冠脉XA图像中造影剂流入检测算法

本文主要介绍 learning-based contrast inflow detection 方法。

基本思路

其实造影剂流入检测算法的本质、重点的前提 —— 冠脉造影图像的分割检测。正是因为冠脉造影图像的分割，才可以提取出序列图像中造影血管的位置~ 有分割结果即证明有造影剂流入，没有分割结果即证明没有造影剂流入。因此根据造影图像的分割结果继而判断该图像序列是否存在造影剂流入的情况。

传统算法

• 灰度直方图的变换（没有考虑造影血管的分割）
  检测图像帧的直方图的变化，如果直方图存在剧烈的变化，可以认为存在着造影剂流入的情况。这种思路很简单而且很朴素，但是在实际情况下，因为存在隔膜（XA中表现为 dark region）和其他黑色区域出现在图像中，因此不能保证灰度直方图的剧烈变化仅仅由造影剂流入造成。 —— 鲁棒性差

• 基于血管的方法
  采用 Morphological 和 DoG 操作得到血管增强图像 vessel map。对 vessel map 的灰度直方图进行阈值分析，从而判断是否有造影剂的出现。这种方法基于的思想就是 造影剂 = 血管结构 ，找到血管结构也就可以证明有造影剂的存在。

算法流程

总的流程是 ~ 首先通过血管增强算法得到图像序列 的 vesselness score vector V， 然后进行造影剂检测，若存在造影剂流入的情况则认为该造影剂序列为 CS (contrast scene) 否则认为该序列不存在造影剂流入的情况。 对于CS序列再进行造影剂流入帧的确定最后得到造影剂流入的特定的帧。

• Vessel segments detector
  采用的方法是 learning-based method，分类器是 probabilistic boosting tree(PBT) 得到基于图像块 (8*10) 的概率输出结果 。 Notice~ 有效性的考虑，对于降采样125*125的图像进行训练和检测。
  其中需要注意的一个点是，在 testing 阶段并不是对 testing images 的所有像素点进行检测而是 仅仅对其中的 ridge point 进行检测，判断该 ridge point 对应的图像块是否是 vessel 对应的图像块。

• Contrast medium detector
  计算图像序列的 vesselness score vector V，和 V 的不同方差高斯核平滑结果 。和 V 和 各种 G_V 的一阶导数和二阶导数 。核心思想是通过上述的量来构建关于造影剂检测的 feature~
  

  整体的目标在于找到整个序列中 vesselness 度量改变的 幅度 和 快慢程度（梯度）。 是特征向量。将其分成不相交的10部分，通过这10个部分的 absolute differences 和 ratio 来 得到 组合的 contrast medium detector 的特征，如 度量最大的 vesselness measure 和最初的几帧的 vesselness measure 的改变量。分类器采用 SVM得到二分类结果，即是否存在造影剂。

• Contrast inflow detector
  其中有一步帧的正则化操作，使得不同采样率的 XA 图像有15 fps 的帧率。将对应图像序列的 V 的人工标记的流入帧作为 正样本，[-3，3] 之外的作为负样本。同样的采用 Haar 特征，和11帧的时间窗。

启发

本文采用 learning-based 方法，博主认为重点在于 contrast medium detection 部分的如何构建 适合于判断造影剂是否存在于图像序列 的特征。（可以认为是 特征工程 ）这一部分不仅仅考虑了图像序列中的 vesselness score vector 而且通过不同图像序列的时间顺序关系，组合特征子集得到适合判断造影剂存在与否的特征。 这一部分值得细细思考。