将离散的中心点拟合为一条连续的中心线。实验结果表明，该算法提取的中心线更靠近血管的中心处，且对噪声具有鲁棒性。此外，将该算法用于起点、终点位置的校正，则提取的中心线对用户定义点的位置不敏感。

关键词: 血管, 中心线提取, 最小代价路径算法, 高斯剖面, 中心校正

Abstract: Applying the traditional minimum cost path algorithm to find the centerline through bend vessel yields a biased path which closes to the one side of vessel wall. To solve this problem, a centering method based on points is proposed. The centerline is extracted preliminary by minimum cost path algorithm, then the center point is corrected by gray Gaussian curve fitting, and a smoothed centerline is obtained finally by using cubic B-spline fitting to the discrete corrected points. The experimental results show that this method is robust to the noise and the extracted centerline is closer to the center of vessel at the areas of high curvature. Besides, this centerline is not sensitive to the user-defined points by applying the centering method to correct the position of start-point and end-point.

Key words: vessel, centerline extraction, minimum cost path algorithm, Gaussian profile, centering

盛惠娟1，2，邓振生1，2，欧阳丽蓉3. 基于最小代价路径的血管中心线提取[J]. 计算机工程与应用, 2015, 51(2): 156-160.

SHENG Huijuan1，2, DENG Zhensheng1，2, OUYANG Lirong3. Vessel centerline extraction based on minimum cost path algorithm[J]. Computer Engineering and Applications, 2015, 51(2): 156-160.

[1]	胡扬涛，裴洋，林川，李世成，易玉根. 空洞残差U型网络用于视网膜血管分割[J]. 计算机工程与应用, 2021, 57(7): 185-191.
[2]	刘书轩，邱鹏，聂永琦，刘静，曹慧. 虚拟现实在脑卒中患者运动功能康复中的应用[J]. 计算机工程与应用, 2021, 57(21): 68-79.
[3]	买雪洁，石杰元，童倩倩. 基于周期性校正神经网络的血流血管壁耦合[J]. 计算机工程与应用, 2019, 55(24): 178-183.
[4]	陈莉，陈晓云. 特征组合和多模块学习的视网膜血管分割[J]. 计算机工程与应用, 2019, 55(17): 214-220.
[5]	丁雪梅，李为相，毛祥宇. 结合PCNN和自适应DGA算法的视网膜血管分割[J]. 计算机工程与应用, 2018, 54(21): 201-207.
[6]	王文涛，罗晓曙，阎晨阳. 基于灰度迭代阈值PCNN的眼底图像血管分割[J]. 计算机工程与应用, 2018, 54(20): 197-201.
[7]	胡明伟1，丁彦蕊2，3. 机器学习预测ACEI的比较与分析[J]. 计算机工程与应用, 2017, 53(9): 11-16.
[8]	谭建豪1，张文涛1，李晓龙1，余绍德2，谢耀钦2. 一种改进的3D血管增强算法[J]. 计算机工程与应用, 2016, 52(15): 153-157.
[9]	王润民. 基于微粒群算法的视网膜血管自动提取方法[J]. 计算机工程与应用, 2015, 51(2): 177-180.
[10]	张新红1，张帆2，3，崔延斌3. 基于多尺度自适应滤波的DSA血管增强[J]. 计算机工程与应用, 2015, 51(14): 179-185.
[11]	张新红1，张　帆2，3，崔延斌3. 基于误差扩散和均值漂移的DSA特征点选择[J]. 计算机工程与应用, 2015, 51(13): 157-161.
[12]	刘鑫1，陈永健2，万洪林1，孙娜娜1. 基于两阶段区域生长的肝内血管分割算法[J]. 计算机工程与应用, 2015, 51(12): 194-197.
[13]	车进1，2，师一帅2，张成2. 基于分数阶微分的视网膜血管图像增强[J]. 计算机工程与应用, 2012, 48(34): 162-165.
[14]	赵晓芳，林土胜. 视网膜血管图像特征点自动提取和分类[J]. 计算机工程与应用, 2011, 47(8): 14-17.
[15]	王润民1，姚畅2，刘建勋3. 基于Gabor小波的视网膜血管自动提取研究[J]. 计算机工程与应用, 2011, 47(18): 88-90.