就會很難擷取正確。
2.1.2 全自動方法
在 Bouraoui 等人的文獻[6]中，首先利用數學形態學處理的 hit-or-miss 方法 偵測出主動脈後，再從自己定義的主動脈與冠狀動脈可能的位置之結構元素去偵 測出冠狀動脈的起點位置，接著就將此起點作為起點執行區域增長演算法，找出 完整的冠狀動脈結構。
在 Kitslaar 等人的文獻[7]中，是利用形態學的方式。首先偵測出主動脈的位 置來找出冠狀動脈的起點，並將每層影像中不屬於血管的部分屏蔽掉，再從剩下
介紹，但部分文獻會同時使用上述多個特徵判斷，將視其重要性置於所屬分類。
2.2.1 依面積資訊
首先 Renard 等人的文獻[10]中，他們給定一個起始點並利用 multi-scale vessel tracking filter 提取出整個冠狀動脈的血管中心線，再利用適應性區域增長演算法 (adaptive region growing approach)分割出血管腔與血管壁。之後利用管壁面積減 去管腔面積來判斷血管中是否存在軟斑塊。若其相減後面積差異越大，表示該處 越有可能出現狹窄。
Eslami提出的方法[11]，首先利用自定義的可膨脹管狀物擷取出冠狀動脈，
沿著中心線會有不同半徑的圓表示血管範圍。接著利用圓的橫截面面積與亮度來 判斷是否狹窄，若真實的管腔面積與期望的管腔面積越差異越大則表示發生狹窄 的可能性愈高，而期望的管腔面積是由真實面積去找出一個迴歸的二次曲線所得 到。
Melki他們提出的方法[12]，利用各個血管中心點座標當作分水嶺演算法 (watershed process)的初始點以擷取出血管結構，接下來從上一張橫截面中分割出 來的管腔去計算出當前橫截面中的血管輪廓。在狹窄檢測的部分，利用robust regression建出正常的管腔面積作為參考標準，然後取出真實面積與參考面積縮 小超過50%的點，並標出狹窄的起始與結束位置，接著將此段位置的中心標記為 狹窄處。
上述做法主要為求出期望的管腔面積，並與真實面積做比較，來求得是否為 狹窄。但是，若整段血管有嚴重狹窄時，或在血管末端處較不容易計算出正確的 管腔時，可能因此導致判斷錯誤。
2.2.2 依半徑與直徑資訊
Mohr 等 人 提 出 的 方 法 [13] ，利 用 三維主 動輪廓模型 (3D active contour approach) 對 血管 中心 線上 的橫 截面分 割出 管腔與 管壁。 接著利 用 Bayesian Information Criterion 找出最佳的鈣化閥值(threshold)，將鈣化的部分移除。然後 使用 k-Means 決定一個像素為管腔還是管壁。最後將真實的管腔直徑與一條近似 後的期望管腔直徑做判斷，若直徑減少超過 20%以上則視為狹窄。
Wang等人提出的方法[14]，首先利用水平集分割法(level set propagation)，得 到修正後的血管中心線與血管模型。接著，利用Implicit vessel models分別帶入兩 組不同的參數以產生管壁與管腔的血管模型。接著對每段血管管壁的直徑做 robust linear regression產生期望的的直徑函數r(x)，再對管腔使用類似的方法，但 改使用mean filter且window size為3mm來平滑化管腔的直徑函數。最後將管腔直 徑函數的local minima視為可能狹窄的地方。
Shahzad提出的方法[15]，首先利用起終點的minimum cost path得到初始的血 管中心線，接著利用multi-planar reformatted (MPR) image stack得到更精確的血管 中心線。然後對此影像利用graph cut做binary segmentation，得到完整的管腔範圍。
最後利用weighted Gaussian kernel regression獲得期望的血管半徑，然後利用橫截 面面積 以及 √ ⁄ 求得半徑。再將求得的真實半徑與期望血管半徑比較，
以判斷是否狹窄。
Oksuz提出的方法[16]，首先會將超過500HU的部分移除，以消除鈣化。接 著利用Hessian matrix與三維區域增長演算法(3D Region growing approach)分割出 冠狀動脈。然後利用Plane fitting對血管中心線上的每一點做血管直徑的估計，若 直徑縮小超過50%以上則視為狹窄。
上述的方法，皆利用半徑或直徑來判斷是否狹窄，此種判斷方式，取決於血 管範圍是否擷取正確。若血管範圍沒有辦法很好的擷取出來，則很容易會判斷錯 誤。
2.2.3 依亮度資訊
而 Cetin 等人的文獻[17]中，他們利用一個基於強度的張量模型沿著血管分 割出冠狀動脈樹，然後提取各個血管的橫切面影像。接著定義了兩個圓柱體，取 出由這兩個圓柱體之間在各個不同位置下的平均亮度差異，以及對每個中心點取 前後相同長度段之平均亮度差異，還有從縱切面中觀察到半徑變化，將各中心點 標記是否可能為狹窄，形成一串 binary label，最後將這些特徵訓練出一個隨機森 林分類器(Random forest classifier)，並由此分類器得到分類結果。
Broersen等人所提出的方法[18]中，首先利用Yang et al.[19]的方法取出完整 的冠狀動脈樹，接著利用Boogers et al.[20]提出的方法對每個橫截面分割出血管 腔與血管壁的邊界輪廓。若介於管腔與管壁之間的面積強度值大於等於350HU則 其認為鈣化，然後選擇最小管腔面積的地方為病變位置。除此之外，若管腔強度 值減少超過100HU則亦判定為病變，因為表示此處可能有嚴重狹窄，才會導致強 度值變化這麼劇烈。
Duval提出的方法[21]，他們為每個取出的血管中心線橫截面定義一個圓形，
並將圓形劃分數個區域，接著取這些區域的平均亮度、最大亮度、最小亮度以及 各區域間的亮度差異當作特徵，然後利用隨機森林分類器(Random forest classifier) 判斷該橫截面是否屬於狹窄。
因為狹窄與鈣化分別較正常血管的亮度值低與高，因此亮度資訊在判斷狹窄 與鈣化上是一個很直覺的方式，但困難的地方是判斷鈣化血管與正常血管以及狹 窄血管與正常血管之間亮度重疊的部分，因為這會影響到分割出來的血管輪廓，
若之後有使用其他特徵，則會影響到之後的判斷結果。