全 文 ：第25卷 第8期
2013年8月
生命科学
Chinese Bulletin of Life Sciences
Vol. 25, No. 8
Aug., 2013
文章编号：1004-0374(2013)08-0812-10
血管网络定量分析研究进展
彭浩杰，赵　俊*
(上海交通大学生物医学工程学院，上海 200240)
摘　要：血管异常与畸形是多种疾病 (如血管栓塞、肿瘤、动脉瘤畸形等 )的常见形态改变，会引发其他
一系列更加严重的生理病变。因此，多年以来，大量的研究者都希望通过分析血管的分布和形态变化，实
现对这些疾病的预防、发现和诊断。近年来，随着成像手段和图像处理技术的突飞猛进，借助血管数字减影
技术 (digital subtraction angiography, DSA)、磁共振血管造影技术 (magnetic resonance angiography, MRA)、Micro-
CT等多种多样的成像手段以及同步辐射这种全新的光源，可获得的血管图像的分辨率有了大幅提高，针对
血管网络的定量分析有了显著的发展。总结了一般血管定量分析的流程，回顾了近年来在普通Micro-CT、
同步辐射等新兴领域血管定量分析工作取得的最新进展，讨论了未来定量分析工作的发展趋势和应用前景。
关键词：血管定量分析； 血管分割； 定量指标； Micro-CT； 同步辐射
中图分类号：Q-334；Q954.56 文献标志码：A
Advances in the quantitative analysis of vasculature structure
PENG Hao-Jie, ZHAO Jun*
(School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China)
Abstract: Vessel abnormality and malformation are common in many serious diseases, such as cancer, thrombosis
and meridians varicose, which finally lead to vascular lesions and malfunction. Therefore, over the years,
researchers have been trying to prevent, detect and diagnose these diseases by analyzing the distributional and
morphological changes of the blood vessels. Thanks to the development of high-resolution imaging technology such
as DSA, MRA, Micro-CT and synchrotron radiation imaging, we can obtain lots of high resolution images, which
can be used in further vascular quantification. This paper summarized the general process of vascular quantification,
reviewed the progress made in recent years in the field of vascular quantification based on high-resolution imaging,
and discussed the development trends and application for future quantitative analysis.
Key words: vascular quantification; vessel segment; quantitative metrics; Micro-CT; synchrotron radiation
收稿日期：2013-05-02
基金项目：国家重点基础研究发展计划(“973”项目)
(2010CB834302)
*通信作者：E-mail: junzhao@sjtu.edu.cn
血管定量分析指的是借助影像学和形态学的方
法，对血管网络的特性进行量化分析，将血管网络
的重要特点以明确的数值指标形式予以说明。通过
血管的定量分析，可以不依靠医生的主观经验，判
断出可能患有的血管异常或者病变 [1-3]，因此，具
有十分重要的实用价值。由于血管网络是遍布于人
体内部的管腔结构，除眼底的视网膜血管可以直接
观察以外，其他部位的血管都需要借助多种成像手
段进行观察，所以成像技术的发展是血管定量分析
的基础，只有得到足够精确的血管图像，定量分析
才有意义。而血管定量分析方法又是深入挖掘血管
影像信息的有力工具。两者软、硬件的结合，保证
了高内涵血管影像研究的实现。
血管的定量分析包含了血管图像的采集、重建、
分割、定量指标的选取和计算这一系列的过程，其
中最重要的两个步骤是血管的分割和定量指标的选
取 (图 1)。最近二十年来，血管定量分析经历了从
彭浩杰，等：血管网络定量分析研究进展第8期 813
图1　血管定量分析的一般过程
二维到三维，从单一成像手段到多种成像手段，从
单个指标分析到多种指标综合分析的发展过程，用
定量指标的数据来描述血管病变的发展程度已经成
为了越来越普遍的做法。
1　血管的分割提取
血管图像处理是进行血管定量分析的第一步，
通常包括图像增强、去噪、重建、分割、中心线提
取等步骤，其中血管的分割是最重要的一环，分割
结果的精确程度直接关系到随后进行的定量化分析
结果的可信度。
随着图像处理技术的不断发展，血管分割算法
越来越成熟和多样化，其本质是一类树形结构的分
割问题。树形结构的分割有很多衍生应用领域，如
河流网络的分析，植物根部、叶脉的分析等等，但
是在实际使用中，由于图像来源和图像的特点很不
相同，目前并没有一种成熟的算法可以完美地解决
所有领域的树形结构分割问题。传统的图像分割算
法，如边缘检测算法、区域生长算法、阈值分割算
法等都没有利用血管具有树形结构这一形态特征，
分割效果也不甚理想。目前的血管造影技术基本都
需要使用造影剂，获得的图像中可供用来进行血管
分割的特征主要是灰度分布和血管形状两类。一方
面，由于造影剂是 X射线强吸收物质，在最后图像
上会呈现较低灰度；另一方面，血管是管状结构，
相对于其他软组织，有较为统一的形状特征，所以
绝大多数算法都是基于这两方面来做扩展。在血管
提取中，现有的血管分割算法大致可以分为五类：
基于模型的方法、基于模式识别的方法、基于人工
智能的方法、基于跟踪的方法以及其他各种基于血
管管状结构的方法。
基于模型的方法 [4]使用明确的模型来提取血
管系统，可以分为参数模型、模板匹配、广义圆柱
模型和可变形模型等四类。可变形模型又可以分为
参数化可变形模型和几何可变形模型两种，是目前
研究最多的方法，但是这类方法通常较为复杂，应
用于大数据图像效率很低，因此，对于实际的血管
图像分割，它并不是经常采用的方法。
基于模式识别的方法采用一定的技术手段自动
提取血管结构和特征，这些技术有匹配滤波方法、
基于骨架的方法、基于脊的方法、微分几何方法、
区域增长方法、多尺度方法和数学形态学方法等等。
以数学形态学方法为例，数学形态学图像处理的基
本思想是利用结构元素收集图像的信息，通过定义
不同的形态学算子，并将其作用于图像来达到强调
或削弱特定图像元素的目的。Zana和 Klein[5]最早
提出了从血管影像中分割血管的形态学方法，它使
用一个几何模型来区别所有可能影响血管的不期望
的模式。在医学图像分割中，Top-hat运算和分水
岭算法是最常用的形态学运算。Eiho和 Qian[6]利用
数学形态学方法来提取造影图像中的冠状动脉，他
们在利用 Top-hat运算来强化血管结构的基础上，
采用腐蚀操作滤去图像中的噪声，通过区域增加的
方法来提取整个血管树结构。在这个过程中，区域
种子点的选择是人工进行的。Thackery和 Nelson[7]
提出了一种使用成组的结构元素来描述血管结构的
方法，他们选取了 8个不同方向的结构元素，用来
提取小鼠毛细血管的分支，但是这种方法在血管分
支部位的提取上会遇到问题。周密等 [8]将这种结构
元素从二维扩展到三维，在三维空间中选取了不同
生命科学 第25卷814
方向上的 36个结构元素，提取出小鼠新生肿瘤血
管的分支。图 2展示了周密等提取出的血管骨架。
基于人工智能的方法利用“知识”去引导分割
过程和描绘血管形状。基于知识的系统把解剖结构
作为先验知识，它的优点是有很好的精度，缺点是
计算过程复杂。Smets等 [9]把关于血管表面的“知
识”用高强度的中轴线、由平行边缘组成的高强度
区域边界等 11条规则表示出来。Stansfield[10]用基
于解剖学的知识解释心脏血管造影，提出了一种叫
做 ANGY的基于规则的专家系统，它能够从 DSA
图像中分割血管，但不能把这些单元组成一个完整
的血管结构。
基于跟踪的方法是从已知血管部分图像的边界
上的一个像素点出发，依次搜索并且连接相邻边界
点，从而逐步检测出整个血管边界或者中轴线。这
种方法的优点在于可以较好地克服噪声造成的边缘
点之间的不连续性，缺点在于需要借助一定的先验
知识，人为地确定分割起点，而且计算也比较复杂。
在这方面近年来也衍生出了很多算法：Aylward和
Bullitt[11]以及 Aylward等 [12]利用灰度脊粗略估计图
像中管状结构的中心线；Park等 [13]使用了一种改
进的追踪方法从 DSA图像上实现了细小血管结构
的分割，他们使用了最大似然估计法来寻找相邻边
界像素，在分割前使用中值滤波来提高图像的质量；
Haris等 [14]使用跟踪的方法成功从血管造影图中提
取到了冠状动脉。
由于血管是管状结构，还有一些用于提取管状
结构方法可以用来分割血管，这些方法包括利用
Hough变换检测边界、提取航空图像上道路的带状
蛇形模型、结合轮廓和阴影的广义圆柱模型、概率
图与图分割算法结合、结合宏观几何特性与动态规
划等，在这里就不再一一叙述。
得到了准确的分割图像之后就可以进一步通过
距离变换 [15]、细化 [16]、动态跟踪 [17-18]等方法得到
血管网络的中心线，方便下一步的定量分析。
2　血管的定量指标
血管定量指标的选取决定着血管定量分析结果
的意义。很多心血管疾病在表现出临床症状之前，
往往会在血管的分布和形态结构上发生改变，如眼
底视网膜病变会导致其视网膜血管的形态发生明显
改变，肿瘤在各个生长时期其新生血管的分布和数
量也显著异于周围正常血管。血管定量指标可以将
血管的空间分布和形态结构特征，以数值的方式体
现出来，而异常的血管网络往往在这些指标的计算
结果上与正常的血管网络存在着明显的差异，所以
可以藉由这些指标评估血管网络的病变程度，从而
达到一些疾病的提前发现和诊断的目的。
血管定量指标的种类很多，目前常用的可以分
为以下几大类 (表 1)。
2.1　血管数目类
在血管定量分析的过程中，往往会定义“节
点”(node)和“终点”(endpoint)。所谓节点，就是
在血管中心线上两条线交汇 (或者分开 )的点；所
A~C分别为肝脏部位原始图像、分割后图像、血管骨架；D~F分别为肿瘤原始图像、分割后图像、血管骨架
图2　肝脏血管和肿瘤血管的分割提取结果[8]
彭浩杰，等：血管网络定量分析研究进展第8期 815
谓终点，就是血管中心线上沿血管方向的最后一个
点。节点与节点之间或者节点与终点之间被看作是
一段血管。对于一个给定的血管网络，首先关心的
就是血管的数目信息，包括其中血管的长度、血管
分支的数量、血管的体积等。在实际应用中，血管
长度常用血管总长度 (total vessel length)、血管平均
长度 (average vessel length)等指标表征，血管的分
支点数目通过血管分支数 (number of junctions)、血
管节点数 (number of nodes，在一些文献中也被称为
血管连接数 )两个指标来反映。血管分支的数量通
过血管分支数和血管节点数这两个指标来反映。血
管的体积 (total volume of vessels)通过统计区域内
血管部分的像素值得到。
2.2　血管管径类
血管的管径可以反映出血管的发育程度、主干
血管的生长方向等信息，所以也成为一种常用的定
量指标。血管的管径可以用平均半径 (average
radius)、最大 /最小半径、平均截面积 (average area)、
半径变化率、截面积变化率等指标来表征。在一
般的处理过程中，认为血管管腔截面为圆形，所以
在血管中心线上的像素点到血管壁的距离就被认为
是该点处的血管截面半径。在许多文献中，血管的
管径都是最主要使用的定量指标。如果根据血管的
管径为血管图像着以伪彩色，那么就可以更加清
晰明了地显示出血管管径在整个血管网络中的分布
情况。
2.3　血管密度类
前面两类指标反映的都是血管的绝对数量，如
果将这些指标与图像的面积 (二维血管图像 )或者
空间体积 (三维血管图像 )联合起来就可以得到单
位面积或者单位体积内的血管分布，也就是在很多
文献中提到的血管密度。血管密度的定义为某区域
内的血管绝对数量，可以用上面提到的血管数目类
指标来进行表征，这样得到的血管密度实际上反映
的是血管在空间区域内的密集程度，通过分析该区
域内血管的密度情况可以量化地反映出血管的整体
分布趋势。同时，对比正常部位的血管密度分布，
可以比较明显地看出其病变的部位和程度。
2.4　血管卷曲度
当血管发生病变的时候，除了会反映在血管的
整体分布上，也会反映在血管的细微结构上，其中
最突出的就是血管的生长方向。正常情况下，血管
的形态是平滑的，但在病变的血管网络中 (比如新
生肿瘤血管、眼底病变血管 )，血管的生长方向会
出现大量异常的扭曲，这种情况在许多文献中被称
为血管的卷曲 (tortuosity)。对血管卷曲程度的量化
分析很大程度上依赖于微小血管结构的精确成像，
而限于成像手段的分辨率，早期在这方面的研究很
少。近年来，随着MRA、Micro-CT等技术的发展
和同步辐射光源在医学成像上的应用，血管的细微
结构成像效果大大加强，越来越多的研究者转向了
对血管形态结构的研究，血管的卷曲是其中的一个
热点。
早期针对血管卷曲程度的定量分析大多使用二
维图像 (如人眼视网膜血管图像 )，思路都是将血
管的形态与直线进行对比。经典的指标为 distance
metric(DM)[19-22]，它定义为某条血管的实际长度与
连接该条血管起点和终点形成的线段长度的比值。
Capowski等 [23]、 Smedby等 [19]、Hart等 [24]分别对
DM进行了一些扩展和改进，试图提高 DM在复杂
血管网络中的有效性和准确度。Bullitt等 [25]在 DM
的基础上扩展了血管卷曲的表征形式，并且将血管
定量分析的工作从二维图像扩展到三维图像。他们
提出了 Inflection Count Metric (ICM)和 Sum of Angles
Metric (SOAM)两种新的定量指标，前者通过用
DM值除以该段血管上 “拐点 ”(inflection point)数
目的方法来修正 DM值，使其对低变化频率、大变
化幅度和高变化频率、小变化幅度两类血管有更好
的辨识度；后者则用血管中心路径上血管角度变化
值的总和除以血管的长度，是用角度来表征血管卷
曲程度的崭新指标。
2.5　其他指标
除去以上提到的几类指标以外，还有其他一些
基于血管树形结构的形态学指标。基于默里定律
表1　血管定量指标小结
指标类别 包含的定量指标
血管数目类 血管长度、血管分支数、血管节点数、血管体积等
血管管径类 血管平均半径、血管截面积等
血管密度类 微血管密度等
血管形态类 血管卷曲度、分叉角、分支幂数、分形维度等
生命科学 第25卷816
(Murray’s law)，即在一个最佳循环网络中，大血管
半径的立方大约等于小血管半径的立方的总和，提
出的分支幂数 (junctional exponent)以及血管分叉角
(vascular bifurcation angles)等 [26-27]可以用于评价血
管分支的健康状况。分形维度 (fractal dimension)[28-29]
描述分形物体对其所在空间填充的程度，在许多时
候也可以用来表征血管在空间中的分布状况。
此外，在血流动力学和生理学方面还有一些指
标，如血流速度、血氧饱和度等，但这些数据的获
得需要借助其他的生化检测手段，所以此处暂时不
予讨论。
3　血管定量分析的进展情况
血管定量分析从 20世纪 80年代开始发展至今
经历了从二维到三维，从单一成像模态定量到多种
成像模态定量的发展过程。从普通照相术、DSA二
维图像到目前的MRA、Micro-CT三维图像，血管
定量分析的基本流程都是相似的，形成了一套相对
完备的血管定量分析方法。近年来，同步辐射成像
手段的出现为血管定量分析带来了大量高分辨率的
研究素材，大多数在MRA、Micro-CT领域的定量
分析方法、指标只需要稍加修正就可以在同步辐射
领域取得不错的效果。
早期血管定量分析研究主要集中在视网膜血管
方面，由于视网膜血管肉眼直接可见，所以只需用
普通相机就可记录下血管网络的图像。不少研究者
已经通过定量分析眼底数据，得到了相对准确的血
管病变信息。近年来，许多研究者将焦点锁定在通
过研究视网膜微血管形态学的变化来预测视网膜病
变的发生。Wilson等 [30]研究了早产新生儿视网膜
血管的形态特征，试图找出不同视网膜视病变程度
下形态学的改变过程。图 3展示了他们的一些成果。
他们采用血管的卷曲度 (tortuosity)和血管的宽度
(直径 )作为评价血管形态的量化指标，而针对血
管的卷曲度，他们使用了 14种不同的计算方法，
并且通过 10个实际的早产儿视网膜病变病例的实
A：分割后的视网膜血管；B：用自动分析的方法得出的卷曲度；C：5位眼科医生人工测定结果的平均值；D：使用14种计
算方法之一计算出的卷曲度
图3　对早产新生儿视网膜血管卷曲度的部分研究成果[30]
彭浩杰，等：血管网络定量分析研究进展第8期 817
验，比较得出了其中最能反映出病变血管形态差异
的计算方法。之后，Kandasamy等 [31]研究了足月
新生儿的视网膜微血管形态，通过对比 20例足月
新生儿视网膜动静脉的直径和动静脉比例，发现随
着婴儿的发育，两者比例均有增大且与性别无关。
近年来，视网膜血管实时造影、实时分析成为发展
的新热点。
血管定量分析的发展在很大程度上依赖于成像
手段的进步，近年来，通过各种成像手段得到的大
量高分辨率血管图像使得血管定量分析有了更加深
入的应用。一方面，传统的血管指标，如血管密度、
分支数、节点数等在判定视网膜病变等方面依然占
有重要的地位，而且得益于成像手段分辨率的提高，
这些指标的精确度和可信度都有了很大的提高；另
一方面，针对通过MRA、Micro-CT、同步辐射成
像等新手段得到的血管图像的定量分析也有了很大
发展。
MRA是目前临床上使用最为广泛的血管造影
技术，它不仅是对血管腔内结构的简单描述，更反
映了血流方式和速度的血管功能方面的信息。相比
于视网膜血管的定量分析，MRA血管图像的定量
工作的难点在于需要将原本在二维图像上使用的方
法扩展至三维领域。在MRA血管定量分析方面，
Bulitt等 [32]进行了大量的工作，他们第一次提出了
基于MRA图像的血管三维卷曲度分析方法，并且
使用 SOAM、ICM等全新的卷曲度表征指标对 30
例脑肿瘤患者的脑部MRA血管图像进行验证，通
过定义肿瘤的恶性度可能性 (probability of malig-
nancy)，量化地评估了这些肿瘤样本的恶性程度，
结果表明，量化后得到的结论与临床实际诊断后的
结论相吻合。图 4是他们所搜集到的恶性肿瘤和良
性肿瘤的对比，表 2则展示了他们对这 30例肿瘤
A：恶性肿瘤区域及区域内的血管；B：良性肿瘤区域及区域内的血管。可以看出恶性肿瘤区域的血管卷曲频率高，良性肿
瘤区域的血管相对平滑
图4　同一位脑肿瘤患者的肿瘤对比图[32]
患者血管定量工作的结果。
Micro-CT因为高于传统 CT的分辨率，在小动
物结构成像中被广泛应用，近年来也有大量的学者
对常规光源Micro-CT血管图像的定量分析进行了
研究。Vasquz等 [33]使用 Mircro-CT对注射了造影
剂Microfil的小鼠肺、大脑、心脏和肾脏成像，获
得了最小直径 50 μm的血管图像，并进一步分析了
在这些组织中血管的直径的分布变化情况。Zhou
等 [34]使用Micro-CT采集正常小鼠肝脏和离体乳腺
癌的血管图像，使用血管密度、节点数、分支数、
卷曲度等指标对比了两者在血管分布和血管形态上
的差异，实现了对尺寸更小、结构更精细的肿瘤血
管的定量分析，为实现肿瘤的早期诊断和药物治疗
的效果追踪提供重要依据。Hu等 [35]使用 GE公司
Micro-CT设备，在实现了小鼠脊柱微血管三维成像
的基础上，对受损脊柱和正常脊柱的血管网络进行
了定量化的分析，动态地观察到小鼠脊柱损伤前后，
髓区血管密度的逐步增加这一自我修复过程，为研
究人脊柱损伤和修复的机理奠定了基础。
同步辐射光源则是近年来研究的热点，其准相
干性、高分辨率、高亮度等的特点进一步提高了
CT、Micro-CT的成像分辨率，可以让研究者获得
直径小于 10 μm的微血管的清晰图像，因而大量的
研究者开始使用同步辐射光源作为成像光源，进行
诸如 X射线投影、CT成像的尝试，获得了大量可
用的动物和人体组织数据，并对这一领域的血管定
量分析进行研究。Eppel等 [36]利用日本同步辐射装
置 (SPring-8)研究了在体小鼠肾脏微血管的对比造
影技术。研究中，他们使用实时血管对比造影的方
法，通过连续观察血管紧张素 II和肾神经电刺激对
肾脏微血管的形态和血流动力学影响 (图 5)，发现
肾脏部位的血管直径主要受血管紧张素 II和肾神经
生命科学 第25卷818
表2　30例脑肿瘤患者的血管定量及恶性度判定结果[32]
ID VC AVRAD SOAM ICM MP RT DX Malignant
1 2.1 5.4 2.3 0.9 95 N GBM Y
2 5.0 1.9 4.7 0.7 100 N GBM Y
3 9.1 −1.1 2.8 0.4 96 N GBM Y
4 −0.2 −1.6 2.7 0.9 97 N GBM Y
5 3.4 4.5 7.6 −0.2 100 N GBM Y
6 −0.6 6.3 1.8 2.4 95 N Glioma III Y
7 (23) 6.2 5.4 6.2 0.4 100 Y Melanoma Y
8 4.0 10.9 2.3 0.4 90 N Glioma III Y
9 5.5 2.6 3.2 −0.5 96 N GBM Y
10 0.8 −1.8 3.5 −0.2 98 N Pinealoblastoma Y
11 3.1 2.8 4.1 0.5 100 N GBM Y
12 0.4 4.3 3.1 0.2 98 N GBM Y
13 (14) 1.8 12.2 1.9 0.8 88 N Melanoma Y
14 (13) 3.7 0.7 2.7 −0.2 93 N Melanoma Y
15 −0.5 −1.1 4.7 0.6 100 Y RadNec/GBM Y
16 4.0 −0.6 2.6 4.9 97 Y Lymphoma Y
17 2.8 0.1 3.9 2.6 99 N Breast Y
18 0.2 −1.8 2.6 −2.0 60 Y RadNec/GBM Y
19 2.7 −0.4 4.5 2.5 100 N Lung Y
20 5.2 0.7 0.3 −0.1 11 N Renal Y
21 3.3 3.4 1.9 −0.2 69 N Lung Y
22 2.9 −0.8 2.0 −0.3 73 N Lung
23 (7) −1.9 2.9 0.6 −1.7 0 Y Rad Nec N
24 1.2 5.5 −0.4 −1.5 0 N Pituitary N
25 −2.7 4.6 −0.5 −0.6 1 Y Rad Nec N
26 −0.5 1.2 −0.8 −1.4 0 Y Rad Nec N
27 (28) −0.1 1.0 0 0.1 7 N Infection N
28 (27) 1.5 −0.5 1.4 −0.4 40 N Infection N
29 1.7 0.9 −1.4 1.6 0 N Myelinolysis N
30 14.5 0 −0.3 1.2 13 N Hemangioblastoma N
ID：病例序号；VC：标准化后的血管数目；AVRAD：标准化后；SOAM和ICM：定义的血管卷曲度指标；MP：计算得出
的肿瘤恶性可能性，该值大于50说明肿瘤为恶性的可能性很高；RT：是否接受过头部放疗；DX：最终病理学诊断结果；
Malignant：肿瘤是否为恶性
电刺激的影响。向秋静等 [37]依托上海光源，利用
同步辐射成像技术，探究了不同时期肿瘤新生血管
形态结构的定量方法。图 6展示了他们采集到的不
同生长时期的肿瘤血管图像。他们利用同步辐射光
源Micro-CT造影成像获取立体乳腺癌瘤内血管网
络，采用设计的分块加载双阈值分割方法提取到瘤
内血管，结合体绘制结果采用微血管密度 (microvessel
density, MVD)和分形维度 (fractal dimension, FD)两
个定量指标，对随时间生长的肿瘤微血管网络变化
进行了初步分析。图 7是他们对采集到的各时期肿
瘤血管的定量结果，通过这两种指标的计算表明，
不同生长时间肿瘤微血管网络的复杂度呈现出先增
大后减小的变化趋势，体现出肿瘤从增长到退化的
一个生长周期。同时，他们还注意到这两种指标的
变化趋势虽然类似，但是依然各有特点，微血管密
度可以反映出肿瘤血管数量的变化情况，分形维度
可以进一步描述不同尺寸下密度分布的相似性。这
表明单一的指标无法对肿瘤内复杂的血管分布情况
进行完全的说明，使用多个指标进行综合评定才能
更加全面地理解肿瘤新生血管对于肿瘤生长的重要
意义。Müller等 [38]在欧洲光源 (ESFR)使用同步辐
射显微 CT造影技术获得了小鼠肿瘤组织和正常组
织的投影数据，通过相位恢复重建得到其三维图像，
并且分析了二者在直径、长度、卷曲度方面的差异。
表3是他们对正常组织和肿瘤组织定量分析的结果。
文章中也提到，基于同步辐射光源获得的图像分辨
彭浩杰，等：血管网络定量分析研究进展第8期 819
A、C、E：原始形态；B、D、F分别为注射生理盐水、血管紧张素Ⅱ和接受神经电刺激后的图像。图像均经过了高斯滤波去
除噪声
图5　肾脏微血管接受生理盐水、血管紧张素II和神经电刺激前后的变化[36]
A~E分别为20 d、25 d、30 d、35 d和40 d时的肿瘤内微血管形态
图6　随时间增长瘤内微血管的形态变化[37]
左图：微血管密度的统计结果；右图为分形维度的统计结果
图7　不同生长时间、不同分区的肿瘤血管定量统计结果[37]
生命科学 第25卷820
表3　正常组织和肿瘤组织血管定量结果[38]
Mean Vessel Tortuosity γBIF[deg] Vessel volume fraction Mean void
diameter length DM SOAM 3D[%] 2D[%] distance
[μm] [μm] [rad/μm] x y z [μm]
Cast, healthy 9.0 ± 1.7 15 1.3 0.10 ± 0.17 114 ± 30 7 5 6 7 68.6 ± 2.1
(absorption μCT) 5.3 ± 0.1 31 1.3 0.10 ± 0.18 116 ± 27 4 4 4 4 71.7 ± 1.2
0.7 ± 7.3 23 1.2 0.23 ± 0.18 115 ± 25 19 12 12 20 42.2 ± 1.9
Cast, tumor 4.0 ± 0.7 20 1.2 0.30 ± 0.20 119 ± 29 7 12 6 6 46.2 ± 2.3
(absorption μCT) 3.0 ± 1.1 13 1.4 0.28 ± 0.24 114 ± 32 3 2 2 3 43.8 ± 1.4
3.7 ± 1.0 14 1.3 0.30 ± 0.22 115 ± 29 8 8 13 9 86.1 ± 2.1
Tumor in PFA 4.8 ± 1.9 12 1.3 0.21 ± 0.27 112 ± 31 2 4 3 4 60.1 ± 2.4
(phase μCT) 2.0 ± 2.5 9 1.1 0.23 ± 0.35 107 ± 33 5 3 3 5 76.8 ± 0.8
6.1 ± 2.6 11 1.3 0.14 ± 0.30 112 ± 33 3 3 2 2 95.1 ± 0.2
对比肿瘤组织的图像使用吸收成像和相位恢复成像两种成像方式
率太高，不可避免地会带来比过去更多的噪声，因
而现有的分割、去噪算法还需要进行针对性的改进。
5　未来发展方向
从目前血管定量分析工作的现状来看，血管分
割提取的技术都已经比较成熟，限制血管图像质量
的因素主要是成像方法本身。同步辐射光源作为一
种新的优良光源，已经逐步成为研究的热点和重点。
近年来，基于同步辐射光源的透射、CT、Micro-
CT成像技术发展迅速，现有的定量分析手段不需
要进行大的改动就可以直接用于这些高分辨率数据
的分析，这说明作为一种较为成熟的工具，血管定
量分析可以很好地应用于未来有关于同步辐射的研
究工作。目前，活体组织的在体实时成像是同步辐
射在医学成像领域最有发展潜力的方向，可以预见，
针对在体组织的实时定量分析 (例如类似 Eppel等
的研究 )也必将成为未来定量分析领域的重要方向。
从定量分析的针对性上看，围绕肿瘤展开定量
工作依然是研究热点。目前有很多研究小组通过对
肿瘤新生血管的定量分析，试图找出量化预测、评
估肿瘤生长程度的方法，并以此作为未来临床诊断
的依据。预计未来在血管定量分析领域，会有以下
几个方面的新发展：定义新的定量指标，完善血管
定量分析体系，更加精确地描述血管在细微形态学
上的差异和变化；在实际应用中，多种定量指标联
合使用，以达到更好的定量效果；针对特定疾病使
用成熟的定量分析指标，评估病变血管各阶段的动
态变化情况，寻找提早发现这些疾病的可能性。
[参　考　文　献]
[1] Doyle KP, Simon RP, Stenzel-Poore MP. Mechanisms of
ischemic brain damage. Neuropharmacology, 2008, 55(3):
310-8
[2] Rank W. Understanding brain arteriovenous malformations.
Nursing Critical Care, 2011, 6(4): 36-40
[3] Bock KD, Cauwenberghs S, Carmeliet P. Vessel
abnormalization: another hallmark of cancer? Molecular
mechanisms and therapeutic implications. Curr Opin
Genet Dev, 2011, 21(1): 73-9
[4] Friman O, Hindennach M, Peitgen HO. Template-based
multiple hypotheses tracking of small vessels. Biomedical
imaging: from Nano to Macro [C]. 5th IEEE IntSympos,
2008: 1047-50
[5] Zana F, Klein JC. Segmentation of vessel-like pattern
using mathematical morphology and curvature evaluation.
IEEE Trans Image Process, 2001, 10(7): 1010-9
[6] Eiho S, Qian Y. Detection of coronary artery tree using
morphological operator. Comput Cardiol, 1997, 24: 525-8
[7] Thackray BD, Nelson AC. Semi-automatic segmentation
of vascular network images using a rotating structuring
element (ROSE) with mathematical morphology and dual
feature thresholding. IEEE Trans Med Imaging, 1993,
12(3): 385-92
[8] 周密, 谷圣美, 赵俊. 适用于三维微血管成像的定量分
析方法. 北京生物医学工程, 2013, 32(2): 143-8
[9] Smets C, Verbeeck G, Suetens P, et al. A knowledge-based
system for the delineation of blood vessels on subtraction
angiograms. Pattern Recog Lett, 1988, 8(2): 113-21
[10] Stansfield SA. ANGY: A rule-based expert system for
automatic segmentation of coronary vessels from digital
subtracted angiograms. IEEE Trans Pattern Anal Mach
Intell, 1986, (2): 188-99
[11] Aylward SR, Bullitt E. Initialization, noise, singularities,
and scale in height ridge traversal for tubular object
centerline extraction. IEEE Trans Med Imaging, 2002,
21(2): 61-75
[12] Aylward SR, Jomier J, Weeks S, et al. Registration and
analysis of vascular images. Int J Comput Vision, 2003,
55(2): 123-38
[13] Park S, Lee J, Koo J, et al. Adaptive tracking algorithm
based on direction field using ML estimation in angiogram
彭浩杰，等：血管网络定量分析研究进展第8期 821
[C]. IEEE Conference on Speech and Image Technologies
for Computing and Telecommunications, 1997, 2: 671-5
[14] Haris K, Efstratiadis SN, Maglaveras N, et al. Automated
coronary artey extraction using watersheds. Comput
Cardiol, 1997, 24: 741-4
[15] Blum H. A transformation for extracting new descriptors
of shape [M]// In: Wathen-Dunn W (ed). Models for the
perception of speech and visual forms. Amsterdam: MIT
Press, 1967: 362-80
[16] Palagyi K, Kuba A. A 3D 6-subiteration thinning
algorithm for extracting medial lines. Pattern Recog Lett,
1998, 19(7): 613-27
[17] Frangi A, Niessen W, Vincken K, et al. Multiscale vessel
enhancement filtering: Medical Image Computing and
Computer-Assisted Interventation (MICCAI’98). Comput
Sci, 1998, 1496: 130-7
[18] Schrijver M. Angiographic image analysis to assess the
severity of coronary stenoses [M]. Enschede: Twente
University Press, 2002
[19] Smedby O, Hogman N, Nilsson S, et al. Two-dimensional
tortuosity of the superficial femoral artery in early
atherosclerosis. J Vasc Res, 1993, 30(4): 181-91
[20] Bracher D. Changes in peripapillary tortuosity of the
central retinal arteries in newborns. Graefe’s Arch Clin
Exp Opthalmol, 1982, 218(4): 211-7
[21] Zhou LA, Rzeszotarski MS, Singerman LJ, et al. The
detection and quantification of retinopathy using digital
angiograms. IEEE Trans Med Imaging, 1994, 13(4): 619-
26
[22] Goldbaum MH, Hart WE, Cote BL, et al. Automated
measures of retinal blood vessel tortuosity. Invest
Opthalmol Vis Sci, 1994, 35(4): 2089
[23] Capowski JJ, Kylstra JA, Freedman SF. A numeric index
based on spatial frequency for the tortuosity of retinal
vessels and its application to plus disease in retinopathy of
prematurity. Retina, 1995, 15(6): 490-500
[24] Hart WE, Goldbaum M, Cote B, et al. Measurement and
classification of retinal vascular tortuosity. Int J Med
Informatics, 1999, 53(2-3): 239-52
[25] Bullitt E, Gerig G, Pizer S M, et al. Measuring tortuosity
of the intracerebral vasculature from MRA images. IEEE
Trans Med Imaging, 2003, 22(9): 1163-71
[26] Knudtson M, Lee K, Hubbard L, et al. Revised formulas
for summarizing retinal vessel diameters. Curr Eye Res,
2003, 27(3): 143-9
[27] Dhillonb B, Eikelboomf RH, Yogesana K, et al. Retinal
image analysis: concepts, applications and potential. Prog
Retina Eye Res, 2006, 25(1): 99-127
[28] Baish JS, Jain RK. Fractals and cancer. Cancer Res, 2000,
60(14): 3683-8
[29] Sabo E, Boltenko A, Sova Y, et al. Microscopic analysis
and significance of vascular architectural complexity in
renal cell carcinoma. Clin Cancer Res, 2001, 7(3): 537-53
[30] Wilson CM, Cocker KD, Moseley MJ, et al. Computerized
analysis of retinal vessel width and tortuosity in premature
infants. Inves Ophthalmol Vis Sci, 2008, 49(8): 3577-85
[31] K a n d a s a m y Y, S m i t h R , Wr i g h t I M . R e t i n a l
microvasculature measurements in full-term newborn
infants. Microvasc Res, 2011, 82(3): 381-4
[32] Bullitt E, Zeng D, Gerig G, et al. Vessel tortuosity and
brain tumor malignancy: a blinded study. Acad Radiol,
2005, 12(10): 1232-40
[33] Vasquez SX, Gao F, Su F, et al. Optimization of MicroCT
imaging and blood vessel diameter quantitation of
preclinical specimen vasculature with radiopaque polymer
injection medium. PLoS One, 2011, 6(4): e19099
[34] Zhou M, Yuan F, Zhao J. Quantitative analysis of vessel
morphology using micro-computed tomography [C].
Proceeding of 4th International Conference on Biomedical
Engineering and Informatics, BMEI 2011, Shanghai,
China, October 15-17, 2011: 457-61
[35] Hu J, Wu T, Zhang T, et al. Three-dimensional alteration
of microvasculature in a rat model of traumatic spinal cord
injury. J Neurosci Methods, 2011, 204(1): 150-8
[36] Eppel GA, Jacono DL, Shirai M, et al. Contrast
angiography of the rat renal microcirculation in vivo using
synchrotron radiation. Am J Physiol Renal Physiol, 2009,
296(5): F1023-31
[37] 向秋静, 李晶, 刘苹, 等. 基于同步辐射的不同时期肿瘤
新生血管形态结构定量的初步分析. 中国医疗器械杂
志, 2012, 36(2): 85-9
[38] Müller B, Lang S, Beckmann F, et al. Comparing the
micro-vascular structure of cancerous and healthy tissues
[C] / /SPIE Opt ica l Engineer ing+ Appl ica t ions .
International Society for Optics and Photonics, 2012:
850607-10