脑血管疾病是指发生在脑部血管，因颅内血液循环受到障碍而引起脑组织损害的一类疾病，“脑卒中”、“脑血管意外”和“脑中风”等都属于医学上脑血管疾病的范畴。据统计，截至2014年，全球脑血管疾病的平均发病率为6.49%，已经成为威胁人类身体健康的“第一杀手”。由于脑血管相对于其他血管具有直径狭小、结构复杂、脑部多种附属血管及神经结构并存等特点，随着手术操作向脑部的深入，手术难度和风险也大大增加，这就对临床医生的熟练程度和经验提出了更高的要求。脑血管手术所导致的复视、失明、脑脊液漏和致命性大出血等病症频繁发生，手术的成功实施往往要求医生具有大量病例的临床训练和经验积累。由此，如何在最大程度上降低手术难度，预防和减少手术过程中的并发症是目前脑血管手术面临的重要问题。

　　近些年，医学影像的快速发展为神经外科脑血管的“精准手术”理念提供了有力武器。同时，精准医疗设备作为智能化装备需求的重点，其研制对国家未来新兴产业的形成和发展具有引领作用，有利于促进产业技术的更新换代。通过这些年在精准医疗设备的研制与发展过程中的经验，研究者们普遍认为基于影像引导的手术可视化系统为临床精准诊疗、手术的最根本途径。目前，常规脑血管疾病的成像方式包括磁共振血管造影（Magnetic Resonance Angiography，MR）和计算机断层成像血管造影术（Computed Tomography Angiogaphy, CTA），它们是诊断脑血管疾病的重要参考依据。由于CTA图像中的骨元素对造影血管影响严重，因此CTA仅适用于小范围内的大血管分析。MRA作为一种非侵入性诊疗手段，拥有良好的空间分辨率，且不受骨骼影响，近些年来在脑血管疾病诊疗上得到了广泛应用。

　　在临床诊疗过程中，脑血管的空间立体结构能有效地为医生对病灶区域进行判断与定性提供帮助，同时为脑血管疾病诊治提供量化标准。脑血管的精准提取与分割是脑血管的空间立体结构呈现的唯一途径。然而，传统脑血管结构提取与识别主要依赖于临床医师的手工操作，基于人工分割的MRA脑血管数据具有主观性强、复现性差、效率低及复杂性高等缺点。因此，为了有效辅助医生对病变进行观察和诊疗，解决传统手术过程中因过多依赖医师自身经验而存在的误诊和漏诊问题，对脑血管结构的自动提取和分割是术前治疗的重中之重。因此影像引导的脑血管手术是精准治疗的发展需求和方向，而脑血管的精确自动分割是开展影像引导手术的根本。根据脑血管的分割结果能直接获得病灶的位置及其严重程度的量化指标，为脑血管疾病的快速诊断、辅助诊疗提供全新的技术平台。

　　然而，目前脑血管分割的精度主要受以下几个方面的制约：

　　1）血管形状的复杂性和可变性：人体脑血管具有拓扑结构复杂、相互缠绕，且存在严重的重叠和交叉等特征。同时脑血管在狭窄和动脉瘤等区域，其形状和大小差异较大；

　　2）血管灰度对比度低：因颅腔比例小，血管和相邻组织的并存，导致脑血管在影像中对比度较低，大大增加了血管识别的难度。此外，由于病人的呼吸运动和血液流动的存在，导致血管灰度具有非均匀性的特质，增加分割难度；

　　3）血管空间分布复杂：MRA图像分辨率和对比度较低，在细微血管区域尤为明显，在遇到血管密度大和血管直径细长的结构时，由于空间上的连续性比较差，常规分割方法往往会出现细微血管连通性差、几何结构中断的情况；

　　4）噪声和局部溶剂效应：图像采集过程中可能存在图像信息丢失和引入噪声的问题，导致在特征提取过程中无法得到收敛。局部溶剂效应/造影累积效应产生的低分辨率问题，使得MRA血管图像中存在大量的背景噪声。体素的灰度是血管自身和背景的混合灰度，使得血管存在分支的区域极难处理。

　　由于缺少精准的脑血管三维结构模型，在手术过程中医生无法获得可靠的病灶及其周围环境信息，不能有效地为医生提供肿瘤、血管和其他重要结构的相对关系，难以对脑功能进行定性，以致无法为手术规划和术后分析提供帮助。

　　总之，脑血管造影图像成像的低分辨率、血管对比度信息低以及空间立体信息缺失等原因导致脑血管结构的精准重建异常的困难。只有科学系统地研究这些临床实际问题，并密切关注国际前沿进展，实现自动、准确的脑血管结构重建，医生才能在心血管疾病诊疗过程中得到真正意义上的帮助。可见，基于影像引导的脑血管手术能否向临床实用化方向实现突破性发展，亟待开发精准快速的脑血管分割重建方法。

　　因此，针对目前脑血管分割存在的问题和挑战，宁波材料所所属慈溪医工所智能医学图像处理团队（iMED中国）提出了一种基于显著性分析的脑血管分割和重建方法。显著性是图像重要的视觉特征，体现了人眼对图像某些区域的重视程度。对于医疗血管图像，人眼往往对血管区域更感兴趣。本研究拟利用这一特点，对图像进行多尺度多特征的显著性分析，以此来提高血管分割的精度。本项目拟致力于以下四方面的研究来解决目前存在的问题：

　　1）利用Retinex模型实现对MRA图像中的血管区域的自适应性增强。Retinex模式是基于人类视觉对亮度和颜色感知，实现对图像自适应性增强。此方法能有效排除噪声及非血管区域的干扰，强化血管区域的灰度值，实现在动态范围压缩、边缘增强和颜色恒常三方面的平衡，以得到血管最优的可读、可分析和可理解效果；（PLoS ONE,10(4):0122332, 2015.）

　　2）人眼往往对MRA图像中血管区域更感兴趣。因此，本项目拟利用这一特点，建议研究图像的局部非相似性，通过引入全新的局部非相似性描述指标 ——血管区域的紧凑性，建立基于局部信息的显著性映射，对图像进行显著性分析，强化血管区域的灰度值，并结合图像中不同区域的结构属性进行精确的显著性分析，排除噪声和局部溶剂效应造成的干扰，为实现高精度的血管区域分割与提取提供基础；（IEEE Trans. Med. Imag. 36(1): 51-63, 2017.）

　　3）针对细小血管的非连续性，本项目提出一种基于对称滤波器的血管增强方法，对血管区域进行增强显示并做自动分割。此方法提高了细小血管的识别率，以解决现有血管检测方法因对比度低和特征匹配不准确而导致的血管连通性低的问题； (IEEE Trans.Med. Imag., DOI: 10.1109/TMI.2017.2756073, 2017.)

　　4）目前，在科研范围内，公开的脑血管分割的人工标注（金标准）数据仍是空白，这严重制约了科研人员对自动脑血管分割的算法开发和结果评估。本课题组针对这一问题，联合北京理工大学，英国利物浦大学以及国内多家三甲医院，历经2年，由影像专家与临床医生对数十例MRA图像进行人工标注，建立了MMM-21脑血管金标准,并将数据库对公众免费开放下载。(IEEE Trans. Med. Imag., DOI:10.1109/TMI.2017.2756073, 2017.)

Retinex模型在MRA脑血管增强中的效果图

　显著性分析模型在眼底视网膜血管上的验证（左图是眼底视网膜血管造影图像，右图是显著性分析图）

基于对称滤波器的血管增强方法所得到的自动血管分割结果

MMM-21脑血管金标准展示（红色点代表非血管区域，绿色点代表血管区域）

　　（慈溪医工所 赵一天）