Компьютерная томография как метод неразрушающего исследования внутренней структуры объектов в настоящее время широко применяется в кардиохирургии, в том числе для решения специфических задач, включающих математическое моделирование физиологических процессов, проведение хирургических вмешательств в дополненной реальности, трехмерную печать, радиомику. Одним из ключевых этапов в создании трехмерной модели по данным компьютерной томографии является сегментация процесс выделения объектов на изображении. В настоящее время существует несколько подходов к автоматизации процесса сегментации, включающих применение методов обработки изображений, текстурного анализа и алгоритмов машинного обучения (в частности, кластеризации). Методы обработки изображений являются наиболее простым из представленных подходов и встречаются в различных приложениях для сегментации томографических данных. В работе проведен обзор преимуществ и недостатков различных методов обработки изображений (пороговая бинаризация, выращивание областей, обнаружение контуров и сегментация по морфологическим водоразделам) как инструментов автоматизированной сегментации сердца по данным компьютерной томографии. Выявлено, что изображения, получаемые при компьютерной томографии, обладают характерными особенностями, влияющими на процесс сегментации (наличие шумов, эффект частичного объема и т. д.). Выбор метода сегментации основывается на яркостных характеристиках области интереса и требует знания предметной области, поэтому должен осуществляться специалистом, обладающим компетенциями в области анатомии и цифровой обработки изображений. В качестве самостоятельных способов автоматизированной сегментации перечисленные методы применимы только в относительно простых случаях (выделение однородных или высококонтрастных областей), в противном случае требуются комбинация этих методов, применение алгоритмов машинного обучения или ручной коррекции результатов.
Shumakov I.V., Sukhova M.B. MSCT Coronary Angiography in Diagnosis of Chronic Coronary Occlusions // Sovremennye tehnologii v medicine. 2018. Vol. 10, No. 2. P. 118–124. DOI: 10.17691/stm2018.10.2.13.
DOI: 10.17691/stm2018.10.2.13
Latina J., Shabani M., Kapoor K., et al. Ultra-High-Resolution Coronary CT Angiography for Assessment of Patients with Severe Coronary Artery Calcification: Initial Experience // Radiol. Cardiothorac. Imaging. 2021. Vol. 3, No. 4. P. e210053. DOI: 10.1148/ryct.2021210053.
DOI: 10.1148/ryct.2021210053
Niederer S.A., Lumens J., Trayanova N.A. Computational models in cardiology // Nat. Rev. Cardiol. 2019. Vol. 16, No. 2. P. 100–111. DOI: 10.1038/s41569-018-0104-y.
DOI: 10.1038/s41569-018-0104-y
Arjomandi Rad A., Vardanyan R., Thavarajasingam S.G., et al. Extended, virtual and augmented reality in thoracic surgery: a systematic review // Interact. Cardiovasc. Thorac. Surg. 2022. Vol. 34, No. 2. P. 201–211. DOI: 10.1093/icvts/ivab241.
DOI: 10.1093/icvts/ivab241
Vukicevic M., Mosadegh B., Min J.K., Little S.H. Cardiac 3D Printing and its Future Directions // JACC Cardiovasc. Imaging. 2017. Vol. 10, No. 2. P. 171–184. DOI: 10.1016/j.jcmg.2016.12.001.
DOI: 10.1016/j.jcmg.2016.12.001
Oikonomou E.K., Williams M.C., Kotanidis C.P., et al. A novel machine learning-derived radiotranscriptomic signature of perivascular fat improves cardiac risk prediction using coronary CT angiography // Eur. Heart J. 2019. Vol. 40, No. 43. P. 3529–3543. DOI: 10.1093/eurheartj/ehz592.
DOI: 10.1093/eurheartj/ehz592
Садыкова Г.К., Железняк И.С., Ипатов В.В., Рязанов В.В. Возможности применения многоплоскостных реформаций, ориентированных на оси сердца, в диагностике общего артериального ствола при рентгеновской компьютерной томографии // Вестник Российской Военно-медицинской академии. 2018. № 1(61). С. 132–138.
Абдулракеб А.Р.А. Модификация порогового метода сегментации полутоновых изображений // Радиотехнические и телекоммуникационные системы. 2017. № 2 (26). С. 50–58.
Borrelli P., Kaboteh R., Enqvist O., et al. Artificial intelligence-aided CT segmentation for body composition analysis: a validation study // Eur. Radiol. Exp. 2021. Vol. 5, No. 1. P. 11. DOI: 10.1186/s41747-021-00210-8.
DOI: 10.1186/s41747-021-00210-8
Fedorov A., Beichel R., Kalpathy-Cramer J., et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network // Magn. Reason. Imaging. 2012. Vol. 30, No. 9. P. 1323–1341. DOI: 10.1016/j.mri.2012.05.001.
DOI: 10.1016/j.mri.2012.05.001
Yushkevich P.A., Piven J., Hazlett H.C., et al. User-guided 3D active contour segmentation of anatomical structures: significantly improved efficiency and reliability // Neuroimage. 2006. Vol. 31, No. 3. P. 1116–1128. DOI: 10.1016/j.neuroimage.2006.01.015.
DOI: 10.1016/j.neuroimage.2006.01.015
Gonzalez R.C., Woods R.E. Digital Image Processing, Global Edition. 4th ed. London: Pearson, 2018.
Матлахов В.П., Игнатов А.Н., Суслов А.Г. Разработка программного модуля для определения процентного состава компонентов износостойких покрытий // Вестник Брянского государственного технического университета. 2016. № 2 (50). С. 46–51.DOI: 10.12737/20243.
DOI: 10.12737/20243
Пашина Т.А., Гайдель А.В., Зельтер П.М., и др. Сравнение алгоритмов выделения области интереса на компьютерных томограммах легких // Компьютерная оптика. 2020. Т. 44, № 1. С. 74–81. DOI: 10.18287/2412-6179-CO-659.
DOI: 10.18287/2412-6179-CO-659
Canny J. A computational approach to edge detection // IEEE Trans. Pattern Anal. Mach. Intell. 1986. Vol. 8, No. 6. P. 679–698.
Zhu L., Gao Y., Appia V., et al. Automatic delineation of the myocardial wall from CT images via shape segmentation and variational region growing // IEEE Trans. Biomed Eng. 2013. Vol. 60, No. 10. P. 2887–2895. DOI: 10.1109/TBME.2013.2266118.
DOI: 10.1109/TBME.2013.2266118
Sakly H., Said M., Tagina M. Evaluation of the active contour and topographic watershed segmentation “assessment of the systolic ejection fraction in the left ventricular for medical assistance in 5D short axis cine MRI” // Heliyon. 2020. Vol. 6, No. 11. P. e05547. DOI: 10.1016/j.heliyon.2020.e05547.
DOI: 10.1016/j.heliyon.2020.e05547