基于CT图像的肾动脉供血区域分割文献综述

文献综述（或调研报告）：

本课题重点在于估计有助于识别供养肿瘤的血管的每条肾动脉的主要区域为医生手术提供诊断。医生参考计算机诊断信息指定手术计划，以确定加紧血管的选择。

首先，对于电脑辅助诊断技术的可行性和准确性已经有诸多研究证明其可靠，尤其是临床研究中。Ukimura等[1]学者对4名患者进行了肾部分切除手术，手术中采用了三维导航重建，人工分割肿瘤，该方法通过阈值发提取肾脏表面，用简单的区域生长法分割肾动脉。此外，Komai和Isotani等等[2,3]学者采用了Vincent软件对手术血管钳位进行了计算机辅助分析，该方法采用半自动区域生长算法提取肾脏，应用多相位信息人脸检测技术分割肾动脉，然后对于已分割的肾脏和肾动脉采用Voronoi图算法估计血管的供血区域。

值得一提的是，在文献[2]中，为了评估虚拟部分肾切除术分析的可行性和准确性，研究者使用了彩色编码的三维虚拟手术计划和定量功能分析，以预测机器人辅助部分肾切除术的手术结果。倚靠临床病例，在2012年至2014年之间，有20位患者在接受机器人辅助部分肾切除术之前接受了虚拟部分肾切除术分析。通过以下步骤进行虚拟部分肾切除术分析：（i）通过显示血管提供的面积评估动脉支的选择性钳夹； （ii）在精确分割的三维模型中模拟最佳手术切缘，以预测收集系统的开放； （iii）根据容量变化进行详细的容量分析和术后肾功能评估。手术中，外科医生根据虚拟部分肾切除术分析确定了目标动脉，并确定了手术边缘。研究比较了虚拟部分肾切除术分析与实际机器人辅助部分肾切除术之间的手术效果。从研究结果来看，所有病例通过彩色编码的三维模型可视化显示了肿瘤特异性的肾动脉供血区，直观地证明了该技术能够提供肿瘤特异性肾动脉供应的识别，将各种动脉夹紧方法和切除切缘与手术结果进行比较。

但是，上诉研究专注于临床病例的CAD的可行性和PN手术的准确性，并非工程研究。精确估计肾血管供血区域有助于手术精确度的提高，准确判断血管钳位辅助手术计划制定对于肾脏手术起了至关重要的作用。而判断肾动脉供血主要区域我们的核心算法是Voronoi图算法，而该算法实现的前提是肾脏和肾动脉的精准分割。

对于器官的分割技术已经有了很多研究。统计模型算法分割腹部器官包括利用椭圆形候选区域定位肾脏[4]、依靠先验形状模型从统计图谱分割肾脏[5]以及使用图谱信息的可变性统计形状模型[6]都被提出实现。此外，混合方法也被提出，包括带椭球形状约束的水平集方法[7]、可变形统计形状模型和强度模型综合使用[8]等等。除了上述方法，图形模型也被广泛应用于器官分割，而近年来，机器学习技术也被应用于该领域，尤其是随机森林算法[9]、支持向量机算法[10,11]等，在肺部、胰腺、肝脏、头颈部、乳房x光片、肾脏等部位已经取得了许多最先进的检查结果。

此外，肾动脉分割技术也在不断进步，与上述肾脏分不同，肾动脉的对比度较低，这使得分割比肾脏分割更复杂。最早的研究中，基于 hessian 的血管增强滤波器[12,13]已广泛应用于管状结构分割，但是对于对比度低的细小血管难以取得较好的分割结果。近几年，深度学习技术被引用到了肾动脉分割上，研究[14,15,16]最先应用于视网膜血管上，其研究结果展现了深度学习技术在血管分割方面极高的潜力。

有了已分割的肾脏和肾动脉数据，依靠Voronoi图来估计肾动脉的主要供血区域。Voronoi图是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。N个在平面上有区别的点，按照最邻近原则划分平面，每个点与它的最近邻区域相关联。生成Voronoi图的算法有很多，包括有名的有分治算法，扫描线算法，增量法等，在此，我们选用Delaunay三角剖分生成Voronoi图的算法，该算法是Voronoi图生成算法中是最快的。Delaunay三角形是由与相邻Voronoi多边形共享一条边的相关点连接而成的三角形。Delaunay三角形的外接圆圆心是与三角形相关的Voronoi多边形的一个顶点。在本研究中，主要是在三维空间中对Voronoi图的应用。

对于Voronoi图的三维应用，已在多个领域有所实现。事实上，自19世纪以来，Voronoi图在理解空间模式和特定现象的显示方面得到了普及，它们被用于绘制伦敦霍乱疫情的地图。后来，该方法在多个领域展现了其可靠性和广泛的适用性，例如，在三维地球信息收集系统中，使用该算法可以更好地规划安保摄像机的放置方式，即人们通过Voronoi计算来优化需要放置摄像头的位置，以便其通过镜头更完整地捕获三维空间收集信息，然后通过摄像机的位置进行测试，这可以衡量算法在多大程度上定义了用于观察的Voronoi空间[17]。除此以外，Voronoi图还被用于可视化其他连续性空间数据，包括3D数据，这些数据的传统处理方法主要是空间自相关和核密度方法等。在研究示例中这些Voronoi图算法有助于表明犯罪集中在哪里，根据这些信息，有效了帮助了警察选择在哪些城市环境中的特定社区重点巡逻，警务工作可以获得最大的回报和效率[18]。在其他情况下，Voronoi有助于区分人类活动的空间。例如，使用火车站作为点，这些车站内的活动密度产生一个空间，该空间具有给定的权重，然后用于定义相对于其他周边区域存在通勤交通的区域[19]。Voronoi图广泛的应用领域表明，这类长期存在的方法将继续得到发展以改进它们的实现与计算，特别是对于复杂的空间和几何图形。

参考文献：