跳过主要内容

大容量数据中任意船舶网络的可扩展鲁棒图和特征提取

抽象的

背景

3D成像技术的最新进展为研究人员提供了新的见解,并揭示了更精细和更详细的检测样本,特别是在生物医学领域,但由于数据集的快速增长,在自动分析算法的可伸缩性方面也带来了巨大的挑战。特别是,现有的船舶网络自动化分析研究并不总是考虑所提出算法的内存需求,往往对由多个体素组成的结构产生大量的伪分支。此外,这些算法通常有进一步的限制,如树形拓扑的限制或依赖于特定图像模式的属性。

结果

我们提出了一个可扩展的迭代管道(考虑到计算成本、主内存需求和鲁棒性),从任意拓扑和形状的血管网络的前景分割中提取带注释的抽象图表示。新的迭代求精过程由一个单一的、无量纲的、先验可确定的参数控制。

结论

我们可以使用所提出的管道分析商品硬件大约1 TB大约1 TB的拓扑的拓扑。我们在与现有技术相比,在表面噪声,血管形状偏差和各向异性分辨率方面展示了改进的鲁棒性。呈现的流水线的实现在卷渲染和处理引擎Voreen的5.1版中公开使用。

背景

作为生物医学成像中的重要问题之一,细分为定量和诊断等任务提供了基础[1].特别是,使用现代3D成像技术的血管网络研究已成为生物医学研究兴趣越来越受欢迎的题目[23.4567],因为二维切片分析仅限于可用数据的一小部分,无法捕获血管网络的三维结构[8].同时,通过视觉检测分析三维数据集容易出错[9].因此,对于对人类观察者不可见的数据属性进行量化的结果或新颖的见解,需要自动图像处理技术。根据不同的成像技术,模态和问题域,可以看到体素 - 明智的前景分割的产生作为用于自动处理血管网络图像的可明智的中间步骤(参见图11).然而,计算拓扑,形态或几何特征的下一步 - 在生物医学研究中应用的关键要求和超越 - 尚未接受来自研究界的充分关注[10.],大多专注于开发新的方法[11.12.13.]和软件[14.15.在分割领域。

图。1
图1

典型的血管网络三维图像处理管道。而研究领域主要集中在前景分割任务(例如,[47),本文提出了一个广泛适用的分析,基于(可能非常大的)二进制量作为输入

近年来,成像技术和程序的改进为图像提供了更高的分辨率(单位体积的体素数量),从而为更细粒度的分析提供了新的机会,但也对图像分析算法提出了新的挑战。对微细结构的分析,直至毛细管网络的水平,有很大的见解。同时,为了获得尽可能多的拓扑信息,避免体块边界的人为因素,需要对大型网络进行一次分析。现代显微镜硬件生成单个体积图像文件的数百gb甚至TBs(与硬盘驱动器容量相同的数量级)每个样本,现有的容器分析方法无法处理。技术的快速发展和数据规模的增加的问题也出现在其他领域,如细胞类型识别[16.]但是特别是在3D图像分析中按下,数据集超过商品硬件的主要存储器,也是专门的工作站。因此,对于船只网络分析管道现在和将来有用,它必须是可伸缩无论是内存和运行时,它都应该在图像分辨率上增加时不变。一种用于在宽范围的生物医学领域的应用,管道进一步不应该依赖于特定的成像条件,数据集相关的参数,一圆柱形容器的形状,各向同性的图像分辨率或特定的网络拓扑。

在本文中,我们介绍了一个旨在满足这些要求的管道,同时从二进制体积图像提取拓扑,中心线和边缘相关特征。这是通过我们实现的主要贡献,一种新的迭代求精方法,并仔细设计所有管道阶段。

一般来说,利用可扩展算法分析超大数据集仍然是一个巨大的挑战。例如,即使在最近的图像分割工具Biomedisa [17.](基于流行的随机步行者)一个数据集\(900 \ times 1303 \ times 4327 \)体素必须被分割以进行处理,尽管我们测试的系统具有充足的资源(750 GB RAM(随机访问内存),4 NVIDIA Tesla V100),而不是我们预期的标准PC(个人电脑)。在[18.]我们提出了一种分层分段算法。可以在数据集上证明高质量的细分\(9070 \times 12732 \times 1634\)在标准PC上的体素(377 GB, Biomedisa处理的数据集大小的37倍)。本文代表了另一项可扩展算法开发的工作,以鲁棒图和特征提取任意船舶网络在大容量数据集。

相关工作

Chen等[19.]使用基于邻域的体素分类定义[20.[分析肝脉管系统。他们还讨论了其他基于体素的骨架提取方法,但请注意,它们不适合:基于距离变换的方法[21.]不能保证提取的骨架的连通性,而Voronoi-skeleton方法[22.比较费时。此外,Chen等人[19.]进行广泛的分析,以表示骨骼的单个体素作为分支点。它们通过在树搜索中通过以下骨架体素提取图表,在图表中分解周期。它们不执行任何操作以消除错误的分支 - 可能因为对于处理的低分辨率体积,噪音的效果可以忽略不计。

德雷士勒和劳拉[23.] 延长 [19.通过将生成的骨架分解成段,计算每个段的多个属性并从段生成标记的图形结构。作者观察到他们的算法对前景分割中的噪声非常敏感,但不提出任何减少这种效果的方法。

Palagyi [24.25.]提出基于斯蒂姆的[26.稀疏算法并表明它们与其他方法相比降低了灵敏度,尽管它们并不完全消除问题。

Chen等[27.]提出了一种替代的基于瘦化的骨架化方法来分析肝脏的血管系统,作为之前发表的管道的一部分[19.].他们使用的体素分类方法[20.,但提出了一个不同的算法。作为预处理步骤,他们建议采用补孔技术和形态学操作来去除物体表面的空洞和不规则。

Chothani等人[28.]提出一种从光学显微镜图像堆叠追踪神经腔的管道。它包括前景分割,使用体素编码算法的骨架化[29.[树施工,使用骨架化步骤和细化的标量场,包括基于长度的修剪以及由于图像分辨率有限而似乎连接的分支的分离。不应使用更​​高分辨率的图像不需要在3D中分离分支。作者注意到,在这种情况下,由于体积大小增加,需要处理能力的进步。

Almasi等人[30.[介绍一种从荧光显微镜图像堆叠中提取微血管网络图的方法。与在二进制图像上操作的其他方法相反,它们使用成像方法特定信息来改善具有干扰图像信号的血管分支的检测。

Cheng等人[31.]分析连接的三维结构,如容器系统和二元体的金属泡沫。他们使用拓扑细化[32.,并采用基于区域最大球面和最大内接球面的算法对目标曲面进行分支点合并。而他们的算法在运行时复杂度上是线性的,即使对于体积\ (10 ^ 9 \)体素(假定每个体素的千兆字节)需要数小时的计算时间。

在[33.,作者使用非拓扑保持距离场引导体素细化算法。它们从基于体素邻域的中间表示构造一个图,但没有描述一个有效的实现。变薄的步骤在不规则的血管中产生小孔,用于检测动静脉畸形,但不适合不规则的血管(如淋巴管)。

雷布斯特抽样34.[鉴于容器的中心线表示,提取半径,体积和表面的精确测量。该方法在灰度值图像上运行,并通过沿源自测量点的光线进行采样来检测表面。对于每个点,可以发出大量但可配置的射线以估计局部形态。

最后,由于许多容器网络分析管道包括一个骨架步骤,Bates等人的工作[35.值得注意。作者演示了使用卷积递归神经网络的二值血管分割,包括中心线提取的一种变体。然而,与传统的骨架算法相比,人工神经网络复杂的决策过程有缺点:没有连通性或骨骼分支厚度的硬性保证(无需进一步处理)。此外,这种方法在高分辨率数据集上可能存在问题,因为这些船的视场比网络的视场更宽,因此无法确定中心线位置。

以上所有的工作要么没有提到处理非常大的数据样本(因此可能不支持它),要么明确地提到大数据集给他们的方法带来了问题。在这项工作中,我们希望通过提出一个广泛适用的管道来填补这一空白,该管道旨在处理非常大的输入量,并满足以下概述的要求。

广泛生物医学应用的要求

对于本文其余的讨论,在本节中,我们将构建和激励船舶网络分析管道应履行的要求,以适用于在实践中遇到的广泛数据集和情况。

主要的需求

这个方法应该是可伸缩的运行(P1)。由于可以通过该方法考虑体积的所有体素,因此可以预期运行时间至少在体素数量中至少线性n.为了适用于越来越大的数据集,运行时\(\ mathcal {o}(n ^ 2)\)将是不可接受的,但Quasilinear算法(例如,\(\ mathcal {o}(n \ log n)\))仍然可以执行。除了计算复杂性之外,还必须特别注意内存访问局部性,以避免计算时间增加一个大常数因子。

这个方法应该是可伸缩的内存要求(P2)。我们可以期望输入数据集适合(商品)非易失性存储(磁盘),但不一定在主存。虽然磁盘和主存的单位容量价格都呈指数级下降,但磁盘的(指数级)下降速度要高于内存[36.37.].因此,平均磁盘大小与平均RAM大小的比率会随着时间的推移而增长。确切的关系不容易建立,因为它随着时间的推移而变化[37.].在这里,我们假设磁盘和易失性的内存大小在一种关系中成长\ (m ^{\压裂{2}{3}}\)的磁盘大小这也符合加载一个大的三维体积的二维切片的常见做法。因此,该方法所需的主内存大小不应超过\(\ mathcal {o}(m ^ {\ frac {2} {3}})\)

该方法应该展示关于图像分辨率的不变性(p3)。对于固定尺寸标本,图像分辨率的增加通常可以导致表面噪声相关的工件的增加。通过简单的拓扑稀疏方法(例如,[23.])对于对大型数据集的分析是不可接受的。

二次要求

出于将该方法应用于实践的愿望,我们衍生出一系列与可伸缩性没有直接关系的进一步需求:

方法应该是无偏见(S1),即,不依赖于仔细选择所需的一组参数正确取决于输入图像。

方法应该是与圆柱形的偏差方面的健壮性(S2)分析的网络结构。虽然血管是圆柱形的,但作为示例的淋巴脉管系统通常是高度不规则的(见图。1),但仍然应该正确处理。

该方法应该处理卷各向异性分辨率(S3)。体积成像技术通常会创建具有体素间距的数据集,该数据集在坐标轴之间不同。作为示例,在灯光薄层显微镜中,数据集由一系列(2D)切片构成,间距独立于X-Y分辨率。方法在体积的体积栅格网格上操作的方法需要考虑这一点。

该方法应能全面分析网络任意拓扑结构(S4)。现有的方法通常采用树形结构,要么不能对其他拓扑进行操作,要么丢失信息[19.].但是,对于淋巴管和毛细血管,或甚至更大的结构(大脑动脉环)树拓扑的假设无效。

该方法应该能够分析图像独立于成像条件(S5)。具体成像条件(即显微镜成像中的灰度值分布或荧光染色技术)在不同区域之间有所不同。为了得到广泛的应用,该方法不应依赖于具体的成像条件模型。我们的方法通过单独操作二进制输入数据和利用其他血管图像分割的广泛研究来实现这一点[11.12.].

结果

管道概述

所提议的管道包括四个阶段,并进行迭代评估(见图)。2)在这里简要概括并以方法更详细地描述。在里面骨架化阶段使用基于拓扑细化的算法将二进制输入体积的前景减少到Voxel骨架,类似于[23.].我们使用的是[20.]可以在计算复杂性和磁盘访问到核心外数据集方面有效地实现。接下来,我们构建Voxel骨架的图形表示。与[23.这种拓扑提取阶段被实现为单次扫描超过卷,用于记忆位置,避免随机磁盘访问。在特征注释阶段,我们计算一组几何[23.以及图形所有边的附加形态属性。这一阶段又细分为两个步骤。首先,体素-分支分配确定每个前景体素与哪个分支相关联。特征提取步骤使用这个映射有效地计算在单个扫描体积的边缘属性。然后,在细化阶段,利用之前计算的尺度不变属性对图进行修剪凸出尺寸,它定义了(潜在)分支必须相对于其和父母船的半径从其父母船突出的距离,以便不被移除。由于修剪使Voxel-Branch分配无效,因此必须重新评估管道的前三个阶段。重复该提取 - 细化循环直到达到固定点。我们要强调,新颖的迭代细化方法对于从非常大的数据集获得有意义的结果至关重要,如下所示。

图2
figure2

拟议管道的示意图概述

下面,我们根据广泛生物医学应用的主要和次要要求评估和讨论拟议的管道。在适用的情况下,我们将建议的管道与没有迭代细化的版本进行比较,这对应于Drechsler和Laura提出的最新方法[23.]除了提取周期性结构的额外支持。所有实验都在消费级PC上进行(AMD Ryzen 7 2700x(3,7 GHz),32个Gib RAM和1 TB硬盘(三星NVME SSD 960 EVO))。对于评估,我们使用来自人小牛皮样本的3D淋巴血管图像的二进制前景分割(数据集淋巴1/2/3)将其作为研究的一部分获得并用作[5]使用此处提出的方法的初步版本作为管道的一部分。使用光薄片显微镜获得完整的数据集,随后将沿表中报告的尺寸和分辨率进行下采样1采用标准随机步行者方法对前景和背景进行半自动分割[38.].此外,我们使用了使用开源工具Vascusynth生成的人工二元血管数据集[39].最后,一个小型案例研究表明,在大小的数据集上应用了所提出的方法的应用。为此,覆盖小鼠肝脏的动脉血管树的二进制掩模[40使用)。原始数据集使用光板显微镜获得,分割使用随机walker方法的层次变体进行[18.].

表1用于评估所提出的方法的数据集

运行时可伸缩性

可扩展性的演示需要某种方式修改a规模给定数据集的参数而不改变其他特征。一种可能性是使用已经大的数据集,将其缩小或将其缩小到较小的区域。但是,除了提供非常大的卷的可用性问题(代表结果未来显微镜),这可能导致由于下采样引起的伪影和细节丢失,使得产生的图表非常困难。相反,我们使用一个小的(现实世界)体积和人为地使用两种策略增加其大小(见图。3.).

图3.
图3

这是一个典型的例子重组b镜子c)在(2D)数据集上增加体积大小的策略(一个)到缩放2,即,每维中的体积大小加倍。对于两种策略,前景(灰色像素)仍然形成血管网络的合理前景分段

重组策略:使用最近的邻居采样重新采样卷,使用最近的邻居采样来避免在原始卷中的非常薄的连接附近更改拓扑。

镜子策略:重复每个维度的体积,直到实现所需的(整数)比例。为了生成主要连接的网络,在每个维度中\ (2 + 1 \)'卷是镜像的。

在现实世界中,改进的采集技术将导致增加先前可见血管的(体素)大小揭示以前未被发现的更大复杂性的网络。未指定时,数据集淋巴1.(无花果。14.(a))用于评估,因为它具有非树状拓扑,各向异性体素分辨率和不规则血管形状。在下面的,规模表示数据集的每个维度的因素乘以上述策略之一。

数字4显示了管道的单个细化迭代的平均运行时间,这取决于对象的体素数镜子重组对数图中的策略。如图所示,运行时仅比线性更差,如应该鉴于衍生的运行时复杂度\(mathcal {O}(n \log n)\).此外,应该指出的是,周围的坡度增加\ (10 ^ {11} \)符合主存储器的耗尽,从而达成更大数量的磁盘访问(参见图。8).

图4.
装具

的管道的平均迭代运行时重组镜子对数图中的策略。的函数\ (c \ cdot n \ log n \)\ (c \ cdot n \)显示为视觉指南。c已选择,以便两个辅助线都匹配镜子在第一个数据点绘制

数字5再次显示平均迭代运行时,但使用线性刻度以及管道的各个步骤的详细信息。可以观察到,所有步骤的运行时间都相对于体素数大致线性增加。在这里,它变得显而易见的是重组策略,迭代似乎比与镜子策略。这似乎是由于体素分支分配和特征提取步骤的更多时间 - 可能是因为较大的血管导致在两个步骤中搜索K-D树的时间。

图5.
figure5

管道各个阶段的迭代运行时间重组一个) 和镜子b)策略。请注意,细化步骤的执行时间没有显示出来,因为它与所有其他阶段相比非常低

但是,管道的总运行时间不仅依赖于单一的细化迭代,还不仅取决于计算最终结果所需的迭代次数。达到越来越多的体素的固定点所需的迭代的数量在图2中示出。6对于缩放策略。虽然使用的迭代总数镜子策略可以预期为4级和更高的规模恒定(由于SCALE 8对应于规模4的数据集的8个副本),迭代的数量保持在4个实验中的规模。虽然我们没有获得最大迭代次数的最大值重组策略,我们可以观察所要求的迭代仅在实验中的体素数量增加。虽然我们承认1 TB数据集超过1周的(总)处理时间肯定远离交互式使用,但这在制备,图像采集和后处理所需的时间内,这不会在生物医学研究中提出问题。样品的幅度相同,所呈现的管道是我们所知的第一的进行分析这些样品可能当然.此外,由于我们的管道可以被认为是非偏见(请参阅凸起大小参数的影响),不需要交互式参数调谐。

图6.
figure6

达到目标的固定点所需的迭代总数重组镜子策略

数字7表明,对于更高的尺度,图表中的节点的总数迅速降低。所有尺度的最终节点数量非常接近标度1,但更高的迭代略有增加。截面图像分辨率不变性和图。9证明所得到的图形实际上是相似的。因此,如果需要常量运行时(对于给定比例的不同数据集),则可以指定相对较低的最大迭代次数以获得跑步的良好近似,直到达到固定点。同时,7表明A.细化步骤不足以获得非常大的数据集的有意义的结果,因为仍然存在大量的虚假分支。这强调了所提出的迭代细化方法的必要性。

图7.
figure7

在各种尺度的不同数量的迭代次数之后图中的节点总数

主存储器的可伸缩性

方法中对管道的详细描述表明,管道的所有步骤都是渐进分配的\ (m ^{\压裂{2}{3}}\)内存或更少。由于这个原因,而且由于很难有效地测量所分配的堆内存总量,我们将演示当前管道的实现如何与最大值相关居民集尺寸(RSS),它指定进程内存映射中实际保存在主存中的那部分。这排除了已交换到磁盘的已分配内存,但包括已复制到内存的(部分)文件。

数字8显示了执行不同问题大小(体积中的体素数)的图提取过程的最大RSS。可以观察到,问题越大,RSS就会增加,但不会超过测试机器的总可用主内存(32GiB)附近的限制。这说明了前面提到的管道在内存方面是可伸缩的,但要使用所有可用的内存资源。值得注意的是,镜子策略达到32GiB限制早于重组策略。这可能是由于这个事实,通过重复图表- in ..每一个维数,图中中线点的总数(以及存储中线点所需的内存)大约增加一倍\(m ^ 3 \),而是为了重组策略,中心线点数(粗略)乘以

图8.
figure8

图形提取过程的最大居民集尺寸(RSS)不同问题尺寸(体积中的体素数)重组镜子策略

图像分辨率不变性

作为定性评估,图。9演示了提高图像分辨率对当前骨架/图提取方法的影响,以及迭代细化方法如何解决这个问题。当每个坐标轴的分辨率增加16倍时(使用重样策略),在未对结果图进行任何细化的情况下,分支和节点的数量会急剧增加(图2)。9(b))与从原始体积中提取的最终图相比(所示示例增加了60倍,图。9(一种))。在5个细化迭代之后,分支的数量减少(图。9(c))的数值可与简单情况相比较(刻度1,图。9(一种))。随着分辨率的增加允许更精细的骨架化,在一些细节中,图表仍然不同,但大部分结构都是相同的。这是通过生物医学领域专家确认的,该专家考虑适合进一步分析的精致版本,而是在没有细化的情况下拒绝图形。

图9.
figure9

使用DataSet淋巴图1的图像分辨率提高图像分辨率的效果以及如何使用数据集淋巴图1:增加图像分辨率高度增加了错误分支的数量(在该示例中,分支的总数大致增加60倍)。在5个改进迭代之后,所得到的图表与从原始体积中提取的图表非常相似而没有人工增加的分辨率。Centerlines呈现为红线。图中的节点(结束或分支点)被呈现为黑色球体,在(b)中由于极大的虚假分支,遮住了大部分中心线

数字10.显示如何增加分辨率(使用重组策略)用细化直到固定点影响提取的图表。由于数据集没有任何基础图形图,我们将所有可用的图表与使用的图表进行了使用最低最高规模,分别。作为定量度量,我们使用边缘匹配率[41]哪个可以理解为骰子分数\(\frac{2|E|u 1\cap E|u 2}{E|u 1++E|u 2}\)在哪里\ (E_1 \)\(e_2 \)这两个图中的边集是和吗\ (E_1 \帽E_2 \)表示考虑节点位置和边缘属性时可以匹配的匹配集。在使用比例为1的图作为模板时,随着比例的增大,边缘匹配率下降相对较大,但比例较小。对于较高的尺度,相似度的差异就不那么明显了。通过对所提取图的直接检验和比较,可以发现边缘匹配率的差异主要是由于拓扑上的微小差异造成的:在提取过程中,从一个图中删除了体积相对较小且与所选阈值1.5非常接近的分支(因为体积略低于1.5),而在另一个图中则没有。从这个意义上说,这些差异实际上是由于离散化和属性上的小差异造成的,在更高分辨率的体积上这些差异不太明显,提取的图实际上非常相似。在这种情况下,由于淋巴管表面的不规则和相对较低的选择的鼓包大小阈值,这种效果被放大。这也再次强调需要以高分辨率处理体积,以尽可能避免这些离散错误。

图10
图10

使用尺度图之间的相似性比较边缘匹配比例41]从最低和最高刻度卷提取的图表作为模板图

作为评估图像分辨率不变性(P3)的另一种方法,我们希望关注提高图像分辨率的一个主要问题:个体体素水平上表面噪声的增加。为此,我们使用Vascusynth生成10个数据集[39,一个用于生成维管树的体积图像以及相应的地面真相分割和树的层次结构的工具。在图提取之前,我们通过迭代选择一个随机的前景或背景表面体素,并在不改变物体拓扑的情况下翻转其值来扰动二值体素的表面。表面噪声级定义为\(\ frac {\#\ hbox {voxel值更改}} {\#\ hbox {surface voxels总数}}} \).图中给出了一个带有表面噪声的体的例子。11.

图11
图11

一种用于评估的合成血管数据集的前景一个)并且噪声最大(b)应用。在(一个)一个非常小的凹凸,根据地面真相突出了一个非常小的分支

对于每个体积,评估具有不同随机噪声种子的四种变体。如图1所示。12.,边缘匹配比例[41当没有使用迭代细化时快速减少,而本文呈现的细化方法管理即使对于高噪声水平,甚至只有相似性略有降低的高噪声水平即使高噪声水平也是高噪声水平。

图12
图12

边缘比赛比率[41]在地面真实图和从相应体积中提取的图之间[39有或没有迭代优化。在提取图形之前,将盐和胡椒噪声添加到表面(x-轴)。对于每个噪声电平,显示了4个表面噪声种子的10个数据集的最小,最大和平均值

请注意,我们为迭代细化选择1.5的凸起大小,对于血液脉管系统异常低。然而,Vascusynth生成与半径父母船相比非常短的分支,并且在某些情况下完全封闭,这仅在生成的体积中以非常浅的凸起(或根本不可见)可见(参见图中的突出显示区域.14.(a)作为一个例子)。对于现实世界应用,这可能是可忽略不计的。相反,较高的鲁棒性可能是优选的,因此需要更高的凸起大小,如以下部分所讨论的。

凸起大小参数的影响

如改进所示,可以基于应用程序和所需的应用程序选择所提出的方法的参数结果管道。的质量因此,结果不直接取决于参数。因此,我们考虑我们的方法无偏见(S1)。然而,在图。13.我们概述了不同的影响凸出尺寸使用低调的测试数据集的管道结果的值,但可变深度凸起。可以看出,即使对于非常小的表面特征,也会产生非常低的凸起尺寸。增加参数逐渐降低提取拓扑的复杂性。对于现实世界应用,应基于数据集的知识来设置凸起大小。例如,淋巴管(特别是在病理情况下,图1中所示。14.(b),但即使在健康的人身上,见图。14.(a)常有较短的分枝,但也有不规则的表面特征,常在分枝点附近。因此,我们建议膨胀尺寸为1.5,其中边缘情况对应于近似球形,但稍微拉长的膨胀。另一方面,(健康的)血管通常表面光滑,直径圆,分支清晰,因此可以自信地选择3.0或更高的鼓包。

图13
图13

关于不同参数值如何影响图形提取管道的结果的演示。在该示例中,非常低的值允许非常轻微的凸起(例如模型中的牛的奶头)被认为是单独的分支。增加的值逐渐去除腹部,尾部,头部的进一步分支,直到最终为一个非常大的值,图表由单个边缘组成

图14
图14

一些用于评估的示例真实世界数据集被渲染为前景的表面。很明显,真实世界的表面和拓扑结构,淋巴管数据集比合成血管数据集复杂得多(见图)。11.

各向异性的决议

第三次次要要求指出了管道应该能够以各向异性分辨率的体积运行(S3)。为了评估我们所提出的管道,我们使用具有已知地面真理和各向同性体素间距的体积,使用Vascusynth生成[39].然后,我们通过在特定维度中重新采样数据集来人为地创建具有不同的各向异性分辨率的数据集。作为示例,由于其各向异性点扩展功能引起的共聚焦显微镜通过比较低的Z分辨率产生卷,这就是为什么在该实验中选择,我们选择留下Z轴分辨率并增加X和Y方向的分辨率(类似于重组策略)。我们总共评估了分辨率尺度差异为1、2、4、8和16的10个数据集。我们使用图匹配方法和[中提出的边缘匹配率相似测度对提取的拓扑进行了比较。41]使用NetMets框架提取的中心线几何的质量[42].在NetMets的情况下,选择所有边的平均半径乘以10作为参数σ\ (\ \).结果如图1所示。15.

图15
图15

证明各向异性如何影响拓扑(边缘匹配比率[41)及几何(中心线[42)提取图的结构。我们比较VascuSynth生成的体积的地面真值图[39]的值增加后,将转换为使用所建议的管道提取的图x- - -y-分辨率由指定的因素(但离开z- 轴分辨率不变)并重新采样卷。显示了10个数据集的最小,平均值和最大值。可以看出,各向异性分辨率不会强烈影响管道,动态轴选择是有利的

虽然地面真理与完全不匹配,但尺度之间的一些漂移是明显的(参见关于上述地面真理质量的讨论),但一般没有基于各向异性的水平观察到对评估得分的正面或负面影响的趋势。此外,应该注意的是,骨架化中讨论的动态轴选择确实改善了较大各向异性的结果,尽管对于较小的级别,两个变体之间的差别没有差异。因此,我们得出结论,该拟议的管道实际上能够处理甚至是高度各向异性分辨率的数据。

对形状偏差的鲁棒性

为了评估管道的稳健性,特别是考虑到所分析的脉管系统的圆柱(S2)形状的偏差,我们使用了[41].此外,NetMets的FNR和FPR值(假阴性/阳性率)[42]用于测量在[41].(现实世界)淋巴和合成血管数据集旋转并重新采样(每个轴上的分辨率加倍)\(10 ^ \ circ \)周围的步骤z- 与(非旋转)模板图相比,使用所提出的管道处理。所有步骤的最小相似性表示稳健性索引。相似性被定义为边缘匹配比的乘积,并且一个减去该组匹配边的属性值之间的平均归一化差异,因此采用拓扑差异以及属性值的变化。对于合成数据集,该工具提供的地面真理图用作模板,因此还测量了方法的准确性。对于真实世界数据集,生成准确的注释的地面真理图几乎是不可能的[41因此,只能评估鲁棒性。我们将结果进行比较,而不会改善使用1.5的凸起大小提取的图表和迭代,直到达到固定点。

表2稳健性测试的结果[41为每个数据集绕z轴旋转36次

表中汇总的结果2表明,对于所有属性,细化过程对所有数据集的鲁棒性都有显著提高,这表明与没有细化迭代的方法相比有了改进,大致对应于Drechsler和Laura的最先进的方法[23.]:在所有情况下,实现了更高的Gerome鲁棒性评分。虽然在几何NetMets测量方面,在具有和没有改进的版本之间的版本之间的差异很小,但对于(更复杂)淋巴数据集也是在实现的方面改进的鲁棒性。

案例研究:大型真实数据集

最后,我们验证了该方法在大的真实数据集上的适用性。为此目的,我们使用了抗体染色小鼠肾脏样本的扫描,该样本通过光板显微镜获得,作为研究的一部分[40].在数据集中肾脏1(176GiB),显示完整的肾脏,使用随机walker方法的层次变体半自动分割动脉血管树[18.[粗略的血管直径\(5 \,\ Upmu \ hbox {m} \).数据集肾脏2(28 GiB)是一个子集肾脏1将动脉血管分割至毛细血管水平。对两个分割数据集进行后处理,以消除空洞和噪声,从而消除表面上偶尔出现的小环路。然后,使用3号凸起尺寸的拟建管道。

肾脏1该方法经过7次迭代,大约1天10 h (2059 min)完成,得到一个有524个节点和566条边的图。处理数据集肾脏2大约需要7小时(413分钟)的计算时间。在迭代7中到达一个固定点后生成的图包含685个节点和673条边。

数字16.举例说明了该算法如何捕获中动脉血管树的血管段的拓扑和属性肾脏1:表示两个分支或终点之间的血管片段的圆柱体的颜色从距树根的段逐渐消除到黑色(低半径)到黑色(低半径)。数字17.是特写吗肾脏2证明了无量纲修剪参数的有效性:没有产生伪树枝,如大容器表面有小突起,小树枝也被保留下来。这里选择了凸起的大小,因此前景分割泄漏到其他未标记毛细血管开始处的小凸起不包括在图中。

图16
图16

呈现完整数据集肾脏1一个),使用随机步行方法的分层变体创建的动脉血管树的前景分割[18.[粗略的船只半径\ (10 \ \ upmu \ hbox {m} \)b),以及用该方法提取的血管网络拓扑的符号绘制(c).使用颜色编码平均半径的汽缸,呈现连接两个分支点(蓝色)或终点(橙色)的血管段。

图17
图17

动脉船网络的前景细分的特写镜头渲染肾脏2覆盖船只网络的节点和中心线。可以看出,即使在较大的半径容器中也没有虚假分支,并且由于无量纲修剪标准(凸起大小),保留了小的半径容器。为了开始甚至更精细地,不包括的毛细管血管,但是在前景分割中的小驼峰可见,由于选择了相对大的凸起大小,因此不会产生血管树中的分支

讨论

在结果中,我们通过定量评估显示了所提出的管道满足广泛生物医学应用的所有主要要求。特别地,在运行时间和存储器(P1,P2)方面是可扩展的,这通过将管道应用于消费者级计算机上的数据集超过800GB的数据集来证明。结果表明,新颖的迭代细化方法对于图像分辨不变性(P3)至关重要(P3),而现有技术(图表提取而无需改进[23.])严重受到表面噪声的影响。我们进一步证明,建议的迭代细化也提高了方法的稳健性,特别是对于具有不规则血管形状(S2)的数据集。在一个小案例研究中也显示了建议的管道对大实际数据集的适用性。

我们的方法的单一参数,膨胀尺寸,是独立的数据集规模,并可以根据期望的性质和结果图的形状先验确定。因此,我们认为我们的方法是无偏的(第二个要求S1)。此外,我们还表明,与在每个维度去除相同数量的体素的标准方法相比,细化步骤中的动态轴选择方法提高了高各向异性分辨率数据集(S3)的准确性。第四个次要需求(处理任意拓扑体积的能力)直接遵循如何从二进制骨架体中提取拓扑(参见拓扑提取),特别是,与其他方法相比,不局限于树状拓扑[23.].此外,流水线通过在现有的前景分割上操作而独立于成像条件(S5)。

需要注意的是,所提出的流水线式的基于拓扑细化的定义方法在二值输入图像中会出现畸变,从而导致拓扑的变化,即前景物体中的空洞和边界上的循环。虽然这些特征在实际的血管结构中不被期望,但成像伪影、噪声或分割过程中的问题仍然可以在实际中产生这些伪影。然而,仔细的分割后处理可以减轻这些影响:前景对象中的空洞可以可靠地使用改进的变体[43]操作背景没有标记,但删除小于指定大小的对象。阈值通常可以非常随意地选择,例如,作为体积对角线的百分比。去除表面上的环路比较困难,但根据我们的经验,(二进制)中值滤波器性能很好。滤镜的大小应该选择不干扰图像中最小的血管,但仍然能够覆盖图像中的表面环路。

在实践中的另一个问题是分割程序有时只保留血管壁,而不是腔,即它们创造(部分)空心船只。如果这种壁分割具有高质量,因此没有孔,则可以使用[的流式变体,将其转换为完全分段。43,填充了血管腔的(拉长的)腔。如果情况并非如此,则需要更复杂的预处理(例如,首先填充血管壁上的孔,然后填充管腔),以更有意义的方式应用所提出的方法。

结论

通过可扩展算法分析超大型数据集仍然是一个巨大的挑战。我们提出了一种用于从大型三维图像中提取血管网络的拓扑和各种特征的管道。我们能够表明我们的方法满足以前确定了对广泛生物医学应用的要求。我们的主要贡献,一种新颖的迭代细化方法和所有管道阶段的仔细工程,使我们能够展示可扩展性,因此适用于非常大的数据集,例如由现代显微镜(主要要求)产生的。同时,由于其鲁棒性,无偏见的性质,以及对分析的血管系统(二次要求)的拓扑和形态缺乏假设,我们的管道可以应用于广泛的问题域。

我们现在将应用拟议的管道并继续以前的工作[5利用以前无法达到的细节水平,有望带来新的生物医学发现。

未来,我们想探讨更具体的图像功能如何[34.]可以集成到管道中,而不会影响其可扩展性。此外,流水线的当前版本完全是单线程的。虽然可以通过在单独的过程中同时处理多个数据集来更有效地使用现代硬件的可用资源,但是希望使用多个处理器核或甚至GPU(图形处理单元)加速单个运行。然而,这是一个具有挑战性的任务:虽然存在于并行骨架化算法的方法,但它们有时会对围绕中心线的中介性和再现性的介质构成问题。尝试整合更强大的细化算法可能值得注集[24.25.,这可能会减少所需的细化迭代的数量,从而减少整个运行时。此外,至少在目前的公式中,连接组件分析[43],其在本文的几个地方的变化中使用本质上是顺序的。对GPU的卸载工作需要更多地关注内存管理的细节。此外,我们想探索大容量数据集中的船舶结构的自动分割方法,特别关注(不规则)淋巴管系统,以促进所呈现的流水线的可用性。

当前的管道是Voreen版本5.1的一部分[44广泛使用的[4546]开源卷处理和渲染框架。

方法

在下文中,详细描述了四个管道阶段和迭代方法,特别关注广泛生物医学应用的要求。数字18.提供管道各个阶段之间的数据流的概述。

图18
图18

建议管道中数据流的示意图。对于骨架化拓扑信息,在管道的第一次迭代中不可用

骨架化

像其他船只网络分析管道[19.23.],我们使用Lee等人建立的拓扑细化算法的改进版本[20.]的优点是,任何体素都可以根据这些属性进行评估,只需要考虑它的26邻域,这在操作非常大的体积时是非常有利的。此外,我们不知道其他方法解决了分析大数据集的固有问题。在最初的公式中,算法迭代地删除位于表面上的体素,并且在6次(静态)子迭代中删除这些体素不会改变对象的拓扑,直到没有更多的体素可以被删除。

为了有效的实现,需要进一步考虑。我们明确地将对象表面建模为一个体素位置序列,在第一次迭代步骤之前通过扫描体积初始化该序列。在随后的子迭代中,我们构建活跃的表面(在下一次迭代中可能被删除的体素),方法是保留当前子迭代中未考虑的先前活动表面的体素,并在删除后添加体素的26-Neighborhood中的所有前景体素。如果考虑了一个体素,但在当前的子迭代中没有删除,那么它将从活动表面中删除,即使它仍然是物体表面的一部分。如果它的一个邻居被删除,它将被重新添加到活动表面,并在接下来的迭代中重新考虑是否删除。此实现的运行时为\ (\ mathcal {O} (n) \)在体积中的体素数量(P1)中:在每个子段中,仅考虑活性表面中的体素。由于在每次迭代之后(即6个子段)之后完全或从活动表面删除,并且仅删除其26个邻居之一再次添加,因此将考虑删除常数次数。为了满足要求P2,该卷存储在磁盘上并使用操作系统功能动态映射到内存。可以使用压缩(每个体素)表示和将卷存储为的恒定运行时改进\(32次32次32次)(8 KB)块在线性内存中,从而通过利用表面体素的空间局部性来减少磁盘访问。活动表面以磁盘(线性)体素位置的形式存储在排序序列中。在子迭代期间,前一个活动表面从前面向后读取。同时,通过收集位置、在写入磁盘之前对重复项进行排序和删除,新的活动表面在内存中逐片构建\ (\ mathcal {O} (m ^ \压裂{2}{3})\)主存(P2)。

为了考虑各向异性分辨率的体积,我们跟踪每个方向删除的体素层的真实深度,并选择总深度最低的方向作为下一次子迭代的方向速度对于高各向异性体积(S3),体素缺失的平均均衡。如果所有6个方向的最后子迭代(可能发生了无序)没有删除任何体素,活动表面是空的,骨架化完成。

拓扑提取

以前的工作[19.33.]没有描述大输入数据集的拓扑提取的有效实现。例如,陈等人。[19.通过音量执行以下骨架体素以下的树搜索。这不适合大卷,因为它要么需要将完整的卷保持在内存中,或者涉及高延迟的硬盘非常频繁地访问硬盘。此外,它们的方法在图中打破了循环,并始终创建树拓扑。

相反,在建议的管道中进行拓扑提取,可以在一个管道中提取完整的中心线图使用Isenburg和Shewchuk的流式连接组件查找算法的修改版本通过卷[43].我们考虑三个骨架体素类(常规(2邻居),结束(\ (< 2 \)邻居),分支(\(>2\)邻居) [19.),并提取每个组件。端点或分支体素的独立连接组件构成图中的节点。规则体素的单个链是体积中不同的连接组件,并且有两个端点(除了单独处理的闭环情况)。它们在图中形成了最初的血管段中心线和边缘。与[19.],我们不强制使用单个体素定义节点的位置,而是使用体素连接区域的重心。使用规则体素段的两个端点,我们可以找到通过规则体素路径连接的节点,从而构造一条边。为了高效地执行此节点边匹配过程或大型图,对于每个节点体素(即末端或分支体素),我们将原始节点的引用插入(静态、磁盘上)k–d树。因此,对于规则体素的每次运行,我们可以有效地查询其尖端26个相邻节点体素的位置,从而链接节点和边缘数据结构。提取节点和边缘(包括中心线)形成PROTO船只,每个都存储在磁盘上的文件中,并动态映射到内存[43](以及此修改)只能显示为需要\ (\ mathcal {O} (m ^ \压裂{2}{3})\)主存(P2)。此外,我们提取整个图在一次通过的体积\(mathcal {O}(n \log n)\)时间(p1)并且不对提取网络的拓扑做出任何假设(S4)。

由于个体分支体素必然位于原始体积的体素位置,因此它们类似于粗糙的中心线。这两个都在人为地增加了线长度,并在体素分支分配中产生了更大数量的模糊案例。因此,我们使用当地Bezier曲线平滑原型船只的所有中心线。

Voxel-Branch Dispordment

德雷士勒和劳拉[23.]计算体积通过将前景分割的体素分配到最近的中心线点来实现边缘的属性。如图所示。19.(a),这在某些情况下造成不正确的结果。而这些误差对计算结果来说可能并不严重体积,基于血管半径的形态属性会受到严重影响。为了正确计算前面创建的原血管图结构的边缘相关属性,我们首先在前景分割的体素和原血管图的边缘之间创建一个映射。这个过程分4个步骤执行,如下图所示。19.

图19
图19

如果小容器(蓝色)的中心线比其自己的中心线更靠近较大容器(黄色)的表面,则较大血管的一些体素将被分配给较小的船只(一个).在初始voronoi映射之后,使用分支的种子点的ID来重新映射相同ID的连接的前景组件(b).确定未标记的区域(c)和从标记体素填充的洪水(d

中心线Voronoi Mapping.

作为边缘ID图的第一个近似值,我们为前景分割的每个体素找到最近的中心线点。我们使用原始血管图所有边缘的所有中心线点的静态磁盘k–d树加速搜索,每个中心线点都用相应的边ID注释。当我们在所有区域上迭代时n前景体素并执行a\(\ log n \)在k-d树中搜索每一个,总运行时就在其中\(mathcal {O}(n \log n)\),K-D树的结构(P1)。我们迭代整个体积\(32次32次32次)块体素用于查找的空间局部性,从而减少了从磁盘上随机重新加载部分k-d树的需要。

连通分量重映射

如图所示。19.(a),通过最小的欧几里德距离匹配体素不会在所有情况下产生适当的体素明智的血管映射。当具有高度不同的半径的两个容器彼此靠近时,较大容器的一些体素将归因于较小的容器。必须识别和重新映射这些切断区域。我们执行修改后的连接组件分析[43]在生成的边缘ID卷中,我们考虑两个体素mergable如果他们有相同的身份证然后,我们使用一个表将连接组件id映射回边缘id,该表是通过在连接组件分析结果中的每个边缘的中心线点上取样构建的。

截止区域识别

截止区域没有相关的边缘ID,因此可以使用连接组件分析的另一个通道来识别[43,其中只考虑id未定义的体素。在一次遍历整个体积时,我们为每个截止区域收集轴对齐的包围盒(见图)。19.(c))。

截止地区洪水

先前识别的截止区域是通过从具有有效边缘ID的相邻体素开始的边缘ID的所有体素来重叠。对于从单个血管部分切断的区域的简单情况,这将区域填充了部分的边缘ID。在与多个不同血管部分相邻的截止区域的更加复杂的情况下,得到的标签近似于l1- voronoi细胞从邻近区域的表面延伸。这个过程的一个副作用是前景区域不像(完整的)体积边界的血管(因此不包含任何中心线体素),是不是在此步骤中填充有效id,并在后续步骤中忽略。

为了提高效率,所有识别出的不连通区域都被单独处理为立方体子体,并在一次通过ID-volume时进行收集。当前有效的截止区域边界框被组织在间隔树中。对于z轴,单个树引用所有的包围框。对于每个切片,可以查询活动区域来构造y轴的间隔树。对于切片中的每一行,可以使用y轴树来构造x轴的间隔树。对于线中的每个体素,可以从x轴树中查询所有活动区域,从而将当前体素值写入相应的子体积。在此收集步骤之后,将分别填充每个子卷。与骨架步骤类似,我们使用活动曲面、切片处理和磁盘上文件的内存映射的概念来保证线性运行时(P1)和\ (\ mathcal {O} (m ^ \压裂{2}{3})\)内存要求(P2)。

结果将在类似于子卷头的集合的过程中写回ID卷。断开连接区域的数量是界定的n.因此,范围树的构建和对每个体素的查询\(\ mathcal {o}(n \ log n)\)(P1)。所有子卷和范围树都可以存储在磁盘上并动态映射到存储器,因此不需要额外的存储器(P2)。

特征提取

使用ProDo-assellgraph和生成的边缘ID卷,我们可以将与Drechsler和Laura的相同的边缘属性进行计算[23.].一些几何特征可直接从原型船图计算。这些特征包括长度(中心线的弧长),距离(连通节点的欧氏距离)和直线度\ \(压裂{距离}{长度}\)).德雷士勒和劳拉[23.)提出curveness距离\(\压裂{长度}{}\)),但作为距离任何船只段都保证小于其弧形 -长度,我们认为直线性(保证域为[0,1])优于曲线性(\([1\infty)\)).

对于其他特征,我们从边缘ID体和原血管图中收集信息。对于边缘ID体块中的每个前景体素,我们找到相应的边缘,并查询其中心线点最近的位置。为了有效查找,中心线点被组织在每条边的(静态的,磁盘上的)k-d树中。我们将前景体素所占用的体积平均分配并存储在相应的中线点旁边。将表面体素分配到最近的中心线点,从而计算出最小、最大和平均表面距离。

可以聚合为单个中心线点收集的值来计算更多的每个边缘特征:对于基于表面距离的值(最低限度最大限度平均的\(圆度{:=} \ FRAC {最小} {最大} \))我们计算平均值和标准偏差,总计8额外的[23.].相比 [34.这提供了对局部血管形态的相对粗略的理解,但是可以有效地计算的良好近似。最后,可以累积每个体素卷以计算总数体积由血管图中的每个血管段占据。通过将体积除以长度来获得容器的平均横截面[23.].

总的来说,中心线点的数量显然是有限的n因此,建立和查询K-D树的成本在内\(\ mathcal {o}(n \ log n)\).此外,可以访问标签卷\(32次32次32次)大块改善了K-D树中搜索的内存局部(P1)。Prop-asselgraph,K-D树和创建的图形的所有组件都存储在磁盘上,以便满足主存储器要求(P2)。

细化

骨架化算法倾向于产生许多小型杂散分支,特别是对于具有不规则表面的血管。因此,我们建议通过修剪杂散的分支来细化生成的血管图。一个简单,但依比依赖的定义方式deletability是设置全局最小长度[28.]。但是,如果单个数据集中存在不同规模的血管,这是有问题的。相反,我们建议凸出尺寸作为无关的无量纲度量(S1)。直观地,凸起大小测量凸起,凸起或分支必须从父母船延伸到父母船只,以便被认为是单独的船只。这种尺寸是相对于其父船的半径和自身的半径表示的,使其独立于比例。更正式,凸出尺寸为边缘特征,在特征提取过程中计算,仅为凸缘边缘,即连接叶节点(阶数1)和分支点(阶数1)的边\ (> 2 \)).

对于边缘的所有中心线点,我们决定它们是否在分支区域内(内分)或不是(外分观点)进行特征提取。如果一个点有关联的表面点,而这两个表面点都不与另一条边的表面体素相邻,则它被视为外点。内点的特征要么是没有任何相关的表面体素,要么是表面体素是属于另一条边的点的26个邻居。一个节点的内部长度是由从该节点开始到最后一个内部体素结束的一系列中心线点定义的弧长。这与位于分支区域内的一条中心线的长度相对应。的尖端半径被定义为从最靠近节点的中心线点测量的表面的最小距离。没有普遍的损失,让\ (n_b \)\ (n_e \)分别是分支点节点和叶节点。

$ $ \{对齐}开始隆起\ _size (e = (n_b n_e)) = \压裂{长度(e)内部\ _length (n_b) +小费\ _radius (n_e)} {avgRadiusMean (e)} \{对齐}$ $

该定义提供了一种无因次的形状测量方法,即使在拐角情况下也能很好地执行,并且可以在管道特征提取阶段有效地进行计算。计算结果和适用性如图所示。20.

图20
figure20

计算的示意图描述凸出尺寸特征边的三个例子

伪分枝的剪枝是算法1中描述的一种面向节点的迭代方法。修剪步骤迭代图中的所有节点,并收集可删除的分支。所有可删除的边和只连接到这些边的节点将从图中删除。另外,共享2度节点的两条边通过连接它们的中心线并根据合并中心线中点的属性重新计算属性来合并。重复修剪步骤,直到到达一个固定点。

figurea

虽然精致不保留被删除边的任何符号,同时计算的中心线和边属性不被细化过程保留。发生这种情况的原因是,在重新计算ID映射和特性之前,与现在已删除的分支关联的卷区域不会贡献其余分支的属性。虽然这会影响凸起的大小,但修剪方案不会错误地删除分支,因为缺失的区域(降低的半径)会导致凸起的大小overrestimated

迭代方案

为了确保中心线和边缘属性与精化图匹配,我们采用了一种迭代方案,将之前提取和精化的图反馈到管道的第一阶段,以改进生成的结果。

我们修改了骨架化算法,迫使它生成具有拓扑结构的体素骨架,该拓扑结构与之前迭代的细化图相匹配。将图中度为1的节点的体素设置为固定的前景在骨架化的输入体积。这意味着他们是从来没有考虑删除。这些体素标志着在骨架化过程中要提取的中心线的开始/结束点。骨架化算法被修改为不保留体素线末端的体素(非线体素20.])。生成的体素骨架将所有先前提取的内体素与中间位置的线连接起来。

如果达到固定点,可以停止迭代。如果两个连续的迭代生成相同的图形,则这是这种情况。随着边缘的数量永远不会增加,检查可以减少到简单的整数比较。可选地,可以指定迭代次数的上限。如评估(截面结果)所示,每次迭代中删除边的数量迅速降低,使中间结果之后k在许多情况下,迭代可以被认为是由不动点迭代产生的图的一个非常好的近似,即使对于一个非常小的k

关于实施的注意事项

所提出的管道已实现,所有实验均在体积处理和可视化框架Voreen中进行[44].该算法在图形应用程序和命令行应用程序中都可用(沃林工具)适用于离线,无头处理。

Voreen支持的所有音量格式可用作图表提取的输入。其中,目前在DICOM,OME.tiff,HDF5和NIFTI格式中的卷被支持用于核心处理。

目前,提取的拓扑可以将其保存为.CSV文件,图表中的每行一行,其中包括讨论的所有数值属性特征提取部分的论文,或压缩json文件,其中包括完整的提取信息,包括中心。Voreen的5.2.1版本还将包含一个选项,可以将中心线几何图形导出为Wavefront OBJ文件。

数据和材料的可用性

使用工具血管ynth生成人工测试数据[39,可以在网上免费获得http://vascusynth.cs.sfu.ca..数据集淋巴1/2/3肾1/2用于评估的可根据要求提供。所述管道的实现是体积处理和渲染框架Voreen 5.1版的一部分[44],可于https://www.uni-muenster.de/Voreen/.评估中使用的所有脚本都可以在网上公开,以方便重现所展示的结果:https://zivgitlab.uni-muenster.de/d_dree02/graph_extraction_evaluation

缩写

PC:

个人电脑

内存:

随机存取存储器

RSS:

驻留集大小(衡量进程的内存消耗)

玻璃钢:

假阳性率

FNR:

假负率

GPU:

图形处理单元

参考

  1. 1。

    El-Baz A,Jiang X,Suri JS,编辑。生物医学图像细分:进步和趋势。Boca Raton,FL:CRC压力;2017年。

    谷歌学术

  2. 2。

    Metzen JH,Krögert,Schenk A,Zidowitz S,Peitgen H,江X.解剖树结构匹配医学图像登记。图像VIS计算。2009; 27(7):923-33。

    文章谷歌学术

  3. 3.

    HägerlingR,Pollmann C,Andreas M,Schmidt C,Nurmi H,Adams Rh,Alitalo K,Andresen V,Schulte-Merker S,Kiefer F.基于超微镜检查的小鼠胚胎中初始淋巴管发生的新型多淋巴原理。Embo J. 2013; 32(5):629-44。

    文章谷歌学术

  4. 4.

    Blinder P,Tsai PS,Kaufhold JP,Knutsen PM,Suhl H,Kleinfeld D.皮质血管小组:具有非血流非学院模式的互连血管网络。Nat Neurosci。2013; 16(7):889。

    CAS文章谷歌学术

  5. 5.

    HägerlingR,DreeS D,Scherzinger A,Dierkes C,Martin-Almedina S,Butz S,Gordon K,SchäfersM,Hinrichs K,Ostergaard P,Vestweber D,Goerge T,Mansour S,Jiang X,Mortimer PS,Kiefer F.vipar,3D组织病理学应用于淋巴畸形的定量方法。JCI洞察力。2017; 2(16):E93424。

    文章谷歌学术

  6. 6.

    纳兹尔A,Cheema Mn,盛B,李H,李P,杨P,Jung Y,Qin J,Kim J,Feng DD。OFF-ENET:用于自动致密容积3D颅内血管分割的最佳融合的全端到端网络。IEEE Trans Image Process。2020; 29:7192-202。

    谷歌学术

  7. 7.

    Ma y,hao h,谢j,fu h,张俊,杨j,王z,刘j,zheng y,zhao y.上升:视网膜OCT血管造影血管分割数据集和新模型。IEEE Trans Med成像。2021; 40(3):928-39。

    文章谷歌学术

  8. 8。

    caminho P, Lamperti P, Boselli F, Vermot J.三维显微镜和图像分析方法绘制和定量的核位置在组织近似圆柱形几何。Philos Trans R Soc B. 2018;373:20170332。

    文章谷歌学术

  9. 9。

    定量分析及其在荧光显微镜成像中的应用。交通。2009;10(8):951 - 61。

    CAS文章谷歌学术

  10. 10.

    基于优势集聚类的视网膜血管网络拓扑重构与血管分类。acta photonica sinica, 2019, 39(2): 341-56。

    文章谷歌学术

  11. 11.

    血管腔三维分割技术综述:模型、特征和提取方法。医学影像肛肠。2009;13(6):819-45。

    文章谷歌学术

  12. 12.

    Moccia S, Momi ED, Hadji SE, Mattos LS。血管分割算法:方法综述,数据集和评价指标。计算机科学进展。2018;158:71-91。

    文章谷歌学术

  13. 13。

    Machado S,Mercier V,Chiaruttini N.Ilemeseg:用于3D图像分割的粗粒脂膜模拟。BMC生物素。2019; 20(1):2-1212。

    文章谷歌学术

  14. 14.

    李超,范勇,蔡晓霞。一种用于生物医学图像分割的轻量级多尺度网络。BMC Bioinform。2021;22(1):14。

    文章谷歌学术

  15. 15.

    Instantdl:一个易于使用的图像分割和分类的深度学习管道。BMC Bioinform。2021;22(1):103。

    文章谷歌学术

  16. 16.

    董锐,袁国光:一种快速高效的稀有细胞类型识别工具。BMC Bioinform。2020;21(1):158。

    CAS文章谷歌学术

  17. 17.

    LöselPD,Van de Kamp T,Jayme A,Ershov A,Faragót,Pichler O,Jerome NT,Aadepu n,乌贼,芝麻岛SA,Heethoff M,Kopmann A,Odar J,Schmelzle S,Zuber M,Wittbrodt J,Baumbach T,Heuveline V.将Biomedisa引入生物医学图像分割的开源业内单板。NAT Communce。2020; 11:5577。

    文章谷歌学术

  18. 18。

    DREES D,Jiang X.大量生物医学数据的分层随机助行分割。corrarXiv: 2103.09564(2021)。

  19. 19。

    陈勇,陈志强。基于肝脏血管系统三维骨架的图像生成方法。见:生物医学工程与信息学国际会议,2009;1 - 5页。

  20. 20.

    Lee T,Kashyap RL,CHU C.通过3-D内侧表面/轴变薄算法构建骨架模型。图模型图像过程。1994年; 56(6):462-78。

    文章谷歌学术

  21. 21.

    CHOI W,LAM K,SIU W.基于连接标准提取欧几里德骨架。模式识别。2003; 36(3):721-9。

    文章谷歌学术

  22. 22.

    ILG M,OGEIEWICZ R. voronoi骨架在线图像中的感知分组。在:演讲和信号分析会议,1992;p。382-385。

  23. 23.

    基于层次分解的船舶骨架图生成与特征提取方法。见:生物信息学与生物医学会议,2010;p . 456 - 461。

  24. 24.

    Palágyik.并行3D 12-子段细化算法基于斯坦姆斯。在:视觉计算的进步诉讼程序,ISVC,2013;卷。8033,p。87-98。

  25. 25。

    Palágyi K.一种基于地峡的序列三维曲线细化算法。中国图象图形学报,2014;第8888卷第406-415页

  26. 26。

    张志强,王志强。离散变换拓扑。见:Géométrie Discrète et Images Numériques, 2007;p . 187 - 209。

  27. 27。

    陈勇,赵伟,陈勇。一种基于薄化的肝血管骨架化方法。见:互联网计算与信息服务国际会议,2011;p . 152 - 155。

  28. 28。

    从光学显微镜图像堆中自动追踪神经突。Neuroinformatics。2011;9(3):263 - 78。

    文章谷歌学术

  29. 29。

    周颖,Toga AW。有效的体积对象骨架化。IEEE Trans Vis CG。1999; 5(3): 196 - 209。

    谷歌学术

  30. 30.

    徐旭,王志强,王志强,王志强。一种从荧光显微镜图像堆栈中识别基于图的三维微血管网络表示的新方法。医学影像肛门。2015;20(1):208-23。

    文章谷歌学术

  31. 31.

    程X,Föhsts,雷恩巴赫C,Schladitz K.检测乘以连接的3D结构的分支节点。在:2019年信号和图像处理的数学形态及其应用中的国际研讨会;p。441-455。

  32. 32.

    二维和三维的离散平分线函数和欧几里得骨架。光子学报。2007;25(10):1543-56。

    文章谷歌学术

  33. 33.

    Babin D,Pizurica A,Velicki Lu,Matic V,Galic I,Leventic H,Zlokolica V,飞利浦W.血管划分动脉畸形的骨架化方法。计算Biol Med。2018; 93:93-105。

    CAS文章谷歌学术

  34. 34.

    Rodriguez A,Ehlenberger DB,HOF PR,Wearne SL。Rayburst采样,激光扫描显微镜图像自动三维形状分析算法。NAT PROTOC。2006; 1(4):2152。

    CAS文章谷歌学术

  35. 35。

    Bates R,Irving B,Markelc B,Kaeppler J,Muschel RJ,Grau V,Schnabel Ja。利用卷积复发网络从显微镜图像中提取3D血管结构。corrarXiv: 1705.09597(2017)。

  36. 36。

    《硬盘数据存储的新趋势》,数据技术,1998;11–16。

  37. 37。

    《计算机内存和存储的历史成本》。https://jcmit.net/mem2015.htm.访问:2021。

  38. 38.

    Grady L.图像分割的随机漫步。acta photonica sinica, 2006;28(11): 1768-83。

    文章谷歌学术

  39. 39.

    Hamarneh G, Jassi P. Vascusynth:基于地面真值分割和树分析的模拟维管树生成体积图像数据。计算机医学影像。2010;34(8):605-16。

    文章谷歌学术

  40. 40。

    Kirschnick N,DreeS D,Redder E,Erapaneedi R,Da Graca AP,SchäfersM,江X,Kiefer F.在组织清除中评估荧光报告者的快速方法和大型血管结构的分割。iscience(2021年,接受)。

  41. 41。

    DREES D,Scherzinger A,Jiang X. Gerome:一种评估图形提取算法的稳定性的方法,没有地理真相。IEEE访问。2019; 7:21744-55。

    文章谷歌学术

  42. 42.

    Mayerich D,BjörnssonC,Taylor J,Roysam B. NetMets:用于量化和可视化生物网络分割中的错误的软件。BMC生物素。2012; 13(8):1-19。

    谷歌学术

  43. 43.

    Isenburg M, Shewchuk J.万亿像素图像的流连接组件计算。见:海量数据算法研讨会;2009。

  44. 44.

    Meyer-Spradow J,Ropinski T,Mensmann J,Hinrichs Kh。Voreen:基于射线铸造的卷可视化的快速原型环境。IEEE计算图形应用程序。2009; 29(6):6-13。

    CAS文章谷歌学术

  45. 45.

    关键词:摩擦柱,摩擦柱,材料流动,流体力学Sci Technol Weld Join. 2019;p.1-7。

  46. 46.

    等。关键词:纳米材料,纳米材料,热应力,热应力低wnt/β-catenin信号决定穹窿下器官的血管渗漏,并影响小鼠的水稳态。欧宝直播官网appeLife。2019; 8:43818。

    文章谷歌学术

  47. 47.

    基于卷积神经网络的光镜图像脑血管分割。医学影像:分子、结构和功能影像的生物医学应用,2017;p。101370。

下载参考

资金

由Projekt DEAL支持和组织的开放获取资金。这项工作是由德国科学基金会(DFG) - crc 1450 - 431460824资助的。资助方在研究设计、数据收集和分析、决定发表或准备手稿方面没有作用。

作者信息

从属关系

作者

贡献

DD开发并实施了算法,执行了实验并写了稿件。在制定方法和实验方面提供了指导,并为稿件做出了贡献。RH和FK在实际应用的要求方面给出了指导,并为稿件做出了贡献。XJ监督该项目并为稿件做出了贡献。所有作者都读过并批准了稿件。

相应的作者

对应于孝义江

伦理宣言

道德认可和参与同意

淋巴1/2/3数据集的获取和分析作为前期研究的一部分。作为之前的研究的一部分,伦理批准已经获得,并在最终的出版物中进行了记录[5].伦敦西南研究伦理委员会,伦敦,英国(REC参考:05 / Q0803 / 257)和Münster大学医学院的伦理委员会(Ref:2008-319-F-S)。涉及动物的所有程序(即,进行的程序,以获得数据集肾1/2 [40)严格按照德国动物保护立法(Tierschutzgesetz and Tierschutzversuchstierverordnung)进行。该协议已获Landesamt für nature, Umwelt und Verbraucherschutz (LANUV)动物实验伦理委员会批准(84-02.04.2016.A218)。

竞争利益

两位作者宣称他们没有相互竞争的利益。这些工作并不是Aaron Scherzinger在育碧的业务范围内完成的。

附加信息

出版商的注意事项

欧宝体育黑玩家施普林格《自然》杂志对已出版的地图和机构附属机构的管辖权要求保持中立。

权限

开放访问本文是基于知识共享署名4.0国际许可,允许使用、共享、适应、分布和繁殖在任何媒介或格式,只要你给予适当的信贷原始作者(年代)和来源,提供一个链接到创作共用许可证,并指出如果变化。本文中的图像或其他第三方材料都包含在本文的知识共享许可中,除非在该材料的信用额度中另有说明。如果资料不包括在文章的知识共享许可协议中,并且你的预期用途没有被法律规定允许或超过允许用途,你将需要直接从版权所有者获得许可。如欲查阅本许可证副本,请浏览http://creativecommons.org/licenses/by/4.0/.Creative Commons公共领域奉献豁免(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文中提供的数据,除非另有用入数据的信用额度。

重印和权限

关于这篇文章

通过Crossmark验证货币和真实性

引用这篇文章

舒尔青格,A., Hägerling, R。et al。大容量数据中任意船舶网络的可扩展鲁棒图和特征提取。欧宝娱乐合法吗22,346(2021)。https://doi.org/10.1186/s12859-021-04262-w

下载引用

关键字

  • 图提取
  • 船只网络
  • 可伸缩性
  • 大量处理