基于层级血管树的肝脏分段方法

摘要：针对经典肝脏功能性分段方法对门静脉血管数据的敏感性，结合Couinaud肝脏分段理论和门静脉分布特征，提出了基于层级血管树的肝脏分段方法。首先，对腹腔CT数据进行肝脏分割、血管提取和骨架化；接着，统计分析血管树分支半径，确定二级子树集合，按照供血区域对二级子树进行聚类完成对二级子树的归类划分；进而，采用最短距离归类算法划分肝脏，得到各个肝段；最后，运用三维可视化方法展现肝脏内部的解剖结构，并进行肝段诠析，提取临床感兴趣信息。实验结果表明：该方法对分支较多、结构较复杂的血管树可以取得较好的分级效果，考虑了大部分二级分支的供血作用，分割得到的肝段分布和属性信息也符合Couinaud肝段分割理论。

关键词：腹腔CT图像；层级血管树；肝脏分段；诠析；三维可视化

中图分类号：TP391.41

文献标志码：A

0引言

作为肝脏手术的两种重要方式，肝脏切除和肝脏移植是临床治疗肝癌的重要手段，然而肝脏解剖结构复杂，存在门静脉、胆管和肝静脉等多套管道系统，而且各种管道的变异比较常见。Couinaud分段理论[1]以肝脏Glisson系统为基础，按照肝脏的供血系统的不同供血分支将肝脏划分为相互作用很小的若干肝段，完成肝脏的功能性解剖。肝段的空间分布结合病灶信息可以为术前提供支持，降低手术风险。

Oliveira等[2]以门静脉和肝静脉为基础构建四个平面对肝脏进行分段，该方法是一种典型的平面切割方法，但没有考虑血管的变异给平面选择带来的影响，并且忽略了肝段间的分界应为曲面[3]；Selle等[4]提出通过计算不同血管分支的最近邻域来实现肝脏分段，该方法的血管各级间比例参数是预先设置的，并且缺少必要的交互，血管局部变异等异常情况可能会影响分级结果的准确性；Schenk等[5]采用拉普拉斯模型对血管分支进行空间划分并实现肝脏的分段，该方法计算量较大，很难满足实时性的要求；Huang等[6]提出了一种基于投影的快速划分方法，该方法首先以肝静脉空间分布构建投影平面，并以特定血管在投影平面的投影为界将投影平面划分成不同映射区域来对肝脏进行划分，该方法快速效率高，但是没有突出功能性分段的思想；万少朋[7]根据门静脉骨架化的三维可视化结果，交互式的标记血管树中连接两个节点的分支，以此完成血管分支的划分，并以各类分支的中心线作为目标计算肝脏空间的Voronoi图并掩模出各肝段，该方法本质上是一种功能性分段的方法，主要局限在于交互标记分支比较耗时，特别是当血管树中存在较多二级分支需要标记时，实时性很难得到满足。本文在总结现有肝脏分段方法的基础上，提出一种基于层级血管树的肝脏分段（Hierarchical Vascular Tree Segmentation， HVTS）方法，该方法根据特定图像中门静脉血管的空间分布和半径等信息，确定血管分级参数并构建层级血管树，提取出为肝脏供血的二级子树集合并进行聚类，并按照功能性分段的方法，确定每个二级子树的供血区域，即按照血管树的二级子树对肝脏数据进行分割。

1相关工作介绍

本文的相关工作包括肝脏和肝脏管道系统的分割以及血管的分析。肝脏分割和血管分析采用本课题组已有的研究成果，肝脏分割采用图割算法模型[8]从腹腔CT数据集中分割出肝脏，作为肝脏分段的预备数据。血管分析包括血管的提取、3D细化算法、骨架化等几个方面。血管分析以图结构[9]表示肝脏门静脉的拓扑结构，骨架后的血管数据以有向无环图的方式存储，边的方向即为该血管管道的血流方向。

肝脏门静脉的分支对肝脏的某一部分即该分支的影响区域进行供血，临床结果表明不同分支所影响的区域之间的相互作用很小。以门静脉的血管数据构建层级血管树，确定血管树中某一子树的影响区域，即认为这块区域是由该子树供血，完成层级血管树的构建也就确定了肝段的划分。如图1所示，HVTS分段方法主要包含层级血管树的构建、供血分支确定、肝脏体素划分以及肝段诠析四个部分。

4结语

本文在Couinaud肝脏分段理论的基础上，探讨了HVTS肝脏分段方法。该方法采用统计血管树分支半径和优化分级阈值的方式对门静脉的供血分支进行划分，避免了先验阈值的不准确性；确定二级子树集合，按照各子树的供血区域对二级子树集合进行聚类，提高了实时性；采用最短距离归类算法划分肝脏，三维展示肝脏内部的解剖结构以及肝段、血管和病灶之间的位置关系；最后对肝段进行诠析，提取临床感兴趣信息。肝脏的诠析结果具有重要意义，可帮助医生实现精确切除，既保留肝脏的功能又彻底去除病灶，大大降低了手术风险。实验表明该方法对肝脏功能性分段研究具有一定的参考意义。

HVTS分段方法基于门静脉的分布和划分，不同患者之间的分段解剖具有显著的个体差异性，因此患者术前的肝脏解剖情况的评价也会存在不同。结合DICOM图像中附带的患者信息，建立数字化肝脏知识库，挖掘出肝脏（段）、肿瘤以及血管之间更多的知识信息，也是今后的研究内容。

参考文献：

[1]COUINAUD C. The liver： anatomic and surgical studies[M]. Paris： Masson， 1957：71-118.

[2]OLIVEIRA D A B， FEITOSA R Q， CORREIA M M. Automatic Couinaud liver and veins segmentation from CT images[C]// Proceedings of Biosignals — International Conference on BioInspired Systems and Signal Processing. Funchal： [s.n.]， 2008，1：249-252.

[3]王和华， 鲍苏苏. 肝脏分段自动化实现研究现状及趋势[J]. 现代计算机：专业版，2010（5）：12-16.

[4]SELLE D， PREIM B， SCHENK A， et al. Analysis of vasculature for liver surgical planning[J]. IEEE Transactions on Medical Imaging， 2002， 21（11）：1344-1357.

[5]SCHENK A， ZIDOWITZ S， BOURQUAIN H， et al. Clinical relevance of model based computerassisted diagnosis and therapy[C]// Proceedings of SPIE 6915， Medical Imaging 2008： ComputerAided Diagnosis. Bellingham， WA： SPIE Press， 2008：691502.

[6]HUANG S， WANG B， CHENG M， et al. A fast method to segment the liver according to Couinauds classification[C]// MIMI 2007， LNCS 4987. Berlin： Springer， 2008：270-276.

[7]万少朋. 基于CT图像的肝脏分段方法研究[D]. 武汉：华中科技大学， 2009.

[8]CHEN Y， WANG Z， HU J， et al. The domain knowledge based graphcut model for liver CT segmentation[J]. Biomedical Signal Processing and Control， 2012， 7（6）： 591-598.

[9]CHEN Y， DRECHSLER K， LAURA C O， et al. A graph description and analysis framework of liver vascular system[J]. Journal of Computational Information Systems， 2011， 7（6）： 1998-2005.

[10]HAHN H K， PREIM B， SELLE D， et al. Visualization and interaction techniques for the exploration of vascular structures[C]// VIS 2001： Proceedings of the 2001 Conference on Visualization. Washington， DC： IEEE Computer Society， 2001： 395-402.

[11]ARTHUR D， VASSILVITSKII S. kmeans++： the advantages of careful seeding[C]// Proceedings of the Eighteenth Annual ACMSIAM Symposium on Discrete Algorithms. New York： ACM Press， 2007： 1027-1035.

[12]王翊，房斌，杨世忠，等.基于CT图像的肝脏解剖结构数字化重建研究[C]// 2010年全国模式识别学术会议（CCPR2010）论文集. Piscataway， NJ： IEEE Press， 2010：1105-1109.