如何基于动脉分割中心线建图存储冠脉树并提取图像patch

你已经拿到分割结果和骨架化中心线的话，按下面三步做就能拿到符合要求的图结构，全程不需要额外复杂算法：

1 提取图节点（特征点） #

先把骨架上的点分三类筛，所有筛出来的点就是图的节点，每个点分配全局唯一ID：

• 端点：遍历骨架所有像素，统计每个像素8邻域内属于骨架的像素数量，数量为1的就是血管分支的末端点，必须保留
• 分叉点：邻域内骨架像素数≥3的点，对应血管分叉的位置，这里注意加个小规则去噪：要求该点周围3*3范围内至少有2个满足邻域像素≥3的点，才判定为真分叉点，不然很多分割边缘毛刺带出来的假分叉会把拓扑搞乱
• 段内采样点：筛完所有端点和分叉点之后，任意两个特殊点（端点/分叉点）之间就是一段没有分叉的独立血管段，沿着这段血管的骨架，按固定步长采样就行，步长和你后续要提的patch尺寸匹配即可——比如你要提32*32的patch，步长设16像素，刚好patch之间有50%重叠，不会漏特征也不会太冗余。
  所有节点除了ID，必须存两个核心属性：(x, y)像素坐标、该位置的血管管径（从分割掩码上算该点到血管壁的最短距离乘2即可）。

2 构建拓扑连接边 #

节点筛完之后顺着骨架连边就行：

• 从每个端点、分叉点出发，沿着骨架的8邻域往未遍历的方向走，每走到下一个采样点就给两个点加一条无向边，直到走到下一个分叉点/端点就停止当前路径遍历
• 全部遍历完之后做一遍清洗：删掉没有任何边连接的孤立噪点，删掉两个节点之间重复的边，最后得到的边集就是完整的冠脉拓扑，天然是树结构不会有环路，完全匹配血管的实际分支关系。

3 存储与patch提取适配 #

• 存储不用搞复杂格式：轻量场景直接用Python的NetworkX库存Graph对象就行，节点属性、边属性都能直接挂载，后续导出成JSON、GEXF格式跨工具用也方便；如果追求读存速度，单独存节点坐标数组+邻接表矩阵也可以。
• 提patch的时候直接遍历所有节点，拿节点的(x,y)当中心，按你要的尺寸从原始造影图/分割图上裁即可，图像边缘位置的节点裁的时候用零值/灰度均值补padding，避免坐标越界报错。

实测提示：如果骨架提取完有很多小的短枝噪点，可以先给所有血管段算长度，把长度低于3个像素的短枝直接删掉，能省很多后续去噪的功夫。

内容的提问来源于stack exchange，提问作者Angie