第1章 绪论
1.1研究的背景及意义
纵观人类医学的发展史，几个世纪以来它的发展微乎其微，人类对自身的了解止步于解剖。解剖过程不仅缓慢而缺乏效率，而且需要冲破封建礼教的枷锁。1895年，伦琴发现X射线，这一发现有效的推动了人类医学的发展。在接下来的一个世纪中，各种各样的电子影像系统相继出现：计算机断层扫描（Computed Tomography，CT）、螺旋CT、64双排CT、以及双源CT。CT图像的原理和X射线图像的原理是一致的，X射线穿透物体后其强度将会衰减，密度越大的物体对X射线的衰减越大，这一衰减服从Lambert-Beer定律[1]。基于这一原理所得到的X射线图像有着分辨物体密度的能力。X射线图像中物体间的对比度不是很高，它得到的图像并不清晰。对X射线图像使用卷积核进行对比度校准，就得到了CT图像。CT图像具有较高的对比度，可以很清晰地分辨其中的物体，使得医学工作者可以深入而细致地了解人体的各个组织和器官。虽然医学工作者从现有的CT成像设备中获取了大量的图像信息，但是他们和这些宝贵的图像信息之间存在着巨大的鸿沟。一方面，由于人体器官结构的复杂性和形态大小的多变性，以及病灶位置、形态、大小的不可知性，所获取图像的数量和信息量远远不是人工可以处理的。而且如果没有相关知识以及实践经验，这些CT图像很难被读懂，更无法去分析和定位器官以及病灶。为了提高检测的准确性，越来越多的医学工作者将连续的CT图像放在一起进行分析，连续的CT图像（三维CT图像）的信息量呈指数级增长，仅凭医生在头脑中构想器官的位置以及邻近组织的状态是十分困难的。随着技术的发展，CT图像的数量和分辨率急剧增长，医学工作者如何从海量的图像信息中迅速、准确地定位所需的器官并进行分析成为了当代医学亟待解决的问题。而且由于医学工作者个体所受训练程度的不同，人工定位、分割器官的误差非常大。因此，研究计算机辅助医疗（Computer-aided diagnosis，CAD），使用计算机对海量的图像信息进行预处理，使之易于临床应用，有着极其重要的意义。
...........
1.2线状结构检测研究现状分析
CT图像中的线状结构检测是CAD系统中不可或缺的一部分，而且完整的线状结构检测极具挑战性，吸引了众多的研究者，提出了近千种的检测算法。本章从算法的设计要素入手，以算法构造的角度来分析算法的研究现状。线状结构检测算法有三个设计要素[3]：外观和几何模型、线状结构特征以及检测方案。外观和几何模型对应着目标线状结构的先验知识；线状结构特征是对线状结构的度量；检测方案是算法的核心，描述了特征如何引导模型的构建，以及模型如何优化，进而检测线状结构的过程。外观模型采用目标物体的灰度特征作为先验知识来构建模型。根据目标物体的不同，可以将外观模型细分为：线状结构模型、对比模型（线状结构+背景）以及干扰模型（噪音+点扩散）。
.........
第2章CT图像相关知识及量化标准
2.1引言
随着CT成像技术以及计算机技术的迅猛发展，它们之间相互融合的态势不可遏制。CT成像技术的发展，使得CT图像所蕴含的信息量越来越庞大，对CT图像辅助分析的需求也越来越大，这一需求促使计算机技术快速地融入到CT成像技术中来，并进一步地促进CT成像技术朝着细致化清晰化的方向发展。由于CT成像技术和计算机技术的相互融合，它们之间很多定义、概念和参数都是近似的。为了更好地了解CT图像，研究出更准确更实用的计算机辅助分析算法，需要了解CT成像和计算机之间的相关知识。因此，本章从CT图像的相关知识开始，简要地介绍了CT成像技术和计算机技术之间的相关性，以及CT图像在计算机中进行处理时所用到的相关概念。最后，本章系统地介绍算法的量化分析标准。
.........
2.2 CT图像相关知识
CT图像的拍摄过程可以大致分为三步：首先使用X射线管发射的X射线束，对人体的某一部位一定厚度的区域进行扫描。这也是CT称之为断层扫描的原因。然后由探测器对穿过该区域的X射线进行收集，并将收集到的信号转换为可见光；最后将可见光信号转换为电信号，再经由模拟/数字转换器（Analog/digital converter）转换为数字信号进行存储。这样多个“一定厚度区域”的扫描结果组成了CT图像。虽然单个“一定厚度区域”的扫描结果也可以称为CT图像，但是目前临床上逐渐将淘汰了这种单个的CT图像。因此，本文将多个扫描结果所组成的三维数字矩阵认作是CT图像。三维的数字矩阵由若干个大小相同的长方体组成，这里的长方体称为体素（Voxel）。体素即为CT图像最基本的存储单位。X射线穿过人体时会发生衰减，不同组织所造成的衰减不同，而且组织越厚衰减越大。该衰减规律服从Lambert-Beer定律。每个体素记录着X射线穿过人体的衰减系数，该衰减系数代表着人体某一部分的组织及其厚度信息。体素按一定顺序排列，组成的三维矩阵即为CT图像。从某种意义上来说，CT图像本身就是重建图像。
........
第3章 三维完整中心线自动检测与量化....... 29
3.1引言....... 29
3.2提取初始中心线..... 30
3.3中心线优化修复..... 34
3.4中心线检测结果量化分析....... 39
3.4.1模拟数据集...... 39
3.4.2腹部肝脏动脉CT图像...... 42
3.4.3胸腔肺气管CT图像......... 44
3.5本章小结........ 47
第4章 基于限制主动轮廓模型的线状结构精确检测与量化..... 48
4.1引言....... 48
4.2线状结构中心线的跟踪算法.... 50
4.3线状结构检测......... 57
4.3.6 B样条主动轮廓模型的具现化........... 67
4.4线状结构量化分析.......... 67
4.4.1来自合作单位的数据........ 68
4.4.2公开数据源...... 73
4.5本章小结........ 76
第5章 基于Patch的异常线状结构检测与量化....... 78
5.1引言....... 78
5.2不完备的训练集..... 80
5.3中心线检测.... 81
5.3.1外观模型.......... 82
5.3.2基于最短路径的中心线修复...... 84
5.4基于Patch的线状结构重建..... 86
5.5结果量化分析......... 91
5.6本章小结........ 99
第5章 基于Patch的异常线状结构检测与量化
5.1引言
在第四章的结尾，本文提到了一种异常的线状结构：病理狭窄。这种异常的线状结构多出现于病理区域，严重影响了线状结构的检测。而病理区域的线状结构对病情的诊断有着极为重要的意义，往往掌握了这些异常线状结构的具体信息，就了解了病情，就能准确地进行诊断并采取相应的措施。首先介绍几类异常的线状结构。通过上面的描述，可以知道：异常线状结构已经丧失了部分或全部的线状结构特征，其形状、大小、对比度等等或多或少已经无法使用，基于模型或特征的算法已经失效。针对上述情况，本章提出了一个基于Patch相似度的算法对这些异常线状结构进行检测，其中Patch为三维图像中目标点的邻域，这个邻域通常是以目标点为中心的立方体。该算法分两步：首先，训练一个基于相似度的分类器进行中心线检测，该中心线检测算法可以检测到异常线状结构；然后，构建先验知识Patch库，和中心线附近的目标区域（目标点的集合）进行比对，从而判断目标区域是否为线状结构。
..........
结 论
本文以特殊情况下的线状结构为研究对象，针对线状结构检测不完全、检测精度不高等问题，对线状结构不完整、边缘定位不准、异常结构无法检测等情况，进行分析建模，构造出一系列检测修复算法，并对检测结果进行了量化对比分析，取得了以下成果：
（1）实现了完整中心线的检测。针对一般中心线检测不完整问题，提出了基于平滑度的优化修复算法，通过分析断裂中心线间的相互关系，构造了修复可能性的优化算法；针对细小线状结构的中心线检测不完整问题，提出了多尺度跟踪检测算法，通过分析线状结构的连通性，设计了多层次的跟踪方式；针对异常线状结构中心线无法检测的问题，提出了多特征融合的外观模型，通过尽可能详细的特征描述，寻找异常线状结构的中心线。
（2）实现了细小线状结构的精确检测。根据线状结构的几何特征以及CT图像的离散性，通过模拟CT图像成像过程，定位了精确的约束点坐标，构造了离散的线状结构约束能量函数，并通过欧拉-拉格朗日优化方法实现了约束的无缝融合，在进行精确检测的同时将算法的时间复杂度限制在可接受范围内。
（3）实现了异常线状结构的精确检测。综合分析异常线状结构无法检测的原因，构造了基于Patch隐式特征模型，避免了因为显式特征丢失而造成的漏检和误检。使用约束线性回归思想对Patch比对算法进行改进，极大地降低了算法的时间复杂度，提高了检测算法的实用性。
（4）实现了不同情况下的线状结构量化分析。使用不同的量化标准，从不同角度对本文算法的结果进行量化。在量化本文算法结果的同时，对目前较为先进的检测算法进行量化，通过对比量化结果，验证了本文算法的准确性、实用性以及优越性。
...........
参考文献(略)