肺部CT圖像氣管樹分割技術(shù)研究進(jìn)展

段輝宏 龔 敬 王麗嘉 李鑫宇 聶生東

(上海理工大學(xué)醫(yī)療器械與食品學(xué)院，上海 200082)

引言

肺部氣管是人體重要的組織器官，同時也是與外界環(huán)境進(jìn)行氣體交換的重要場所。由于肺部氣管長時間暴露于外界環(huán)境中，受輻射污染、化學(xué)污染以及空氣污染等外界因素的影響，肺部呼吸道系統(tǒng)疾病的發(fā)病率呈現(xiàn)出逐年上升的趨勢，慢性阻塞性肺疾病等慢性呼吸系統(tǒng)疾病，已經(jīng)成為僅次于惡性腫瘤的主要疾病死因[1-2]。因此，探究呼吸道系統(tǒng)相關(guān)疾病的成因及其后續(xù)影響，對于預(yù)防和診斷肺部疾病有著重要的意義。

肺部氣管由結(jié)締組織、肌肉組織以及環(huán)狀軟骨組成，它們彼此相互連接從而形成中空管狀腔體。從咽喉部的主氣管開始至末端支氣管，肺部氣管樹約分為17級，且隨著氣管級數(shù)升高，對應(yīng)的氣管半徑與氣管長度也隨之減小。最終末端氣管與肺泡組織相連，從而在肺泡內(nèi)完成氣體交換。由于肺部氣管特殊的解剖結(jié)構(gòu)和生理功能，肺部疾病與肺部氣管的病變有著密切的聯(lián)系[3-4]。而肺部氣管的病變往往伴隨著氣管解剖結(jié)構(gòu)的改變，因此肺部氣管的解剖結(jié)構(gòu)信息，常被用于肺部疾病的診斷以及治療效果的評估[5-7]。

計算機斷層掃描(computed tomography，CT)圖像因具有良好的空間分辨率和成像質(zhì)量，被廣泛運用于肺部疾病的診斷。但由于CT圖像的切層數(shù)較多且肺部氣管樹的結(jié)構(gòu)復(fù)雜，通過人工閱片的方式對病變組織進(jìn)行篩查或分割，往往費時費力[8]。同時，人工閱片的主觀性較強，長時間地閱片也容易導(dǎo)致錯誤的判斷。因此，基于肺部CT圖像的氣管樹自動鑒別與病理分析能夠極大地減少臨床工作量，為臨床診斷提供定量參考的同時也降低了誤診率。其中肺部氣管樹的自動分割與獲取是定量分析與自動診斷的前提[9]，同時也是虛擬支氣管鏡、手術(shù)模擬導(dǎo)航等技術(shù)的基礎(chǔ)[10-11]。

肺部氣管樹分割技術(shù)始于20世紀(jì)90年代末，CT圖像技術(shù)的發(fā)展與進(jìn)步，使得氣管分割成為可能。在CT圖像中，氣管壁與管腔內(nèi)部區(qū)域的灰度值相差較大，且氣管各級分枝之間的連通性較好。同時，各級氣管分枝被氣管壁所包圍，形成封閉的管狀區(qū)域。但由于噪聲、運動偽影以及病變組織的影響，氣管壁會出現(xiàn)模糊或斷裂，進(jìn)而容易在分割過程中造成分割泄漏，導(dǎo)致氣管被肺實質(zhì)區(qū)域包裹，使分割結(jié)果失去臨床意義。圖1為本研究利用傳統(tǒng)三維區(qū)域生長方法所獲取的分割泄漏結(jié)果，展示了分割泄漏對分割結(jié)果的影響。而針對這一難題，不同的分割方法與分割策略被提出。

圖1 肺部氣管分割泄漏結(jié)果。(a)傳統(tǒng)三維區(qū)域生長方法獲取的結(jié)果；(b)冠狀位二維CT圖像，其中紅色區(qū)域表示對應(yīng)的分割結(jié)果Fig.1 The segmentation result of airway with leakage. (a)The result obtained by using traditional 3D region-growing；(b) A CT slice in the coronal planes, in which the segmentation result is marked as red

本研究總結(jié)了多年來國內(nèi)外肺部氣管樹的分割方法，對其研究現(xiàn)狀進(jìn)行了綜述，同時依據(jù)方法的主要技術(shù)路線將這些方法劃分為：傳統(tǒng)方法、基于管狀結(jié)構(gòu)檢測的方法以及基于機器學(xué)習(xí)的方法。

1 肺部氣管樹分割

1.1 傳統(tǒng)方法

由于肺部氣管具有良好的連通性、相對較好的封閉性以及有規(guī)律的結(jié)構(gòu)先驗知識，使得基于區(qū)域生長的方法[12-20]、基于形態(tài)學(xué)的方法[21-32]以及基于規(guī)則和模糊邏輯的方法[8,33-39]成為了較為常見的肺部氣管樹分割方法。其中基于區(qū)域生長的方法，通過設(shè)定一定的區(qū)域生長規(guī)則，從自動或手動確定的種子點出發(fā)，對肺部氣管樹進(jìn)行分割。因此區(qū)域生長的種子點選取與生長規(guī)則的設(shè)定，決定了該算法的分割效果。與三維區(qū)域生長類似的方法還有前向傳播法(front propagation method)，該類方法通過檢測波面前端的傳播狀態(tài)從而控制分割過程，并依據(jù)波面半徑的大小判斷并阻止泄漏的發(fā)生[40-41]。

基于區(qū)域生長與前向傳播法的肺部氣管樹分割方法對噪聲較為敏感，對氣管壁的完整性要求也較高，因此易發(fā)生分割泄漏并且不能有效地分割出細(xì)小氣管。后續(xù)的方法通常將三維區(qū)域生長用于主支氣管的分割，然后結(jié)合其他的分割技術(shù)，對肺部氣管樹的細(xì)小氣管進(jìn)行分割。

而基于形態(tài)學(xué)的方法，主要利用了氣管壁與氣管內(nèi)腔的結(jié)構(gòu)與灰度特性。即在CT圖像的二維切層中，成像較暗的管腔被較亮的氣管壁所包圍，從而形成局部極值區(qū)域。因此可以采用形態(tài)學(xué)的方法對局部極值區(qū)域進(jìn)行檢測，從而標(biāo)記出潛在的氣管區(qū)域。

基于形態(tài)學(xué)的方法一般會與三維區(qū)域生長相結(jié)合。通常會采用三維區(qū)域生長獲取主支氣管，然后利用形態(tài)學(xué)方法標(biāo)記出細(xì)小氣管，最后利用標(biāo)記結(jié)果引導(dǎo)后續(xù)的精細(xì)分割。雖然較單一的三維區(qū)域生長方法，基于形態(tài)學(xué)的方法能夠檢測出更多的氣管分枝數(shù)，但該類方法并未利用氣管的三維管狀結(jié)構(gòu)特征。因此在噪聲較多的案例中，容易標(biāo)記出大量偽氣管區(qū)域，從而導(dǎo)致在提取細(xì)小氣管時發(fā)生局部泄漏。

基于規(guī)則與模糊邏輯的肺部氣管樹分割方法，主要利用了氣管樹的結(jié)構(gòu)特點以及氣管樹與周圍鄰近組織的先驗知識，并以此對分類規(guī)則或模糊邏輯進(jìn)行設(shè)計。

基于規(guī)則和模糊邏輯的方法需要對分類規(guī)則、隸屬函數(shù)以及親和力函數(shù)進(jìn)行設(shè)計。因為引入了模糊邏輯的概念，較前兩類方法而言，其受噪聲和氣管壁斷裂的影響稍小。嚴(yán)格的限制條件雖然有效降低了泄漏發(fā)生的概率，但檢測出的氣管分枝數(shù)會因此受到影響。并且該類方法的初始分割結(jié)果為概率結(jié)果，需要采用適當(dāng)?shù)拈撝祷蚍椒ㄌ崛〕鲎罱K的氣管樹，因此閾值的設(shè)置和提取方法的選取同樣也會對最終結(jié)果產(chǎn)生較大影響。圖2分別列舉了上述3種傳統(tǒng)方法中，具有代表性方法的分割結(jié)果。

圖2 傳統(tǒng)方法的分割結(jié)果。(a)基于三維區(qū)域生長分割方法所獲取的結(jié)果[15]；(b)基于形態(tài)學(xué)分割方法所獲取的結(jié)果[25]；(c)基于模糊邏輯分割方法所獲取的結(jié)果[35]Fig.2 The results obtained by using traditional methods. (a)The result obtained by using the method based on 3D region-growing[15]；(b)The result obtained by using the method based on morphology[25]；(c)The result obtained by using the method based on fuzzy logic [35]

1.2 基于管狀結(jié)構(gòu)檢測的方法

上述傳統(tǒng)的氣管分割方法，雖然經(jīng)過改進(jìn)與結(jié)合，但分割結(jié)果依然容易受到噪聲以及圖像質(zhì)量的影響。因此，后續(xù)研究提出了基于管狀結(jié)構(gòu)檢測的氣管分割方法。管狀結(jié)構(gòu)檢測即指利用管狀結(jié)構(gòu)濾波器，在圖像中檢測出類似管狀結(jié)構(gòu)的物體。因為氣管天然的管狀解剖結(jié)構(gòu)，可以依據(jù)氣管的局部或整體管狀結(jié)構(gòu)特征，先對圖像中的管狀結(jié)構(gòu)進(jìn)行檢測，然后再對檢測出的結(jié)果進(jìn)行精細(xì)分割，從而實現(xiàn)肺部氣管分割。程遠(yuǎn)熊等[42]利用多尺度Hessian矩陣對像素點的三維局部特征進(jìn)行分析，從而計算出像素點隸屬于管狀結(jié)構(gòu)的可能性大小。然后將計算結(jié)果用于構(gòu)建生長條件，最后使用三維區(qū)域生長對氣管樹進(jìn)行精細(xì)分割。程遠(yuǎn)熊等定義的管狀結(jié)構(gòu)特征為

(1)

式中，λ1、λ2以及λ3分別為Hessian矩陣的3個特征值。

依據(jù)Hessian矩陣特征值與三維圖像特征對應(yīng)關(guān)系可知，若一個像素點屬于氣管區(qū)域，則對應(yīng)的Hessian矩陣?yán)硐胩卣髦店P(guān)系為0←λ1?λ2≈λ3。即特征值λ1、λ2以及λ3的大小都應(yīng)大于零，并且應(yīng)滿足λ1趨近于零而λ2約等于λ3，同時λ2與λ3又遠(yuǎn)大于λ1。程遠(yuǎn)熊等利用了上述理論，通過Hessian矩陣特征值的大小關(guān)系判斷像素點是否屬于氣管區(qū)域，然后通過閾值常數(shù)δ2剔除偽氣管區(qū)域。該分割方法雖然運用了氣管的管狀結(jié)構(gòu)特征，但特征判斷公式較為單一，閾值常數(shù)δ2對檢測結(jié)果影響較大，δ2取值過小則檢出的氣管區(qū)域?qū)p少，反之則假陽性率將上升。此外，由于利用了像素點的二階導(dǎo)數(shù)信息，基于Hessian矩陣分析的肺部氣管分割方法往往對圖像中的噪聲較為敏感。同時利用基于高斯濾波的多尺度Hessian矩陣分析方法，會造成氣管壁模糊，使得細(xì)小氣管腔內(nèi)與氣管壁的對比度下降，從而導(dǎo)致部分細(xì)小氣管被漏檢。因此，針對上述問題，Bauer等在文獻(xiàn)[43]與文獻(xiàn)[44]中提出了改進(jìn)方法。Bauer等的主要分割思想是將氣管整體看作連通的管狀結(jié)構(gòu)，采用Krissian等提出的管狀區(qū)域檢測方法[45]，對潛在的肺部氣管區(qū)域進(jìn)行提取。文獻(xiàn)[43]與文獻(xiàn)[44]的共同之處在于，Bauer等均采用了Krissian等在文獻(xiàn)[45]中提出的管狀結(jié)構(gòu)檢測算法。該檢測算法利用像素點Hessian矩陣的特征值與特征向量，構(gòu)建出以該像素點為圓心的一系列圓周點，然后通過插值計算求出對應(yīng)圓周點的平均響應(yīng)值，并以此作為該像素點的響應(yīng)值。最后通過多尺度分析，取該像素點在多尺度空間中的最大響應(yīng)值，以此判定該像素點是否屬于氣管區(qū)域。Krissian等提出的管狀結(jié)構(gòu)檢測算子為

(2)

式中：I表示原始圖像，R+(x,σ,θ)表示點x在尺度σ下的管狀響應(yīng)值；bi表示在尺度σ下第i個圓周點在x+θσVai處的響應(yīng)值，其中θ為尺度σ與檢測半徑的比例值；bi表示該點屬于邊界點的可能性大小，即該點屬于氣管壁區(qū)域的可能性大?。籚ai=cos(ai)V1+sin(ai)V2表示第i個圓周點對應(yīng)的旋轉(zhuǎn)相量(rotating phasor)，用于估算圓周點的位置；V1和V2分別表示Hessian矩陣主曲率方向?qū)?yīng)的兩個特征向量，對應(yīng)的特征值關(guān)系為|λ1|>|λ2|。αi=2πi/N代表第i個圓周點的離散相量角，其中N=[2πσ+1]表示離散圓周點的個數(shù)。

文獻(xiàn)[43]與文獻(xiàn)[44]的不同之處在于，文獻(xiàn)[43]中Bauer等直接將結(jié)構(gòu)檢測算子運用于原始CT圖像，從而獲取潛在管狀結(jié)構(gòu)，然后提取出管狀結(jié)構(gòu)區(qū)域的中軸線。最后以中軸線為基礎(chǔ)，通過角度與半徑限制連接各氣管分枝，從而獲取最終的氣管樹。在文獻(xiàn)[44]中，為了解決高斯濾波在多尺度分析中存在的問題，Bauer等首先利用梯度矢量流(gradient vector flow，GVF)的方法[46]獲取氣管壁的GVF幅值場，然后再將管狀結(jié)構(gòu)檢測算子運用于GVF幅值場，從而獲取潛在的氣管區(qū)域，之后潛在氣管區(qū)域的中軸線被提取。最后以中軸線為基礎(chǔ)，Bauer等提出了反向追蹤GVF幅值場的方法分割氣管。在GVF幅值場中氣管壁區(qū)域的幅值最大，向氣管中心與背景區(qū)域延伸的過程中幅值逐漸減少，最后趨近于零。因此可利用GVF場的幅值由氣管中心區(qū)域向氣管壁區(qū)域遞增的特性，從中軸線上的像素點開始，逐步納入像素點，從而獲取最終的氣管樹。同時在GVF幅值場中，不同尺度大小的氣管壁梯度幅值，在指向氣管中心區(qū)域的方向上都得到了延伸。因此可用GVF幅值場代替基于高斯濾波的多尺度分析過程，避免了高斯濾波帶來的邊界模糊，同時也消除了噪聲的影響。文獻(xiàn)[44]中的方法較文獻(xiàn)[43]中的方法，平均氣管分枝數(shù)由146.8上升至152.1，而假陽性率由2.44%下降至1.44%。通過對比分析可知，管狀結(jié)構(gòu)檢測算子主要利用了氣管壁的平均梯度信息，受氣管壁斷裂的影響較小，所以兩個方法均取得了較好的分割結(jié)果。但原始圖像中的噪聲會對管狀結(jié)構(gòu)算子的檢測精度造成影響，造成假陽性率上升，同時高斯濾波也會造成細(xì)小氣管被漏檢。因此，文獻(xiàn)[44]中Bauer等利用GVF算子有效減少了噪聲與高斯模糊的影響，從而取得了更好的分割結(jié)果。

不同于采用Hessian矩陣分析高階信息的方法，Graham等[47]以及李艷波等[48]將分析重點側(cè)重于氣管影像的二維形狀結(jié)構(gòu)特征。該類方法依舊采用三維區(qū)域生長方法獲取主支氣管，并對原始CT圖像利用閾值法獲取包含細(xì)小氣管的初始區(qū)域I，然后通過判定函數(shù)f(Ai)篩選氣管區(qū)域。最后選取由f(Ai)函數(shù)得到的潛在氣管區(qū)域的3層連續(xù)切層{Ai-1,Ai,Ai+1}，計算由每層氣管區(qū)域質(zhì)心組成的回歸線。接著分別將3個切層中潛在的氣管區(qū)域投影至回歸線的法平面，依據(jù)3個投影的區(qū)域重合度以及中心重合度對潛在氣管進(jìn)行篩選，并最終將提取篩選出的細(xì)小氣管與主支氣管結(jié)合，從而得到最終的氣管樹。用于確定潛在氣管區(qū)域函數(shù)f(Ai)的公式為

(I(x,y,zj)≤-600)

(3)

式中，f(Ai)為判斷函數(shù)，I(x,y,zj)代表第j層CT圖像中點(x,y,zj)處的CT值，Ai表示第j層CT圖像中第i個四連通區(qū)域，而?Ai與|Ai|則分別表示第i個四連通區(qū)域的邊界與像素點數(shù)目。

式(3)通過判斷連通域邊界最小CT值與連通域平均CT值的差值大小，篩選出潛在氣管區(qū)域。若f(Ai)>0，則將此四連通區(qū)域判定為有效的潛在氣管區(qū)域。該方法雖然利用了氣管區(qū)域的局部灰度、形狀以及中心點特征，進(jìn)一步提高了氣管的分割效果，但計算量較大，并且若細(xì)小氣管壁斷裂，細(xì)小氣管區(qū)域?qū)o法通過閾值法與肺實質(zhì)有效的分離，從而導(dǎo)致f(Ai)函數(shù)無法提取細(xì)小氣管區(qū)域。

基于Hessian矩陣與局部圖像特征的分割方法，都是在圖像域中對肺部氣管進(jìn)行提取與分割。而Pu等[49]則采用了一種新穎的方式對肺部氣管進(jìn)行分割。與傳統(tǒng)方法的不同之處在于，Pu等將氣管分割問題轉(zhuǎn)換到了幾何空間域，通過分析不同組織結(jié)構(gòu)的幾何特性對肺部氣管樹進(jìn)行分割。該方法首先通過移動立方體法(marching cubes algorithm)構(gòu)建肺部的幾何結(jié)構(gòu)模型，即將肺部組織器官轉(zhuǎn)化為三角面片結(jié)構(gòu)，然后通過計算各三角面片頂點的主曲率和主方向，從肺部幾何結(jié)構(gòu)模型中篩選出氣管區(qū)域。該方法不需要追蹤氣管路徑，幾乎不受氣管壁斷裂以及氣管內(nèi)腔連通性的影響。同時只需設(shè)置多個等值面提取閾值，便能構(gòu)建出不同尺度大小的氣管幾何結(jié)構(gòu)模型，所以該方法發(fā)生分割泄漏的情況極少。但從分割結(jié)果可看出，氣管分枝之間存在較明顯的斷裂，分枝間的連通性較差。

基于管狀結(jié)構(gòu)分析的方法主要利用了氣管的局部結(jié)構(gòu)特征與幾何特征，因此較以往的方法具有更好的適用性，能夠依據(jù)分割案例的實際管狀結(jié)構(gòu)對氣管進(jìn)行分割。與傳統(tǒng)的方法相比，適應(yīng)性更強，發(fā)生泄漏的情況更少，同時檢測出的氣管分枝數(shù)也進(jìn)一步提高了。但在圖像分辨率較低，噪聲較多的分割案例中，該類方法會導(dǎo)致部分細(xì)小氣管被漏檢，并且只利用幾何結(jié)構(gòu)特征對氣管樹進(jìn)行分割，容易造成氣管分枝間的斷裂。圖3列舉了文獻(xiàn)[44]與文獻(xiàn)[49]中所獲取的部分分割結(jié)果。

圖3 基于管狀結(jié)構(gòu)檢測方法獲取的肺部氣管樹分割結(jié)果。(a)文獻(xiàn)[44]中的實驗結(jié)果；(b)文獻(xiàn)[49]中的實驗結(jié)果Fig.3 The results obtained by using the method based on detection of tube structure. (a) The result in Ref[44]；(b)The result in Ref [49]

1.3 基于機器學(xué)習(xí)的方法

基于機器學(xué)習(xí)的肺部氣管樹分割方法是近年來的研究重點，也是目前為止肺部氣管分割效果最好，假陽性率最低的分割方法。研究者主要利用氣管的結(jié)構(gòu)以及灰度等特征，將機器學(xué)習(xí)的方法運用于氣管分割步驟或者泄漏消除步驟。具有代表性的方法為Lo等在文獻(xiàn)[50]中提出的方法。該方法首先利用三維區(qū)域生長獲取未泄漏與發(fā)生泄漏的分割結(jié)果，然后將兩個結(jié)果用于訓(xùn)練K最鄰近分類器(k-nearest neighbor，KNN)[51]。同時采用多尺度Hessian矩陣分析提取分割案例的氣管樹及血管樹軸向方向。最后依據(jù)局部氣管與血管的方向差值，以及分類器的分類結(jié)果分割出最終的氣管樹。因此Lo等提出的分類函數(shù)表達(dá)式為

(4)

圖5 文獻(xiàn)[56]中，氣管分割方法與泄漏剔除方法相結(jié)合的算法示意(Ci表示通過參數(shù)調(diào)整獲取的第i個氣管樹；氣管樹中藍(lán)色部分表示氣管區(qū)域，紅色部分代表泄漏區(qū)域；CiΓ表示氣管樹Ci經(jīng)過泄漏剔除后得到的氣管樹，表示取氣管樹的并集)Fig.5 The overview of the method combined airway segmentation and leakage elimination method in Ref [56] (The stands for the i th airway tree obtained by varying parameters; The airway region is marked in blue and the leakage is marked in red; The is the leakage reduced segmentation, and the indicates the union of all

基于機器學(xué)習(xí)的方法因為引入了訓(xùn)練與學(xué)習(xí)的概念，使得算法能進(jìn)行自主學(xué)習(xí)，并對氣管區(qū)域與非氣管區(qū)域進(jìn)行有效地分類，進(jìn)而能夠有效地剔除分割泄漏。但用于訓(xùn)練分類器的特征以及訓(xùn)練集的選取會對分類結(jié)果造成較大的影響，并且目前還未出現(xiàn)特征選取與優(yōu)化問題對氣管分割結(jié)果影響的文獻(xiàn)和報道。同時，利用機器學(xué)習(xí)方法獲取的分割結(jié)果，雖然有最低的假陽性率，但檢測出的氣管分枝數(shù)與氣管長度還有待進(jìn)一步提升。

2 總結(jié)與展望

筆者依據(jù)主要技術(shù)路線，對國內(nèi)外的氣管樹分割方法進(jìn)形了總結(jié)和歸納。為了更好地突出各方法的特性，在表1中進(jìn)一步列舉并對比了部分具有代表性的方法。

表1代表方法信息統(tǒng)計

Tab.1Summaryandcomparisonofseveralairwaysegmentationmethod

作者案例數(shù)采用方法分割結(jié)果Kitasaka [17]3ROI劃分區(qū)域生長6級氣管Schlathoelter[40]1前向傳播法25%的6級氣管Bartz [41]22區(qū)域生長前向傳播法模板匹配法敏感性85%(5級氣管)敏感性58%(6級氣管)陽性率90%以上Aykac [25]8區(qū)域生長形態(tài)學(xué)重建閉空間膨脹最高檢測出10級氣管全部檢測出7級氣管Tschirren [34]22ROI劃分模糊連接度敏感性76.5%Pu [49]75微分幾何法最高分割至11級氣管Lo [50]15機器學(xué)習(xí)區(qū)域生長平均分枝數(shù)12351.2%探測率Meng [52]50管狀檢測SVM圖割法平均探測率為79.1%

從表1中可看出，各方法采用不同的評價指標(biāo)對分割結(jié)果進(jìn)行了定量分析，其中主要包括氣管分枝數(shù)、氣管級數(shù)、敏感性以及假陽性率等指標(biāo)。因為氣管解剖結(jié)構(gòu)復(fù)雜，分枝數(shù)眾多，手動分割的金標(biāo)準(zhǔn)難以獲取。因此，在肺部氣管分割技術(shù)的發(fā)展初期，沒有統(tǒng)一全面的評價標(biāo)準(zhǔn)。采用的實驗數(shù)據(jù)也各不相同，所以對各方法進(jìn)行定量比較是十分困難的。但值得一提的是，Lo等在2009年舉辦的EXACT09氣管分割競賽中，首次提供了20組訓(xùn)練數(shù)據(jù)以及20組測試數(shù)據(jù)用于氣管分割[57]。20組測試數(shù)據(jù)不僅涵蓋了臨床中常見的肺部疾病，用于圖像采集的參數(shù)與機器也各不相同。同時EXACT09競賽還提出了較為全面的評價指標(biāo)，包括了氣管總分枝數(shù)、氣管總長度、泄漏體積以及假陽性率。在競賽中也涌現(xiàn)出了較多的方法，這些方法以及評價指標(biāo)對后續(xù)的研究產(chǎn)生了較大的影響。通過對多年來國內(nèi)外的肺部氣管分割方法對比研究發(fā)現(xiàn)，氣管分割方法逐漸從簡單的灰度分析向管狀結(jié)構(gòu)分析方向發(fā)展，并且正在逐步地引入機器學(xué)習(xí)的方法。同時，分割結(jié)果的分枝數(shù)與氣管長度得到了大幅度提升，假陽性率也大幅度降低，而且分割結(jié)果的評價指標(biāo)也得到了完善。最后，通過總結(jié)分析發(fā)現(xiàn)，限制分割泄漏與更高的氣管探測率往往是相互矛盾的。因為嚴(yán)格的分割條件雖然限制了泄漏的發(fā)生，但也丟失了潛在的氣管區(qū)域，反之泄漏發(fā)生的概率又將加大。因此，如何在保證假陽性率較低的基礎(chǔ)上，進(jìn)一步提升氣管樹的分割效果，成為了制約肺部氣管樹分割技術(shù)發(fā)展的瓶頸。

基于上述分析可以發(fā)現(xiàn)，傳統(tǒng)的分割思想在分割過程中兼顧氣管分割與泄漏檢測，即在氣管分割過程中同時檢測并防止泄漏的發(fā)生。這樣的分割思想往往會摒棄許多潛在的氣管區(qū)域，從而造成檢測出的氣管分枝數(shù)較少。Charbonnier等利用基于卷積神經(jīng)網(wǎng)絡(luò)的方法，對EXACT09的參賽結(jié)果進(jìn)行泄漏檢測和消除[56]。實驗結(jié)果表明，該方法能夠很好地消除各種類型的泄漏，大大降低了分割結(jié)果的假陽性率。實驗證明，泄漏剔除方法可以獨立于氣管分割方法，且將氣管分割方法與獨立的泄漏剔除方法相結(jié)合，先進(jìn)行氣管分割再進(jìn)行泄漏剔除，能夠在降低假陽性率的同時，使氣管的分割效果進(jìn)一步提高。文獻(xiàn)[56]中泄漏剔除算法的效果如圖6所示。

圖6 文獻(xiàn)[56]中泄漏剔除算法的效果。(a)分割發(fā)生大量泄漏的結(jié)果；(b)剔除泄漏后的氣管樹，紅色箭頭指向區(qū)域?qū)?yīng)(a)中的泄漏區(qū)域Fig.6 The result obtained by using the leakage elimination method in Ref [56]. (a) The leakages in a given airway segmentation; (b) The leakage reduced result, in which the red arrows indicate the corresponding leakages in (a)

因此后續(xù)的氣管分割方法，可以將氣管分割與泄漏檢測劃分為兩個相互獨立的步驟，然后將兩個獨立的方法進(jìn)行結(jié)合。即在氣管分割步驟中盡可能多地分割出潛在的氣管區(qū)域，然后再通過泄漏剔除算法對分割步驟中產(chǎn)生的泄漏進(jìn)行消除，從而進(jìn)一步提升肺部氣管分割算法的效果。此外，上述分割思想還能適用于低劑量CT的氣管分割。在低劑量CT圖像中噪聲較多且分辨率低，傳統(tǒng)的方法很難在保證敏感性的同時防止泄漏。因此采用上述分割思想，即便在分割步驟中產(chǎn)生了如圖6所示的大量泄漏，泄漏剔除步驟也會將大部分典型的泄漏清除。綜上所述，該分割思想保證了敏感性的同時，也降低了分割結(jié)果的假陽性率，且能夠適用于各類臨床數(shù)據(jù)。

此外，為進(jìn)一步發(fā)展肺部氣管分割技術(shù)，還可結(jié)合以下領(lǐng)域進(jìn)行研究：一是結(jié)合血管分割領(lǐng)域的方法，將新的管狀結(jié)構(gòu)提取與增強方法運用于氣管分割；二是將深度學(xué)習(xí)進(jìn)一步運用于氣管的分割和泄漏檢測步驟中，同時研究氣管特征的提取以及特征的篩選與優(yōu)化，從而進(jìn)一步提高分類結(jié)果的準(zhǔn)確性；三是建立肺部氣管樹金標(biāo)準(zhǔn)數(shù)據(jù)庫，為比較研究氣管分割方法提供便利。