Little nun, Have u ever heard "Touching is strong forbidden between man and woman?
2011. Aneurysm identification by analysis of the blood-vessel skeleton.
提出动脉瘤颈的识别，基于血管和血管骨架上表面点相互位置的概率估计。
半自动方法最大的特点是侧重于动脉瘤颈的精确识别提取动脉瘤而不是侧重在动脉瘤的检测上。这种方法具有具有特殊的优点，通过比较前面获得的影像中动脉瘤的尺寸，医生可以判断其是否变大，就可以决定是否使用非药物治疗手段。
@neuFUSE 集成了一套复杂的信息工具，能够从存储在数据库中的医学图像中提取一系列指标，提供对动脉瘤生长过程和导致破裂的机制的理解。
- 分割从医学图像开始，自动分离出经对比增强的血管系统边界的几何表示。用多模式测地线活动区域水平集方法实现。
- 表面愈合 由于常见的医学图像达不到必要的分辨率，提取的表面会带有一些伪影需要自动或者交互地移除。
- 中心线提取 从拓扑正确的表面，用一种自动方法（所谓骨架化）提取出血管中心线。输出中心线提供了动脉树的拓扑表示，用在后续的步骤中，标识几何模型（即分配给表面特定的值，如“血管壁”，“动脉瘤颈， “动脉瘤圆顶” ， “入口” ， “出口” ）。
- 动脉瘤颈的识别 这里涉及到动脉瘤颈的识别，所谓颈，是区分动脉瘤区与其余血管的界线。其他地区需要识别和标记，例如入口和出口，但在这种情况下任务是微不足道的，可以完全自动化。另方面，颈识别可能涉及专业操作，因此是手动完成的，一些内部变量是经验值。此外，一些衍生指标在后面的计算都基于这个颈，例如动脉瘤长宽比或在形态分析中计算的非球形指数，许多血流动力学参数都在颈区域计算的：因此一个可靠的，操作独立的机制对于验证颈区，对于后继步骤和衍生指数的提取都是非常重要的。形态学分析：此步骤涉及一系列几何参数计算，例如颈，入口出口直径，动脉瘤深度（瘤颈中心到动脉瘤区最远距离）长宽比（颈的直径和深度比）以及非球形指数。从动脉瘤表面，一系列参数称为泽尔尼克矩和常量提取出来 用于建立动脉瘤图集。
- 血流动力学分析 这是模拟脉管中存在动脉瘤时的血液流动。通过这个模拟，几个向量和标量场提取出来以描述血流动力学流动行为特征，例如壁面剪切力，已经确认是破裂风险的重要因素。前面的步骤计算出了几何模型的流动边界；压力和流入的边界条件通过一个单向映射的血管树或骨架和一维的脉管系统来计算。
- 应力/张力分析 这部分提供了最完整的动脉瘤的生物力学分析，它的增长取决于模型重建过程由 因动脉瘤在心动周期承受的机械负载造成的应力和张力场。这个区域同上一上的计算是相同的，机械负载是由于血流经过。
全面的解决神经血管分割的方法。它是基于连续测地线活动区域模型从CT或者影像图像，使用一个纯熟的概率分类进行构造。关于骨架计算，我们使用混合驱动中心线提取算法。从CT数据中提取三角形表面网格和基本骨架。
2006.Non-parametric geodesic active regions:method and evaluation for cerebral aneurysms segmentation .
几何变形模型+非参数统计框架+多尺度特征能量方程。
得到3D模型后，可在介入治疗中起到非常大的作用。比如，通过形态学分析或者流体计算，形态和血流参数为手术提供依据，将手术创伤降至最低，对动脉瘤破裂提供预测。
3D Rotational Angiography 三维血管造影所遇到的困难：噪声，图像梯度不均匀，血管的大小差别大。 CTA 的困难在于，图像中的骨组织密度值和血管组织过分重叠。
Paragios.2000 利用图像梯度信息和图像区域统计信息的几何变形模型。在多尺度框架下使用高阶差分图像描述子，对影像中的主要组织类别进行区域描述的非参数估计。每个区域的相应概率是由合适的Parzen窗计算和k近邻概率密度估计得出。
研究现状：
- 统计阀值 通过有限混合模型图像中的强度值 （FMM）近似的概率分布，估计期望最大化的算法。自动全局阀值。已用于飞行时间、相位对比，MTR和3DRA。
- 变形模型 模型由形迹表面恢复血管结构的形状。分为参数模型和几何变形模型。参数的变形模型假定一个固定拓扑结构的参数化预定义表面。几何变形模型完全是基于梯度不同的信息，可变形表面的演进非常依赖图像的质量。
- 基于区域的几何变形模型 测地线活动区域geodesic active regions.表面变形的演化方程，最小能量方程，不仅取决于梯度也取决于区域的统计信息。
以前的概率估计基于两个假设：图像强度是最重要的组织识别描述子，强度分布统计可由参数估计描述。
本文认为，使用高阶差分图像信息+非参数估计可能提供更精确的组织描述。相关的思想还有，地标统计形状模型，灰度级表现模型，主动形状模型ASM。然而这些方法都没有应用到3D或者整合进隐式变形模型中。
Pichon2004就一般的图像分割排出了一个统计流，考虑强度和梯度作为组织描述子，Parzen窗作为非参数估计。
- 非参数测地线活动区域
几何变形模型对曲线和曲面的演化和水平集方法 统一参数化模型 。方法思想源于蛇形测地线，初始曲线曲曲面朝最小能量方程演进。
Paragios2000 测地线活动区域（GAR）将边和统计信息整合进能量方程。边的信息是基于一个方程，同质区梯度为正，边上梯度为零。统计信息是指在区域方面的描述符，它是与每个区域的概率相关的方程。在能量方程的定义中，基于区域的项 取决于该分区上提供的图像域 （X），在一个不断变化的表面（surface） ，图像区X分为 in U out U surface. 能量方程定义为：
这了计算表面演化驱动的差分方程，使用了变分法。本方法中，时间t是区域依赖的。
水平集方法（ Osher和Sethian ，1988） 跟踪运动的表面，使表面的拓扑改变，并避免数值不稳定的变化。基本上，水平集方法包括嵌入一维流行进化表面 高于S隐式表示的一个函数Φ。 表面S可由Φ的零水平重构，
组织类的非参数描述
利用影像数据优化组织类模型
训练集的定义 如何选择训练集的候选集，在监督模式识别方法的学习阶段非常重要并仍然是一个开放性话题，Duin and Peka-lska, 2005
3DRA的训练 首先，所选的图像被裁剪排除零强度区域，同时保留大部分的血管树。然后，裁剪的图像预先使用各向异性嗜扩散滤波器处理。各向异性扩散的使用是为了减少噪声，同时保留图像的特征，从而提高了标记的结果。这个过滤器通过解方程来计算：
在这里，血管、背景和部分体素已经标记在裁剪的图像中。
在训练集的设计上，有几种可自动标记的算法：K平均，区域增长，手动阀值。本文使用K均值，全自动标记，与手动阀值相比，参数独立并产生良好的分割效果。
最后，训练点随机选自血管和背景组织， 计算并存储相应的特征向量 。
CTA训练集 在图像中骨结构的存在下，具有额外的挑战。骨组织和血管、动脉瘤的强度值高度重叠，特别在部分体素上。此外，大多数血管和动脉瘤是在接近头骨的Willis环。
CTA训练集建设的方案开始于选择一组在数据库中最典型的地方观察到脑血管瘤临床数据集。这些图像将被裁剪几个感兴趣的区域，包括动脉瘤，血管，从Willis环，骨组织下段中间和后段。在涉及到骨组织时，K均值是最精确的，其它几个自动标记都不能得到很好的结果。最后，血管，背景和部分体素组织在裁剪区中标出。计算并存储相应的特征向量。
多尺度图像特征
特征尺度转换成z值 duda 2001
最优邻居数k的选择 交叉验证CV用于泛化误差的选择。
最优特征的选择 为了进一步改善非参数估计模型，特征选择的算法从当前最优特征子集中，包括两个最佳特征，移除最坏的特征 。 这个算法是更有效的连续特征选择，因为它有前向和后向，如果特征提高了性能，允许移除已经加进的特征。
排除了加入特征的准则是基于正确识别率，是一个交叉验证的泛化误差估计。
X是当前子集中的特征。
低尺度特征比大尺度的特征计算更加频繁。
评估 为此，使用两个不同的相异度测量：（1）体重叠指数 来自Kappa统计（ Zijdenbos等， 1994）（2）真值到基于模型的分割的绝对表面的距离。
金标准和替代技术
k均值聚类 用于在训练阶段的标记，k均值是无监督分类方法，基于内部类差异最小化。图像首先经过使用各向异性扩散过滤，来提高分类结果。3DRA使用三聚类（血管，背景和部分体素），CTA使用五聚类（血管，背景，骨，空气和部分体素）。
基于模型的技术 包括在使用基于表面演化方法 在水平集框架内 尽量减少变分问题。在能量方程中的三个方面，考虑进基于区域的信息。
评估标准
为了评估两分割的体重叠 (1) DSC , 这个系数已经广泛用于验证医疗图像分割算法。
为了评估两分割的准确性 (1)统计框架下的点到面距离。
为了比较真值和基于模型分割的表面 (1)绝对表面距离