利用最大后验分类对Willis环前循环进行解剖标记

### 利用最大后验分类对 Willis 环前循环进行解剖标记 在医学研究中，对 Willis 环动脉进行自动化解剖标记具有重要意义，它有助于发现血管病变发展的几何风险因素。本文将详细介绍一种基于最大后验分类的方法，用于对 Willis 环前部血管进行解剖标记。 #### 1. 引言 Willis 环是连接大脑前循环和后循环的脑血管环，其分叉处是动脉瘤形成的常见部位。分析这些血管和分叉的统计特征变化，有助于识别血管病变的几何风险因素。而在不同受试者之间进行血管比较和配准，需要进行地标匹配和解剖标记，手动完成这些任务既繁琐又耗时，因此自动化处理至关重要。 本文聚焦于 Willis 环前部的解剖标记，该部分由颈内动脉（ICA）、大脑中动脉（MCA）和大脑前动脉（ACA）三条主要血管组成，约 80%的动脉瘤发生在这些血管上。我们关注的是 ICA 与眼动脉（OA）、后交通动脉（PcoA）、前脉络膜动脉（AchA）的分叉，ICA 终末分叉，以及 MCA 的主要分叉（将 MCA - M1 和 MCA - M2 段分开），这些分叉被称为感兴趣分叉（BoI）。 目前，血管解剖标记的相关研究较少。以往的方法，如用于气道树和支气管分支标记的方法，由于脑血管的特殊性（血管更长、更弯曲，分叉更复杂），难以直接应用于脑血管标记。Bogunović 等人虽展示了使用支持向量机（SVM）对 ICA 终末分叉进行分类，但仅检测单个分叉，未考虑树的属性。 #### 2. 方法 ##### 2.1 血管树提取与特征表征 - **血管树提取**：从 3D 图像中全自动分割脑血管，使用名为测地线活动区域（GAR）的几何可变形模型。对分割后的血管进行基于塌缩前沿的快速拓扑细化，以获得血管树的大致拓扑结构。由于图像采集噪声和分割不准确，提取的拓扑可能形成包含循环的连通图，而非树，但图的端点对应血管树的根和末端叶。将最低轴向平面上半径最大的端点作为根，对应进入视野的 ICA。通过沿最小成本路径从端点向根回溯，使用开源库 VMTK 中的方法获得准确的中心线，这些中心线形成有根树，边的方向与血流方向一致。 - **分叉特征向量**：使用 VMTK 中的 Antiga 方法对每个分叉进行特征表征，该方法基于客观标准定义分叉的起源和分叉向量。选择以下特征来量化分叉的几何形状，形成 21 维、尺度不变的分叉特征向量： - 分叉平面法向量的矢状、轴向和冠状分量（3 个）。 - 三个分叉向量的矢状、轴向和冠状分量（9 个）。 - 每对分叉向量之间的角度（3 个）。 - 每对分叉分支的平均血管半径比（3 个）。 - 每个分叉分支与树的根分支（ICA）的平均血管半径比（3 个）。 - **树特征**：为了表征提取的树，为每对分叉关联继承关系（祖先 - 后代或兄弟），并为特定分叉在树中出现的概率赋值。此外，还可以考虑分叉之间连接血管的特征，如平均长度、曲率、扭转或曲折度。 mermaid 流程图如下： ```mermaid graph LR A[3D 图像] --> B[GAR 分割] B --> C[拓扑细化] C --> D[确定根] D --> E[中心线提取] E --> F[分叉特征提取] F --> G[树特征表征] ``` ##### 2.2 分叉分类