在這一章，我們要將演算法實際使用在八組病人的心臟電腦斷層圖上，而此八組資 料來源為 Rotterdam Coronary Artery Algorithm Evaluation Framework 所提供，並且附上 了“標準答案”，是由三位醫學方面的專家以人工的方式標示出來的冠狀動脈中心線與對
表 4-2：評估調整方法
表 4-3：擷取演算法的成功率
在表 4-3 中，四個分支分別為右冠狀動脈（Right Coronary Artery）、左前降支（Left Anterior Descending Artery）、左迴旋動脈（Left Circumflex Artery）與另外挑的一支大分 支。可以發現右冠狀動脈的成功率較為穩定，最低也有七成。而左邊的冠狀動脈的成功
(a)
(b)
圖 4-1：擷取失敗的例子。(a)末端擷取失敗(第 01 組)。(b)因為狹窄的關係導致連結失敗(第 04 組)。紅線為標準答案。
圖 4-2：血管狹窄的例子。但最後有成功連結(第 06 組)。紅線為標準答案
以上兩個例子就是我們演算法最大的問題所在，我們在連結代表點的時候，已經將 密度的條件放的很寬鬆了，但仍然會出現血管狹窄導致連結失敗的例子，但若再降低密 度的條件，雖然這裡可能會因此連結起來，但在血管分岔的地方，或血管相近的地方都 會造成更大的錯誤。因此這個部分仍然需要再進一步的研究。而動脈末端的部分也是如 此，若在擷取動脈候選點的時候臨界值再取低一點，雖然末端可能會被偵測出來，但額 外多出來的雜訊干擾則又會變得太多而影響結果，可以參考圖 4-3，為不同臨界值下的 冠狀動脈候選點，可以發現降低臨界值後雜訊變的非常多。
然而我們觀察標準答案發現，冠狀動脈的尾端直徑已經變得非常的小，動脈前半部 直徑還有 4~5mm，然而到了尾端只剩下 1mm 左右，換算成像素只剩下 2、3 個像素。
又因為直徑變小，電腦斷層顯示出來的強度也減弱不少。這些因素對電腦自動判斷是血 管還是雜訊還是有點困難，因此我們的演算法在尾端才會遇到這種找不到血管的狀況。
(a) (b)
(c)
圖 4-3：冠狀動脈候選點。(a)臨界值取 200。(b)臨界值取 175。(c)臨界值取 150。
另外一個問題就是血管分支的地方，這時候縱軸切面下的影像會呈現不規則的形狀，
所以導致我們在找代表點的時候會不太準確。代表點不準確後面連結自然也會出問題，
如圖 4-4 所示，箭頭處的地方就沒有成功的找出代表點，以至於後面連結的時候產生錯 誤，而變成有一小段分支遺失了，以這個例子來看雖然發生了錯誤，但還算有拉回到正 確的分支上。
圖 4-4：錯誤的例子，第 03 組資料。
第五章 結論與未來展望
(a) (b)
圖 5-1：第 07 組資料失敗的部分(a)箭頭處出現斷裂，而後端的血管有找出來可是受到雜訊干擾，
導致連結錯誤。(b)因此後半部整個失敗。
參考文獻
[1] M. Schaap, C. T. Metz, and T. VanWalsum et al., “Standardized evaluation methodology and reference database for evaluating coronary artery centerline extraction algorithms,” Med. Image Anal., vol. 13, pp. 701-714, 2009.
[2] S. Eiho and Y. Qian, “Detection of coronary artery tree using morphological operator,” IEEE Computers in Cardiology, vol. 24, pp. 525-528, 1997.
[3] S. Wesarg and E. Firle, “Segmentation of vessels: The corkscrew algorithm,” Proc. SPIE Conference on Medical Imaging, vol. 3, pp. 1609-1620, 2004.
[4] M. A. Luengo-Oroz, M. J. Ledesma-Carbayo, J. J. Gómez-Diego, M. A. García-Fernández, M.
Desco and A. Santos, “Extraction of the coronary artery tree in cardiac computer tomographic images using morphological operators,” 4th International Conference on Functional Imaging and Modeling of the Heart (FIMH 2007). Lecture Notes in Computer Science, vol. 4466, pp. 424-432, 2007.
<http://hdl.handle.net/10380/1460>.
[7] H. Tek, M. A. Gulsun, S. Laguitton, L. Grady, D. Lesage, and G. Funka-Lea, “Automatic coronary tree modeling,” The Midas Journal. In: 2008 MICCAI Workshop – Grand Challenge Coronary Artery Tracking. <http://hdl.handle.net/10380/1426>.
[8] C. Bauer and H. Bischof, “Edge based tube detection for coronary artery centerline extraction,”
The Midas Journal. In: 2008 MICCAI Workshop – Grand Challenge Coronary Artery Tracking.
<http://hdl.handle.net/10380/1403>.
[9] M. E. Martinez-Perez, A. D. Hughes, A. V. Stanton, S. A. Thom, A. A. Bharath, and K. H.
Parker, “Retinal blood vessel segmentation by means of scale-space analysis and region growing,”
Proc. 2nd MICCAI, Lecture Notes in Computer Science, vol. 1679, pp. 90–97, 1999.
[10] Y. Yang, S. Huang, and N. Rao, “An automatic hybrid method for retinal blood vessel extraction,” International Journal of applied Mathematics and Computer Science, vol. 18, pp.
399-407, 2008.
[11] E. Ricci, and R. Perfetti, “Retinal blood vessel segmentation using line operators and support vector classification,” IEEE Trans. Med. Imag. vol. 26, pp. 1357-1365, 2007.