CBCT数据上呼吸道分割策略评估：效果与优化方法

本文主要探讨了在锥形束计算机断层扫描（Cone-Beam CT, CBCT）数据中有效分割上呼吸道，特别是鼻腔和咽部的策略。CBCT因其广泛可用、辐射剂量低和扫描时间短，成为构建解剖结构数据库的理想数据源。然而，由于其较高的噪声和较低的对比度，相较于螺旋CT，CBCT图像分割面临更大的挑战。作者针对这一问题，对多种方法进行了评估。 首先，研究者尝试了全局阈值化方法，这是一种基础的二值化技术，通过设置单一阈值来区分目标区域和背景。然而，鼻腔的复杂性和与鼻旁窦的细微边界可能导致过度或不足的分割。 接着，多步水平集方法被用来逐步细化分割过程，通过迭代调整边界，但同样可能因噪声和对比度问题而受到影响。区域竞争方法结合了阈值化、聚类和分类初始化，以及边缘吸引技术，试图更精细地处理气道细节。然而，结果显示对于气道下部的分割（鼻咽至喉部），整体阈值、多步水平集方法表现较好，而边缘吸引技术则未能达到理想效果。 特别值得一提的是，半自动区域生长分割方法，通过多阈值或分类初始化，能够提供高质量的分割结果。这种方法允许一定程度的手动干预，仅需少量编辑即可得到精确的上呼吸道模型。而且，与全自动方法相比，它更节省时间，对操作者的专业知识依赖相对较少，显示出较高的实用性和效率。 研究者还使用了基于距离、重叠和体积的指标来评价分割的准确性，这些指标有助于量化分割结果与参考手动分割之间的差距。综合评估表明，对于上呼吸道的分割，多阈值分类初始化的半自动区域生长方法是最佳选择，能够在保持精度的同时，实现相对高效和用户友好。 总结来说，这篇论文为CBCT数据中上呼吸道分割提供了有价值的参考，强调了多阈值初始化方法在克服噪声和复杂性方面的重要性，并为后续的研究和临床应用提供了实践指导。