随着社会的快速发展和生活方式的深刻变化,各种血管疾病呈现多发上升态势，它们不仅具有很高的致死率，而且易引发各种严重的并发症，成为影响人们健康的主要病因之一。在我国，血管病患者多达2.9亿，每年因心脑血管疾病死亡的人数将近千万。为了预防和降低疾病的发生，必须在医学影像中有效地提取血管信息，通过血管解剖结构判断其是否存在堵塞、血栓及内膜增生等情况，并据此指定血管的介入治疗、制定手术计划和手术精确导航等临床应用，提高血管疾病诊断的精确性和可靠性。因此，准确的血管提取具有十分重要的临床应用价值。

　　近日，苏州医工所医学影像室杨晓冬研究员课题组的王雷等人提出了一种准确的基于多特征活动轮廓模型的血管提取算法：首先运用正交滤波算法对临床图像进行增强处理以凸显血管所在区域和血管边界；然后对增强结果进行正则化并将其作为一种不同于原始图像的特征图像，最后将原始图像和特征图像作为两个互不相关的随机变量引入活动轮廓模型中，指导血管的提取。

　　该算法与经典的CV模型，RSF模型以及LGDF模型进行试验对比，同时采用公认的标准图像数据STAR（STructured Analysis of the Retina）进行血管提取实验。实验表明：该算法能够提取不同粗细的血管，同时达到较高的血管分割精度和鲁棒性；运用统计分析软件SPSS 21.0 (SPSS Inc., Chicago, IL, USA)对几种模型的分割结果进行配对T-test验证，分析结果显示，该算法明显优于其他三种血管提取算法。相关的定量分析与对比结果发表在PLOS ONE上：

　　Lei Wang, Huimao Zhang, Kan He, Yan Chang, Xiaodong Yang. Active Contours Driven by Multi-Feature Gaussian Distribution Fitting Energy with Application to Vessel Segmentation. PLoS ONE 10(11): e0143105. doi:10.1371/journal.pone.0143105。

　　文章链接：

　　http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0143105



　　图 1. 本文算法结果与手工分割间的对比：第一列为随机选取的三幅视网膜图像，图中红色曲线为算法提取的血管轮廓，第二列为原图对应的手工分割结果，可以看出算法结果基本与手工分割的轮廓相重合。

　

　　图 2，四种不同算法的血管提取结果：（A）— (D)分别对应CV，RSF，LGDF，及本文所提出算法的分割结果，它们的分割结果用红色曲线表示，它们对应的手工分割用蓝色曲线表示。黑色圆环显示，本文所提算法具有最优的分割性能。